基于共振生物传感器的有效病原体检测的机器学习技术
Guoguang Rong1, Yankun Xu1, Mohamad Sawan1
1CenBRAIN Neurotech Center of Excellence, School of Engineering, Westlake University, 600 Dunyu Road, Xihu District, Hangzhou 310030, China.
Biosensors
|September 27, 2023
概括
机器学习 (ML) 有效地处理来自COVID-19光学探测器的信号,用于检测SARS-CoV-2. 这种方法在识别病毒方面取得了很高的性能,即使在低度下也是如此.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习应用 机器学习应用
- 传染病诊断 传染病诊断 传染病诊断
背景情况:
- 准确和快速检测SARS-CoV-2对于管理COVID-19流行病至关重要.
- 基于光学的生物传感器为病毒检测提供了一个有希望的平台.
- 信号处理是提高生物传感器性能的一个关键步骤.
研究的目的:
- 开发和评估一种机器学习 (ML) 方法来处理来自光学 COVID-19 检测器的信号.
- 评估多层感知器 (MLP) 和支持矢量机器 (SVM) 算法在SARS-CoV-2检测中的性能.
- 使用ML和数据可视化技术研究正负样本的区分能力.
主要方法:
- 利用多层感知器 (MLP) 和支持矢量机 (SVM) 算法进行信号处理.
- 将ML应用于来自光学探测器的原始数据和特征工程数据.
- 使用T分布式随机邻居嵌入 (t-SNE) 进行数据可视化和样本区分分析.
- 通过486个阴性和108个阳性样本进行验证,并通过36个阴性和732个阳性样本进行对照实验.
主要成果:
- 在SARS-CoV-2的定性检测中取得了高性能.
- 在低至1 TCID50/mL的度下,成功检测.
- t-SNE分析揭示了明确的数据分布模式,解释了ML预测性能.
- ML模型显示了积极和消极样本之间的有效区分.
结论:
- 机器学习为处理生物传感器信号提供了通用和有效的方法.
- 开发的ML方法提高了用于COVID-19诊断的基于光学探测器的性能.
- 这项研究证实了ML在依赖共振模式的生物感知机制中的实用性.
