Einführung
Der Datensatz und seine Herausforderungen
Hintergrund der Simulation
Beispiele für die Verwendung und die Ergebnisse
Schlussfolgerung
Referenzen
Simuliert
Datensatz
Aufmerksamkeit
die
Herausforderungen
Daten
Erlangt
Von
Mehrfache
Räumlich
Auflösung
Nachdenken
Spektroskop
Birken
Das ist Martin.
Magnussen
Maik
Geschlechtskrankheit
Klaudius
Stern
und
Bernhard
Sie ist krank.
Biozoom
Dienstleistungen
GmbH
Kassel,
Deutschland
Intelligente
Eingebettete
Systeme
Universität
Kassel
Kassel,
Deutschland
FOM
Hochsch
Hülle
Ökonomie
Das ist alles.
Gement
Hochschulzentrum
Kassel
Kassel,
Deutschland
E-Mail:
[E-Mail geschützt]
mit einem Gehalt an einem Gehälter,
Krankheit
@uni-kassel.de,
[E-Mail geschützt]
Abstrakt
Optische
Sensoren
auf Basis
Spektroskopie
Gelegenheit -
Ally
Gebrauch
Verbraucher
Gesundheitswagen
und
Gesundheit
Dies beinhaltet Anwendungen wie die Messung der Konzentration von Hautkarotenoiden mit Sensoren auf Basis von Multiple Spatial Resolution Reflection Spectroscopy (MSRRS).
Wenn
Gebrauch
Maschine
Lernen
Daten
Verarbeitung,
Spezialisierte
Modelle
solcher Art
kontinuierlich
Featur
Netze
Anforderung
Errungenschaften
Schön
In diesem Artikel werden die Herausforderungen der Daten von MSRRS-basierten Sensoren hervorgehoben. Weiter werden die zugrunde liegenden Prinzipien der Simulation diskutiert.
Endlich .
Besonders
Modell
Architektur
einschließlich
kontinuierlich
Eigenschaft
Netze
ausgebildet
die
Datensatz,
Demonstration
die
verschiedene
Herausforderungen. Index erms Datensatz, simulierte Daten, Reflexionsspektrum-Oskopie NTR ODUCTION Mehrere räumlich aufgelöste Reflexionsspektroskopie (MSRRS) Technologie zur Analyse von biologischem Gewebe. Ein häufiger Anwendungsfall für Sensoren basierende MSRRS zur Messung der Konzentration von Hautkarotenoiden Menschen [1].
Auf Basis von MSRRS
Sensoren
bestehen aus
mehrfache
Licht
Emitter
und
Licht
Diese Emittenten und Detektoren werden dann eine Matrix angeordnet. Bei der Messprobe wird diese Detektormatrix platziert, das von dem Emittenten emittierte Licht wird vor der Aufdeckung des Lichtdetektors durch die Probe gelangen.
Analyse
die
Brillanz
Beobachtet
für
alle
Unterstützt
die
Staatsangehörigkeit
Hessen
durch
Finanzierungen
Teil
die
Distr@l
Forschung
Zuschuss
2B. Emitter-Detector-Paare, möglich machen Vorhersagen über die Messprobe [2], wie die Konzentration der Hautkarotenoide. Diese Analyse die beobachteten Helligkeits-Alues kann durch maschinelles Lernen geformt werden.
Diese
kontinuierlich
Eigenschaft
Netze
sind
gestaltet
Anschlag
die
Differentierung
Erzählungen
Daten
ergeben
Auf Basis von MSRRS
Die Lichtemitter verwendeten MSRRS-basierte Sensoren mit diskretionären Schwinglängen. Das beobachtete Spektrum wurde daher nicht kontinuierlich geprobt, sondern eher diskretionären Probenahmepunkten.
Emitter
Gewebe
(nm)
Emitter
- Detektor.
Entfernung
(mm)
Fig. Beispiel die Strukturdaten von MSRRS-basierten Sensoren [4] ähnliche Situation beobachtet mit den Entfernungs-Emitter-Detektorpaaren. Beispiel dieser Art irregular Daten können gesehen werden Figure ergänzt die Unregelmäßigkeit jeder MSRRS-basierte Sensor kann die Herstellung Ungenauigkeiten flikken.
