一种提高多种重金属离子同时检测灵敏度及准确度的方法与流程

本发明涉及水溶液中重金属离子检测技术，具体涉及一种提高多种重金属离子同时检测灵敏度及准确度的方法。

背景技术：

近年来，随着工业化的蓬勃发展，随之而来的污染问题也越来越严峻，环境保护被提上日程，防治重金属污染便是其中重要的一环。众所周知，重金属在环境中不可降解，且会在生物体内长期积累，引起多种疾病，是环境中较为危险的污染物。如何对水质中的重金属离子进行检测显得尤为重要。

目前，建立了多种传统重金属离子检测方法。如原子荧光光谱法(AFS)、原子吸收光谱法(AAS)、电感耦合等离子体原子发射光谱(ICP-AES)、电感耦合等离子体质谱(ICP-MS)等。然而，这些方法大多数受到一些限制，例如需要昂贵的仪器、实验室装置、高操作成本和工作人员熟练的分析技能。

紫外-可见分光光度法具有操作简单，响应快速，运行成本低的显著优势，是用于检测重金属的一种方法。近些年来，我们尝试采用紫外可见光分光光度法结合偏最小二乘法对水溶液中多种重金属离子进行检测(卞希慧，孙帅帅，郭玉高，王秋男，谭小耀，一种经济、智能的水中多种重金属离子同时检测的方法，中国发明专利，2013，ZL201310537969.8)。该方法可以对水中含量在6.004～85.01毫克/升范围内的重金属离子很好地预测。但是上述检测的重金属离子浓度较高，如果降低重金属离子浓度就会导致检测准确度降低。如果在检测重金属之前进行预富集，则可以提高重金属离子检测的灵敏度。

作为一种新兴的高效、节能、环境友好的分离与富集技术，膜富集技术是解决目前资源危机和环境恶化问题的有效手段，已在许多领域得到广泛应用。如果采用传统的紫外分光光度法，需要对富集到膜上的重金属离子进行洗脱再测量其透过率，操作过程繁琐。最近发展起来的紫外可见漫反射光谱可以直接对固体样品进行测量。将重金属离子先富集到膜上，再采用紫外可见漫反射光谱直接测量，该方法无需经过洗脱步骤，操作大为简化。杜等(Wang Lei，Cao Peng，Li Wei，Tong Peijin，Zhang Xiaofang，Du Yiping，Simultaneous detection of trace metal ions in water by solid phase extraction spectroscopy combined with multivariate calibration，Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2016，159：151-156)提出了一种基于膜富集-紫外可见漫反射光谱的痕量重金属离子测定方法，该方法一方面采用膜对重金属离子富集，另一方面通过建立偏最小二乘模型对两种重金属离子同时检测。我们(卞希慧，陈曼婷，赵贺，郭玉高，谭小耀，一种基于膜富集-紫外可见漫反射光谱的痕量重金属离子测定方法，中国发明专利，2015，ZL 201510800259.9)也尝试了这方面的工作，但是重金属离子检测范围在0.04～0.50毫克/升之间，依然没有达到微克级的痕量检测范围。

综上，本发明一方面引入膜富集的方法，结合紫外可见漫反射光谱，进一步提高重金属离子检测的灵敏度，可以实现微克数量级离子浓度的检测。另一方面，在建立偏最小二乘回归模型的同时，对光谱进行预处理和变量选择，可以提高离子检测的准确性。

技术实现要素：

本发明的目的是针对上述存在的问题，引入膜富集技术，采用紫外-可见漫反射光谱作为检测手段，同时利用一系列化学计量学方法对数据进行建模，从而提供一种提高多种重金属离子同时检测灵敏度及准确性的方法。

为实现本发明所提供的技术方案包括以下步骤：

1)膜富集-紫外可见漫反射用于单个重金属离子检测条件的优化

选择某种重金属离子作为研究对象，合适的络合剂作为被测金属离子的络合剂，在含有重金属离子的溶液中加入络合剂，形成金属络合物。然后将溶液抽滤，使络合物富集到膜上，测定膜表面的紫外可见光漫反射光谱。确定金属络合物的最佳分析波长，pH值，络合剂的用量，络合反应时间，样品体积。在最优的条件下的对金属标准溶液进行测定，得到不同质量浓度重金属离子的标准曲线，超纯水作为空白溶液测定多次，计算方差S，按3倍方差估算该离子的检出限(3S/k)。

