Schematische Darstellung der Deep-Learning-basierten Glukosekonzentrationserkennung. Bildnachweis: POSTECH
Ein gemeinsames Forschungsteam hat kürzlich eine neue Methode zur Messung von Glukose mithilfe von Deep-Learning-Technologie entwickelt. Ihre Forschung wurde veröffentlicht in Rezensionen zu Laser und Photonik.
Metamaterialien sind künstliche Materialien mit einzigartigen elektromagnetischen Eigenschaften, die es in der Natur nicht gibt und die es ihnen ermöglichen, elektromagnetische Wellen wie Licht oder Mikrowellen zu manipulieren. Eine häufig verwendete Struktur im Metamaterialdesign ist der Split-Ring-Resonator (SRR), der in seiner Mitte einen Split-Ring aufweist. Dieses Design ermöglicht es dem SRR, elektromagnetische Felder mit bestimmten Frequenzen zu absorbieren, zu durchdringen oder zu reflektieren und die Signale aufgrund der Unterbrechung des gleichmäßigen Stromflusses zu verstärken, was zu elektromagnetischer Resonanz innerhalb des Rings führt.
Obwohl SRRs in Sensoren weit verbreitet sind, wurde ihre Wirksamkeit durch inkonsistente und unzuverlässige Messungen eingeschränkt, die durch Faktoren wie Temperatur, Luftfeuchtigkeit und Probenort beeinflusst wurden.
In dieser Studie versuchte das Team, das Problem der elektrischen Signalschwankungen von SRR-basierten Sensoren anzugehen, die durch Änderungen in der Probenposition verursacht werden. Sie begannen mit der Optimierung des Sensors zur Verstärkung elektrischer Signale im Frequenzbereich von 0,5 bis 18 GHz mithilfe eines Fotolithografieverfahrens, das mit Licht Muster auf Halbleitern erzeugt. Anschließend nutzten die Forscher die Deep-Learning-Technologie, um Glukosesensoren zu ermöglichen, aus den an verschiedenen Orten gemessenen elektrischen Signalen zu lernen.
Darauf aufbauend entwickelte das Team ein eindimensionales Faltungs-Neuronales Netzwerk (1D CNN) und führte damit Experimente durch. Die Ergebnisse zeigten, dass das Modell Fehler aufgrund von Variationen der Probenposition effektiv kompensierte und einen mittleren absoluten Fehler (MAE) von 0,695 % und einen quadratischen Mittelfehler (MSE) von 0,876 % erreichte.
Das Team bestand aus Professor Junsuk Rho von der Fakultät für Maschinenbau, der Fakultät für Chemieingenieurwesen und der Fakultät für Elektrotechnik sowie den Doktoranden Seokho Lee und Kyungtae Kim von der Fakultät für Maschinenbau der Universität für Wissenschaft und Technologie . Pohang Technologies (POSTECH) und Professor Hee-Jo Lee vom Department of Physical Education der Daegu University.
Professor Rho von POSTECH sagte: „Wir haben das elektrische Signal, das auf Änderungen in der Position der Probe reagiert, erfolgreich kontrolliert und dadurch die Konsistenz und Zuverlässigkeit des Glukosemessgeräts verbessert.“ »
„Es ist auch erwähnenswert, dass diese Technologie mithilfe eines in der Halbleiterindustrie bereits weit verbreiteten Fotolithografieverfahrens kommerzialisiert und in Massenproduktion hergestellt werden kann. »
Mehr Informationen:
Seokho Lee et al., Robuste Glukoseerkennung und Brix-Schätzung von Früchten basierend auf Deep Learning unter Verwendung eines einzelnen Mikrowellen-Split-Ring-Resonators, Rezensionen zu Laser und Photonik (2024). DOI: 10.1002/lpor.202300768
Bereitgestellt von der Pohang University of Science and Technology
Zitat:Mit Deep Learning die Messung von Glukose in Lebensmitteln einfacher machen (2024, 2. Juli), abgerufen am 3. Juli 2024 von https://phys.org/news/2024-07-glucose-food-easier-deep.html
Dieses Dokument unterliegt dem Urheberrecht. Mit Ausnahme der fairen Nutzung für private Studien- oder Forschungszwecke darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient ausschließlich Informationszwecken.