Das hier .
kann
Ergebnis
die
Flächen
die
Licht
Emitter
Verlagerung
leicht
zwischen
Indi
Veröffentlichung
Wenn man versucht, die Eigenschaften von Substanzen im menschlichen Gewebe zu prognostizieren, werden die erforderlichen Schulungsdaten aus medizinischen Daten zusammengesetzt.
Deshalb,
simuliert
Datensatz
gerufen
Für die Erstellung eines virtuellen MSRRS-basierten Sensors mit Detektoren und Emittern wird angenommen, dass jeweils vier Sätze simulierter Messungen durchgeführt werden. Jede Messung besteht aus seriellen Datenpunkten.
Zusatz,
die
Gewebe
die
Emitter
und
die
Emitter
- Detektor
Entfernung
sind
Die Konzentration von Haut-Beta-Carotene, die simulierte Probe Milligramm pro Liter, die Konzentration von Hämoglobin im Blut, die Probe Gramm pro Liter, die Sauerstoffversorgung und der Probefaktor aus dem Blut, die Grund-Wahrheit-Etikette für jeden Satz sind gespeichert Datei genannt dataset_meta.json Diese JSON-Datei enthält eine einzelne top-le-vel-Array, wobei mehrere JSON-Objekte sind, die jeweils eine simulierte Messung repräsentieren, wobei für jedes Etikett und Name, der den Dateinamen der Messdaten selbst enthält.
Die
Datei
mit einem Gehalt an
die
Messung
Daten
CSV
Datei
mit
Liste
Daten
Punkte. Jeder Datenpunkt ist mit der Länge, dem ausgestrahlten Licht, der Entfernung des Emittentendetektors und der gemessenen Intensität aufgeführt. Die vier im Datensatz verfügbaren Sets stellen unterschiedliche Herausforderungen dar.
Das hier .
gesetzt,
die
virtuelle
Auf Basis von MSRRS
Sensor
Das ist perfekt.
Gleichermaßen simulierte die Messprobe Geräusche und andere negative Faktoren, die sich auf die Daten auswirken. Die einzigen Faktoren, die die simulierten Helligkeitswerte beeinflussen können, sind Stoffe mit Etiketten, die auf der Bodenwahrheit zugeschnitten sind. Dieser Satz ist daher nützlich, die auf MSRRS basierenden Daten zu verstehen und eine Basislinie für die Leistung des Modells festzulegen.
2_Lärm
Geräuschreich
Stichproben
Die
Zweiter
Satz
Erhöhungen
die
Vorhersage
Differentierung
Falschheit
Einführung
Messung
Schall. zusätzlich die Stoffe mit Etiketten, die die Bodenwahrheit befestigen, zusätzlich randomisiertes Geräusch trägt zur Lichtabsorption innerhalb der simulierten Probe bei. Fellthermore, die Karotenoidkonzentration simuliert mit lokalisierten Schwankungen und länger homogen in der gesamten Probe.
3_Wellenlänge_Schicht
Unstimmig
Emitter
Schäden
Die
dritte
Satz
Einführung
Produktion
Ungenauigkeiten
die
Sensor
Hinzufügen
die
Geräusch
die
Zweiter
In diesem Satz sind die Emitterlängen jeder Messung länger identisch. Stattdessen werden sie simuliert, schwanken kleine Gionen um die nominale Teer erhalten die Länge, die die vorherigen Satze verwendet. 4_missing_data Missing Data Detectors Der vierte Satz erweitert die Schwierigkeit der dritten Satz.
Hinzufügen
die
Probe
Geräusch
und
inkonsequent
Emitter
die Länge,
die
Vierte
Satz
alle
für
nicht in Betrieb
Dies simuliert Detektoren, die aufgrund von Toleranzen, die ansonsten fehlerhaft sind, deaktiviert werden könnten. III. IMULA TION Die Simulation die Helligkeit der Lichtdetektoren sehr vereinfachte Simulation.
hat
nicht
Ziel
Genau
Wiederherstellen
die
Messung
Vergütung
wenn
Messung
Wirklich
Menschen
Gewebe
vielmehr
Ziele
Wiederherstellung
Einige
die
Kern
Herausforderungen
Wirklich
Auf Basis von MSRRS
Diese Halbkreise sind in gleich entfernte Gems aufgeteilt. Ab dem Lichtemitter beginnt die Lichtverdünnung über die Lichtwegsegmente berechnet.
