机器学习比较用于废水动态监测中的生物标志物水平估计
Francisco Javier Maldonado Carrascosa1, Sebastián García Galán2, Paweł Wityk3
1Telecommunication Engineering Department, University of Jaén, Linares, Jaén, Spain. fjmaldon@ujaen.es.
Scientific reports
|September 24, 2025
概括
机器学习模型使用光谱学对废水中C反应蛋白 (CRP) 水平进行了适度分类. 这种废水监测方法通过监测炎症生物标志物和潜在的药物存在来帮助公共卫生.
科学领域:
- 环境科学 环境科学
- 生物医学工程 生物医学工程
- 分析化学 分析化学
背景情况:
- 废水监测通过跟踪C反应蛋白 (CRP) 等生物标志物来监测公共卫生.
- CRP水平表明炎症,并且可以受到某些药物的影响,使其成为监测的目标.
- 吸收光谱为分析废水组成提供了一种方法.
研究的目的:
- 研究机器学习模型,根据CRP度对废水样本进行分类.
- 为了比较各种机器学习算法对此分类任务的有效性.
- 评估使用光谱学和机器学习进行实时环境监测的可行性.
主要方法:
- 收集的废水样本具有不同的C反应蛋白 (CRP) 度.
- 使用吸收光谱法从样本中获取光谱数据.
- 应用并比较多个机器学习算法,包括立方支向量机 (CSVM),用于分类.
- 使用准确性,精度,回忆,F1分数和特异性评估模型性能.
主要成果:
- 机器学习模型实现了中等的分类准确度,最佳模型 (CSVM) 达到65.48%.
- 分析使用了全频谱和有限范围的光谱数据.
- 计算了性能指标,并通过混矩阵和ROC曲线提供视觉解释.
- 该研究表明,尽管中度,但对废水中CRP含量进行分类的潜力很大.
结论:
- 机器学习技术在废水样本中对CRP水平的分类方面表现有前途.
- 这种方法可以有助于加强公共卫生监测和干预策略.
- 进一步的发展可能会导致用于实时环境监测的先进生物传感器技术.
