Machine Learning–Based Data Analysis for Electrochemical Biosensor Systems

Electrochemical biosensors are widely investigated and developed as point-of-care diagnostic tools due to their sensitivity, low cost, and portability. However, the analysis of Differential Pulse Voltammetry (DPV) signals can be challenging because of noise, electrode variability, and complex signal morphology. This thesis investigates machine learning approaches for improving the reliability and interpretability of electrochemical signal analysis. Two complementary modelling directions are explored. The first addresses the classification of working and non-working electrodes to ensure measurement quality. An autoencoder is used to learn a compact representation of DPV signals, producing seven latent features together with a reconstruction-error descriptor that enhances the detection of non-working electrodes. The second direction focuses on signals obtained from malaria biomarker detection using a multitarget electrochemical aptasensor. A one-dimensional convolutional neural network is employed to classify concentration-related signal levels, which are subsequently converted into binary presence indicators and combined through logic-gate operations consistent with the biosensor design. To support practical deployment, a mobile application developed with Flutter, an open-source cross-platform framework for building mobile applications, enables interaction with a portable electrochemical reader and visualization of measurements. Overall, the results demonstrate that combining representation learning with structured decision strategies can improve robustness, interpretability, and practical applicability in electrochemical biosensing.

I biosensori elettrochimici rappresentano una tecnologia sempre più utilizzata nella diagnostica point-of-care grazie alla loro elevata sensibilità, al basso costo e alla portabilità. Tuttavia, l’analisi dei segnali ottenuti mediante Voltammetria a Impulsi Differenziali (DPV) risulta complessa a causa della presenza di rumore, della variabilità tra elettrodi e della natura non lineare e articolata dei segnali elettrochimici. Questa tesi esplora l’impiego di tecniche di machine learning per migliorare l’affidabilità e l’interpretabilità dell’analisi dei segnali elettrochimici. Il lavoro si sviluppa secondo due direzioni principali. La prima riguarda la classificazione automatica di elettrodi funzionali e non funzionali, passaggio fondamentale per garantire la qualità delle misurazioni. A tal fine, viene adottato un autoencoder in grado di apprendere una rappresentazione compatta dei segnali DPV, costituita da sette variabili latenti e da un indicatore di errore di ricostruzione, utile per identificare segnali anomali. La seconda direzione è dedicata alla rilevazione di biomarcatori della malaria mediante un aptasensore elettrochimico multi-target. In questo contesto, una rete neurale convoluzionale monodimensionale viene utilizzata per classificare livelli di segnale correlati alla concentrazione; tali predizioni vengono successivamente convertite in indicatori binari di presenza e combinate tramite inferenza basata su porte logiche, in coerenza con i principi di progettazione del biosensore. A supporto di una possibile applicazione pratica, è stata inoltre sviluppata un’applicazione mobile basata su Flutter, un framework open-source multipiattaforma per lo sviluppo di applicazioni mobili, progettata per consentire l’interazione con un lettore elettrochimico portatile e la visualizzazione delle misure. Nel complesso, i risultati ottenuti evidenziano come l’integrazione tra representation learning e strategie decisionali strutturate possa migliorare la robustezza, l’interpretabilità e l’applicabilità dei sistemi di biosensing elettrochimico.