Vergleich von maschinellen Lern- und Deep-Learning-Regressions-Frameworks zur genauen Vorhersage der dielektrophoretischen Kraft

Wissenschaftliche Berichte Band 12, Artikelnummer: 11971 (2022) Diesen Artikel zitieren

4201 Zugriffe

2 Zitate

1 Altmetrisch

Details zu den Metriken

Es wird über ein intelligentes Sensor-Framework berichtet, das Architekturen für maschinelles Lernen (ML) und Deep Learning (DL) nutzt, um die dielektrophoretische Kraft, die auf Mikropartikel in einem DEP-Sensorgerät auf Textilelektrodenbasis ausgeübt wird, präzise zu quantifizieren. Die Vorhersagegenauigkeit und Generalisierungsfähigkeit des Frameworks wurde anhand experimenteller Ergebnisse validiert. Bilder der Perlenkettenausrichtung bei unterschiedlichen Eingangsspannungen wurden verwendet, um tiefe Regressionsmodelle unter Verwendung modifizierter ML- und CNN-Architekturen zu erstellen, die Perlenkettenausrichtungsmuster von Saccharomyces cerevisiae-Zellen (Hefezellen) und Polystyrol-Mikrokügelchen mit der DEP-Kraft korrelieren können. Verschiedene ML-Modelle wie K-Nearest Neighbor, Support Vector Machine, Random Forest, Neural Networks und Linear Regression sowie DL-Modelle wie Convolutional Neural Network (CNN)-Architekturen von AlexNet, ResNet-50, MobileNetV2 und GoogLeNet wurden analysiert um einen effektiven Regressionsrahmen zur Abschätzung der auf Hefezellen und Mikrokügelchen ausgeübten Kraft aufzubauen. Die Effizienz der Modelle wurde unter Verwendung des mittleren absoluten Fehlers, des mittleren absoluten relativen Fehlers, des mittleren quadratischen Fehlers, des R-Quadrats und des mittleren quadratischen Fehlers (Root Mean Square Error, RMSE) als Bewertungsmetriken bewertet. ResNet-50 mit RMSPROP lieferte die beste Leistung mit einem Validierungs-RMSE von 0,0918 auf Hefezellen, während AlexNet mit ADAM-Optimierer die beste Leistung mit einem Validierungs-RMSE von 0,1745 auf Mikrokügelchen lieferte. Dies bietet eine Grundlage für weitere Studien zur Anwendung von Deep Learning in DEP-gestützten Lab-on-Chip-Geräten.

Tools wie DL und ML sind integraler Bestandteil der künstlichen Intelligenz1,2,3. ML für die Bildanalyse umfasst typischerweise die Extraktion wichtiger Merkmale aus einem Bild und das Training eines Modells für maschinelles Lernen4. Maschinelles Lernen kann sehr effizient sein, wenn die extrahierten Merkmale ein bestimmtes Bild eindeutig darstellen. Bilder müssen in Merkmalsvektoren umgewandelt und ein Modell trainiert werden4,5,6. sind Beispiele für Ansätze, bei denen maschinelles Lernen eingesetzt wurde, um das Vorhandensein, Fehlen oder die Möglichkeit eines Ereignisses in Bildern vorherzusagen. Allerdings ist die Extraktion wichtiger Merkmale aus komplexen Bildern kompliziert. Alternativ ist Deep Learning nicht von einer Eingabefunktion abhängig. Stattdessen identifizieren DL-Modelle signifikante Merkmale aus verarbeiteten Bildern und klassifizieren sie basierend auf den identifizierten Merkmalen. Durch Deep Learning aus Computertomographie (CT), Magnetresonanztomographie (MRT), Positronenemissionstomographie (PET), Mammographie, Ultraschall und Histopathologie extrahierte Merkmalskarten liefern wertvolle Informationen 4,7,8. In der Zellbiologie werden DL-basierte Ansätze hauptsächlich verwendet, um Veränderungen in der Zellmorphologie zu erkennen und sie mit den Mechanismen zu korrelieren, die die Arzneimittelreaktion steuern7,8. Bilder von Gehirn, Prostata, Netzhaut und Lunge werden häufig mit Deep-Learning-Algorithmen kombiniert, um medizinische Zustände vorherzusagen. U-Net, ResNet und VGG sind die am häufigsten verwendeten Faltungsnetzwerke, die für medizinische Bildsegmentierungs- und Klassifizierungsaufgaben verwendet werden. In jüngster Zeit wurden Transferlernen und GAN-abgeleitete Netzwerke in COVID-19-Studien häufig eingesetzt. Obwohl das DL-Training eine intensive Datenverarbeitung und eine lange Trainingszeit erfordert, liefert es genaue Vorhersagen, wenn es mit einer Hochleistungs-GPU und gekennzeichneten Daten verwendet wird. In dieser Studie haben wir Modelle entwickelt, die sowohl maschinelles Lernen als auch Deep-Learning-Ansätze nutzen, um die Größe der dielektrophoretischen Kraft aus der Mikropartikelausrichtung in einem Point-of-Care-Gerät abzuschätzen.

Die Anwendung von DEP in Point-of-Care-Sensorgeräten erfordert zwei wichtige Anforderungen: (1) ein physikalisches Niederspannungsgerät (< 10 Volt) und (2) ein intelligentes System, das die Perlenkettenbildung von Mikropartikeln mit dielektrophoretischer Kraft korrelieren kann.

Die auf ein Mikropartikel ausgeübte dielektrophoretische Kraft (\({F}_{\mathrm{DEP}}\)) kann direkt mit den Änderungen seiner dielektrischen Eigenschaften korreliert werden (Gleichung 1). Die DEP-Kraft ist auch proportional zur elektrischen Feldstärke, der Partikelgröße und der Leitfähigkeit des Mediums9,10,11,12. In der Praxis wird die Ausrichtung der Partikel in Bezug auf die Elektroden bei einer bestimmten Spannung und Frequenz als Indikator für die DEP-Kraft angesehen. Obwohl die Partikelausrichtung von Experiment zu Experiment unterschiedlich ist, sind einige Merkmale der Partikelaggregate dominant und einzigartig. \({F}_{\mathrm{DEP}}\) auf Mikropartikel einwirkt, treibt sie zu Perlenkettenanordnungen, die sich schließlich entlang des elektrischen Feldes ausrichten13,14. Beispielsweise wurde festgestellt, dass die Anzahl der Partikel in einer Perlenkette bei angelegter Spannung relativ konstant ist. Das Muster wurde in der Vergangenheit von mehreren Forschern bestätigt. In einem Experiment mit 5 µm PS-Perlen15 wurden Perlenketten mit 10–12 Perlen bei einer angelegten Spannung von 15 Vpp bei 200 kHz gebildet. Ebenso bildeten 10-µm-PS-Kügelchen Perlenketten mit 7–12 Kügelchen bei 20 Vpp und 20 MHz in einem Puffer mit niedriger Leitfähigkeit (1,8 × 10–4 S/m)13. Bei 16 wurde eine negative DEP der PS-Perlen beobachtet, wenn eine Spannung von 3,8 Vpp mit einer Frequenz von 480 kHz angelegt wurde, wodurch eine 6–7 Perlen lange Perlenkette entstand. Über ähnliche Studien an Hefezellen wurde berichtet, dass eine Spannung (3,7 Vpp) bei einer Feldfrequenz von 580 kHz einen positiven DEP aufwies. Es wurde festgestellt, dass die Anzahl der aggregierten Partikel mit der angelegten Spannung zusammenhängt16,17.

In den meisten Studien wurde über Lab-on-Chip-Geräte mit präzisen geometrischen Merkmalen berichtet. Elektrodengestützte DEP-Systeme basieren hauptsächlich auf planaren Elektroden18,19,20,21, die Spannungen zwischen 10–20 V benötigen. Zur Untersuchung werden elektrodenlose DEP-Systeme (i-DEP) verwendet, die mit Spannungen im Bereich von 20–100 V betrieben werden dielektrische Variationen von biologischen Zellen und Polymerkügelchen22,23. Fortschritte in der Nanofabrikation und Nanotechnologie haben zu mehreren DEP-gestützten Lab-on-a-Chip (LOC)-Systemen geführt, die zur Mikropartikeltrennung24,25,26, Identifizierung21,27 und Konzentration28 verwendet werden. Mehrere Studien haben über die dielektrische Charakterisierung biologischer Partikel wie Viren, Bakterien, Pilze, Protozoen, Proteine, Lipide und DNA21,29,30,31,32 mithilfe von DEP-unterstützten LOC-Systemen berichtet. DEP-unterstützte immunologische Sensorik ist von Vorteil, da sie die lokale Konzentration der Zielpartikel erhöht und dadurch die Gesamtempfindlichkeit und Reaktionszeit des Geräts verbessert33. DEP-unterstütztes LOC wurde in Verbindung mit Rasterelektronenmikroskopie (SEM) verwendet, um lebensfähige Zellen im SEM-Bereich ohne den Einsatz einer chemischen Oberflächenmodifikation einzufangen und zu immobilisieren34.

