组成图示
点击图片查看大图 · 依据论文自动绘制
传感器类型
场效应晶体管(FET)生物传感器
检测对象
心肌肌钙蛋白T（cardiac troponin T, cTnT）；样品基质：溶液（1 ng/mL 检测，未明确临床样品基质）
检测原理
SiNW FET没有物理栅极，参考电极通过电解质建立栅电位。SiO2绝缘表面功能化探针受体，当心肌肌钙蛋白T（cTnT）结合后，目标分子的有效电荷在界面形成局部电位梯度，改变SiNW沟道阈值电压和电导，使源漏电流发生pA级变化。ASIC采用相关双采样单斜率ADC读取电流，FPGA扫描参考电极电压并计算有效跨导gm,eff与校准因子Scal，用于归一化器件参数差异，并将工作点选择到亚阈值区以最大化灵敏度。因此cTnT浓度越高，界面电荷变化越大，电流/电导响应越强。
检测灵敏度
原文未报告LOD、线性范围、灵敏度斜率或相关系数；ASIC最小电流分辨率: 7 pArms；线性输出响应: 至5.3 nA（输入扫描100 pA–8 nA）；泄漏电流: 680 fA；采样率: 300 S/s；cTnT检测浓度: 1 ng/mL；校准后灵敏度提高 2–10 倍，数据集间变异降低 9 倍。
效应效果
系统由4片64通道ASIC组成256通道读出，ASIC功耗1.8 mW、面积18.5 mm2，10位输出、采样率300 S/s，最小电流分辨率7 pArms，泄漏电流680 fA，输入电流100 pA至8 nA时线性响应至5.3 nA。在1 ng/mL cTnT检测中，5个簇各含20条SiNW；校准前电导变化均值11%–76%，最大变异系数1.9；校准后均值104%–139%，最大变异系数0.22。校准使灵敏度提高2–10倍、数据集间变异降低9倍。论文未报告选择性、抗干扰、稳定性、实际样品回收率或与ELISA/HPLC/qPCR的对比，但作者认为其适合无标记、低成本、可规模化的即时诊断。
传感器的构成
- 换能器/基底：硅纳米线场效应晶体管（SiNW FET），源漏电流作为生物结合信号换能器。
- 栅绝缘层：二氧化硅（SiO2）介电层，形成双电层并传递表面电位至SiNW沟道。
- 识别元件：cTnT特异性探针分子/受体（probe molecules/receptors），特异性结合目标生物分子。
- 参考电极：参考电极（reference electrode），通过电解质建立SiNW FET栅电位。
- 读出电路：64通道电流读出ASIC（0.18 µm CMOS），含电荷积分器、比较器和10位SRAM，执行CDS单斜率ADC。
- 控制与校准模块：现场可编程门阵列（FPGA），产生控制/斜坡信号、扫描参考电极电压并执行电学校准算法。
中文摘要
本文实现了一种1.8 mW、18.5 mm2的64通道电流读出专用集成电路（ASIC），采用0.18 µm CMOS工艺，并针对硅纳米线（SiNW）生物传感器阵列提出新的校准方案。该ASIC包含64个专用读出与调理电路通道，采用相关双采样（CDS）结构，用于降低模拟前端的1/f噪声和偏移影响。ASIC提供10位数字输出，采样率为300 S/s，同时达到7 pArms的最小电流分辨率。作者引入一种新的电学校准方法，以缓解纳米尺度传感器器件参数存在较大差异的问题，并优化传感器灵敏度。实验结果表明，所提出的校准技术可将灵敏度提高2至10倍，并将不同数据集之间的变异降低9倍。
英文摘要
A 1.8-mW, 18.5-mm(2) 64-channel current readout ASIC was implemented in 0.18-µm CMOS together with a new calibration scheme for silicon nanowire biosensor arrays. The ASIC consists of 64 channels of dedicated readout and conditioning circuits which incorporate correlated double sampling scheme to reduce the effect of 1/f noise and offset from the analog front-end. The ASIC provides a 10-bit digital output with a sampling rate of 300 S/s whilst achieving a minimum resolution of 7 pA(rms). A new electrical calibration method was introduced to mitigate the issue of large variations in the nano-scale sensor device parameters and optimize the sensor sensitivity. The experimental results show that the proposed calibration technique improved the sensitivity by 2 to 10 times and reduced the variation between dataset by 9 times.