用FAIMS频谱数据进行深度学习分析的应用和性能提升,使用生成对抗网络强化
Ruilong Zhang1, Xiaoxia Du1, Hua Li1
1School of Life and Environmental Sciences, GuiLin University of Electronic Technology, GuiLin, 541004, China.
Analytical biochemistry
|July 21, 2024
概括
生成对抗网络 (GANs) 通过生成多样化的光谱数据来增强复杂混合物的高场不对称离子移动性光谱学 (FAIMS) 分析. 这可以提高深度学习模型的性能,而无需额外的实验成本.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 高场不对称离子流动性光谱法 (FAIMS) 用于复杂混合物分析.
- 对于FAIMS的深度学习模型,由于有限的高质量,多样化的数据,其识别能力往往不佳.
研究的目的:
- 为了解决FAIMS深度学习分析中的数据限制.
- 为了提高复杂混合物的FAIMS光谱数据的识别性能.
主要方法:
- 使用生成对抗网络 (GAN) 来模拟和生成现实的,多样化的光谱数据.
- 来自15个班级的真实FAIMS光谱数据被用于训练GAN.
- 为深度学习模型培训 (VGG和ResNeXt),生成的数据与1:4比率的真实数据相结合.
主要成果:
- GAN有效地扩大了数据集大小,增加了样本的多样性.
- 1:4的最佳数据比 (真实:生成) 显著改善了识别指标.
- 精度提高了高达24.19%,精度增加了23.71%,召回增加了21.08%,F1得分增加了24.50%.
结论:
- GAN提供了一种具有成本效益的方法来增强FAIMS光谱数据.
- 用GAN增强数据大大提高了使用FAIMS进行复杂混合分析的深度学习模型性能.
