机器学习与微结构/组合设计的SNO和WO呼吸传感器的协同集成

科学领域:

• 材料科学 材料科学 材料科学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 半导体金属氧化物 (SMO) 气体传感器对于疾病检测至关重要.
• 单个SMO传感器往往缺乏复杂疾病生物标志物分析的特异性.
• 机器学习 (ML) 集成是提高传感器阵列性能的关键.

研究的目的:

• 开发一种高性能气体探测策略,用于使用互补的SMO传感器进行疾病预测.
• 调查混合传感器阵列和ML算法的有效性,以区分特定气体.
• 通过呼吸分析评估监测饮食和刺激性肠综合征 (IBS) 的潜力.

主要方法:

• 使用了一个互补的传感器阵列,包括基于二氧化 (SnO) 和三氧化 (WO) 的传感器.
• 采用监督学习算法,包括深度神经网络 (DNN) 和卷积神经网络 (CNN).
• 将传感器暴露在含有乙,和乙醇的气体混合物中,以模拟呼吸条件.

主要成果:

• 与单个传感器类型相比,SnO₂和WO₃传感器的混合集成显著提高了区分能力.
• DNN和CNN模型成功地区分了乙和,即使有乙醇干扰.
• 开发的系统显示了预测饮食状态和IBS的潜力.

结论:

• 混合SMO传感器阵列与先进的ML算法相结合,为准确的呼吸分析提供了一个有希望的方法.
• 这一策略增强了气体歧视,用于非侵入性疾病的预测.
• 这些发现为医疗保健中的先进,高性能呼吸传感器铺平了道路.