Sep, 2024

基于拉曼光谱的网络海洋鱼生化成分分析的机器学习

HTML
PDF
TL;DR本研究解决了在鱼类中快速准确检测生化成分这一关键问题，采用卷积神经网络（CNN）对拉曼光谱数据进行联合预测，并提出了一种新的CNN设计。研究发现，该方法在数据稀缺的情况下显著提高了生化成分分析的准确性，为海鲜行业提供了自动化分析的潜在影响。
发现论文，激发创造
  • 利用拉曼光谱和深度学习进行病原菌快速鉴定

    利用深度学习方法，通过获取最大的细菌 Raman 光谱数据集，成功实现对细菌病原体的快速识别和抗生素敏感性测试，证明了在不需要培养的情况下通过结合 Raman 光谱技术和深度学习方法对细菌菌株和抗生素抵抗性快速实现检测的潜力。

    Jan, 2019

  • 生成模型的梯度用于串联质谱的鉴别分析提升

    本文基于生成对抗生成模型的对数似然梯度，介绍利用一种基于动态贝叶斯网络（DBN）的核判别分类器改进Tandem Mass Spectrometry中蛋白质识别的方法，通过引入Theseus DBN搜索算法，实现了自动学习模型参数的功能，并在评估数据集上取得了最优效果的结果。

    Sep, 2019

  • RamanNet：一种广义的拉曼光谱分析神经网络架构

    该研究介绍了一种综合机器学习和传统方法的新型神经网络，RamanNet，用于分析Raman光谱数据，并证明其在公共数据集上表现优异，有潜力成为Raman光谱数据分析的标准。

    Jan, 2022

  • 利用学习技术分析海洋叶绿素的理化特征依赖性

    本研究使用机器学习和深度学习技术，通过对孟加拉湾的物理化学特征建立叶绿素水平的回归模型，并讨论其可靠性和性能，用以预测水体中的叶绿素含量，以便在海洋浮游植物失衡的情况下提前进行计划，从而避免生态系统的破坏。

    Apr, 2023

  • 评估一维卷积神经网络从拉曼光谱中预测混合物组分浓度的性能

    Raman spectroscopy及其化学计量学等算法对生物药物生产过程实时监控的应用进行了研究，并通过生成合成的Raman混合物数据集，比较了4种不同的算法，实证了卷积神经网络自动提取浓度信息的潜力，可用于提高药物生产的过程控制。

    Jun, 2023

  • 通过特征正则化提高对未知类别的抗干扰能力的开放式细菌拉曼光谱鉴别

    深度学习技术与拉曼光谱学的结合在临床环境中具有潜力，能够精确快速地鉴定病原细菌。然而，传统的封闭集分类方法假设所有测试样本属于已知病原体，其适用性有限；本研究通过开发一种新颖的ResNet集成模型和注意机制，结合目标空间损失函数进行特征正则化，提高了病原体检测的准确性，并有效降低了误报率。该研究提出的拉曼光谱学算法能够检测未知、未编目和新出现的病原体，为适应未来可能出现的病原体提供了灵活性，并有潜力提高在动态操作环境（如公共安全应用）中拉曼光谱解决方案的可靠性。

    Oct, 2023

  • 通过机器分类表面增强拉曼光谱确定痕量有机污染物浓度

    使用机器学习方法从原始拉曼数据中预测样本污染物的浓度，以及标准机器学习模型和深度学习方法在模型训练和特征选择中的准确性。

    Jan, 2024

  • 一种高度相关注释的拉曼光谱数据增强方案

    通过添加数据点并利用峰面积特性，使用卷积神经网络提高了在Raman光谱中监测底物、生物量和PHA生物聚合物浓度的能力。

    Feb, 2024

  • 基于物理约束的自编码器的拉曼光谱高光谱成分分解

    基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质，同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。

    Mar, 2024

  • FishNet：用于低成本鱼类存量估计的深度神经网络

    提出了一种基于计算机视觉的自动化鱼类数量评估系统，该系统能够通过低成本数字相机拍摄的图像进行鱼类分类和尺寸估计，训练模型在手动标注的50000张图像数据集上训练，实现了鱼类分割、物种分类和长度估计任务的高精度。

    Mar, 2024