2)多种重金属同时检测的数据集的测定

配置一定数目的同时含有多种痕量重金属离子的实验样品，为提高重金属络合物的分散性，加入表面活性剂，并考察表面活性剂用量的影响。在最佳反应条件下，将每个样品溶液抽滤，使重金属离子络合物富集到混合纤维素膜上，待膜干燥后，测定膜表面的紫外可见漫反射光谱。对数据集进行分组，2/3的样品作为训练集，1/3的样品作为预测集。

3)偏最小二乘方法因子数的确定

根据蒙特卡罗交叉验证的交叉验证均方根误差(RMSECV)随因子数(LV)的变化确定偏最小二乘模型的因子数，RMSECV最小值对应的因子数为偏最小二乘回归模型的最佳因子数。

4)预处理方法的选择

考察多元散射校正(MSC)、标准正态变量(SNV)、SG平滑、SG一阶导数、小波变换(CWT)等数据预处理方法以及它们之间的组合对信号进行预处理的效果。

5)变量选择方法的选择

在最佳预处理基础上，进一步结合无信息变量消除(UVE)、蒙特卡罗无信息变量消除(MCUVE)、随机检验(RT)等变量选择方法的效果，选取最佳预处理-变量选择方法。

6)最终定量分析模型的建立及对未知样品的预测

采用最佳预处理-变量选择方法，建立偏最小二乘回归模型。将未知样品的光谱代入到模型中，预测重金属离子组分的含量。

本发明的优势在于一方面引入膜富集技术将重金属离子进行富集，提高了重金属离子检测的灵敏度；另一方面，采用一系列光谱预处理及变量选择方法对数据进行预处理及变量选择，建立偏最小二乘回归模型，提高了多种重金属离子同时检测的准确度。