Die Anforderung, das auf Partikel induzierte \({F}_{\mathrm{DEP}}\) genau abzuschätzen, ist für die Entwicklung effizienter Mikrofluidiksysteme von entscheidender Bedeutung. Die \({F}_{\mathrm{DEP}}\)-Schätzung ist eine Notwendigkeit in DEP-gestützten dielektrischen Charakterisierungssystemen, die in der klinischen Diagnostik biologischer Zellen verwendet werden32. Muster der Mikropartikelaggregation sind ein direkter Indikator für \({F}_{\mathrm{DEP}}\) und können mit den dielektrischen Eigenschaften von Mikropartikeln einschließlich biologischer Zellen korreliert werden21,22,31,35,36. Aufgrund des Widerstandskraftphänomens ist die Ausbeute von LOC-Geräten jedoch bei höheren Durchflussraten äußerst gering37. Um diese Einschränkung zu umgehen, sollte das auf die Partikel induzierte \({F}_{\mathrm{DEP}}\) erheblich erhöht werden31,32,38, was einen Bedarf an 3D-Mikroelektroden zur Folge hat. Die Kosten für die Herstellung von LOC-Systemen mit 3D-Elektroden erfordern Nanofabrikationstechniken, die unerschwinglich hoch sind. Wir haben eine Alternative entwickelt, indem wir Textilelektroden verwenden, die aufgrund ihrer großen Oberfläche ein hohes \({F}_{\mathrm{DEP}}\) hervorrufen können.

In unserer vorherigen Arbeit12,17 haben wir über die Verwendung eines auf Textilelektroden basierenden DEP-Geräts in Verbindung mit Deep Learning berichtet, um das \({F}_{\mathrm{DEP}}\) vorherzusagen, das auf PS-Mikrokügelchen induziert wird, in die wir das gegossen haben \({F}_{\mathrm{DEP}}\) Schätzaufgabe als Klassifikationsproblem. Mithilfe von CNN-Klassifikatoren (Convolutional Neural Networks) wurde die angelegte DEP-Spannung anhand der Perlenkettenausrichtung der Mikrokügelchen geschätzt. Dies wurde durchgeführt, um die Einschränkungen in den vorhandenen \({F}_{\mathrm{DEP}}\)-Schätztechniken wie dem äquivalenten Dipol (EDM)39,40 und dem Maxwell-Spannungstensor (MST)41,42,43 zu beseitigen ,44, iteratives Dipolmoment (IDM)9,40,45,46 oder Geschwindigkeitsverfolgungsmethode. Wir hatten beim Training der CNN-Modelle eine klassifizierungsorientierte CNN-Methode verwendet, die zwar hervorragende Trainingsergebnisse lieferte, beim Testen mit gegnerischen Stichproben jedoch eine schlechte Leistung erbrachte12,17. Außerdem ist das Klassifizierungsparadigma möglicherweise für eine genaue \({F}_{\mathrm{DEP}}\)-Berechnung unzureichend, da der Abstand zwischen verschiedenen Spannungen entscheidend ist. Dies kann nur mithilfe eines Regressionsrahmens genau modelliert werden.

In dieser Arbeit haben wir die \({F}_{\mathrm{DEP}}\)-Schätzaufgabe als Regressionsproblem47,48,49 behandelt und ML- und DL-Modelle für Analysen verwendet. Regressionsmodelle in der Bildverarbeitung decken ein breites Spektrum an Szenarien ab, darunter die Schätzung der Kopfposition50, die Erkennung von Gesichtspunkten51 und die Altersschätzung52,53. Regression wird häufig verwendet, um Probleme zu lösen, die die Vorhersage kontinuierlicher Werte erfordern. Für die Zellzählung unter Verwendung mikroskopischer Aufnahmen wurde ein CNN-basierter Deep-Regression-Ansatz übernommen48,54. In solchen Situationen wird die Softmax-Schicht häufig durch eine vollständig verbundene Regressionsschicht mit linearen oder sigmoiden Aktivierungen ersetzt. Außerdem wird der Softmax-Verlust, der häufig für Klassifizierungsaufgaben verwendet wird, durch den euklidischen Verlust für die Regression ersetzt48.

In dieser Forschung haben wir ML-Algorithmen wie Random Forest, KNN, MLP, SVM und lineare Regression untersucht, um den \({F}_{\mathrm{DEP}}\) zu bestimmen, den Polystyrolkügelchen und Hefezellen in einem Tief erfahren Leitfähigkeitspuffer. Aufgrund der ML-Algorithmen, insbesondere bei Out-of-Sample- und Adversarial-Samples, haben wir außerdem ausführlich mit DL-Architekturen experimentiert, die in der Lage sind, komplexe Datendarstellungen mit größerer Genauigkeit zu lernen. Anhand des ML-Ansatzes als Benchmark erklären wir, wie Deep Learning verwendet werden kann, um die \({F}_{\mathrm{DEP}}\) genau zu bestimmen. AlexNet, ResNet-50, MobileNetV2 und GoogLeNet sind die vier vorab trainierten CNN-Architekturen in dieser Studie, die in CNN-Architekturen mit tiefer Regression geändert wurden. Wir haben die Modelle darauf trainiert, angelegte Spannungen aus mikroskopischen Aufnahmen von Polystyrol und Hefezellen-Perlenketten vorherzusagen, die während der Dielektrophorese mithilfe von Transferlernen erzeugt wurden. Im weiteren Verlauf der Arbeit werden die in Tabelle 1 aufgeführten Abkürzungen und Wörter verwendet.

Die Wechselwirkung eines ungleichmäßigen elektrischen Feldes mit einem Dipol wird als dielektrophoretische Kraft \({F}_{\mathrm{DEP}}\) bezeichnet. Zur Verbesserung der Näherung von \({F}_{\mathrm{DEP }}\) auf die Partikel in Bezug auf die angelegte Spannung ausgeübt wird, ist ein greifbareres und einfacheres Modell erforderlich, um DEP-unterstützte Sensorsysteme voranzutreiben. Das \({F}_{\mathrm{DEP}}\), wenn das Teilchen deutlich kleiner als die Ungleichmäßigkeiten im elektrischen Feld ist, wird in17 wie folgt angegeben:

wobei \(a\) der Radius kugelförmiger Mikropartikel in einem Medium unter einem Wechselstromfeld (AC) \({E}_{rms}\) ist; \({F}_{\mathrm{DEP}}\) hängt vom Produkt des lokalisierten Feldes mit seinem Gradienten (\(\nabla {E}_{rms}^{2}\)) und der Frequenzabhängigkeit ab komplexer dielektrischer Kontrast des Partikels gegenüber dem Medium, gegeben durch den Realteil des Clausius-Mossoti-Faktors \(Re\left({f}_{cm}\right)\);

wobei \({\varepsilon }_{p}^{*}\) und \({\varepsilon }_{m}^{*}\) die komplexen Permittivitäten der Mikropartikel bzw. des Mediums sind; und gegeben als:

wobei \(i= \sqrt{-1}\) und \(\omega \) die Kreisfrequenz des angelegten Wechselfeldes ist.

Die DEP-Fingerabdrücke oder dielektrischen Eigenschaften eines Partikels in einem bestimmten Medium können durch Änderung der Wechselstromsignalfrequenz bestimmt werden. Sobald ihre DEP-Fingerabdrücke entdeckt wurden, können Partikel manipuliert werden. Für Teilchenketten kann \({F}_{\mathrm{DEP}}\) mithilfe der Multipol-Reexpansion und der Methode der Bilder theoretisch berechnet werden55. \({F}_{DEP}\) auf einer Partikelkette hängt stark vom Winkel zwischen dem angelegten Feld und der Kette ab. Die maximalen Anziehungs- und Abstoßungskräfte in einer Kette wachsen deutlich mit der Anzahl der Teilchen in der Kette, aber wenn die Anzahl der Teilchen groß genug ist, erreichen sie die Sättigung. Dieses \({F}_{DEP}\) wurde analytisch berechnet und als17 angegeben:

Dabei ist \({\varepsilon }_{E}\) die relative Permittivität des Mediums, E das elektrische Feld auf der Mikropartikeloberfläche, \({E}_{n}\) die Normalkomponente von E und n ist der Einheitsnormalenvektor auf der Oberfläche. Allerdings ist die theoretische Schätzung von \({F}_{DEP}\) aus mikroskopischen Aufnahmen aufgrund von Unstimmigkeiten in der Fadenstruktur problematisch. Auf mikroskopischer Ebene ist die Ausrichtung textiler Stränge sehr unterschiedlich. Die berechnete Kraft wird dadurch mehrdeutig.

Die angelegten Spannungen werden durch Untersuchung der Muster der Perlenkettenorientierung vorhergesagt. Aus den gesammelten Mikroaufnahmen haben die Deep-Learning-Regressionsalgorithmen die an den Partikeln angelegte Spannung vorhergesagt. Verschiedenen Studien zufolge ist die Kraft auf eine Kette kugelförmiger dielektrischer Partikel in einer dielektrischen Flüssigkeit proportional zur Anzahl der Partikel sowie zu ihrer Ausrichtung zum elektrischen Feld55,56. Dadurch wurde ein direkter Zusammenhang zwischen der angelegten Spannung und der Perlenkettenbildung hergestellt.

Nehmen wir an, dass das \(j-te\) Bild in einem Eingaberaum \({x}_{j}\in X\) definiert ist und es einen Ausgaberaum \({y}_{i}\) gibt in Y = \{{u}_{1}, {u}_{2}, \cdot \cdot \cdot , {u}_{k}\}\) mit sortierten Rängen \({u}_{k }\gg {u}_{k-1}\gg \cdot \cdot \cdot \gg {u}_{1}\). Das Symbol \(\gg \) stellt dar, wie unterschiedliche Rankings geordnet sind. Bei einem gegebenen Trainingsdatensatz \(\upchi ={\{{x}_{i}, {y}_{i}\}}_{i=1}^{N}\) besteht das Ziel der Regression darin, zu erstellen eine Abbildung von Perlenkettenbildern auf Ränge \(g(.): R\). Die Kostenmatrix \(C\) wird in dieser Untersuchung verwendet, um den Kostenunterschied zwischen vorhergesagten und grundwahren Rängen zu berechnen53. \(C\) ist eine \(K\times K\)-Matrix, wobei \({C}_{y,u}\) die Kosten für die Vorhersage einer Stichprobe \((x, y)\) mit dem Rang \( u\). Normalerweise,

wenn \(u\ne y\), \({C}_{y,u}>0\) und \({C}_{y,y}=0\) angenommen werden. Bei allgemeinen Regressionsproblemen wird häufig die absolute Kostenmatrix verwendet, die als \({C}_{y,u}= |yu|\) definiert ist. Bei der Anwendung von Regressionstechniken auf die \({F}_{\mathrm{DEP}}\)-Schätzung wird jede Spannung als Rang behandelt.

