Resumen

En este artículo se presenta la modelización autorregresiva (RA) como un método novedoso para clasificar los resultados de la cromatografía de gases (CG). Se aplicó la transformación inversa de Fourier a los datos originales del sensor y, a continuación, se aplicó un modelo AR a los datos transformados para generar coeficientes complejos del modelo AR. Esta serie de coeficientes contiene efectivamente una versión comprimida de toda la información en la salida de la señal GC original. Aplicamos este método a cromatogramas resultantes de especies de bacterias proliferantes cultivadas. Se utilizaron tres tipos de redes neuronales para clasificar los coeficientes AR: red neuronal de propagación hacia atrás (BPNN), enfoque de función de base radial-análisis de componentes principales (RBF-PCA) y enfoque de función de base radial-regresión por mínimos cuadrados parciales (RBF-PLSR). Este estudio exploratorio demuestra la viabilidad de utilizar patrones complejos de coeficientes radiculares para distinguir varias clases de datos experimentales, como los de las distintas especies de bacterias. Este enfoque cognitivo también demostró ser robusto y potencialmente útil para liberarnos de la alineación temporal de las señales GC.

• Materias:Redes de sensores Nanosensores Sensores electroquímicos Biosensores
• Subjects:Sensor networks Nanosensors Electrochemical sensors Biosensors
• Palabras claves:función de base radial, modelo ar, patrones de coeficiente de raíz compleja, salida de señal gc original, regresión por mínimos cuadrados parciales, diferentes especies de bacterias, transformación inversa de fourier, datos del sensor original, análisis de componentes principales, rbf
• Keywords:radial basis function, ar model, complex root coefficient patterns, original gc signal output, partial least squares regression, different bacteria species, inverse fourier transformation, original sensor data, principal component analysis, rbf