基于深度学习的全息显微术对电子烟排放物中挥发性气溶胶的动态成像与表征
机器学习
2021-06-07 v1 应用物理
摘要
多种挥发性气溶胶已被认为与不良健康效应相关；然而，由于其动态特性，对这些气溶胶的表征颇具挑战。在此我们提出一种利用计算显微术与深度学习直接测量颗粒物（PM）挥发性的方法。该方法被应用于电子香烟（e-cigs）所产生的气溶胶，后者汽化一种主要由丙二醇（PG）、植物甘油（VG）、尼古丁和调味化合物组成的液体混合物（e-liquid）。电子烟生成的气溶胶由一台基于撞击式空气采样器的现场便携计算显微镜记录。该移动设备内的无透镜数字全息显微镜持续记录所收集颗粒的同心轴全息图。一种基于深度学习的算法用于从全息图中自动重建电子烟生成颗粒的显微图像，并快速量化其挥发性。为评估 e-liquid 组成对气溶胶动力学的影响，我们测量了具有不同 PG/VG 体积比、无调味无尼古丁的 e-liquid 所生成颗粒的挥发性，揭示了颗粒挥发性与 e-liquid 中 VG 体积比之间的负相关。对于给定的 PG/VG 组成，尼古丁的添加主导了电子烟气溶胶的蒸发动力学，且上述负相关不再被观察到。我们还揭示，e-liquid 中的调味添加剂显著降低了电子烟气溶胶的挥发性。所呈现的全息挥发性测量技术及相关移动设备可能为电子烟生成颗粒的挥发性提供新见解，并可应用于表征各类挥发性 PM。
引用
@article{arxiv.2104.00525,
title = {Dynamic imaging and characterization of volatile aerosols in e-cigarette emissions using deep learning-based holographic microscopy},
author = {Yi Luo and Yichen Wu and Liqiao Li and Yuening Guo and Ege Cetintas and Yifang Zhu and Aydogan Ozcan},
journal= {arXiv preprint arXiv:2104.00525},
year = {2021}
}
备注
23 Pages, 4 Figures