Das DEP-Gerüstgerät (Abb. 1) besteht aus flexiblen Textilelektroden, die durch einen Silikon-O-Ring genäht sind (Innendurchmesser: 1 mm, Außendurchmesser: 3 mm). Die Textilelektroden bestehen aus einer silberbeschichteten leitfähigen Schnur, die zu 82 % aus Nylon und zu 18 % aus Silber besteht. Diese Struktur wurde auf einem 1 × 1 Zoll großen Glasobjektträger montiert. Die Saiten wurden mit Kupferband befestigt, das als elektrischer Kontakt diente. Die Tests wurden durchgeführt, indem 10 μl Flüssigkeit in die O-Ring-Kammer eingeführt wurden. Ein 3D-gedruckter, maßgeschneiderter Mikroskoptisch umschließt das gesamte Gerät zur Aufnahme von Bildern. Die Perlenkettenbildungen wurden bei unterschiedlichen Spannungen und einer festen Frequenz von 200 kHz aufgezeichnet (Abb. 1b). Während unserer Dielektrophorese-Experimente mit Hefezellen und 10–20 µm großen PS-Mikrokügelchen unter Verwendung dieses Aufbaus wurden 200 Mikroaufnahmen bei jedem Spannungsniveau von 1–10 V für Hefezellen und Polystyrol-Mikrokügelchen gesammelt, was einer Summe von 4000 Bildern entspricht.

(a) DEP-Gerät auf Textilelektrodenbasis mit Verbindungsbasis (b) SEM-Aufnahme von Textilelektroden.

Hefezellen (Saccharomyces cerevisiae) werden in einem Inkubator bei 30 °C gezüchtet. Das Wachstumsmedium Hefeextrakt-Pepton-Dextrose bestand aus 20 g/l Pepton, 10 g/l Hefeextrakt und 20 g/l Dextrose, gelöst in entionisiertem (DI) Wasser. Die Zellen wurden in der stationären Wachstumsphase nach einem Tag Kultivierung im Schüttelinkubator gesammelt, durch 2-minütige Zentrifugation bei 3000 U/min geerntet und in Messpuffern resuspendiert. Einfache Polystyrol (PS)-Perlen (10, 20 µm) wurden von Spherotech, Inc., USA, bezogen. PS-Perlen sind ladungsneutral und hydrophob. Es wurde keine Oberflächenfunktionalisierung verwendet. Der Puffer enthielt kein Tensid.

Puffer mit niedriger Leitfähigkeit: Alle Mikropartikel wurden für die Experimente in einem isotonischen Puffer suspendiert, der aus 200 mM Saccharose, 16 mM Glucose, 1 MCaCl2 und 5 mM Na2HPO4 in entionisiertem Wasser (pH 7,4) bestand.

Wir haben einen Template-Matching-Algorithmus für die Objekterkennung mit \(OpenCV\) (Algorithmus I) entwickelt, um die Gesamtzahl der Perlenketten in einem Bild zu extrahieren, jede Perlenkette zu zählen und sie einer Matrix zuzuordnen, die diese Merkmale darstellt. (Abb. 2). Perlenketten werden innerhalb des Bildes mithilfe von Referenzformen identifiziert, bei denen es sich um zugeschnittene Bilder einzelner Mikropartikel handelt, die als Erkennungsvorlage dienen. Die Bildabmessungen des Vorlagenbildes werden ebenfalls extrahiert, dh Höhe und Breite, um den Radius des Mikropartikels zu berechnen. Der Radius einer Probenperle in Pixeleinheiten wird als \(r = (l + b)/4\) berechnet, wobei \(l\) die Länge und \(b\) die Breite des Vorlagenbilds des Mikropartikels ist . In der Formel ist \(c\) eine Konstante, die auf \(1/4\) von \(r\) festgelegt ist. Der Wert von \(c\) kann korrigiert werden, bis der Ausgabedatensatz die Daten nicht erkannter Perlenketten enthält.

Perlenkettenanalyse mit einem vorlagenbasierten Matching-Algorithmus und einem Partikelkoordinaten-Suchalgorithmus. Ein Vorlagenbild wird um einen Versatz (x, y) über die DEP-Aufnahmen verschoben, wobei die Ursprünge der beiden Bilder als Referenzpunkte dienen. Die Perlenkettenlängen (Li) werden mithilfe eines Partikelkoordinatensuchalgorithmus bestimmt.

Das Eingabebild wird als \(I(x, y)\) dargestellt, wobei \((x, y)\) die Pixelkoordinaten bezeichnet. \(T\left({x}^{^{\prime}},{y}^{^{\prime}}\right)\) bezeichnet die Koordinaten jedes Pixels in der Vorlage. Template-basiertes Matching erfolgt durch einfaches Verschieben der Mitte (oder des Ursprungs) der Vorlage \(T\left({x}^{^{\prime}},{y}^{^{\prime}}\right )\) über jeden \((x, y)\)-Punkt im Eingabebild und berechnen Sie die Summe der Produkte zwischen den Koeffizienten in \(I(x, y)\) und \(T\left({x}^). {^{\prime}},{y}^{^{\prime}}\right)\), über den gesamten von der Vorlage aufgespannten Bereich. Da alle möglichen Positionen der Vorlage in Bezug auf das Eingabebild durchsucht werden, ist die Position mit der höchsten Punktzahl die beste Position. In der OpenCV-Implementierung speichern wir für jede Position von T über I die Kreuzkorrelationsmetrik \((TM\_CCORR\_NORMED)\) in der Ergebnismatrix R. Die Kreuzkorrelationsmetrik \((TM\_CCORR\_NORMED)\ ) wird mathematisch als \(R(x, y)\) in Gleichung dargestellt. 6. Jede Position \((x, y)\) in R enthält den Übereinstimmungs- oder Kreuzkorrelationswert, der das Ergebnis der Verschiebung des Patches mit einer Metrik \(TM\_CCORR\_NORMED\) ist. Die hellsten Orte weisen auf die höchsten Übereinstimmungen hin.

Die Methode \(matchTemplate()\) in der \(OpenCV\)-Bibliothek wurde verwendet, um das Vorlagenbild mit den Eingabebildern zu vergleichen. Außerdem wurden die externen Bibliotheken \(cv2, numpy, glob\) und \(workbook\) verwendet. Die erkannten Mikropartikel werden markiert und entsprechende Koordinaten gespeichert. Einzelne Perlen werden im Bild mit der Methode \(imwrite()\) markiert. Die erhaltenen Koordinaten werden mit dem Wert des Radius der Perle kombiniert, der dann zur Identifizierung der Perlenkette verwendet wird. Nachdem die Funktion den Vergleich abgeschlossen hat, können die besten Übereinstimmungen als globale Maxima \((TM\_CCORR\_NORMED)\) mithilfe der Funktion \(minMaxLoc\) gefunden werden. Im Falle eines Farbbildes erfolgt die Vorlagensummierung im Zähler und jede Summe im Nenner für alle Kanäle. Das Ergebnis ist immer noch ein Einkanalbild, das einfacher zu analysieren ist. Die Mittelpunktkoordinate jedes Mikropartikels wird aus dem Koordinatendatensatz extrahiert. Jede Koordinate wird verwendet, um unter Verwendung der Bedingung \(2r+c\) nach dem benachbarten Mikropartikel zu suchen. Alle Mikropartikel, die einer Kette am nächsten liegen, werden identifiziert und zu einem Datensatz gruppiert, Duplikate werden entfernt und Perlenketten werden nach Perlenkettenzahl \({C}_{L}\) kategorisiert, wobei \(L=\left[\mathrm {2,3},4\dots 18\right]\). Identifizierte Perlenketten werden in einer Liste gespeichert, die am Ende der Verarbeitung die Länge und Anzahl der Perlenketten in einer Excel-Tabelle speichert. Die Präzision der Bilderkennung kann durch Ändern der Schwellenwerte im Code gesteuert werden. Die Methode \(excelWrite()\) wird zur Darstellung der Daten von Massenbildern verwendet, die in einer Excel-Tabelle verarbeitet werden.