Das hier .
die Simulation,
Verringerung
zusammengesetzt
Zwei
Erstens, da der Lichtemitter kein fokussiertes Lichtstrahlstrahl emittiert, schwächt das Licht die Entfernung des Emittenten mit dem Quadratgesetz auf der Entfernung des Lichtemitters und der Länge des Lichtwegens ab, was das Verhältnis zwischen der Lichtintensität vor dem Lichtwegsegment und dem Lichtweg darstellt.
Rennen
Licht
Pfade
gespalten
in
in gleicher Entfernung
Segmente
Zwei
Emitter
Einer von ihnen
Licht
Detektor
Intensität
nach
die
Licht
Pfad
Segment
kann
beschrieben
Follo
ws:
(1)
Die
Zweiter
Komponente
die
Absorption
Licht
die
Probe,
Berechnet
Gebrauch
die
Bier
- Lambert.
Gesetze
Die
Bier.
Lambert
Gesetze
beschreibt
die
Licht
Verringerung
Vergütung
die
ab-
Sorbanz
Licht
die
Chemikalien. Die Absorptionschemikalien, die optische Strahllänge und die Konzentration der Absorptionschemikalien Das Beer-Lambert-Gesetz berechnet das logarithmische Verhältnis zwischen der Lichtintensität vor dem Lichtweg und der Lichtintensität nach dem Lichtwegsegment:
Die
optisch
Pfad
Länge
kann
Berechnet
die
Produkt
die
Licht
Pfad
Segment
Länge
und
die
Refraktionen
Indie
Menschen
Haut
(nachstehend geschätzt)
Diese Datenmenge simuliert das zu messenes Gewebe drei primäre Komponenten. Zuerst besteht das voraussichtliche Gewebe aus Basenwasser Zusätzlich enthält das Gewebe Hämoglobin im Blut, sowohl sauerstoffreich als auch nicht sauerstoffreich. Schließlich trägt die Konzentration von Carotenoiden zum Absorptionslicht bei.
Für
die
Basis
in der Vergangenheit
die
Absorptionen
Vergütung
Gebrauch
die
Simulation
auf Basis
die
Messungen
Ich weiß nicht.
Labrie.
und
Chylek
Für das Hämoglobin, das das Blut im simulierten Gewebe enthielt, wurden Messungen, die Prahl [8] zusammengestellt haben, die Absorptionswerte der Simulation verwendet.
Die
Ölume
Blut
Gegenwärtig
Menschen
Gliedmaßen
Eräußerungen
die
Gewebe
Ölume
Für die Konzentration von Hämoglobin im menschlichen Blut werden Aluen aus Verteilungsbasierten Messungen von Kim al. [10] entnommen und die Bodenwahrheitsdaten gespeichert.
Für
die
Carotenoide
vorausgesagt
Vergütung
Maschine
Lernen
Algorithmus,
Konzentration
entnommen
von
Verteilung
Veröffentlichung
die
Beta-Carotin
Konzentrationen
Menschen
auf Basis
Messungen
von
Matsumoto
Als Basis für die Simulation wurde das Absorpti-Vity-Spektrum-Beta-Carotene verwendet. Für die Geräuschmenge zwei und später wurde OpenSimplex-basierter Geräusch [14] verwendet.
Die
zuerst
Drei
Abmessungen
repräsentieren
die
Position
die
simuliert
Raum
während
die
Vierte
Größe
repräsentiert
die
Strom
Gewebe
Diese Lärmkarte, die verwendet wird, fügt lokalisierten und von der Lärmlänge abhängigen Hintergrundgeräusche ein, die andere Stoffe repräsentieren, die das Gewebe präsentieren.
