深度学习优化了基于双分析物检测的生物传感器,用于使用尿样监测怀孕阶段
Kawsar Ahmed1,2,3, Md Shohidullah2,4, Md Mamun Ali2,5
1Department of Electrical and Computer Engineering, University of Saskatchewan, 57 Campus Drive, Saskatoon, SK S7N 5A9, Canada.
Biomedical optics express
|November 26, 2025
概括
这项研究引入了一种混合深度学习 (DL) 模型,用于优化光子晶体纤维表面等离子体共振 (SPR) 生物传感器. 先进的循环神经网络长期短期记忆 (RNN-LSTM) 模型准确地预测了多分析器检测的传感器性能.
科学领域:
- 光子学 是一个光子学.
- 生物感应是一种生物感应.
- 人工智能的人工智能
背景情况:
- 表面等离子共振 (SPR) 生物传感器为分析物检测提供高灵敏度.
- 光子晶体纤维 (PCF) 为SPR传感器开发提供了一个多功能平台.
- 优化多分析SPR生物传感器设计和性能预测仍然具有挑战性.
研究的目的:
- 开发和优化混合深度学习 (DL) 方法,用于设计基于PCF的SPR多分析物生物传感器.
- 准确预测传感器性能指标,如限制损失 (CL).
- 为了提高灵敏度,波长灵敏度 (WS) 和传感器分辨率 (SR) 进行多分析器检测.
主要方法:
- 利用有限元法 (FEM) 模拟来生成一个全面的传感器参数和折射率 (RI) 值的数据集.
- 开发了用于CL预测的混合循环神经网络长期短期记忆 (RNN-LSTM) 模型.
- 进行了废除研究和基于SHAP的可解释性分析,用于模型验证.
主要成果:
- 该RNN-LSTM模型实现了卓越的预测性能,平均平方误差 (MSE) 为0.0014,平均绝对误差 (MAE) 为0.0188,R平方 (R2) 为0.9510.
- 获得了高传感器性能:最大振幅灵敏度 (AS) 为3102.41 RIU-1,WS为10,000 nm/RIU,SR为1×10−5.
- 通过严格的验证技术证明了模型的有效性.
结论:
- 拟议的混合DL方法显著改善了基于PCF的SPR多分析物生物传感器的设计和性能预测.
- 深度学习为推进生物传感器技术提供了一个强大的工具.
- 这项工作为更高效,更准确的多分析物生物传感应用铺平了道路.
