Сравнение структур регрессии машинного обучения и глубокого обучения для точного прогнозирования диэлектрофоретической силы

Научные отчеты, том 12, Номер статьи: 11971 (2022) Цитировать эту статью

4360 Доступов

3 цитаты

2 Альтметрика

Подробности о метриках

Сообщается об интеллектуальной сенсорной системе, использующей архитектуры машинного обучения (ML) и глубокого обучения (DL) для точного количественного определения диэлектрофоретической силы, воздействующей на микрочастицы в сенсорном устройстве DEP на основе текстильных электродов. Точность прогнозирования и способность системы к обобщению были подтверждены с использованием экспериментальных результатов. Изображения выравнивания жемчужных цепей при различных входных напряжениях были использованы для построения моделей глубокой регрессии с использованием модифицированных архитектур ML и CNN, которые могут коррелировать закономерности выравнивания жемчужных цепочек клеток Saccharomyces cerevisiae (дрожжей) и полистироловых микрошариков с силой DEP. Были проанализированы различные модели ML, такие как K-ближайший сосед, машина опорных векторов, случайный лес, нейронные сети и линейная регрессия, а также модели DL, такие как архитектуры сверточных нейронных сетей (CNN) AlexNet, ResNet-50, MobileNetV2 и GoogLeNet. чтобы построить эффективную систему регрессии для оценки силы, действующей на дрожжевые клетки и микрогранулы. Эффективность моделей оценивалась с использованием средней абсолютной ошибки, средней абсолютной относительной, среднеквадратической ошибки, R-квадрата и среднеквадратической ошибки (RMSE) в качестве показателей оценки. ResNet-50 с RMSPROP показал наилучшую производительность со RMSE проверки 0,0918 на дрожжевых клетках, тогда как AlexNet с оптимизатором ADAM показал лучшую производительность с RMSE проверки 0,1745 на микрогранулах. Это обеспечивает основу для дальнейших исследований по применению глубокого обучения в устройствах Lab-on-Chip с поддержкой DEP.

Такие инструменты, как DL и ML, являются неотъемлемой частью искусственного интеллекта1,2,3. Машинное обучение для анализа изображений обычно включает в себя извлечение важных функций из изображения и обучение модели машинного обучения4. Машинное обучение может быть очень эффективным, когда извлеченные функции четко представляют конкретное изображение. Изображения необходимо преобразовать в векторы признаков и обучить модель4,5,6. являются примерами подходов, в которых машинное обучение использовалось для прогнозирования присутствия, отсутствия или возможности появления на изображениях. Однако извлечение важных характеристик из сложных изображений является сложной задачей. Альтернативно, глубокое обучение не зависит от входной функции. Скорее, модели DL идентифицируют важные особенности обработанных изображений и классифицируют их на основе выявленных особенностей. Карты признаков, полученные посредством глубокого обучения на основе компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ), позитронно-эмиссионной томографии (ПЭТ), маммографии, ультразвука и гистопатологии, предоставляют ценную информацию 4,7,8. В клеточной биологии подходы, основанные на DL, в первую очередь применяются для обнаружения изменений в морфологии клеток и их корреляции с механизмами, регулирующими реакцию на лекарство7,8. Изображения мозга, простаты, сетчатки и легких часто комбинируются с алгоритмами глубокого обучения для прогнозирования заболеваний. U-Net, ResNet и VGG являются наиболее часто используемыми сетями на основе сверточных нейронных сетей для задач сегментации и классификации медицинских изображений. В последнее время трансферное обучение и сети на основе GAN широко применялись в исследованиях COVID-19. Хотя обучение DL предполагает интенсивную обработку данных и длительное время обучения, оно дает точные прогнозы при использовании высокопроизводительного графического процессора и помеченных данных. В этом исследовании мы разработали модели, используя подходы как машинного обучения, так и глубокого обучения, для оценки величины диэлектрофоретической силы в результате выравнивания микрочастиц в устройстве для ухода за больными.

Применение DEP в сенсорных устройствах в местах оказания медицинской помощи требует двух важных требований: (1) низковольтное (< 10 В) физическое устройство (2) интеллектуальная система, которая может коррелировать образование жемчужных цепочек микрочастиц с диэлектрофоретической силой.

Диэлектрофоретическая сила (\({F}_{\mathrm{DEP}}\)) действующая на микрочастицу может быть напрямую связана с изменениями ее диэлектрических свойств (уравнение 1). Сила DEP также пропорциональна напряженности электрического поля, размеру частиц и проводимости среды9,10,11,12. Практически выравнивание частиц относительно электродов при определенном напряжении и частоте считается индикатором силы DEP. Хотя расположение частиц различается от эксперимента к эксперименту, некоторые особенности агрегатов частиц являются доминирующими и уникальными. \({F}_{\mathrm{DEP}}\), воздействующий на микрочастицы, превращает их в сборки жемчужных цепочек, которые в конечном итоге выстраиваются вдоль электрического поля13,14. Например, количество частиц в жемчужной цепочке при приложенном напряжении оказалось относительно постоянным. Эта закономерность была подтверждена несколькими исследователями в прошлом. В эксперименте с шариками PS размером 5 мкм15 жемчужные цепочки из 10–12 шариков формировались при приложенном потенциале 15 В (размах) при частоте 200 кГц. Аналогичным образом, шарики PS размером 10 мкм образовывали жемчужные цепочки из 7–12 шариков при 20 Вразмах при частоте 20 МГц в буфере с низкой проводимостью (1,8 × 10–4 См/м)13. В 16 случаях при подаче напряжения 3,8 Вpp и частоте 480 кГц наблюдалась отрицательная ДЭП бусинок ПС, образующая жемчужную цепочку длиной 6–7 бусинок. Сообщалось об аналогичных исследованиях дрожжевых клеток, когда напряжение (3,7 Вразмах) при частоте поля 580 кГц демонстрировало положительный DEP, и было обнаружено, что количество агрегированных частиц связано с приложенным напряжением16,17.