Die Vorhersage der Zielvariablen (angelegte Spannung) erfolgte mithilfe von 18 Prädiktoren – den Perlenkettenmerkmalen. Jeder Prädiktor repräsentiert die Anzahl der Partikel in einer Perlenkette. Prädiktoren unseres Modells wurden aus den mikroskopischen Aufnahmen extrahiert (Abb. 2). Der Wert jedes Prädiktors ist die Anzahl der Mikropartikel in einer Perlenkette bei angelegter Spannung. Anzahl der Perlenketten, \({C}_{L}\), wobei \(L=\left[\mathrm{2,3},4\dots 18\right]\) die Anzahl der Perlenketten einer bestimmten Kette darstellt Länge \(L\), \({C}_{L}\) Werte für alle bei unterschiedlichen Spannungen aufgenommenen Bilder werden als Matrix gespeichert und als Merkmale oder Prädiktoren verwendet, um die DEP-Kraft darzustellen. Die Perlenkettenbildungen wurden bei unterschiedlichen Spannungen aufgezeichnet. Wir gehen davon aus, dass die Anzahl der Perlenketten \({C}_{L}\) in einem Mikrobild bei verschiedenen Spannungen \({V}_{x}\) mit \(1\le x\le 10\) eine vollständige Zahl ist Darstellung von DEP-Aufnahmen. Aus den mikroskopischen Aufnahmen geht hervor, dass Perlenkettenbildungen bereits bei Spannungen von nur 2 V beobachtet wurden. Allerdings hatten fast alle Perlenketten nicht mehr als 2 Mikropartikel (\({C}_{2}\)). Bei 3 V waren 84 % der Perlenketten \({C}_{2}\) und 15 % davon \({C}_{3}\). Bei Spannungen über 5 V haben ~ 40 % der Perlenketten mehr als 4 Mikropartikel \(({C}_{4})\). Über 7 V ist \({C}_{8}-{C}_{10}\) signifikant (6,7 %). Im Bereich von 7–10 V waren die Prozentsätze \({C}_{2}-{C}_{5}\) sehr niedrig und die meisten Perlenketten hatten mehr als 8 Mikropartikel \({C}_{8 }\).

ML-Analysen wurden mithilfe der Orange-Toolbox durchgeführt, indem Python-Skripte geschrieben wurden, die auf die Orange-API zugriffen. Zusätzliche Funktionalitäten wie Feature-Wichtigkeit wurden mithilfe von Python-Skript-Widgets entwickelt. 80 % des Datensatzes werden als Trainingsdatensatz und 20 % für Tests verwendet. Fehlende Werte wurden durch den Medianwert der Merkmale ersetzt. Merkmale mit höherer Dominanz bei der Vorhersage der Ziele werden aus Trainingssätzen identifiziert. Wie in Abb. S1 gezeigt, wurden verschiedene ML-Architekturen wie K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest, Neural Networks und Linear Regression auf dem aus den PS-Mikrokügelchen-Mikroaufnahmen extrahierten Datensatz trainiert. Die für das maschinelle Lernen verwendeten Python-Skripte werden über diesen Github-Link (https://github.com/skmidhun09/image_detection_python) zur Verfügung gestellt.

Überflüssige Funktionen beeinträchtigen die Leistung eines Modells und erhöhen gleichzeitig die Rechenkosten. Es ist wichtig, eine Untergruppe von Merkmalen mit hoher Prävalenz zu finden. Einige der Funktionen haben einen erheblichen Einfluss auf das Antwortmodell als andere. Wir haben die Wichtigkeit von Merkmalen oder Prädiktoren mithilfe des \(RReliefF\)-Algorithmus mit k-nächsten Nachbarn bewertet. \(RReliefF\) ist eine Funktion, die mit kontinuierlichem Ziel arbeitet. \(RReliefF\) bestraft Features, die Nachbarn mit denselben Antwortwerten unterschiedliche Werte anbieten, und belohnt Features, die Nachbarn mit unterschiedlichen Antwortwerten unterschiedliche Werte geben. Abbildung 3 zeigt die Rangfolge der Merkmalswichtigkeit, die durch die Implementierung von \(RReliefF\) erzielt wird. Unter den \({C}_{L}\)-Prädiktoren mit \(L=\left[\mathrm{2,3},4\dots 18\right]\), \({C}_{8}\ ) erwies sich mit einer Gewichtung von 0,48 als das wichtigste Merkmal, gefolgt von \({C}_{10}\) und \({C}_{11}\) mit einem Wichtigkeitsgewichtswert von 0,37 bzw. 0,36. \({C}_{1}\) hatte den niedrigsten Wert von 0,06 und \({C}_{12}-{C}_{14}\) wurde als unbedeutend befunden.

Rangfolge der Wichtigkeit der Prädiktoren mithilfe des \(RReliefF\)-Algorithmus, um eine Untergruppe von Merkmalen mit hoher Prävalenz zu finden.

Mithilfe von Convolutional Neural Networks (CNN) wurden lokale Trends aus räumlich-zeitlichen Mustern der Perlenkettenbildung extrahiert. CNNs verfügen über mindestens eine Schicht, die die Faltungsoperation verwendet, um Merkmale zu extrahieren57,58. CNNs werden in Bildverarbeitungsanwendungen verwendet, einschließlich automatisierter histopathologischer Bildsegmentierung59, automatisierter Rekonstruktion kontrastarmer Bilder wie Magnetresonanztomographie (MRT)60,61, Quantifizierung von Cyanobakterien aus hyperspektralen Bildern62, medizinischer Bildverarbeitung für die direkte Krankheitsdiagnose63,64 usw sowie in anderen Disziplinen, einschließlich Spracherkennung58,65 und Wettervorhersage57,66.

Wir haben vier vorab trainierte CNN-Architekturen verwendet, nämlich: AlexNet67, MobileNetV268,69, GoogLeNet70 und ResNet-5071 als Basisarchitekturen für eine tiefe Regressionsanalyse. Tabelle 2 bietet einen kurzen Überblick über diese vorab trainierten CNN-Architekturen. Alle diese Architekturen wurden als vorab trainierte Versionen der Netzwerke initialisiert, die zunächst zur Klassifizierung auf dem ImageNet-Datensatz trainiert wurden. Wie in Abb. 4 dargestellt, bestehen die vorab trainierten CNN-Architekturen aus einer Eingabeschicht, die die Pixelmatrix eines Eingabebilds darstellt, gefolgt von einer Reihe von Faltungsschichten, die die Aktivierung von Rectified Linear Unit (ReLU) verwenden. Zwischen zwei Faltungsschichten befindet sich eine Pooling-Schicht, in der eine maximale Pooling-Operation durchgeführt wird, um das gefaltete Bild (Feature-Map) herunterzurechnen. Anschließend eine vollständig verbundene Schicht, in der alle Eingänge zusammen mit Softmax-Schichten verbunden sind. Um diese vorab trainierten Netzwerke für die Regression neu zu trainieren, entfernen wir die letzten Softmax-Schichten aus den Basisarchitekturen (AlexNet, MobileNetV2, GoogLeNet und ResNet-50), die im Kontext der Klassifizierung verwendet werden, und ersetzen dann die letzte vollständig verbundene Schicht. die Softmax-Schicht und die Klassifizierungsausgabeschicht mit einer vollständig verbundenen Schicht der Größe 1 (die Anzahl der Ausgabevariablen) mit linearen Aktivierungen und einer Regressionsschicht. Dadurch ist die letzte Schicht eine Regressionsschicht, deren Ausgabedimension der des Zielraums entspricht.

Änderung der Basisarchitekturen von Convolutional Neural Networks (nämlich: AlexNet, MobileNetV2, GoogLeNet und ResNet-50) vom herkömmlichen Klassifizierungsrahmen zu einem Regressionsrahmen.

Bemerkenswerte Hyperparameter wie die Lernrate \(\alpha \) und die Stapelgröße \({n}_{b}\) wurden entsprechend abgestimmt, um die Kostenfunktion zu minimieren und die Optimierung zu beschleunigen und gleichzeitig sicherzustellen, dass die Modelle zum globalen Minimum konvergieren und dadurch lösen das Problem der Überanpassung69,72. Tabelle 3 zeigt die verwendeten CNN-Hyperparameter. Kürzlich wurde eine Reihe adaptiver Lernratenalgorithmen entwickelt. Die in dieser Arbeit untersuchten Optimierer „Adaptive Moments“ (Adam)72, „Root Mean Square Propagation“ (RMSProp)72,73 und „Stochastic Gradient Descent with Momentum“ (SGDM)74 gehören zu den am weitesten verbreiteten verwendete Optimierungsalgorithmen. Tabelle 4 gibt einen kurzen Überblick über diese Algorithmen.

Die aus Mikroaufnahmen der Perlenkettenbildung bei verschiedenen Spannungen von 1 bis 10 V gesammelten Bilddateien wurden zur Durchführung einer Deep-Learning-Analyse verwendet.

Um die Rechenzeit und -genauigkeit zu verbessern, haben wir eine optimale adaptive Schwellenwertmethode angewendet, um die Komplexität von Perlenkettenbildern zu reduzieren75. Abbildung 5 zeigt das Flussdiagramm der Bildanalyse- und Segmentierungstechnik. Außerdem haben wir alle Schritte des Segmentierungsprozesses in Algorithmus II zusammengefasst.

Ein Flussdiagramm der morphologischen Operationen, die an den Mikroaufnahmen zur Bildsegmentierung durchgeführt werden. Das ausgegebene segmentierte Bild \(O(u, v)\) wird durch Verketten von \({\mathrm{I}}^{\theta }\left(u) erzeugt ,v\right)\) dreimal, um das entsprechende Echtfarbenbild (RGB) zu erzeugen.

Die MATLAB Image Processing Toolbox wurde verwendet, um in dieser Forschung einen Prototyp für die Methoden zur Bildverarbeitung zu erstellen. Graustufenkonvertierung, adaptive Schwellenwertsegmentierung und morphologische Operationen waren alle Teil der Bildverarbeitungsverfahren, die systematisch für 4000 Bilder durchgeführt wurden5,76,77,78. \(I(u, v)\) sind Graustufenbilder der Perlenketten in einem euklidischen Raum \(E\). Durch intensive Schwellenwertbestimmung der Perlenkettenregionen aus dem Mikrobild wurde ein adaptiver globaler Schwellenwert eingesetzt, um die Segmentierung der Perlenketten zu erreichen. Der ausgewählte Schwellenwert wurde durch ein Bildhistogramm ermittelt, um die binarisierte Ausgabe \({\mathrm{I}}^{\beta }\left(u,v\right)\) zu erzeugen.

