Akıllı telefon tabanlı kolorimetrik glikoz tayininde yapay zeka yaklaşımı Artificial intelligence approach for smartphone based colorimetric glucose detection

ÖZETKronik bir hastalık olan diyabet, kan şekerini normal seviyede tutmayı amaçlayan ve yaşam boyu devam eden bir tedavi süreci gerektirir. Diyabet hastalarında gelişebilecek komplikasyonların önüne geçmek için glikoz seviyesinin normal sınırlar içinde tutulması amacıyla düzenli takip edilmelidir. Bu nedenle önemli bir sağlık problemi olan diyabetin araştırılmasında glikoz tayini biyomedikal uygulamalarda ilgi çeken bir konu olmuştur. Son yıllarda kimya ve biyomedikal alanlarında biyolojik sensörlerin geliştirilmesinde yapay zeka ve akıllı telefon teknolojisi yaygın olarak kullanılmaktadır. Akıllı telefon kamerası kullanılarak elde edilen görüntüler yapay zeka teknikleriyle işlenerek yüksek doğrulukta sonuçlar elde edilmektedir. Bu tez çalışmasında yapay zeka yaklaşımları ile akıllı telefon tabanlı kolorimetrik glikoz tayini üzerine odaklanılmıştır. İlk olarak, yapay tükürükteki glikoz konsantrasyonunu ölçmek için makine öğrenimine dayalı bir akıllı telefon uygulamasına sahip, kağıt tabanlı mikroakışkan cihazlar (μPAD) içeren taşınabilir bir platform geliştirilmiştir. μPAD'lerin algılama alanına, üç farklı algılama (potasyum iyodür (KI), potasyum iyodürkitosan (KIChi) ve tetrametilbenzidin (TMB)) karışımı ile hapsedilmiştir. Algılama alanında oluşan renk değişiminin ardından μPAD'lerin görüntüleri yedi farklı aydınlatma koşulunda dört farklı akıllı telefon ile çekilerek aydınlatma varyasyonuna ve kamera optiğine karşı daha sağlam ve uyarlanabilir bir platform oluşturulmuştur. Farklı konsantrasyonlara bağlı olarak renk değişiminin gözlemlendiği μPAD veri setinden çıkarılan öznitelikler kullanılarak farklı makine öğrenimi sınıflandırıcıları eğitilmiş ve her algılama karışımı için en iyi sınıflandırma başarısı gösteren makine öğrenimi sınıflandırıcıları belirlenmiştir. μPAD'de bulunan üç farklı algılama karışımı arasında, TMB, en yüksek sınıflandırma doğruluğu göstererek lineer diskriminant analiz (LDA) sınıflandırıcısıyla 98 doğruluk elde edilmiştir. Önerilen sistemi kullanıcı dostu ve pratik bir hale getirmek için bir akıllı telefon uygulaması geliştirilmiştir. İkinci olarak, enzimatik olmayan glikoz ölçümü için makine öğrenmesine ve derin öğrenmeye dayalı geliştirilen akıllı telefon uygulamalarıyla altın (Au) ve gümüş (Ag) nanoparçacıklar (NP) içeren taşınabilir platformlar önerilmiştir. Au/Ag NP'lerin farklı glikoz konsantrasyonu ile reaksiyonundan elde edilen renk değişimi, akıllı telefon kamerasıyla çekilerek veri seti oluşturulmuş ardından veri setinden öznitelikler çıkarılarak makine öğrenmesi sınıflandırıcıları eğitilmiş ve LDA 93,63 sınıflandırma doğruluğu elde edilmiştir. Önerilen derin öğrenme modelinin Au/Ag NP veri setiyle eğitimi sonucunda ise 95,93 sınıflandırma doğruluğuna ulaşılmıştır. Au/Ag NP'lerin bir akıllı telefon uygulaması altında yapay zeka yaklaşımıyla birleştirilmesiyle, glikoz ölçümü ve enzimatik olmayan glikoz analizinin geliştirilmesi sağlık ve biyomedikal alanlarda ümit verici pratik uygulamaya sahip makine öğrenimi ve Au/Ag NP'lere yeni bir bakış açısı sunmaktadır.ABSTRACTDiabetes is a chronic disease that requires lifelong treatment to keep blood sugar at a normal level. Monitoring blood for diabetics is essential to maintain the glucose level within normal limits to reduce the potential complications. For this reason, measurement of glucose has attracted attention in the field of biomedical for investigation of diabetes. In recent years, artificial intelligence and smartphone technology have been widely used in the development of biological sensors in the fields of chemistry and biomedical. Highly accurate results can be obtained with images that are obtained from a smartphone camera using artificial intelligence techniques. This thesis focuses on smartphone based colorimetric glucose detection using artificial intelligence approaches. Firstly, a portable platform incorporating a μPAD with a smartphone application based on machine learning was developed to quantify glucose concentration in artificial saliva. The detection zones of the paper-based microfluidic devices (μPAD) were modified with three different detection mixtures (potassium iodide (KI), potassium iodidechitosan (KIChi) and tetramethylbenzidine (TMB)). After the color change, the images of the μPADs were taken with four different smartphones under seven different illumination conditions. The images were first