基于Alpha曲线连续性的差分迁移谱挥发性有机化合物分类
机器学习
2024-03-15 v2
摘要
背景：挥发性有机化合物（VOCs）的分类在许多领域都很有意义。例子包括但不限于医学、爆炸物检测和食品质量控制。使用电子鼻收集的测量数据可用于VOCs的分类和分析。近年来发展显著的一种电子鼻是差分迁移谱（DMS）。DMS产生的测量数据可视化为包含迹线（也称为Alpha曲线）的色散图。目前用于分析DMS色散图的方法通常不利用这些迹线连续性中存储的信息，这表明应研究替代方法。结果：在这项工作中，色散图首次被解释为一系列顺序演变的测量数据。因此，我们假设时间序列分类算法可以有效地用于色散图的分类和分析。我们收集了一个包含五种化学物质在五种流速和两种浓度下测量的900张色散图的广泛数据集。该数据用于分析六种算法的分类性能。根据我们的假设，长短期记忆神经网络取得了88%的最高分类准确率，这支持了我们的假设。意义：提出了一种处理色散图分类任务的新概念，并与其他众所周知的分类算法进行了比较。这为色散图的分析和分类创造了一个新的视角。此外，一个新的色散图数据集已公开共享。
引用
@article{arxiv.2401.07066,
title = {Classification of Volatile Organic Compounds by Differential Mobility Spectrometry Based on Continuity of Alpha Curves},
author = {Anton Rauhameri and Angelo Robiños and Osmo Anttalainen and Timo Salpavaara and Jussi Rantala and Veikko Surakka and Pasi Kallio and Antti Vehkaoja and Philipp Müller},
journal= {arXiv preprint arXiv:2401.07066},
year = {2024}
}