大肠杆菌。图片来源：落基山实验室、NIAID、NIH

CU Boulder 的研究人员开发并验证了一种新的大肠杆菌风险检测传感器，该传感器在检测地表水中的污染时具有令人印象深刻的准确率。

该研究结果近期发表在《水研究》上，可以在全球和美国的水系统中快速有效地改进对各种污染物的检测。

Emily Bedell (Ph.D.EnvEngr'22) 是 Mortenson 全球工程文章的主要作者。她说，全世界约有 20 亿人使用含有某种程度粪便的饮用水源，并可能导致从腹泻到发育迟缓等健康问题，尤其是在幼儿中。

“在全球范围内，大概率腹泻死亡与水质有关，”她说。“这是一个问题，但目前在饮用水中寻找粪便的方法很昂贵，进入门槛很高，比如需要大量的培训，或者可能需要大约 24 小时才能提供结果。我们发明了一种传感器与机器学习模型相结合，使用荧光实时显示粪便污染峰值。”

传感器和机器学习模型组合均已获得美国专利局的专利批准。

比德尔说，荧光通过将紫外 LED光源照射在水样上并测量在更高波长下被吸收和重新发射的光量来起作用。该信息可以快速显示潜在的污染，但它对许多环境和物理因素（例如样品温度）很敏感，这会导致数据中出现噪音并难以解释。

“我们使用机器学习技术来消除噪音以更好地检测异常，”Bedell 说。

快速准确地评估水质的需求日益增长——不仅在低收入国家，而且在密歇根州弗林特水危机等情况下，由于政策不善，暴露在危险水平的铅中。

莫顿森主任埃文·托马斯教授是该文章的合著者。他说，气候变化也是此次讨论的一个因素，因为更频繁的停电可能会影响处理设施的运营，而恶劣的天气可能会污染关键水源。

“我们将需要更多关于水质的数据，我们需要它被广泛使用，”他说。“每天进行一次测量不足以确保我们收到的水没有可能在短期和长期对我们造成伤害的生物或化学污染物。”

Bedell 现在被聘为博尔德 Virridy 的工程师，并致力于进一步推进这项技术。理想情况下，它将与更大的家庭处理系统合作，为那些使用私人水井（水质不受 EPA 监管）的人提供饮用水。

她说：“该传感器将是本文中设计的小型化版本，并将安装在来自水井的房屋主水线上。” “传感器的数据将通过用户的 WiFi 发送到在线数据库，在该数据库中，机器学习模型将用于预测风险级别，并将信息发送到移动应用程序，如果检测到污染，该应用程序将提醒用户。”

比德尔说，她一直对工程、环境和社会公平的交叉点很感兴趣，这个研究项目在她与摩顿森工作期间将这些方面结合在一起。

“水质研究以多种方式触及所有这些点。通过更多数据，我们可以明确指出社区如何以及何时因环境不公正而受到伤害，以便可以解决造成伤害的政策和做法，”她说。