Este estudio combina técnicas de aprendizaje automático con la voltamperometría oscilatoria de onda cuadrada pulsada (SWASV) para mejorar la capacidad de detección simultánea de iones metálicos pesados Cd²⁺, Pb²⁺, Cu²⁺ y Hg²⁺. Los métodos electroquímicos tradicionales para la detección de iones metálicos pesados se basan principalmente en buscar un rango de respuesta lineal dentro de un cierto rango de concentración y, en un entorno multiiónico, las curvas SWASV a menudo muestran interferencias que reducen la precisión. Este estudio utilizó un electrodo de carbono vítreo desnudo para realizar detecciones SWASV repetidas en soluciones iónicas de diferentes concentraciones, extrajo características importantes de los datos de detección como valores de corriente, potencial de pico y área de pico, y combinó el impulso extremo de gradiente (XGBoost) y bosque aleatorio (RF) para construir modelos de predicción de concentración, usando máquinas de vectores de soporte (SVM) para la predicción de clasificación. Entre los algoritmos de clasificación, SVR tuvo el mejor desempeño (el área bajo la curva ROC para los cuatro iones fue mayor a 0.95), y los modelos de predicción de concentración XGBoost y RF alcanzaron un ajuste (R-cuadrado) superior a 0.95 entre los valores predichos y los reales. Al combinar SWASV y aprendizaje automático, se puede lograr una detección iónica de alta precisión en sistemas mixtos iónicos complejos y mejorar efectivamente la confiabilidad de los resultados. Los resultados de este estudio proporcionan una solución innovadora para la monitorización ambiental y el control de la contaminación por múltiples metales pesados, y muestran el potencial de las aplicaciones del aprendizaje automático en el campo del análisis electroquímico.

electroquímica; iones metálicos pesados; aprendizaje automático; análisis de interferencias