RESUMO

Abstract The aim of this paper is to present the development of a real-time measurement system for glucose in aqueous media. The proposed system incorporates two lines of research: i) design, synthesis, and implementation of a non-enzymatic electrochemical sensor of Multi-Walled Carbon Nanotubes with Copper nanoparticles (MWCNT-Cu) and ii) design and implementation of a machine learning algorithm based on an Artificial Neural Network Multilayer Perceptron (ANN-MLP), which is embedded in an ESP32 SoC (System on Chip). From the current data that is extracted in real-time during the oxidation-reduction process to which an aqueous medium is subjected, it feeds the algorithm embedded in the ESP32 SoC to estimate the glucose value. The experimental results show that the nanostructured sensor improves the resolution in the amperometric response by identifying an ideal place for data collection. For its part, the incorporation of the algorithm based on an ANN embedded in a SoC provides a level of 97.8 % accuracy in the measurements. It is concluded that incorporating machine learning algorithms embedded in low-cost SoC in complex experimental processes improves data manipulation, increases the reliability of results, and adds portability.

Resumen El objetivo de este artículo es presentar el desarrollo de un sistema de medición en tiempo real de glucosa en medios acuosos. El sistema que se implementa incorpora dos lineas de investigación: i) diseño, síntesis e implementación de un sensor electroquímico no enzimático de Nanotubos de Carbono de Pared Múltiple con nanopartículas de Cobre (NTCPM-Cu) y ii) diseño e implementación de un algoritmo de aprendizaje automático basado en una Red Neuronal Perceptrón Multicapa (RN-PM), embebido en un ESP32 SoC (Sistema en Chip). Un dato de corriente que se extrae en tiempo real durante el proceso de oxidación-reducción a la que se somete un medio acuoso, alimenta el algoritmo embebido en el ESP32 para estimar el valor de glucosa. De los resultados experimentales se demuestra que el sensor nanoestructurado mejora la resolución en la respuesta amperométrica al identificar un lugar ideal para la toma de datos. Por su parte, la incorporación del algoritmo basado en una RN embebido en SoC otorga un nivel de 97.8 % de exactitud en la mediciones. Se concluye que incorporar algoritmos de aprendizaje automático embebidos en SoC de bajo costo en procesos experimentales complejos, mejora la manipulación de datos, incrementa la confiabilidad en resultados y adiciona portabilidad.