相关实验视频
Updated: May 15, 2025
07:07
Measuring Glucose Uptake in Drosophila Models of TDP-43 Proteinopathy
Published on: August 3, 2021
2.7K
转移学习和数据增强用于从色度生物传感器图像中预测葡萄糖度
Ga-Young Choi1,2, Na-Ri Kim3, Da-Young Yu3,4
1Research Institute of Data Science and AI, Hallym University, Chuncheon, Republic of Korea.
Mikrochimica acta
|April 8, 2025
概括
深度学习从色度纸张传感器图像准确地预测葡萄糖水平. 这种新的方法使用转移学习和数据增强,简化葡萄糖监测.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 分析化学 分析化学
背景情况:
- 精确的葡萄糖度监测对于糖尿病管理至关重要.
- 传统的葡萄糖检测方法可能是侵入性的或复杂的.
- 基于图像的传感提供了一个有希望的非侵入性的替代方案.
研究的目的:
- 开发一种深度学习算法,使用色度纸张传感器 (CPS) 图像预测葡萄糖度.
- 评估转移学习和数据增强在提高预测准确性的有效性.
- 通过消除手动特征提取的需要,简化葡萄糖预测过程.
主要方法:
- 使用了用不同度葡萄糖治疗的CPS的图像数据集.
- 通过调整四个深度学习模型 (ResNet50,ResNet101,GoogleLeNet,VGG-19) 来实现应用转移学习.
- 实施了数据增强技术,以解决对大型培训数据集的需求.
主要成果:
- 谷歌LeNet实现了最高的预测准确性 (R2 = 0.994).
- 深度学习模型的表现明显优于传统的机器学习方法 (p < 0.001).
- 将20%的培训数据添加到数据中,可以比较使用完整数据集的预测误差.
结论:
- 一种新的深度学习方法可以从CPS图像中准确预测葡萄糖.
- 转移学习和数据增强有效地提高了预测性能,减少了数据需求.
- 这种方法提供了一种简化,基于图像的方法来确定葡萄糖度.
