採取したサンプルから測定された合成GCスペクトルを用いた石油蒸留物とガソリン痕跡の機械学習ベースの識別

科学分野:

• 法医学
• 分析化学
• コンピュータ科学

背景:

• 燃焼事故の調査は,燃えやすい液体を検出するために,ガスクロマトグラフィ (GC) のスペクトルを分析する法医専門家に依存しています.
• 現在の方法は時間がかかり,特に可燃性液体がない場合.
• 機械学習 (ML) は,スペクトル解析の自動化と精度を向上させるための潜在的な解決策を提供します.

研究 の 目的:

• GC染色体 (スペクトル) を使用して燃えやすい液体を分類するためのMLベースのワークフローを開発し,検証する.
• 限られた実験データを拡張する 新種のスペクトル合成アルゴリズムを作成します
• データセットのサイズとMLアルゴリズムの分類性能への影響を評価する.

主な方法:

• 火災現場とデータベースから 181の実際のスペクトルを集めて アノートしました
• k-Nearest Neighbors (kNN),代表的なスペクトル,およびランダムフォレスト (RF) アルゴリズムを使用してMLモデルを開発しました.
• 合成スペクトルの大きなデータセットを生成するスペクトル合成アルゴリズムを作成しました.
• kNN,RF,代表的なスペクトル,およびディープラーニング (DL) のモデルを実際のデータセットと合成データセットの両方で訓練し,テストしました.

主要な成果:

• MLモデルは,拡張データセットで訓練されたときに,実際のスペクトルで高いF1スコア (0.74-0.96) を達成しました.
• 性能は,使用された特定のMLアルゴリズムよりもトレーニングデータセットのサイズに依存していました.
• より大きな合成データセットで訓練されたモデルは,独立した実際のスペクトルで予測力を向上させました.

結論:

• 開発されたMLワークフローとスペクトル合成アルゴリズムは,GCスペクトルから燃えやすい液体を効果的に分類します.
• データセットの大きさは,法医学スペクトル解析におけるMLモデルの性能を大幅に向上させる.
• 方法論は,スペクトルデータを利用する他の法医学領域に適応できます.