无监督机器学习用于检测和解释滴滴模式中的关键特征.
Stanard M Pachong1, Ainaz Alavi1, Shaijieni Kannan2
1Faculty of Business and Information Technology, Ontario Tech University, 2000 Simcoe St N, Oshawa, Canada; Faculty of Science, Ontario Tech University, 2000 Simcoe St N, Oshawa, Ontario L1G 0C5, Canada.
Forensic science international
|October 1, 2025
概括
无监督机器学习 (ML) 识别了客观模式分类的关键血迹特征. 圆周度,强度和面积对于区分滴滴模式至关重要,增强了法医分析.
科学领域:
- 法医科学 法医科学 法医科学
- 计算机科学 计算机科学
- 生物物理学的生物物理.
背景情况:
- 血液染色模式分析 (BPA) 正在朝着客观方法发展.
- 图像处理和机器学习 (ML) 为BPA提供了新的工具.
- 识别血污的关键特征对于准确的分类至关重要.
研究的目的:
- 探索无监督的ML框架来识别血迹特征.
- 使用图像处理技术分析滴水模式.
- 为了建立血迹模式分类的客观标准.
主要方法:
- 分析了398个实验室生成的滴滴模式.
- 提取可观察的特征,如大小和形状.
- 应用SHAP分析来排名特征的重要性.
主要成果:
- 圆形度,平均强度和父染色面积是最重要的特征.
- 这些特征分别贡献了60%,28%和28%的点滴模式的区别.
- 无监督的ML成功地确定了分类的关键特征.
结论:
- 无监督的ML框架可以客观地识别关键的血迹特征.
- 这种方法支持基于图像处理的BPA的发展.
- 这些发现与现有的法医分析属性和分类学相一致.
