Využití umělých neuronových sítí pro klasifikaci signálů biosenzorů

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F44555601%3A13440%2F08%3A00004238" target="_blank" >RIV/44555601:13440/08:00004238 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Využití umělých neuronových sítí pro klasifikaci signálů biosenzorů

Popis výsledku v původním jazyce

V této práci byly aplikovány umělé neuronové sítě pro vyhodnocení signálu při měření pomocí biosenzoru. Ze šesti různých poruch průběhu signálu je možné čtyři z nich (nízká odezva po přídavku substrátu, ustalování ve vysokých hodnotách, pomalé ustalovánípo přídavku substrátu a malá citlivost na syntostigmin) určit s pravděpodobností více jak 90 %. Pro detekci měření, kdy byla poškozena membrána biosenzoru a tím způsoben vyšší šum měření, byla použitá metoda měření nevhodná. Vlastní umělé neuronové sítěadaptované na tento konkrétní problém mohou být jako program nahrány do mikroprocesoru a být implementovány do přístroje.

Název v anglickém jazyce

Use of artificial neural networks in biosensor signal classification

Popis výsledku anglicky

Biosensors are analytical devices that transforms chemical information, ranging from the concentration of a specific sample component to total composition analysis, into an analytical signal and that utilizes a biochemical mechanism for the chemical recognition. The complexity of biosensor construction and generation of measured signal requires the development of new method for signal evaluation and its possible defects recognition. A new method based on artificial neural networks (ANN) was developed for recognition of characteristic behavior of signals joined with malfunction of sensor. New algorithm uses unsupervised Kohonen self-organizing neural networks. The work with ANN has two phases ? adaptation and prediction. During the adaptation step the classification model is build. Measured data form groups after projection into two-dimensional space based on theirs similarity. After identification of these groups and establishing the connection with signal disorders ANN can be used for

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

CE - Biochemie

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2008

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis

ISSN

1211-8516

e-ISSN

—

Svazek periodika

—

Číslo periodika v rámci svazku

2

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

7

Strana od-do

—

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—