快速对生化样品进行分选，在生命科学、临床诊断、食品安全及环境监测等领域具有实际意义。传统分析方法往往依赖大型精密仪器、复杂的样品前处理和漫长的实验流程，难以满足现场、即时、高通量的检测需求。发展简便、快速、低成本的分选技术，不仅能够显著提升实验效率、降低分析门槛，还能为资源有限的环境或基层单位提供可行的检测方案，助力实现即时决策、现场筛查和大规模样本的初步评估，从而推动生化分析向更普适、更智能的方向发展。

近期，医工系23级研究生周杰利用机器学习与电容传感技术，结合毛细微流控器件，开发了一套低成本、便携式的油类快速筛查系统。该研究融合微流控线基分析器件（μTADs）与电容传感技术，并引入机器学习算法，构建了一套低成本、便携式的油品快速筛查系统，为现场油品鉴定与质量监控提供了全新的解决方案，该成果发表于中国科学院TOP期刊Analytica Chimica Acta上，医工系25级研究生黄展耀为第二作者，通讯作者为医工系青年教师郭为进博士、马祥园博士和中国石油大学（北京）詹洪磊副教授。

针对传统油品分析方法（如气相色谱、质谱）依赖昂贵笨重仪器、操作复杂且耗时长，难以满足现场实时分析需求的痛点，周杰另辟蹊径，利用玻璃纤维线作为毛细微流道，通过热缩管封装技术制备了性能稳定的μTADs，并自主研发了一套便携式电容采集装置（CASY）。该系统通过实时监测油样在μTADs毛细流动过程中引起的电容信号变化，获取反映其理化特性的动态电容毛细廓线数据。

在此基础上，黄展耀系统评估了多种机器学习模型对油品分类的性能，线性判别分析（LDA）模型在8类典型石油油品（包括柴油、航空煤油、煤油、90号汽油、含钠稠油、兰成油、委内瑞拉油和鲁克沁稠油）的分类任务中表现最优，平均准确率达82%。LDA在降维后的特征空间中展现出高度清晰的类别聚类，各类油品的数据点在二维判别平面上彼此分离、边界明确，极少出现重叠，直观反映出该方法对不同油品电容动态响应的有效解耦能力。这种良好的聚类结构不仅验证了CASY所捕获信号的判别性，也说明油品间的物理化学差异（如粘度、介电常数）被充分转化为可区分的机器学习特征。系统对粘度差异显著的油品（如轻质航空煤油与高粘重油）几乎实现完美区分。即便面对理化性质相近的样品（如航空煤油、煤油与90号汽油等），LDA仍能捕捉细微差别，展现出优异的分辨潜力。

该系统的另一大亮点在于其极低的成本与高实用性。整套CASY设备成本仅约56元，而单次检测的耗材成本低至0.04元。得益于玻璃纤维的优异化学稳定性，所制备的μTADs器件保质期超过一年，非常适合在偏远或恶劣环境中部署使用。该系统无需复杂的样品前处理，操作简便，分析速度快，虽无法达到传统色谱技术的化学组分精细分析水平，但在油品快速初筛、现场质量监控及即时决策支持等应用场景中具有显著优势。

周杰的主要研究方向为生化传感与柔性电子，目前以独立一作发表三篇SCI期刊论文，并获得2025年硕士研究生国家奖学金，即将赴深圳大学攻读博士学位。

以上研究得到了国家自然科学基金（No. 62404130, 62341403）和广东省自然科学基金（No. 2022A1515110855）的资助。

来源：工学院