快速而准确的细菌识别利用激光诱导分解光谱学
J H Liang1,2, S Q Wang3, W F Zhang4
1State Key Laboratory of Quantum Optics and Quantum Optics Devices, Institute of Laser Spectroscopy, Shanxi University, Taiyuan, China.
Biomedical optics express
|March 18, 2024
概括
激光诱导分解光谱 (LIBS) 结合机器学习有效识别细菌. 石墨基板提高了准确性,支持矢量机 (SVM) 实现了100%的细菌分类识别率.
科学领域:
- 微生物学 微生物学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 准确的细菌鉴定对于公共卫生和食品安全至关重要.
- 传统的方法可能是耗时和劳动密集的.
- 开发快速准确的细菌鉴定技术是必不可少的.
研究的目的:
- 评估激光诱导分解光谱 (LIBS) 与机器学习 (ML) 结合用于分类七种细菌物种的有效性.
- 研究不同基板材料 (和石墨) 对细菌识别精度的影响.
- 确定最佳的ML模型和基质,以提高微生物识别.
主要方法:
- 利用LIBS技术分析了七种细菌物种的元素组成.
- 应用了四个ML算法:K-最近邻居 (KNN),PCA-KNN,随机森林 (RF) 和支持矢量机器 (SVM).
- 在高纯度和石墨基板上比较识别性能.
主要成果:
- 细菌识别依赖于元素光谱线强度的微妙差异,而不是总体成分.
- 与相比,在所有ML模型中,在石墨基板上实现了更高的识别率.
- SVM表现出卓越的性能,在石墨上实现了100%的识别准确性,具有高精度和回忆率.
结论:
- 结合ML的LIBS提供了一个强大的工具,用于快速准确的细菌识别.
- 石墨是基于LIBS的细菌分类的优质基板材料,由于增强的光谱线激发和最小的干扰.
- 在这种应用中,SVM是最有效的ML模型,提供了近乎完美的细菌识别.
更多相关视频
09:40Measurement and Analysis of Atomic Hydrogen and Diatomic Molecular AlO, C2, CN, and TiO Spectra Following Laser-induced Optical Breakdown
Published on: February 14, 2014
14.2K
08:53Dependence of Laser-induced Breakdown Spectroscopy Results on Pulse Energies and Timing Parameters Using Soil Simulants
Published on: September 23, 2013
11.4K
