Hanbat National University parantaa biosensorien kalibrointia koneoppimisella
Tutkimus käyttää koneoppimista nopeuttamaan ja halventamaan mikrokystiin-toksiinien nopeaa testausta makeassa vedessä ilman toistuvaa kalibrointia.
Chungcheongin provinssi, Etelä-Korea – Hanbat National University on kehittänyt uuden menetelmän, joka parantaa kannettavien biosensorien kykyä havaita mikrokystiini-LR (MC-LR) -toksiinia makeassa vedessä. Menetelmä hyödyntää koneoppimista kompensoimaan vedenlaadun vaihteluiden vaikutusta, mikä mahdollistaa nopeamman ja edullisemman kenttätestauksen ilman tarvetta jatkuvalle uudelleenkalibroinnille.
MC-LR on syanobakteerien tuottama voimakas myrkky, jota esiintyy haitallisten leväkukintojen aikana. Maailman terveysjärjestö on asettanut juomavedelle turvallisuusrajaksi 1 mikrogrammaa litrassa. Perinteiset biosensorit, jotka mittaavat sähkökemiallista signaalia, ovat herkkiä veden laadulle, kuten pH:lle, sameudelle ja johtokyvylle, jotka voivat vääristää lukemia ja vaatia usein toistuvaa kalibrointia.
Yhdessä Yhdysvaltain Keski-Floridan yliopiston kanssa tehdyssä tutkimuksessa Hanbatin professorit Jungsu Park ja Woo Hyoung Lee kehittivät koneoppimiskehityksen, joka ottaa huomioon nämä vedenlaatuun liittyvät tekijät. Kehitys koulutettiin tiedoilla, jotka kerättiin 27 eri vesistöstä Floridassa.
Tutkimuksen mukaan Extreme Gradient Boosting (XGBoost) -mallit osoittivat parasta suorituskykyä, ja yhdistetty malli pystyi ennustamaan MC-LR-pitoisuuksia tarkasti eri vesinäytteissä ilman erillisiä kalibrointimalleja kullekin olosuhteelle. Tutkimuksessa havaittiin, että biosensorin sähköinen impedanssi oli vahvin toksiinipitoisuuden ennustaja, jota seurasivat sähköjohtokyky, pH, UV-absorbanssi ja sameus.
Tämä dataohjautuva lähestymistapa voi merkittävästi vähentää aikaisempaa työläämpää ja kalliimpaa kalibrointiprosessia. Koska haitalliset leväkukinnat yleistyvät ilmastonmuutoksen myötä, tämä tekniikka tarjoaa tehokkaamman tavan seurata myrkkyjä juoma- ja virkistysvesissä.