基于机器学习利用经PCA降维的EIS数据训练CSVM模型对一次性生物传感器尿液尿素进行分类

《IEEE Sensors Letters》：A Machine Learning Based Classification of Urine Urea Using CSVM Model Trained on PCA Reduced EIS Data Obtained From Disposable Biosensor

　　摘要：本文提出了一种基于脲酶-PMMA涂覆纸张的一次性传感器，以及一种基于立方支持向量机（CSVM）的检测方法，用于检测0.3 mL人工尿液样本中的尿素。所提出的CSVM模型采用传感器生物阻抗谱（BIS）数据相位谱的前9个主成分（PC）。主成分数量、相位特征和CSVM模型均基于两个32个模型×主成分数量的网格矩阵中的性能指标变化来确定。该性能指标是对8个浓度类别（0.5–4.0 g/dL）进行分类的5折交叉验证训练准确率，在15次迭代中取平均值。所提出的CSVM-PCA-BIS检测拓扑结构在1656个未经增强的训练数据上达到了97.9% ± 0.3%的平均训练准确率，在184个保留的测试数据上达到了93.7%的测试准确率。本工作的创新之处在于设计了一种比传统传感器更精确、响应更快、覆盖人体尿液全浓度范围且所需分析物更少的传感器。其选择性研究表明，该传感器比其他主要干扰化合物的选择性高45–57%。这证明了本工作的概念验证意义，为未来开发廉价便携式尿素检测仪（适用于尿液、血液、养殖水及其他复杂介质）奠定了基础。