Für
Prüfungen,
Drei
Differentierung
Färent
Maschine
Lernen
Modelle
waren
ausgebildet
jeweils
die
Vier
Sätze
innerhalb
die
Die drei Modelle umfassen ein einfaches Linear-Gression-Modell, ein mehrschichtiger Feed-Forward-Neuralnetzwerk und ein kontinuierliches Feature-Netzwerk, das von Magnussen, Stern und Sick [3] [4] vorgeschlagen wurde. Für dieses Experiment wurde jeder Datensatz in Trainingsmessungen und Allidierungsmessungen aufgeteilt.
Für
beides
Methoden
auf Basis
Neurale
Netzwerke,
die
Verknüpfung
Messungen
waren
weiter
gespalten
in
Prüfungen
Messungen
und
nur
endgültig
Verknüpfung
Die Testmessungen wurden verwendet, um das am besten leistungsfähige Modell während des Trainings auszuwählen, während die Allidierungsmessungen die Grundlage für die endgültige Punktzahl des Modells sind. Das Training wurde für jedes Modell und jeden Satz zehnmal wiederholt, wobei für jede Wiederholung randomisierte Trainings-, Test- und Allidierungsdaten aufgeteilt wurden.
Die
linear
Regression
Modell
und
die
mehrschichtliche
Futtermittel
Vorwärts
Netze
Ork
sind
nicht
in der Lage
Abmachung
mit
Vermisst
Eingabe
Daten
für
die
Vierte
Satz
Stattdessen...
die
Miss ...
in der Europäischen Union
Vergütung
waren
Anschuldigung
linear
Interpolierung
Werte
vergleichbar
Gewebe
und
Emitter
- Detektor
Die Ergebnisse können unter anderem den Wurzel-Mittelquadratfehler (RMSE) und die Koeffizientenbestimmung zwischen den prognostizierten Ergebnissen und der Grundwahrheit bezeichnen den Datensatz.
Die
Daten
ausgelöscht
die
Zehn
Rennen,
mit
die
Anerkennung
Standard
Ausweitung
Vergütung
für
jeweils
Qualität
Die Methoden für die Qualität der Re-Specti-Methriken werden lediglich von Ausbildungsfällen mit positiven Koeffizienten ermittelt, wobei der Ausfall-Tric den Prozentsatz der Ausführungen mit negativen Koeffizienten anzeigt und Modelle mit unbrauchbarem Ausbildungsresultat anzeigt.
Von
die
Daten
in der Lage
kann
Beobachtet
Das
Berechnung
die
Konzentration
Carotenoide
vereinfacht
Simulation
solcher Art
Gebrauch
für
einfache
Aufgabe
Geräusch
Alle ausgebildeten Modelle sind in der Lage, eine sehr hohe Koeffizientenbestimmung zu erreichen. Howe vor allem die Einführung von Schwankungen in der Schnelllänge der Lichtemitter hat erhebliche Auswirkungen auf das lineare Regressionsmodell und ABLE S-MSRRS5000 lineare Regression mehrschichtliches Feed-Forward-Netzwerk kontinuierliches Feature-Netzwerk RMSE-Fehler RMSE-Fehler RMSE-Fehler saubere Daten Geräusch Daten Schnelllänge Verschiebung 40% 100% fehlende Daten 60% 100% der mehrschichtliche Feed-Forward-Netzwerk Ork.
Die
mehrschichtliche
Futtermittel
Vorwärts
Netze
Ork
nicht
in der Lage
Errungenschaften
positiv
Koeffizient
Bestimmung
für
Einzelne
Ausbildung
Wiederholung
für
die
dritte
und
Vierte
Das kontinuierliche Feature-Netzwerk ist in der Lage, die genaue Entfernung von Entfernung und Emitter-Detektor für jede Eingabehelligkeit zu berücksichtigen.
ähnlich
Fekt
kann
Beobachtet
für
die
Vierte
gesetzt,
wo
die
Vermisst
Daten
signifikant
reduziert
die
Genauigkeit
die
linear
Regression
Modell,
in der Erwägung,
die
kontinuierlich
Eigenschaft
Netzwerk
in der Lage
Abmachung
mit
die
Vermisst
Daten
und
immer noch
EPS
Vergleiche
in der Regel
hohe
Rindfleisch
Feststellungsfähige
Diese Ergebnisse, insbesondere die Fähigkeit des kontinuierlichen Feature-Netzwerks, hohe Leistungen zu erzielen, weil es in der Lage ist, inkonsistente Schnelllängen und fehlende Daten in Übereinstimmung mit aktuellen Erkenntnissen zu kompensieren, reale Daten [3], [4]. ONCLUSION Der Datenbestand simulierte den Datensatz, optimierte die Struktur und herausforderte die MSRRS-basierten Daten.