\(\alpha \) ist der adaptive Schwellenwert, der auf das ursprüngliche Eingabebild \(I(u, v)\) angewendet wird, um das resultierende Bild zu erhalten, bezeichnet mit \({\mathrm{I}}^{\beta }\left (u,v\right)\). In den nächsten Schritten wird eine morphologische Operation namens Dilatation auf \({\mathrm{I}}^{\beta }\left(u,v\right)\) unter Verwendung des Strukturierungselements \({S}_{1} angewendet. \) (ein Array aus horizontalen und vertikalen Linien). Die Dilatation von \({\mathrm{I}}^{\beta }\left(u,v\right)\) durch \({S}_{1}\) ist mathematisch definiert als in76,77 durch Gl. (8) und (9) unten, wobei \({\widehat{S}}_{1}\) die Übersetzung des Arrays \({S}_{1}\) durch den Vektor \(z\) ist und \(\varnothing \) ist eine Nullmenge:

Nun wird eine morphologische Schließoperation durchgeführt, die in77,78 als Erosion von \({\mathrm{I}}^{\gamma }\left(u,v\right)\) durch ein horizontales Strukturierungselement \({S} _{2}\), gefolgt von einer Erweiterung des resultierenden Bildes um \({S}_{2}\), erhalten wir \({\mathrm{I}}^{\delta }\left(u,v\ rechts)\), wie unten gezeigt:

Dann füllen wir die Löcher der Perlenketten und räumen den Rand frei. Nehmen wir dann eine morphologische Schließoperation, die in77 als Dilatation von \({\mathrm{I}}^{\delta }\left(u,v\right)\) durch ein horizontales Strukturierungselement \({S}_{2 }\), gefolgt von einer Erosion des resultierenden Bildes um \({S}_{2}\), erhalten wir wie folgt:

Im letzten Schritt wird das ausgegebene segmentierte Bild \(O(u, v)\) durch dreimaliges Verketten von \({\mathrm{I}}^{\theta }\left(u,v\right)\) generiert Bilden Sie das äquivalente Echtfarbenbild (RGB).

Auf den MATLAB-Code, der für die oben beschriebene Bildverarbeitungsaufgabe verwendet wird, kann über diesen Github-Link zugegriffen werden (https://github.com/AjalaSunday/Neural-Networks-Fall-2021/blob/16ac1708307431272fc2c5c72ee25594d0a81446/PreprocessingPCFImages.m).

Die Modelle wurden auf ihre Leistung hin bewertet, indem getestet wurde, ob die Perlenkettenanordnungen in Mikroaufnahmen mit den Eingangsspannungen korreliert werden können, um anhand dieser vier wichtigen Leistungsmetriken das Modell mit der besten Leistung zu finden: Mittlerer absoluter Fehler (MAE), mittlerer relativer Fehler (MRE). , mittlerer quadratischer Fehler (MSE), R-Quadrat und mittlerer quadratischer Fehler (RMSE)48,49,57,79. Sie werden mathematisch wie durch die Gleichungen ausgedrückt: (15–20) wobei \(y\), \(\widehat{y}\) und \(\overline{y }\) den tatsächlichen Wert, den vorhergesagten Wert und den Mittelwert der \(y\)-Werte definieren und \(n\) ist die Anzahl der Stichproben:

Die Vorhersagegenauigkeit der Modelle kann durch Gleichung definiert werden. (20):

Der MAE bewertet die durchschnittliche Fehlergröße in einer Gruppe von Vorhersagen, ohne deren Richtung zu berücksichtigen. Es bewertet die Präzision kontinuierlicher Variablen. MSE wird oft als quadratischer Verlust bezeichnet, da sich die Strafe auf das Quadrat des Fehlers und nicht auf den Fehler selbst bezieht. Wenn der Fehler quadriert wird, erhalten die Ausreißer mehr Gewicht, was zu einem gleichmäßigen Verlauf für kleine Fehler führt. Mit zunehmender Fehlerquote wächst MSE exponentiell. Der MSE-Wert eines guten Modells sollte nahe Null liegen. RMSE wird berechnet, indem die Quadratwurzel von MSE gezogen wird. RMSE ist einfacher zu interpretieren, da es die gleichen Einheiten wie die Menge hat. MAE, MSE und RMSE können zwischen 0 und ∞ liegen. Die Anpassungsgüte eines Regressionsmodells wird durch ein statistisches Maß namens R-Quadrat dargestellt. Der optimale R-Quadrat-Wert ist 1. Je näher der R-Quadrat-Wert bei 1 liegt, desto besser passt das Modell.

Nach den Bildverarbeitungs- und Segmentierungsschritten wird die Größe der Bilder angepasst, um sie an die Dimension der Eingabeebene für jedes Modell anzupassen (Tabelle 2). Diese segmentierten Bilddatensätze werden dann mithilfe von Augmentationsverfahren erweitert, z. B. durch zufälliges Spiegeln entlang der vertikalen Achse und zufälliges Verschieben horizontal und vertikal um bis zu 30 Pixel, um die tiefen Regressionsmodelle zu trainieren und zu validieren (Abb. 6). Die Datenerweiterung verhindert eine Überanpassung der Netzwerke und stellt sicher, dass sie ausreichend verallgemeinert werden. AlexNet, ResNet-50, MobileNetV2 und GoogLeNet waren die vier in dieser Studie untersuchten CNN-Architekturen. Während der Trainingsphase der Modelle wurden die Bilddatensätze (jeweils 2000 Bildproben für Hefezellen und PS-Mikrokügelchen) in 80 % (d. h. jeweils 1600 Bildproben für Hefezellen und PS-Mikrokügelchen) für das Training und 20 % (d. h. 400) aufgeteilt Bildbeispiele jeweils für Hefezellen und PS-Mikrokügelchen) zur Validierung. Das Training wurde in MATLAB R2021a durchgeführt und die Deep-Learning-Experimente wurden mit der Deep-Learning-Toolbox durchgeführt. Als Entwicklungssystem diente ein DELL-Laptop mit einem Intel-Prozessor der 8. Generation mit fünf Kernen. Der für das oben beschriebene Deep Learning verwendete MATLAB-Code wird in diesem Githublink (https://github.com/AjalaSunday/Neural-Networks-Fall2021/blob/16ac1708307431272fc2c5c72ee25594d0a81446/RegressionCode.m) zur Verfügung gestellt.

Systemübersicht, die die Trainingsphase der Modelle zeigt. Die Eingabebilddatensätze wurden in 80 % für das Training und 20 % für die Validierung oder Tests aufgeteilt.

Durch die Ermittlung der R-Quadrat-, MAE-, MRE-, MSE- und RMSE-Werte für den Testdatensatz basierend auf den Genauigkeitskriterien wird eine Bewertung der vier Architekturen durchgeführt. Die Tabellen 5 und 6 zeigen die Ergebnisse, die die Architekturen und verschiedenen Optimierer in unseren Experimenten mit Hefezellen bzw. Mikrokügelchen erzielt haben. Wie in Tabelle 5 zu sehen ist, erzielten alle Modelle und Optimierungsalgorithmen basierend auf der Genauigkeitsmetrik eine Leistung von deutlich über 95 % (siehe auch Tabelle S2). Beim Training der Modelle auf Hefezellen-Datensätzen weist ResNet-50 mit RMSProp-Optimierer jedoch den besten Validierungs-RMSE von 0,0918 im Testdatensatz auf, gefolgt vom gleichen ResNet-50, jedoch mit ADAM-Optimierer, mit einem Validierungs-RMSE von 0,1241. Dies wird auch durch das Diagramm in Abb. 7 veranschaulicht. Die Abbildungen S2 und S3 zeigen die Entwicklung des Validierungs-RMSE für ResNet-50 mit RMSProp-Optimierer und ResNet-50 mit ADAM-Optimierer für den Hefezelldatensatz, während die Regressionslinien in dargestellt sind Abb. 8a bzw. b.

Modellleistung bei Hefezellen-Datensätzen für verschiedene Architekturen ResNet-50 mit RMSPROP-Optimierer hat den besten Validierungs-RMSE von 0,0918 im Testdatensatz, gefolgt vom gleichen ResNet-50, aber mit ADAM-Optimierer mit einem Validierungs-RMSE von 0,1241.

Linie der besten Anpassung der besten tiefen Regressionsmodelle (a) ResNet-50 mit RMSProp (b) ResNet-50 mit ADAM.

Wie in Tabelle 6 zu sehen ist, erzielten alle Modelle und Optimierungsalgorithmen im Mikrokügelchen-Datensatz basierend auf der Genauigkeitsmetrik eine Leistung von deutlich über 90 % (siehe auch Tabelle S3 und S4). AlexNet mit ADAM-Optimierer hat den besten Validierungs-RMSE von 0,1745 für alle Modelle im PS-Mikrokügelchen-Datensatz, gefolgt von ResNet-50, ebenfalls mit ADAM-Optimierer mit Validierungs-RMSE 0,1869. Dies wird auch durch das Diagramm in Abb. 9 veranschaulicht. Die Abbildungen S4 und S5 zeigen die Entwicklung des Validierungs-RMSE für AlexNet mit ADAM-Optimierer und ResNet-50 mit ADAM-Optimierer für den PS-Mikrokügelchen-Datensatz, während die Regressionslinien in Abb. dargestellt sind. 10a bzw. b. Bei einem Blick auf die Leistungen der in dieser Arbeit untersuchten Algorithmen zur adaptiven Lernratenoptimierung haben wir festgestellt, dass ADAM die kleinste Summe aufweist, gefolgt von RMSProp und SGDM an letzter Stelle, wobei die höchste RMSE-Summe in beiden Datensätzen vorliegt, wie in Abb. 11a und b dargestellt .