processed for feature extraction and then used to train machine learning classifiers, resulting in a more robust and adaptive platform against illumination variation and camera optics. Different machine learning classifiers were tested and the best machine learning classifier for each detection mixture was obtained. Among the three different detection mixtures, the mixture with TMB demonstrated the highest classification accuracy (98) with linear discriminant analysis classifier. A smartphone application was developed to make the proposed system user-friendly and practical. Secondly, Secondly, two different portable platform was proposed incorporating gold (Au) and silver (Ag) nanoparticles (NPs) with a smartphone application based on machine learning and deep learning for non-enzymatic glucose quantification. The color change obtained from the reaction of Au/Ag NPs with glucose was captured using a smartphone camera to create a dataset and then features were extracted from image dataset for training of machine learning classifiers. Among the tested classifiers, linear discriminant analysis showed the best classification performance with 93,63. Besides, proposed deep learning model showed 95,93 classification accuracy with Au/Ag NPs. Incorporating Au/Ag NPs with artificial intelligence approach under a smartphone application can be used for the quantification of glucose and for the potential improvement of non-enzymatic glucose analysis, offering a new perspective of machine learning and Au/Ag NPs that has promising practical application in healthcare and biomedical fields.

Erişime Açık
Görüntülenme
19
24.10.2022 tarihinden bu yana
İndirme
2
24.10.2022 tarihinden bu yana
Son Erişim Tarihi
13 Ekim 2024 20:58
Google Kontrol
Tıklayınız
Tam Metin
Tam Metin İndirmek için tıklayın Ön izleme
Detaylı Görünüm
Eser Adı
(dc.title)
Akıllı telefon tabanlı kolorimetrik glikoz tayininde yapay zeka yaklaşımı Artificial intelligence approach for smartphone based colorimetric glucose detection
Eser Sahibi
(dc.contributor.author)
Mercan, Öykü Berfin
Tez Danışmanı
(dc.contributor.advisor)
Volkan Kılıç
Tez Danışmanı
(dc.contributor.advisor)
Mustafa Şen
Yayıncı
(dc.publisher)
Fen Bilimleri Enstitüsü
Tür
(dc.type)
Yüksek Lisans
Açıklama
(dc.description)
xvii, 89 sayfa
Açıklama
(dc.description)
29 cm. 1 CD
Özet
(dc.description.abstract)
ÖZETKronik bir hastalık olan diyabet, kan şekerini normal seviyede tutmayı amaçlayan ve yaşam boyu devam eden bir tedavi süreci gerektirir. Diyabet hastalarında gelişebilecek komplikasyonların önüne geçmek için glikoz seviyesinin normal sınırlar içinde tutulması amacıyla düzenli takip edilmelidir. Bu nedenle önemli bir sağlık problemi olan diyabetin araştırılmasında glikoz tayini biyomedikal uygulamalarda ilgi çeken bir konu olmuştur. Son yıllarda kimya ve biyomedikal alanlarında biyolojik sensörlerin geliştirilmesinde yapay zeka ve akıllı telefon teknolojisi yaygın olarak kullanılmaktadır. Akıllı telefon kamerası kullanılarak elde edilen görüntüler yapay zeka teknikleriyle işlenerek yüksek doğrulukta sonuçlar elde edilmektedir. Bu tez çalışmasında yapay zeka yaklaşımları ile akıllı telefon tabanlı kolorimetrik glikoz tayini üzerine odaklanılmıştır. İlk olarak, yapay tükürükteki glikoz konsantrasyonunu ölçmek için makine öğrenimine dayalı bir akıllı telefon uygulamasına sahip, kağıt tabanlı mikroakışkan cihazlar (μPAD) içeren taşınabilir bir platform geliştirilmiştir. μPAD'lerin algılama alanına, üç farklı algılama (potasyum iyodür (KI), potasyum iyodürkitosan (KIChi) ve tetrametilbenzidin (TMB)) karışımı ile hapsedilmiştir. Algılama alanında oluşan renk değişiminin ardından μPAD'lerin görüntüleri yedi farklı aydınlatma koşulunda dört farklı akıllı telefon ile çekilerek aydınlatma varyasyonuna ve kamera optiğine karşı daha sağlam ve uyarlanabilir bir platform oluşturulmuştur. Farklı konsantrasyonlara bağlı olarak renk değişiminin gözlemlendiği μPAD veri setinden çıkarılan öznitelikler kullanılarak farklı makine öğrenimi sınıflandırıcıları eğitilmiş ve her algılama karışımı için en iyi sınıflandırma başarısı gösteren makine öğrenimi sınıflandırıcıları belirlenmiştir. μPAD'de bulunan üç farklı algılama karışımı arasında, TMB, en yüksek sınıflandırma doğruluğu göstererek lineer diskriminant analiz (LDA) sınıflandırıcısıyla 98 doğruluk elde edilmiştir. Önerilen sistemi kullanıcı dostu ve pratik bir hale getirmek için bir akıllı telefon uygulaması geliştirilmiştir. İkinci olarak, enzimatik olmayan glikoz ölçümü için makine öğrenmesine ve derin öğrenmeye dayalı