Loading...
Rapid, portable and low-cost water quality device using machine learning
Citations
Altmetric:
Abstract
Maintaining high water quality standards is essential for preventing the spread of waterborne diseases that pose significant risks to public health, such as cholera, dysentery, hepatitis, and typhoid fever. While conventional methods, including membrane filtration (MF), multiple tube fermentation (MTF), and enzyme-based assays, offer high sensitivity and specificity in detecting bacterial indicators like Escherichia coli (E. coli) and Enterococcus faecalis (E. faecalis), these techniques are hindered by lengthy processing times, reliance on specialized laboratory facilities, and the need for trained personnel. To address these limitations, this thesis presents the development of a novel, portable, and cost-effective UV-LED/RGB sensor system for rapid bacteriological water quality assessment. The system incorporates a multi-well, self-loading microfluidic device, UV-LEDs for sample excitation, and RGB sensors (devices capable of detecting light intensity in red, green and blue wavelengths ranges) for fluorescence data acquisition, alongside a defined substrate assay and portable incubation system for automated bacterial quantification. The microfluidic device autonomously loads water samples, eliminating the need for sample preparation, and enables bacterial enumeration via most probable number (MPN) analysis. Fluorescence signals from individual wells are processed using machine learning (ML) algorithms, including Multilayer Perceptron Neural Networks (MLPNN), Random Forest (RF), Logistic Regression (LR), and Support Vector Machines (SVM). These algorithms classify well as positive or negative within 30 minutes. The results indicate that the best-performing algorithm was MLPNN, achieving evaluation metrics of up to 100% for E. faecalis detection. For this study, E. coli was not utilized as an indicator. Comparisons with the Quanti-TrayTM/2000 system revealed greater dispersion and limitations in the detection range for high bacterial concentrations. However, the rapid response time, the reduced sample volume required, and the integration of automation and ML-based analysis tools present a promising alternative for bacteriological detection and quantification.
Mantener altos estándares de calidad del agua es esencial para prevenir la propagación de enfermedades transmitidas por el agua que representan riesgos significativos para la salud pública, como el cólera, la disenterÃa, la hepatitis y la fiebre tifoidea. Aunque los métodos convencionales, como la filtración por membrana (MF), la fermentación en tubos múltiples (MTF) y los ensayos enzimáticos, ofrecen alta sensibilidad y especificidad en la detección de indicadores bacterianos como Escherichia coli (E. coli) y Enterococcus faecalis (E. faecalis), estos procedimientos están limitados por largos tiempos de procesamiento, la dependencia de instalaciones de laboratorio especializadas y la necesidad de personal capacitado. Para superar estas limitaciones, esta tesis presenta el desarrollo de un sistema UV-LED/RGB novedoso, portátil y rentable para la evaluación rápida de la calidad bacteriológica del agua. El sistema incorpora un dispositivo microfluÃdico de múltiples pozos con auto-carga, UV-LEDs para la excitación de muestras y sensores RGB (dispositivos capaces de detectar la intensiad de luz en los rangos de longitudes de onda roja, verde y azul) para la adquisición de datos de fluorescencia, junto con un ensayo de sustrato definido y un sistema portátil de incubación para la cuantificación bacteriana automatizada. El dispositivo microfluÃdico carga automáticamente las muestras de agua, eliminando la necesidad de preparación previa, y permite la enumeración bacteriana mediante el análisis de número más probable (MPN). Las señales de fluorescencia de los pozos individuales se procesan utilizando algoritmos de aprendizaje automático (ML), incluyendo Redes Neuronales Perceptrón Multicapa (MLPNN), Bosques Aleatorios (RF), Regresión LogÃstica (LR) y Máquinas de Soporte Vectorial (SVM). Estos algoritmos clasifican los pocillos como positivos o negativos en menos de 30 minutos. Los resultados indican que el algoritmo con mejor rendimiento fue MLPNN, alcanzando métricas de evaluación de hasta el 100 % para la detección de E. faecalis. En este estudio, no se utilizó E. coli como indicador. Las comparaciones con el sistema Quanti-TrayTM/2000 revelaron una mayor dispersión y limitaciones en el rango de detección para altas concentraciones bacterianas. Sin embargo, el rápido tiempo de respuesta, el poco volumen de muestra requerido y la integración de herramientas de análisis automatizadas y basadas en ML presentan una alternativa prometedora para la detección y cuantificación bacteriológica.
Mantener altos estándares de calidad del agua es esencial para prevenir la propagación de enfermedades transmitidas por el agua que representan riesgos significativos para la salud pública, como el cólera, la disenterÃa, la hepatitis y la fiebre tifoidea. Aunque los métodos convencionales, como la filtración por membrana (MF), la fermentación en tubos múltiples (MTF) y los ensayos enzimáticos, ofrecen alta sensibilidad y especificidad en la detección de indicadores bacterianos como Escherichia coli (E. coli) y Enterococcus faecalis (E. faecalis), estos procedimientos están limitados por largos tiempos de procesamiento, la dependencia de instalaciones de laboratorio especializadas y la necesidad de personal capacitado. Para superar estas limitaciones, esta tesis presenta el desarrollo de un sistema UV-LED/RGB novedoso, portátil y rentable para la evaluación rápida de la calidad bacteriológica del agua. El sistema incorpora un dispositivo microfluÃdico de múltiples pozos con auto-carga, UV-LEDs para la excitación de muestras y sensores RGB (dispositivos capaces de detectar la intensiad de luz en los rangos de longitudes de onda roja, verde y azul) para la adquisición de datos de fluorescencia, junto con un ensayo de sustrato definido y un sistema portátil de incubación para la cuantificación bacteriana automatizada. El dispositivo microfluÃdico carga automáticamente las muestras de agua, eliminando la necesidad de preparación previa, y permite la enumeración bacteriana mediante el análisis de número más probable (MPN). Las señales de fluorescencia de los pozos individuales se procesan utilizando algoritmos de aprendizaje automático (ML), incluyendo Redes Neuronales Perceptrón Multicapa (MLPNN), Bosques Aleatorios (RF), Regresión LogÃstica (LR) y Máquinas de Soporte Vectorial (SVM). Estos algoritmos clasifican los pocillos como positivos o negativos en menos de 30 minutos. Los resultados indican que el algoritmo con mejor rendimiento fue MLPNN, alcanzando métricas de evaluación de hasta el 100 % para la detección de E. faecalis. En este estudio, no se utilizó E. coli como indicador. Las comparaciones con el sistema Quanti-TrayTM/2000 revelaron una mayor dispersión y limitaciones en el rango de detección para altas concentraciones bacterianas. Sin embargo, el rápido tiempo de respuesta, el poco volumen de muestra requerido y la integración de herramientas de análisis automatizadas y basadas en ML presentan una alternativa prometedora para la detección y cuantificación bacteriológica.
Description
Date
2025-05-08
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
Water quality (WQ), Defined substrate test (DST), Most probable number (MPN), Machine learning (ML), Point-of-care