Modellleistung bei Mikrokügelchen-Datensätzen für verschiedene Architekturen. AlexNet mit ADAM-Optimierer hat den besten Validierungs-RMSE von 0,1745 bei Testdatensätzen, gefolgt vom gleichen ResNet-50, aber mit ADAM-Optimierer mit einem Validierungs-RMSE von 0,1869.

Linie der besten Anpassung der besten tiefen Regressionsmodelle (a) AlexNet mit ADAM (b) ResNet-50 mit ADAM.

Summe von RMSE durch Optimierer für (a) Hefezellen-Datensatz (b) PS-Mikrokügelchen-Datensatz.

In diesem Artikel wird ein intelligentes Sensorsystem vorgestellt, mit dem die DEP-Kraft direkt aus der Perlenkettenausrichtung von Mikropartikeln abgeschätzt werden kann. Wir haben die vorgeschlagenen Modelle in einem elektrodenbasierten dielektrophoretischen System getestet. Die vorgeschlagenen tiefen Regressionsmodelle wurden ausführlich untersucht und die Ergebnisse mit herkömmlichen Ansätzen des maschinellen Lernens verglichen. Die intrinsischen Merkmale der Mikropartikelausrichtung wie Länge und Anzahl der Perlenketten wurden mithilfe von Bildsegmentierungsalgorithmen extrahiert und zur Generierung von Trainingsdatensätzen verwendet. Die Ergebnisse der Experimente zeigen, dass sich die Leistung der DL-Modelle im Hinblick auf Vorhersagegenauigkeit und Generalisierungsfähigkeit im Vergleich zu den ML-Modellen als optimal erwies. ResNet-50 mit RMSPROP lieferte die beste Leistung mit einem Validierungs-RMSE von 0,0918 auf Hefezellen, während AlexNet mit ADAM-Optimierer die beste Leistung mit einem Validierungs-RMSE von 0,1745 auf Mikrokügelchen lieferte. Das von uns entwickelte Regressionsmodell kann auf Biosensorsysteme erweitert werden, um die Variationen der dielektrischen Eigenschaften von Mikropartikeln abzuschätzen.

Der für die aktuelle Studie verwendete Datensatz ist über diesen Link auf Dryad verfügbar. Dies steht den Gutachtern zur Verfügung, wird aber der Öffentlichkeit zugänglich gemacht, nachdem dieser Artikel einem Peer-Review unterzogen wurde oder auf Anfrage des entsprechenden Autors.

Pande, S., Khamparia, A. & Gupta, D. Merkmalsauswahl und Vergleich von Klassifizierungsalgorithmen für drahtlose Sensornetzwerke. J. Ambient. Intel. Humaniz. Berechnen. https://doi.org/10.1007/s12652-021-03411-6 (2021).

Artikel Google Scholar

Madhavan, MV, Pande, S., Umekar, P., Mahore, T. & Kalyankar, D. Vergleichende Analyse der Erkennung von E-Mail-Spam mithilfe von Ansätzen des maschinellen Lernens. In der IOP-Konferenzreihe: Materials Science and Engineering, Bd. 1022(1) 12113 https://doi.org/10.1088/1757-899x/1022/1/012113 (2021).

Dharmale, SG, Gomase, SA, Pande, S. Vergleichende Analyse von Methoden des maschinellen Lernens für die effektive Nutzung medizinischer WSNs. In Proceedings of Data Analytics and Management 441–457 (2022).

Sirohi, M., Lall, M., Yenishetti, S., Panat, L. & Kumar, A. Entwicklung eines auf Bildsegmentierung basierenden Algorithmus für maschinelles Lernen zur Bestimmung der Angemessenheit von Gram-gefärbten Sputumabstrichbildern. Med. J. Armed Forces India https://doi.org/10.1016/J.MJAFI.2021.09.012 (2021).

Artikel Google Scholar

Prinyakupt, J. & Pluempitiwiriyawej, C. Segmentierung weißer Blutkörperchen und Vergleich der Zellmorphologie durch lineare und naive Bayes-Klassifikatoren. Biomed. Ing. Online 14(1), 1–19. https://doi.org/10.1186/S12938-015-0037-1/TABLES/8 (2015).

Artikel Google Scholar

Petrović, N., Moyà-Alcover, G., Jaume-i-Capó, A. & González-Hidalgo, M. Unterstützung bei der Diagnose von Sichelzellanämie bei der Auswahl der am besten geeigneten Methode des maschinellen Lernens: Auf dem Weg zu einem allgemeinen und interpretierbaren Ansatz für die Zellmorphologie Analyse aus Mikroskopiebildern. Berechnen. Biol. Med. 126, 104027. https://doi.org/10.1016/J.COMPBIOMED.2020.104027 (2020).

Artikel PubMed Google Scholar

Pratapa, A., Doron, M. & Caicedo, JC Bildbasierte Zellphänotypisierung mit Deep Learning. Curr. Meinung. Chem. Biol. 65, 9–17. https://doi.org/10.1016/J.CBPA.2021.04.001 (2021).

Artikel CAS PubMed Google Scholar

Hussain, S. et al. Generierung von High-Content-Bildern für die Arzneimittelforschung mithilfe generativer gegnerischer Netzwerke. Neuronales Netz. 132, 353–363. https://doi.org/10.1016/J.NEUNET.2020.09.007 (2020).

Artikel PubMed Google Scholar

Liu, L., Xie, C., Chen, B. & Wu, J. Numerische Untersuchung von Partikelketten einer großen Anzahl zufällig verteilter DEP-Partikel unter Verwendung der iterativen Dipolmomentmethode. J. Chem. Technol. Biotechnologie. 91(4), 1149–1156. https://doi.org/10.1002/JCTB.4700 (2016).

Artikel CAS Google Scholar

Pohl, HA & Crane, JS Dielektrophorese von Zellen. Biophys. J. 11(9), 711–727. https://doi.org/10.1016/S0006-3495(71)86249-5 (1971).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Washizu, M. & Jones, TB Verallgemeinerte multipolare dielektrophoretische Kraft- und Elektrorotationsdrehmomentberechnung. J. Electrost. 38(3), 199–211. https://doi.org/10.1016/S0304-3886(96)00025-3 (1996).

Artikel Google Scholar

Ajala, S., Jalajamony, HM & Fernandez, RE Deep-Learning-basierte Bildanalyse der Perlenkettenbildung in einem dielektrophoretischen System. In ECSMA, vol. 2021(35) 1962–1962 https://doi.org/10.1149/MA2021-02351962MTGABS (2021).

Zhao, Y., Brcka, J., Faguet, J. & Zhang, G. Aufklärung der Mechanismen zweier einzigartiger Phänomene, die durch die Partikel-Partikel-Wechselwirkung unter DEP gesteuert werden: Taumelbewegung von Perlenketten und Ausrichtung ellipsoider Partikel. Micromachines 2018 9(6), 279. https://doi.org/10.3390/MI9060279 (2018).

Artikel Google Scholar

Daniel, J. et al. Perlenkettenbildung diskontinuierlicher Kohlenstofffasern unter einem elektrischen Feld. J. Manufaktur Mater. Verfahren. 2017 1(2), 22. https://doi.org/10.3390/JMMP1020022 (2017).

Artikel CAS Google Scholar

Zhao, Y., Hodge, J., Brcka, J., Faguet, J., Lee, E. & Zhang, G. Auswirkung der elektrischen Feldverzerrung auf die Teilchen-Teilchen-Wechselwirkung unter DEP, Auszug aus dem Protokoll der COMSOL-Konferenz 2013 In Boston.

Kanagasabapathi, T., Backhouse, T. & Kaler, K. Dielektrophorese (DEP) von Zellen und Mikropartikeln in PDMS-Mikrofluidkanälen. In NSTI-Nanotech, vol. 1 (2004).

Ajala, S., Jalajamony, HM & Fernandez, RE Deep-Learning-basierte Schätzung der dielektrophoretischen Kraft. Micromachines 2022 13(1), 41. https://doi.org/10.3390/MI13010041 (2021).

Artikel Google Scholar

Li, M., Fei, F., Qu, Y., Dong, Z., Li, WJ & Wang, Y. Theoretische Analyse basierend auf Teilchenelektromechanik für die Bildung von Au-Perlenketten. Im Jahr 2007 7. IEEE International Conference on Nanotechnology – IEEE-NANO 2007, Proceedings, 1217–1221 https://doi.org/10.1109/NANO.2007.4601402(2007).

Wu, C. et al. Ein auf planarer Dielektrophorese basierender Chip für die Zellpaarung mit hohem Durchsatz. Lab Chip 17(23), 4008–4014. https://doi.org/10.1039/C7LC01082F (2017).

Artikel CAS PubMed Google Scholar

Fernandez, RE, Koklu, A., Mansoorifar, A. & Beskok, A. Platinschwarze galvanisch abgeschiedene Fadenelektroden für die dielektrophoretische Anordnung von Mikropartikeln. Biomicrofluidics 10(3), 033101. https://doi.org/10.1063/1.4946015 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Fernandez, RE, Rohani, A., Farmehini, V. & Swami, NS Review: Mikrobielle Analyse in dielektrophoretischen Mikrofluidsystemen. Anal. Chim. Acta 966, 11. https://doi.org/10.1016/J.ACA.2017.02.024 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Benhal, P., Quashie, D., Kim, Y. & Ali, J. Isolatorbasierte Dielektrophorese: biologische Anwendungen im Mikro-, Nano- und molekularen Maßstab. Sensoren 2020 20(18), 5095. https://doi.org/10.3390/S20185095 (2020).

