可解释的深度学习辅助自校准色度贴片用于现场汗水分析

科学领域:

• 生物医学工程 生物医学工程
• 分析化学 分析化学
• 人工智能的人工智能

背景情况:

• 汗液中含有各种生物标志物,反映出生理状态.
• 非侵入式生物传感为传统方法提供了一个有希望的替代方案.
• 精确有效地检测出汗生物标志物对于健康监测至关重要.

研究的目的:

• 开发一个可穿戴,自我校准的色度生物传感平台,辅助可解释的深度学习 (DL).
• 精确检测和量化汗液中的生物标志物度.
• 提高非侵入性生物传感技术的可解释性和可靠性.

主要方法:

• 整合色度传感,吸附膨胀水凝和可解释的DL算法.
• 开发一种酶/指标固定色度贴片.
• 利用5625个色度图像的数据集进行算法评估,包括卷积神经网络 (CNN).

主要成果:

• 该CNN模型在分类和量化Zn2+,葡萄糖和Ca2+中的汗水中实现了100%的准确性.
• 用DL辅助的色度分析显示,对实际汗液样本的UV-Vis光谱学有91.7-97.2%的一致性.
• 类激活映射 (CAM) 可视化了CNN操作,验证了生物传感技术的设计.

结论:

• 开发的平台提供了一种高效准确的方法,用于进行非侵入性的汗水生物标志物分析.
• 可解释的DL提高了生物传感系统的理解和可靠性.
• 这项技术为健康监测,疾病预防和临床诊断提供了潜力.