附图说明

图1是铜离子的标准曲线

图2是钴离子的标准曲线

图3是铜离子和钴离子混合液的紫外可见漫反射光谱

图4是铜离子最佳预处理结合不同变量选择方法保留变量的分布图

图5是钴离子最佳预处理结合不同变量选择方法保留变量的分布图

图6是铜离子的预测值与真实值关系图

图7是钴离子的预测值与真实值关系图

具体实施方式

为更好理解本发明，下面结合实施例对本发明做进一步地详细说明，但是本发明要求保护的范围并不局限于实施例表示的范围。

实施例：

本实施例以水溶液中铜离子及钴离子为研究对象，采用膜富集-紫外可见漫反射光谱结合化学计量学建模对痕量铜离子及钴离子同时检测。

1)膜富集-紫外可见漫反射用于单个重金属离子检测条件的优化

膜富集-紫外可见漫反射用于铜离子检测条件的优化：选择[1-(2-吡啶偶氮)-2-萘酚](PAN)作为被测金属离子的络合剂，在含有铜离子的溶液中加入络合剂，形成金属络合物Cu-PAN。然后将溶液抽滤，使络合物富集到膜上，测定膜表面的紫外可见光漫反射光谱。络合物Cu-PAN的可见漫反射光谱波长记录在400-800纳米范围内。光谱图中，在波长475纳米处，PAN有强吸收峰；在555纳米处，络合物Cu-PAN有吸收峰，因此选择555纳米作为铜离子的分析波长。实验考察了pH为4.3、6、7、7.5、8、8.5、9、9.5时对络合物Cu-PAN吸光度的影响。在酸性条件下，络合物吸光度较低；在碱性条件下，络合物吸光度逐渐增大，在pH为9.0时吸光度达到最大值。因此，实验选择络合反应的最佳pH值为9.0。实验对加入量在0.2-1.4毫升范围内的PAN溶液对Cu-PAN吸光度的影响进行了研究。对于铜离子，随着PAN用量由0.2毫升增加至1.2毫升，络合物Cu-PAN的吸光度逐渐增加，当PAN加入量达到1.2毫升时，Cu-PAN的吸光度达到最大值。因此，实验选择PAN用量为1.2毫升。实验考察了不同反应时间(2、5、7、12、15、20分钟)对络合物Cu-PAN吸光度的影响。当络合反应时间为5分钟时，络合物Cu-PAN的吸光度最高。5分钟之后，随着时间的不断增加，可能会因为搅拌作用导致已经生成的络合物分解，Cu-PAN络合物的吸光度逐渐下降。因此，实验选择检测的最佳络合反应反应时间为5分钟。实验考察了6微克/升铜离子标准溶液的不同样品体积(25、50、75、100、125、150毫升)对络合物Cu-PAN的吸光度的影响。对于铜离子，随着样品体积由25毫升增加到100毫升时，络合物Cu-PAN的吸光度不断升高，在体积为100毫升时达到最大值，当体积继续增加到150毫升时，吸光度基本保持不变。因此，实验选择检测的最佳样品体积为100毫升。在最优的条件下对一系列铜标准溶液进行测定，当铜离子的浓度在2-12微克/升范围内时，吸光度与浓度的线性关系如图1所示，从图中可以看出，铜离子浓度与吸光度线性相关度很高，线性关系为：Y＝0.00143X+0.04831；R＝0.9909。采用超纯水为空白溶液测定7次，计算方差S，按3倍方差估算方法的检出限(3S/k)，检出限为0.2262。

按照同样的方法进行优化，钴离子选取的最佳分析波长为625纳米，络合反应pH为9.0，PAN用量为1毫升，络合反应时间为7分钟，样品体积为100毫升。在最优的条件下对一系列钴标准溶液进行测定，当钴离子的浓度分别在0.2-3.0微克/升，3.0-10.0微克/升范围内时，它与吸光度呈线性关系。实验选取钴离子的浓度在3.0-10.0微克/升范围内做标准曲线。吸光度与浓度的线性关系如图2所示，从图中可以看出，钴离子浓度与吸光度呈线性关系，线性关系为：Y＝0.0043X+0.02615；R＝0.9872。(Y：分别为555纳米和625纳米处络合物Cu-PAN和Co-PAN的吸光度值；X：被测离子的质量浓度；R：相关系数)。按照实验方法，采用超纯水为空白溶液测定7次，计算方差S，按3倍方差估算方法的检出限(3S/k)，检出限为0.023微克/升。

2)多种重金属同时检测的数据集的测定

综合考虑铜离子与钴离子的最佳反应条件，选择两种重金属离子同时测定的最佳条件：pH为9.0，PAN用量为1.2毫升，络合反应时间为5分钟。配置29组同时含有铜离子和钴离子的实验样品，选择铜离子和钴离子同时存在时与PAN反应的最优条件。为提高重金属络合物的分散性，加入表面活性剂，表面活性剂Brij-30溶液体积从0毫升到0.5毫升范围内时，络合物Cu-PAN和络合物Co-PAN的吸光度均上升，而0.5毫升之后络合物Cu-PAN和络合物Co-PAN的吸光度基本保持不变，所以实验选择表面活性剂Brij-30的最佳用量为0.5毫升。在最佳反应条件下，将100毫升含有不同浓度的铜离子和钴离子的水溶液(铜离子和钴离子的浓度在各自的线性范围内随机排列)pH调至9.0，加入1.2毫升PAN，络合反应剧烈搅拌5分钟，加入0.5毫升Brij-30溶液通过混合纤维素酯膜后，样品溶液通过膜过滤富集成金属-PAN络合物。待膜在空气中干燥后，测定膜表面的漫反射光谱，得到的光谱如图3所示。对数据集进行分组，2/3的样品作为训练集，1/3的样品作为预测集，即19个样本用于建立偏最小二乘模型，10个样本用于预测。

3)偏最小二乘方法因子数的确定

首先根据蒙特卡罗交叉验证的均方根误差(RMSECV)随因子数的变化确定偏最小二乘模型的因子数。RMSECV最小值对应的因子数为偏最小二乘回归模型的最佳因子数。铜离子和钴离子的因子数分别为8和5。

