利用深度学习算法用于电化学生物传感器的信号处理:从数据增强到感兴趣的化学品的检测和量化
Fatemeh Esmaeili1,2, Erica Cassie2,3, Hong Phan T Nguyen2,3
1Department of Engineering Science, University of Auckland, Auckland 1010, New Zealand.
Bioengineering (Basel, Switzerland)
|December 23, 2023
概括
本研究引入了深度学习模型,用于使用电化学感应传感器信号自动检测和量化分析物. 混合神经网络和短期里埃变换预处理在识别和测量目标分子方面取得了高精度.
科学领域:
- 生物传感器和纳米材料
- 计算生物学和机器学习
- 分析化学 分析化学
背景情况:
- 基于纳米材料的适应传感器对于检测小型生物实体至关重要.
- 基于电化学的aptamer传感器产生复杂的信号数据.
- 数据稀缺性和信号变异性对准确的分析物检测构成挑战.
研究的目的:
- 开发一个自动化系统来检测和量化来自电化学感应传感器信号的目标分析物.
- 使用数据增强技术解决数据稀缺问题.
- 评估用于信号分析和分类的深度学习模型.
主要方法:
- 使用条件变量自动编码器来增强数据.
- 使用循环神经网络 (GRU,ULSTM,BLSTM) 来进行信号外推.
- 开发并比较了七个深度学习分类模型 (GRU,ULSTM,BLSTM,ConvGRU,ConvULSTM,ConvBLSTM,CNN).
- 应用短期里埃转换 (STFT) 作为一种预处理技术.
主要成果:
- 基于GRU的网络在时间序列预测方面表现优于ULSTM和BLSTM.
- 信号外推并没有显著改善分类性能.
- 混合卷积和循环网络,以及CNN,实现了82-99%的准确性.
- 在所有数据集中,STFT预处理提高了性能,获得了84-99%的准确性.
结论:
- 深度学习模型,特别是混合架构和CNN,对于分析电化学感应传感器信号非常有效.
- 像STFT这样的数据预处理技术显著提高了模型性能.
- 开发的方法使得分析物的自动和准确的识别和量化成为可能.
