通过动态信号变化和理论引导的深度学习来提高生物传感器的准确性和速度.
Junru Zhang1, Purna Srivatsa2, Fazel Haq Ahmadzai1
1Grado Department of Industrial and Systems Engineering, Virginia Tech, Blacksburg, VA, 24061, USA.
Biosensors & bioelectronics
|November 26, 2023
概括
这项研究引入了一个理论引导的循环神经网络 (TGRNN) 用于生物感知,提高准确性和速度. 该TGRNN确保深度学习预测与生物传感器领域知识保持一致,减少错误结果.
科学领域:
- 生物感知和诊断技术
- 计算生物学 计算生物学
- 材料科学 材料科学 材料科学
背景情况:
- 生物传感面临着错误结果和时间延迟的挑战,影响可靠性.
- 深度学习为增强生物传感器性能提供了潜力,但可解释性和域一致性至关重要.
- 将理论知识集成到深度学习模型中是可靠生物感知的关键.
研究的目的:
- 开发一个深度学习框架,确保预测与生物传感领域知识的一致性.
- 通过生物传感器动态响应,快速准确地量化分析物.
- 提高生物传感器性能指标,如准确性,精度和回忆.
主要方法:
- 实施成本函数监督,以使深度学习预测与生物传感器理论保持一致.
- 利用数据增强和理论引导的循环神经网络 (TGRNN) 分类器.
- 验证了使用悬臂生物传感器进行微RNA (let-7a) 定量化的方法.
主要成果:
- TGRNN分类器提高了F1的得分,精度和回忆率,平均为13.8%.
- 实现了98.5%的平均预测准确度,精度和回忆,用于分析物量化和错误结果检测.
- 使用初始的短暂或整个动态响应数据证明了高准确性.
结论:
- 成本函数监督使生物感知能够实现可解释和域一致的深度学习.
- 该TGRNN方法显著提高生物传感器的速度和准确性,尽量减少错误的结果.
- 建立了生物传感器性能特征和设计参数之间的新关系,以改善表征.