4)预处理方法的选择

首先使用平滑、标准正态变量(SNV)、多元散射校正(MSC)、一阶导数、二阶导数和连续小波变换(CWT)等单一的预处理方法及其组合对训练集光谱进行预处理。对于铜离子，不同预处理方法的建模结果显示在表1中。从表1中可以看出，并不是所有预处理方法都可以提高预测效果。在可以提高预测效果的方法中，S-G平滑产生较小的RMSEP值和最大的相关系数。所以对于铜离子，S-G平滑是最好的预处理方法。

表1不同预处理方法对铜离子预测结果的比较

对于钴离子，不同预处理方法的建模结果显示在表2中。从表2中可以看出，标准正态变量和多元散射校正两种预处理方法分别得到最小的RMSEP以及最大的相关系数，选择这两种预处理方法都可以作为钴离子最佳的预处理方法。在后续变量选择中，使用多元散射校正作为钴离子最佳的预处理方法。

表2不同预处理方法对钴离子预测结果的比较

5)变量选择方法的选择

在最佳预处理基础上，进一步结合无信息变量消除(UVE)、蒙特卡罗无信息变量消除(MCUVE)、随机检验(RT)等变量选择方法的效果，选取最佳预处理-变量选择方法。

图4给出了铜离子训练集的平均光谱和最佳预处理结合不同变量选择方法保留变量的分布。从图中可以看出，UVE、MCUVE和RT方法选择的波长区域非常相似。这种相似性说明了波长选择结果的合理性。因为一个具体组分的信息变量应该是化学结构的体现而非与选择方法相关。表3显示了最佳预处理方法结合不同变量选择方法对铜离子的预测结果，从表中可以看出，MCUVE变量选择的结果要略优于UVE及RT变量选择的结果。因此，选择SG-MCUVE作为最佳的预处理-变量选择方法。

表3最佳预处理方法结合不同变量选择方法对铜离子预测结果的比较

图5给出了钴离子训练集的平均光谱和最佳预处理结合不同变量选择方法保留变量的分布。从图中可以看出，UVE、MCUVE和RT方法选择的波长区域非常相似。对比图4和图5的变量选择区间，可以发现两种离子选择的变量区域有很大差别，这是因为不同离子的化学性质不同，其光谱图上的主要吸收也就相应地不同。表4显示了最佳预处理方法结合不同变量选择方法对钴离子的预测结果，从表中可以看出，MCUVE变量选择的结果要略优于UVE及RT变量选择的结果。因此，选择MSC-MCUVE作为最佳的预处理-变量选择方法。

表4最佳预处理方法结合不同变量选择方法对钴离子预测结果的比较

6)最终定量分析模型的建立及对未知样品的预测

对于铜离子，采用最佳预处理-变量选择方法SG-MCUVE，建立偏最小二乘回归模型。将未知样品的光谱代入到模型中，预测重金属离子组分的含量。

对于钴离子，采用最佳预处理-变量选择方法MSC-MCUVE，建立偏最小二乘回归模型。将未知样品的光谱代入到模型中，预测重金属离子组分的含量。

图6显示了铜离子预测值与真实值的关系图，从图中可以看出，铜离子有很好的线性相关性，相关系数达到0.9568。对比表1中没有采用任何预处理的PLS方法，相关系数只有0.8878，由此可以看出，采用最佳的SG-MCUVE方法处理后，再建立PLS模型，可以使预测准确度大幅度提高。

图7显示了钴离子预测值与真实值的关系图，从图中可以看出，钴离子有很好的线性相关性，相关系数达到0.9808。对比表2中没有采用任何预处理的PLS方法，相关系数只有0.9402，由此可以看出，采用最佳的MSC-MCUVE方法处理后，再建立PLS模型，可以使预测准确度大幅度提高。

通过采用最佳预处理-变量选择方法，建立偏最小二乘回归模型，铜离子以及钴离子的预测准确度都得到了较大提高。