通过反射和机器学习分析来确定Chrysomya大脑的年龄

科学领域:

• 法医昆虫学 法医昆虫学
• 生物光子学 生物光子学
• 机器学习应用 机器学习应用

背景情况:

• 在法医学上重要的昆虫中,准确估计幼年龄,如金大脑虫,对于确定死后间隔 (PMI) 至关重要.
• 目前用于子年龄估计的方法缺乏客观性,准确性和效率,这给法医昆虫学家带来了挑战.
• 超光谱成像 (HSI) 为分析生物标本提供了一种潜在的非破坏性技术.

研究的目的:

• 调查超光谱成像 (HSI) 技术的实用性,以估计木巨头的年龄.
• 用HSI数据评估各种机器学习模型在预测幼发育时间方面的表现.
• 在法医调查中建立一个更客观,更准确,更有效的年龄推断方法.

主要方法:

• 收集了克里索米亚大脑,并在受控温度 (15°C,20°C,25°C,30°C) 下对它们进行高光谱成像 (HSI).
• 通过使用主要组件分析 (PCA) 来减少维度,分析了整个幼儿发育过程中的光谱反射变化.
• 开发和比较机器学习模型,包括随机森林 (RF),支持向量回归 (SVR) 与射线基函数 (RBF) 和多项式 (POLY) 内核,XGBoost回归 (XGBR) 和拉索回归.

主要成果:

• 幼发育的光谱图显示,在所有测试温度中都呈现出一致的下降趋势.
• 机器学习模型,特别是RF,SVR-RBF和XGBR,在基于积累的学位日的基础上准确估计发育时间方面表现出了希望.
• XGBR模型实现了最低的平均绝对误差 (MAE),范围从3.9156到7.3951,表明卓越的预测性能.

结论:

• 超光谱成像 (HSI) 是在法医科学中分析昆虫学标本的宝贵工具.
• 机器学习模型,特别是XGBR,与HSI数据相结合,为客观和准确的幼年龄估计提供了一个有希望的方法.
• 对HSI技术的进一步改进为推进法医昆虫学实践和改进PMI估计提供了相当大的潜力.