一个抽象的抛物线系统基于物理信息的长期短期记忆网络,用于估计从超皮性酒精生物传感器数据的呼吸酒精度

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 生理学 生理学 生理学

背景情况:

• 透皮酒精度 (TAC) 为估计酒精含量提供了一个有希望的,不那么侵入性的替代传统的呼吸测试仪或自我报告的饮酒日记.
• 精确估计呼吸酒精度 (BAC) 对各种应用至关重要,包括公共卫生和法律合规.
• 从TAC数据中估计BAC的现有方法面临数据变化和准确性的挑战.

研究的目的:

• 开发和验证一个新的基于物理的长短期记忆 (LSTM) 网络,用于从TAC数据中估计BAC.
• 将基于物理的乙醇扩散模型集成到LSTM架构中,以提高估计准确性和物理解释性.
• 量化BAC估计的不确定性,并研究各种共变量对模型性能的影响.

主要方法:

• 开发了一个基于物理的LSTM网络,将基于物理的人口模型用于通过皮肤扩散乙醇作为规范化术语.
• 该模型使用了40名参与者的受控实验室收集的呼吸和TAC数据数据集,包括各种个人,生理和环境共变量.
• 使用蒙特卡洛脱落实现了不确定性量化,并使用沙普利值评估了共变量的重要性.

主要成果:

• 基于物理的LSTM模型成功应用于训练和测试数据集,显示了对新饮酒事件的概括能力的提高.
• 基于物理学的信息的整合提高了模型性能,不确定性量化提供了可靠的频段,准确地捕获了真实的BAC信号.
• 与之前的机器学习模型相比,拟议的模型实现了相对误差 (58%和72%) 和相对峰值误差 (33%和76%) 的显著降低.

结论:

• 基于物理的机器学习,特别是开发的LSTM网络,提供了一种可靠和准确的方法,用于从TAC数据中估计BAC.
• 该模型能够纳入生理原理并量化不确定性,使其成为可靠的酒精监测的宝贵工具.
• 这种方法显著优于现有的机器学习模型,为改进的透皮酒精生物传感器应用铺平了道路.