基于卷积神经网络算法和超光谱成像技术的血迹年龄估计

科学领域:

• 法医科学 法医科学 法医科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 血迹是法医调查中至关重要的证据.
• 确定血迹的年龄对于重建犯罪事件至关重要.
• 目前的年龄估计方法有局限性.

研究的目的:

• 开发和评估一种用于估计血污年龄的新方法.
• 为了比较一个卷积神经网络 (CNN) 模型与传统算法的性能.
• 为了利用高光谱成像进行增强的法医分析.

主要方法:

• 从不同年龄的血迹中采集的光谱数据,使用高光谱成像 (400-1000 nm).
• 使用CNN算法开发了一种血液衰老模型.
• 与部分最小方程 (PLS) 和极端学习机器 (ELM) 模型相比,CNN的性能进行了比较.

主要成果:

• 美国有线电视新闻网 (CNN) 模型表现出优异的性能,具有高的确定系数 (R2 = 0.987).
• 美国有线电视新闻网 (CNN) 实现了最低的根平均平方误差预测 (RMSEP = 6.949小时) 和平均绝对百分比误差 (MAPE = 0.49%).
• 报道称,CNN的表现明显优于PLS (R2 = 0.883,RMSEP = 18.752) 和ELM (R2 = 0.936,RMSEP = 13.717). 报道称,CNN的表现明显优于PLS (R2 = 0.883,RMSEP = 18.752) 和ELM (R2 = 0.936,RMSEP = 13.717). 报道称,CNN的表现明显优于PLS (R2 = 0.883,RMSEP = 18.752) 和ELM (R2 = 0.936,RMSEP = 13.717).

结论:

• 拟议的高光谱成像和CNN方法准确地估计了血污的年龄.
• 这种方法提供了一种可靠的新技术,用于法医血迹检测.
• 这些发现为推进法医科学技术提供了宝贵的参考.