Aprendizado de máquina aplicado na eletroquímica

TL;DR

Este artigo investiga como o aprendizado de máquina pode aprimorar a análise eletroquímica, visando a identificação e quantificação de analitos em aplicações que vão de biossensores a monitoramento ambiental. Por meio de uma revisão sistemática baseada em Nakagawa, foram selecionados 44 estudos onde técnicas de aprendizado de máquina supervisionado são aplicadas a sensores eletroquímicos. Os resultados indicam que redes neurais artificiais (ANN), máquinas de vetor de suporte (SVM) e XGBoost são as ferramentas mais utilizadas, com muitos estudos recorrendo a conjuntos de dados gerados pelos próprios pesquisadores devido à escassez de bases públicas; destacam-se casos de alto desempenho, como acurácia próxima a 98,4% em contextos médicos. A análise ressalta o potencial do ML para aumentar a precisão e a eficiência na identificação e quantificação de analitos, bem como a necessidade de dados abertos e benchmarks padronizados para promover reprodução e adoção prática na eletroquímica.

Abstract

This systematic review focuses on analyzing the use of machine learning techniques for identifying and quantifying analytes in various electrochemical applications, presenting the available applications in the literature. Machine learning is a tool that can facilitate the analysis and enhance the understanding of processes involving various analytes. In electrochemical biosensors, it increases the precision of medical diagnostics, improving the identification of biomarkers and pathogens with high reliability. It can be effectively used for the classification of complex chemical products; in environmental monitoring, using low-cost sensors; in portable devices and wearable systems; among others. Currently, the analysis of some analytes is still performed manually, requiring the expertise of a specialist in the field and thus hindering the generalization of results. In light of the advancements in artificial intelligence today, this work proposes to carry out a systematic review of the literature on the applications of artificial intelligence techniques. A set of articles has been identified that address electrochemical problems using machine learning techniques, more specifically, supervised learning.

Figures (5)

• Figure 1: Fluxo usado para a seleção final dos artigos.
• Figure 2: Área de publicação dos periódicos.
• Figure 3: Publicação por país.
• Figure 4: Categorias dos artigos selecionados.
• Figure 5: Técnicas empregadas nos estudos.