Resumen

La determinación precisa y rápida de la concentración de componentes sanguíneos es muy esencial para el diagnóstico eficiente de los pacientes. Este artículo propone un método de regresión no lineal con mapeo de espacio de alta dimensión para el análisis cuantitativo espectral de componentes sanguíneos. Se introducen núcleos para mapear los datos de entrada en un espacio de alta dimensión para la regresión no lineal. Como el núcleo más famoso, el núcleo Gaussiano suele ser adoptado por los investigadores. Es necesario estudiar más núcleos, ya que cada uno describe su propio mapeo de espacio de alta dimensión que afecta el rendimiento de la regresión. En este artículo, se utilizan ocho núcleos para discutir la influencia de diferentes mapeos de espacio en el análisis cuantitativo espectral de componentes sanguíneos. Cada núcleo y sus parámetros correspondientes son evaluados para construir el modelo de regresión óptimo. El método propuesto se lleva a cabo en datos espectrales reales de sangre obtenidos de la determinación de ácido úrico. Los resultados verifican que los errores de predicción de los modelos propuestos son más precisos que los obtenidos por modelos lineales. La regresión de vectores de soporte (SVR) proporciona un mejor rendimiento que el de cuadrados parciales mínimos (PLS) cuando se combina con núcleos. Se recomiendan los núcleos locales de acuerdo con las características de los datos espectrales de sangre. SVR con núcleo inverso multiquádrico tiene el mejor rendimiento predictivo que se puede utilizar para el análisis cuantitativo espectral de componentes sanguíneos.

• Materias:Fluorescencia Nanopartículas Espectroscopia infrarroja Fármaco Espectroscopia raman
• Subjects:Fluorescence Nanoparticles Infrared spectroscopy Drug Raman spectroscopy
• Palabras claves:Determinación; Componente sanguíneo; Análisis espectral; Método de regresión; Núcleos; SVR
• Keywords:Determination; Blood component; Spectral analysis; Regression method; Kernels; SVR