Das hier .
Artikel
diskutiert
die
Inhalte
die
Datensatz
und
die
Vier
Herausforderung
Sätze
Herstellung
die
In diesem Artikel werden auch die simulierten Datensätze im Detail behandelt. Dazu gehören die zugrunde liegenden physikalischen Prinzipien sowie die Quellen für die verwendeten Spektraldaten.
Die
Ergebnisse
von
Diese
Erfahrung
Erklärungen
sind
einheitlich
mit
Ergebnisse
Wirklich
Daten. EFERENCES [1] Darvin, Magnussen, Lademann und ocher Viele räumlich aufgelöste Reflexionsspektroskopen zur Bestimmung von Carotenoiden menschlicher Haut und Blut, Laser Physics Letters ol. 13, Nr. 095601, August 2016. [2] Magnussen, Stern und ocher orrichtung und verf ahren zur Bestimmung einer Konzentration einer Sonde, European atent B1, 2016.
[3]
Magnussen,
Stern,
und
Sie ist krank.
Nutzung
kontinuierlich
Kernel
für
Verarbeitung
unregelmäßig
und
inkonsequent
entnommen
Daten
mit
Position
abhängig
Eigenschaften,
Ausrüstungen
Die
Neunzehnter
Internationale
Konferenz
Entlastung
Autonomie
und
selbständig
Systeme
Behn,
- Ich weiß nicht.
IARIA. ThinkMind, Mar. 2023, S. 4953. [4] Magnussen, Stern und Sick, Continuous feature networks: nov method processes irregularly and inconsistent sampled data with position-dependent features, International ournal Advances Intelligent Systems ol.
16,
Nr. 3&4, S. 4350, 2023. [5] Swinehart, The beer-lambert law Journal Chemical Education Vol. 39, Nr. 333, Juli 1962. [6] Ding, Lu, Ooden, Kragel und X.-H. Hu, Refracti indices human skin tissues eight velengths and estimated dispersion relations between and nm, Physics Medicine Biology ol.
51
Nr. 1479, März 2006. [7] ou, Labrie, und Chylek, Refractiv Indizes Wasser und Eis der 0,65- 2,5-Spektralbereich, Applied Optics ol. 32, Nr. 19, S. 35313540, Juli 1993. [8] Prahl. (1999) Optische Absorption Hämoglobin. [Online]. ailable: https://omlc.org/spectra/hemoglobin/inde x.html [9] Karpeles und Huff, Blutolume repräsentative Teile des Muskel- und Schädelsystems Mann, Zirkulationsforschung Vol.
Nr. 483489, 1955. [10] Kim, Kang, Kim und Kim, Die Prävalenzanämie und Eisenverlust die Bevölkerung im Alter von Jahren älter The ean Journal Hematolo vol. 46, Nr. 196199, 2011. [11] Epstein und Haghenbeck, Bedside-Bewertung, Überwachung der Sauerstoffsättigung der Gewebe kritisch krank Erwachsene: integrati sehen die Literatur, Critical Car Research and Practice ol.
Im Jahr 2014
Der Präsident.
2014. [12] Matsumoto, Suganuma, Shimizu, Hayashi, Sawada, Okuda, Ihara und Nakaji, Skin carotenoid vel alternati marker serum Gesamtkarotenoidkonzentration und erhältliche Aufnahme korreliert mit Biomarker Kreislaufkrankheiten und metabolisches Syndrom, Nährstoffe ol.
12,
Nr. 2020. [13] Prahl. (2017) Beta-Carotene. [Online]. verfügbar: https://omlc.org/spectra/PhotochemCAD/html/041.html [14] KdotJPG. (2019) OpenSimplex [Online]. verfügbar: https://github com/KdotJPG/OpenSimplex2