Artikel CAS Google Scholar

Malekanfard, A., Beladi-Behbahani, S., Tzeng, TR, Zhao, H. & Xuan, X. AC-Isolator-basierte dielektrophoretische Fokussierung von Partikeln und Zellen in einem „unendlichen“ Mikrokanal. Anal. Chem. 93(14), 5947–5953. https://doi.org/10.1021/ACS.ANALCHEM.1C00697 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Shafiee, H., Sano, MB, Henslee, EA, Caldwell, JL & Davalos, RV Selektive Isolierung lebender/toter Zellen mittels kontaktloser Dielektrophorese (cDEP). Lab Chip 10(4), 438–445. https://doi.org/10.1039/B920590J (2010).

Artikel CAS PubMed Google Scholar

Ho, CT, Lin, RZ, Chang, WY, Chang, HY & Liu, CH Schnelle heterogene On-Chip-Strukturierung von Leberzellen mithilfe der verbesserten feldinduzierten Dielektrophoresefalle. Lab Chip 6(6), 724–734. https://doi.org/10.1039/B602036D (2006).

Artikel CAS PubMed Google Scholar

Jen, CP & Chen, TW Selektives Einfangen lebender und toter Säugetierzellen mittels isolatorbasierter Dielektrophorese in oben offenen Mikrostrukturen. Biomed. Mikrogeräte 11(3), 597–607. https://doi.org/10.1007/S10544-008-9269-1 (2009).

Artikel PubMed Google Scholar

Shafiee, H., Caldwell, JL, Sano, MB & Davalos, RV Kontaktlose Dielektrophorese: eine neue Technik zur Zellmanipulation. Biomed. Mikrogeräte 11(5), 997–1006. https://doi.org/10.1007/S10544-009-9317-5 (2009).

Artikel CAS PubMed Google Scholar

Guérin, N. et al. Spiralförmiger dielektrophoretischer Partikelabscheider, hergestellt durch konformen Spindeldruck. J. Biomed. Wissenschaft. Ing. 7(9), 641–650. https://doi.org/10.4236/JBISE.2014.79064 (2014).

Artikel Google Scholar

Yang, L., Banada, PP, Bhunia, AK & Bashir, R. Auswirkungen der Dielektrophorese auf Wachstum, Lebensfähigkeit und Immunreaktivität von Listeria monocytogenes. J. Biol. Ing. 2(1), 1–14. https://doi.org/10.1186/1754-1611-2-6/TABLES/1 (2008).

Artikel Google Scholar

Miled, MA, Massicotte, G. & Sawan, M. Dielektrophoresebasiertes integriertes Lab-on-Chip für die Manipulation von Nano- und Mikropartikeln und die kapazitive Detektion. IEEE Trans. Biomed. Schaltungen Syst. 7(4), 557. https://doi.org/10.1109/TBCAS.2013.2271727 (2012).

Artikel Google Scholar

Rahman, NA, Ibrahim, F. & Yafouz, B. Dielektrophorese für biomedizinische Anwendungen: eine Übersicht. Sensoren https://doi.org/10.3390/s17030449 (2017).

Artikel PubMed PubMed Central Google Scholar

Demircan, Y., Özgür, E. & Külah, H. Dielektrophorese: Anwendungen und Zukunftsaussichten in der Point-of-Care. Elektrophorese 34(7), 1008–1027. https://doi.org/10.1002/ELPS.201200446 (2013).

Artikel CAS PubMed Google Scholar

Sapsford, KE, Taitt, CR, Loo, N. & Ligler, FS Biosensorischer Nachweis von Botulinumtoxoid A und Staphylokokken-Enterotoxin B in Lebensmitteln. Appl. Umgebung. Mikrobiol. 71(9), 5590. https://doi.org/10.1128/AEM.71.9.5590-5592.2005 (2005).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Khoshmanesh, K. et al. Verknüpfung zellbasierter Assays in der Umwelt-Rasterelektronenmikroskopie mittels Dielektrophorese. Anal. Chem. 83(8), 3217–3221. https://doi.org/10.1021/AC2002142 (2011).

Artikel CAS PubMed Google Scholar

Pohl, HA Dielektrophorese: das Verhalten neutraler Materie in ungleichmäßigen elektrischen Feldern (Cambridge University Press, 1978).

Google Scholar

Oh, M., Jayasooriya, V., Woo, SO, Nawarathna, D. & Choi, Y. Selektive Manipulation von Biomolekülen mit dielektrophoretischen Pinzetten auf Isolatorbasis. ACS-Appl. Nano Mater. 3(1), 797–805 (2020).

Artikel CAS Google Scholar

Ettehad, HM, Yadav, RK, Guha, S. & Wenger, C. Auf dem Weg zur CMOS-integrierten Mikrofluidik mittels dielektrophoretischer Immobilisierung. Biosensoren (Basel) https://doi.org/10.3390/BIOS9020077 (2019).

Artikel Google Scholar

Manaresi, N. et al. Ein CMOS-Chip zur Manipulation und Erkennung einzelner Zellen. IEEE J. Solid-State Circuits 38(12), 2297–2305. https://doi.org/10.1109/JSSC.2003.819171 (2003).

Artikel ADS Google Scholar

Kurgan, E. Vergleich verschiedener Kraftberechnungsmethoden in der DC-Dielektrophorese. Elektrotechnik. Rev. 88(8), 11–14 (2012).

Google Scholar

C. Xie, B. Chen, L. Liu, H. Chen und J. Wu, Iterative Dipolmomentmethode für die Wechselwirkung mehrerer dielektrophoretischer Partikel in einem elektrischen Wechselfeld. EUR. J. Mech. B/Flüssigkeiten 58, 50–58. https://doi.org/10.1016/j.euromechflu.2016.03.003 (2016).

Ai, Y., Beskok, A., Gauthier, DT, Joo, SW & Qian, S. Elektrokinetischer Gleichstromtransport von zylindrischen Zellen in geraden Mikrokanälen. Biomicrofluidics 3(4), 44110. https://doi.org/10.1063/1.3267095 (2009).

Artikel CAS PubMed Google Scholar

Ai, Y., Joo, SW, Jiang, Y., Xuan, Elektrophorese 30(14), 2499–2506. https://doi.org/10.1002/ELPS.200800792 (2009).

Artikel CAS PubMed Google Scholar

Ai, Y. & Qian, S. DC dielektrophoretische Partikel-Partikel-Wechselwirkungen und ihre relativen Bewegungen. J. Colloid Interface Sci. 346(2), 448–454. https://doi.org/10.1016/J.JCIS.2010.03.003 (2010).

Artikel ADS CAS PubMed Google Scholar

Ai, Y., Zeng, Z. & Qian, S. Direkte numerische Simulation dielektrophoretischer Wechselstrom-Teilchen-Teilchen-Interaktionsbewegungen. J. Colloid Interface Sci. 417, 72–79. https://doi.org/10.1016/J.JCIS.2013.11.034 (2014).

Artikel ADS CAS PubMed Google Scholar

Liu, L. et al. Iterative Dipolmoment-Methode zur Berechnung dielektrophoretischer Kräfte von Teilchen-Teilchen-Wechselwirkungen im elektrischen Feld. Appl. Mathematik. Mech. 36(11), 1499–1512. https://doi.org/10.1007/S10483-015-1998-7 (2015).

Artikel MathSciNet Google Scholar

Su, YH et al. Quantitatives dielektrophoretisches Tracking zur Charakterisierung und Trennung persistenter Subpopulationen von Cryptosporidium parvum. Analyst 139(1), 66–73. https://doi.org/10.1039/c3an01810e (2013).

Artikel ADS CAS PubMed Google Scholar

Lathuilière, S., Mesejo, P., Alameda-Pineda, X. & Horaud, R. Eine umfassende Analyse der tiefen Regression. IEEE Trans. Muster Anal. Mach. Intel. 42(9), 2065–2081. https://doi.org/10.1109/TPAMI.2019.2910523 (2018).

Artikel Google Scholar

Xue, Y., Ray, Y., Hugh, J. & Bigras, J. Zellzählung durch Regression unter Verwendung eines Faltungs-Neuronalen Netzwerks. In „Vorlesungsunterlagen zur Informatik“ (einschließlich der Unterreihen „Vorlesungsunterlagen zur Künstlichen Intelligenz“ und „Vorlesungsunterlagen zur Bioinformatik“), Bd. 9913 LNCS 274–290 https://doi.org/10.1007/978-3-319-46604-0_20 (2016).

Xie, Y., Xing, F., Kong, Med. Bildberechnung. Berechnen. Helfen. Interv. 9351, 358. https://doi.org/10.1007/978-3-319-24574-4_43 (2015).

Artikel PubMed PubMed Central Google Scholar

Fanelli, G., Gall, J. & Van Gool, L. Echtzeitschätzung der Kopfhaltung mit zufälligen Regressionswäldern. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 617–624 https://doi.org/10.1109/CVPR.2011.5995458 (2011).

Zhu, X. & Ramanan, D. Gesichtserkennung, Posenschätzung und Orientierungspunktlokalisierung in freier Wildbahn. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2879–2886 https://doi.org/10.1109/CVPR.2012.6248014(2012).

Sabottke, CF, Breaux, MA & Spieler, BM Altersschätzung bei nicht identifizierten Patienten mittels Thoraxradiographie unter Verwendung der Faltungsregression neuronaler Netze. Notfall-Radiol. 2020 27(5), 463–468. https://doi.org/10.1007/S10140-020-01782-5 (2020).

