Mit Deep Learning die Glukosemessung in Lebensmitteln vereinfachen

Ein Forschungsteam hat kürzlich eine neue Methode zur Messung von Glukose mithilfe von Deep-Learning-Technologie entwickelt. Ihre Forschung war veröffentlicht In Laser & Photonik Bewertungen.

Metamaterialien sind künstliche Materialien mit einzigartigen elektromagnetischen Eigenschaften, die in der Natur nicht vorkommen und die es ihnen ermöglichen, elektromagnetische Wellen wie Licht oder Mikrowellen zu manipulieren. Eine häufig verwendete Struktur beim Design von Metamaterialien ist der Split-Ring-Resonator (SRR), der aus einem Ring mit einem Spalt in der Mitte besteht. Dieses Design ermöglicht es dem SRR, elektromagnetische Felder bei bestimmten Frequenzen zu absorbieren, zu durchdringen oder zu reflektieren und Signale durch die Unterbrechung des gleichmäßigen Stromflusses zu verstärken, was zu elektromagnetischer Resonanz innerhalb des Rings führt.

Obwohl SRRs in Sensoren weit verbreitet sind, ist ihre Wirksamkeit durch inkonsistente und unzuverlässige Messungen begrenzt, die von Faktoren wie Temperatur, Feuchtigkeit und Probenstandort beeinflusst werden.

In dieser Studie wollte das Team das Problem der Schwankungen des elektrischen Signals des SRR-basierten Sensors lösen, die durch Änderungen der Probenposition verursacht werden. Sie begannen damit, den Sensor so zu optimieren, dass er elektrische Signale im Frequenzbereich von 0,5 bis 18 GHz verstärkt. Dies geschah mithilfe eines Photolithografieverfahrens, das mit Licht Muster auf Halbleitern erzeugt. Anschließend setzten die Forscher Deep-Learning-Technologie ein, damit die Glukosesensoren aus den an verschiedenen Stellen gemessenen elektrischen Signalen lernen konnten.

Auf dieser Grundlage entwickelte das Team ein eindimensionales Convolutional Neural Network (1D CNN) und führte Experimente damit durch. Die Ergebnisse zeigten, dass das Modell Fehler aufgrund von Variationen des Probenstandorts effektiv kompensierte und einen mittleren absoluten Fehler (MAE) von 0,695 % und einen mittleren quadratischen Fehler (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 Pohang University of Science and Technology (POSTECH) und Professor Hee-Jo Lee von der Fakultät für Physikdidaktik der Universität Daegu.

Professor Rho von POSTECH erklärte: „Es ist uns gelungen, das elektrische Signal zu steuern, das empfindlich auf Änderungen der Probenposition reagiert, und so die Konsistenz und Zuverlässigkeit des Glukosemessgeräts zu verbessern.“

„Bemerkenswert ist auch, dass diese Technologie mithilfe eines in der Halbleiterindustrie bereits weit verbreiteten Fotolithografieverfahrens kommerzialisiert und in Massenproduktion hergestellt werden kann.“