geliştirilen akıllı telefon uygulamalarıyla altın (Au) ve gümüş (Ag) nanoparçacıklar (NP) içeren taşınabilir platformlar önerilmiştir. Au/Ag NP'lerin farklı glikoz konsantrasyonu ile reaksiyonundan elde edilen renk değişimi, akıllı telefon kamerasıyla çekilerek veri seti oluşturulmuş ardından veri setinden öznitelikler çıkarılarak makine öğrenmesi sınıflandırıcıları eğitilmiş ve LDA 93,63 sınıflandırma doğruluğu elde edilmiştir. Önerilen derin öğrenme modelinin Au/Ag NP veri setiyle eğitimi sonucunda ise 95,93 sınıflandırma doğruluğuna ulaşılmıştır. Au/Ag NP'lerin bir akıllı telefon uygulaması altında yapay zeka yaklaşımıyla birleştirilmesiyle, glikoz ölçümü ve enzimatik olmayan glikoz analizinin geliştirilmesi sağlık ve biyomedikal alanlarda ümit verici pratik uygulamaya sahip makine öğrenimi ve Au/Ag NP'lere yeni bir bakış açısı sunmaktadır.ABSTRACTDiabetes is a chronic disease that requires lifelong treatment to keep blood sugar at a normal level. Monitoring blood for diabetics is essential to maintain the glucose level within normal limits to reduce the potential complications. For this reason, measurement of glucose has attracted attention in the field of biomedical for investigation of diabetes. In recent years, artificial intelligence and smartphone technology have been widely used in the development of biological sensors in the fields of chemistry and biomedical. Highly accurate results can be obtained with images that are obtained from a smartphone camera using artificial intelligence techniques. This thesis focuses on smartphone based colorimetric glucose detection using artificial intelligence approaches. Firstly, a portable platform incorporating a μPAD with a smartphone application based on machine learning was developed to quantify glucose concentration in artificial saliva. The detection zones of the paper-based microfluidic devices (μPAD) were modified with three different detection mixtures (potassium iodide (KI), potassium iodidechitosan (KIChi) and tetramethylbenzidine (TMB)). After the color change, the images of the μPADs were taken with four different smartphones under seven different illumination conditions. The images were first processed for feature extraction and then used to train machine learning classifiers, resulting in a more robust and adaptive platform against illumination variation and camera optics. Different machine learning classifiers were tested and the best machine learning classifier for each detection mixture was obtained. Among the three different detection mixtures, the mixture with TMB demonstrated the highest classification accuracy (98) with linear discriminant analysis classifier. A smartphone application was developed to make the proposed system user-friendly and practical. Secondly, Secondly, two different portable platform was proposed incorporating gold (Au) and silver (Ag) nanoparticles (NPs) with a smartphone application based on machine learning and deep learning for non-enzymatic glucose quantification. The color change obtained from the reaction of Au/Ag NPs with glucose was captured using a smartphone camera to create a dataset and then features were extracted from image dataset for training of machine learning classifiers. Among the tested classifiers, linear discriminant analysis showed the best classification performance with 93,63. Besides, proposed deep learning model showed 95,93 classification accuracy with Au/Ag NPs. Incorporating Au/Ag NPs with artificial intelligence approach under a smartphone application can be used for the quantification of glucose and for the potential improvement of non-enzymatic glucose analysis, offering a new perspective of machine learning and Au/Ag NPs that has promising practical application in healthcare and biomedical fields.
Kayıt Giriş Tarihi
(dc.date.accessioned)
02.11.2022
Açık Erişim Tarihi
(dc.date.available)
2022-11-02
Yayın Tarihi
(dc.date.issued)
2021
Yayın Dili
(dc.language.iso)
tr
Konu Başlıkları
(dc.subject)
Kolorimetrik analiz
Konu Başlıkları
(dc.subject)
Şeker hastalığı - Tedavi
Tek Biçim Adres
(dc.identifier.uri)
https://hdl.handle.net/11469/2860
Analizler
Yayın Görüntülenme
Yayın Görüntülenme
Erişilen ülkeler
Erişilen şehirler
6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında yükümlülüklerimiz ve çerez politikamız hakkında bilgi sahibi olmak için alttaki bağlantıyı kullanabilirsiniz.

creativecommons
Bu site altında yer alan tüm kaynaklar Creative Commons Alıntı-GayriTicari-Türetilemez 4.0 Uluslararası Lisansı ile lisanslanmıştır.
Platforms