Artikel Google Scholar

Niu, Z., Zhou, M., Wang, L., Gao, X. & Hua, G. Ordinale Regression mit mehreren CNN-Ausgaben zur Altersschätzung. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 2016 – Dezember 4920–4928 https://doi.org/10.1109/CVPR.2016.532 (2016).

Xie, C., Chen, B., Ng, CO, Zhou, X. & Wu, J. Numerische Untersuchung der interaktiven Bewegung dielektrophoretischer Partikel. undefiniert 49, 208–216. https://doi.org/10.1016/J.EUROMECHFLU.2014.08.007 (2015).

Artikel MathSciNet Google Scholar

Techaumnat, B., Eua-Arporn, B. & Takuma, T. Berechnung des elektrischen Feldes und der dielektrophoretischen Kraft auf kugelförmige Partikel in einer Kette. J. Appl. Physik. 95(3), 1586–1593. https://doi.org/10.1063/1.1637138 (2004).

Artikel ADS CAS Google Scholar

Ogbi, A., Nicolas, L., Perrussel, R. & Voyer, D. Berechnung der DEP-Kraft auf sphärische Partikel in ungleichmäßigen elektrischen Feldern. In Numélec 2012 180 (2012).

Tudose, AM et al. Kurzfristige Lastprognose mithilfe von Faltungs-Neuronalen Netzen im COVID-19-Kontext: die rumänische Fallstudie. Energies 2021 14(13), 4046. https://doi.org/10.3390/EN14134046 (2021).

Artikel CAS Google Scholar

LeCun, Y., Kavukcuoglu, K. & Farabet, C. Faltungsnetzwerke und Anwendungen in der Bildverarbeitung. In ISCAS 2010–2010 IEEE International Symposium on Circuits and Systems: Nano-Bio Circuit Fabrics and Systems, 253–256 https://doi.org/10.1109/ISCAS.2010.5537907 (2010).

Abdolhoseini, M., Kluge, MG, Walker, FR & Johnson, SJ Segmentierung stark geclusterter Kerne aus histopathologischen Bildern. Wissenschaft. Rep. 2019 9(1), 1–13. https://doi.org/10.1038/s41598-019-38813-2 (2019).

Artikel CAS Google Scholar

Zhou, S. et al. Hochauflösende Encoder-Decoder-Netzwerke für die Segmentierung medizinischer Bilder mit geringem Kontrast. IEEE Trans. Bildprozess. 29, 461–475. https://doi.org/10.1109/TIP.2019.2919937 (2020).

Artikel ADS MathSciNet Google Scholar

Ringenberg, J. et al. Automatisierte Segmentierung und Rekonstruktion der patientenspezifischen Herzanatomie und -pathologie anhand der In-vivo-MRT*. MeScT 23(12), 125405. https://doi.org/10.1088/0957-0233/23/12/125405 (2012).

Artikel ADS CAS Google Scholar

Pyo, JC et al. Eine Faltungsregression eines neuronalen Netzwerks zur Quantifizierung von Cyanobakterien mithilfe hyperspektraler Bilder. Fernerkundung. Umwelt. 233, 111350. https://doi.org/10.1016/J.RSE.2019.111350 (2019).

Artikel ADS Google Scholar

Tsochatzidis, L., Costaridou, L. & Pratikakis, I. Deep Learning für die Brustkrebsdiagnose anhand von Mammographien – eine vergleichende Studie. J. Imaging 2019 5(3), 37. https://doi.org/10.3390/JIMAGING5030037 (2019).

Artikel Google Scholar

Yamlome, P., Akwaboah, AD, Marz, A. & Deo, M. Bildklassifizierung der Brustkrebs-Histopathologie auf Basis eines Faltungs-Neuronalen Netzwerks. In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, vol. 2020 – Juli 1144–1147 https://doi.org/10.1109/EMBC44109.2020.9176594 (2020).

Ossama, A.-H. et al. Faltungs-Neuronale Netze zur Spracherkennung. IEEE/ACM-Trans. Audio-Sprache. Lang. Verfahren. https://doi.org/10.1109/TASLP.2014.2339736 (2014).

Artikel Google Scholar

Elhoseiny, M., Huang, S. & Elgammal, A. Wetterklassifizierung mit tiefen Faltungs-Neuronalen Netzen. In Proceedings – International Conference on Image Processing, ICIP, vol. 2015-Dezember, 3349–3353 https://doi.org/10.1109/ICIP.2015.7351424 (2015).

Krizhevsky, A., Sutskever, I. & Hinton, GE ImageNet-Klassifizierung mit tiefen Faltungs-Neuronalen Netzen. Komm. ACM https://doi.org/10.1145/3065386 (2017).

Artikel Google Scholar

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A. & Chen, LC MobileNetV2: invertierte Residuen und lineare Engpässe. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 4510–4520 https://doi.org/10.1109/CVPR.2018.00474 (2018).

Adetiba, E. et al. LeafsnapNet: ein experimentell entwickeltes Deep-Learning-Modell zur Erkennung von Pflanzenarten basierend auf dem Leafsnap-Bilddatensatz. J. Comput. Wissenschaft. 17(3), 349–363. https://doi.org/10.3844/JCSSP.2021.349.363 (2021).

Artikel Google Scholar

Simonyan, K. & Zisserman, A. Sehr tiefe Faltungsnetzwerke für die Bilderkennung im großen Maßstab. In: 3rd International Conference on Learning Representations, ICLR 2015 – Conference Track Proceedings (2014).

He, K., Zhang, X., Ren, S. und Sun, J. Deep Residual Learning für die Bilderkennung. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Bd. 2016-Dezember, 770–778 https://doi.org/10.1109/CVPR.2016.90 (2015).

Ruder, S. Ein Überblick über Algorithmen zur Gradientenabstiegsoptimierung. (2016).

„Gradientenabstieg mit RMSProp von Grund auf.“ https://machinelearningmastery.com/gradient-descent-with-rmsprop-from-scratch/ (abgerufen am 7. Januar 2022).

„Stochastischer Gradientenabstieg mit Impuls | von Vitaly Bushaev | Auf dem Weg zur Datenwissenschaft.“ https://towardsdatascience.com/stochastic-gradient-descent-with-momentum-a84097641a5d (abgerufen am 7. Januar 2022).

Petushi, S., Garcia, FU, Haber, MM, Katsinis, C. & Tozeren, A. Groß angelegte Berechnungen an Histologiebildern offenbaren graddifferenzierende Parameter für Brustkrebs. BMC Med. Bildgebung 6(1), 1–11. https://doi.org/10.1186/1471-2342-6-14/FIGURES/10 (2006).

Artikel Google Scholar

Nazir, I. et al. Effiziente Vorverarbeitung und Segmentierung zur Lungenkrebserkennung mithilfe fusionierter CT-Bilder. Elektronik 2022 11(1), 34. https://doi.org/10.3390/ELECTRONICS11010034 (2021).

Artikel Google Scholar

Senthilkumaran, N. & Thimmiaraja, J. Eine anschauliche Analyse mathematischer Morphologieoperationen für MRT-Gehirnbilder. Int. J. Comput. Wissenschaft. Informieren. Technol. 5(3), 2684–2688 (2014).

Google Scholar

Fang, Z., Junpeng, Z., Zhumadian, H. & Yulei, M. Medizinische Bildverarbeitung basierend auf mathematischer Morphologie. In der 2. Internationalen Konferenz über Computeranwendungen und Systemmodellierung (2012).

Kalampokas, Τ, Vrochidou, Ε, Papakostas, GA, Pachidis, T. & Kaburlasos, VG Traubenstängelerkennung mithilfe von Regressionsfaltungs-Neuronalen Netzen. Computer. Elektron. Landwirtschaft. 186, 106220. https://doi.org/10.1016/J.COMPAG.2021.106220 (2021).

Artikel Google Scholar

Referenzen herunterladen

Wir danken für die Unterstützung durch das Stipendium Nr. 2100930 der National Science Foundation.

Fakultät für Ingenieurwissenschaften, Norfolk State University, Norfolk, USA

Sonntag Ajala, Harikrishnan Muraleedharan Jalajamony und Renny Edwin Fernandez

APJ Abdul Kalam Technological University, Thiruvananthapuram, Indien

Midhun Nair

Rajeev Gandhi College of Engineering and Technology, Puducherry, Indien

Pradeep Marimuthu

Sie können diesen Autor auch in PubMed Google Scholar suchen

RF entwarf die Experimente und Sensoren, entwickelte die Module für maschinelles Lernen und war Mitautor des Manuskripts. SA entwickelte die Deep-Learning-Analyse und war Mitautor des Manuskripts. HJ entwarf und fertigte den Sensor und führte Experimente durch. MN und PM führten die maschinelle Lernanalyse einschließlich der Bildverarbeitung durch. Alle Autoren waren an der Fertigstellung des Manuskripts beteiligt.

Korrespondenz mit Renny Edwin Fernandez.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Ajala, S., Muraleedharan Jalajamony, H., Nair, M. et al. Vergleich von maschinellen Lern- und Deep-Learning-Regressions-Frameworks zur genauen Vorhersage der dielektrophoretischen Kraft. Sci Rep 12, 11971 (2022). https://doi.org/10.1038/s41598-022-16114-5

Zitat herunterladen

Eingegangen: 23. März 2022

Angenommen: 05. Juli 2022

Veröffentlicht: 13. Juli 2022

DOI: https://doi.org/10.1038/s41598-022-16114-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.