基于机器学习和超光谱技术检测状等离子体
Yafei Liu1, Jianxiu Lai2, Liying Hu2
1College of Physics and Electronic Information, Gannan Normal University, Ganzhou, Jiangxi, China.
Applied spectroscopy
|January 3, 2024
概括
使用机器学习的新型高光谱成像方法准确地识别了状血液,这是拒绝献血的常见原因. 这项技术提供了一种快速有效的解决方案,以减少血液浪费并提高捐赠者查效率.
科学领域:
- 医学技术 医学技术 医学技术
- 生物医学工程 生物医学工程
- 频谱学是一种光谱学.
背景情况:
- 囊性血液是丢弃捐献血液的主要原因之一.
- 精确和快速的捐献前查血是必不可少的.
研究的目的:
- 开发和验证一种快速诊断方法,使用高光谱成像和机器学习来识别状血.
- 评估不同机器学习算法的有效性,以对质血进行分类.
主要方法:
- 利用盖亚超光谱分类器捕获254波段 (900-1700nm) 的等离子体图像.
- 应用并比较了四种机器学习算法:决策树,高斯天真贝叶斯 (GaussianNB),感知子和随机梯度下降.
- 在光谱数据上进行特征尺寸缩小,以优化分类准确性.
主要成果:
- 决策树和GaussianNB模型与原始数据实现了超过90%的准确性.
- 决策树模型在特征尺寸缩小后以93.33%的准确度显示出卓越的性能.
- 决策树模型始终显示在特征减少之前和之后,状血分类的准确度超过80%.
结论:
- 超光谱成像与机器学习相结合,提供了一种快速有效的方法来识别状血.
- 这种方法有可能显著减少血液资源的浪费,提高医务人员的效率.
- 识别出的特征频段为可靠的等离子体分类和识别提供了潜在的潜力.
更多相关视频
06:16Author Spotlight: Unraveling the Pathogenesis of Age-Related Macular Degeneration and Discovering Potential Therapies
Published on: July 28, 2023
2.5K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
