Documente Academic
Documente Profesional
Documente Cultură
Recunoasterea probelor
1.1 Introducere
Introducerea în prezent a instrumentelor analitice moderne permit producerea de
cantități mari de informații (variabile sau caracteristici) pentru un număr mare de probe ,
care pot fi analizate în timp relativ scurt. Acest lucru duce la disponibilitatea unor matrici
de date multivariate care necesită utilizarea unor proceduri matematice și statistice, în
scopul de a extrage eficient datele care ne sunt utile .
·0 Selectarea unei metode, a unei calibrări și a unui set de teste, care constau în
obiecte de membru de clasă cunoscute pentru care variabilele sunt măsurate.
Setul de calibrare este utilizat pentru optimizarea parametrilor caracteristici
pentru fiecare multivariat de tehnică.
·1 Selecție variabilă. Aceste variabile care conțîn informații pentru clasificarea vizată
sunt păstrate, în timp ce aceste variabile codează zgomotul și / sau fără nici o
putere de discriminare este eliminat.
Exemplu de test EDA printr-o nouă tehnică pe bază de microparticule pentru proteina C
Principiul metodei
(EDA) este o abordare a analizei seturilor de date pentru a rezuma principalele lor
caracteristici, adesea cu metode vizuale.
EDA diferă de analiza inițială a datelor (IDA), [1] care se axează mai mult pe verificarea
ipotezelor necesare pentru testarea modelului și a testelor de ipoteză și tratarea
valorilor lipsă și transformarea variabilelor după cum este necesar..
https://en.wikipedia.org/wiki/Exploratory_data_analysis
Modul de lucru
Această gamă a fost îmbunătățită suplimentar prin calcularea optimă a semnalului (rată
de răspuns) cu o nouă capacitate software a COBAS® INTEGRA, un analizor de chimie
clinică. Analiza a arătat o mare precizie între 2 mg / l și 160 mg / l, cu numai 2,5 μl
specimen. Limita de detecție a fost estimată că fiind de 0,3 mg / l CRP. Testul a fost de
patru până la opt ori mai sensibil și mai precis decât testele turbidimetrice sau
nepfelometrice existente, cu limite de măsurare superioare comparabile. Analiza a
arătat, de asemenea, o bună liniaritate și s-a corelat bine cu analizele comerciale. Acest
nou test pe bază de microparticule CRP oferă precizia necesara pentru a determina CRP
la concentrații scăzute, unde sunt avute în vedere noi implicații clinice, cum ar fi
prognosticul bolilor cardiovasculare. Gama dinamică largă a testului va duce suplimentar
la o reducere a numărului de analize repetate, îmbunătățind astfel eficacitatea
determinărilor CRP din laboratoarele clinice
În chimia alimentelor, datele brute folosite pentru tratamente chimice sunt în general
date fizice sau chimice: conductivitatea; pH; umiditate; aciditate totală; concentrații de
substanțe chimice specific în probele măsurate prin tehnici analitice (HPLC sau GC);
amprente, cum ar fi cromatograme sau spectroscopice măsurători (semnale specifice
sau spectre complete) obținute prin spectroscopie IR, RMN, MS, UV-vis sau fluorescență;
semnale de la senzori, cum ar fi nasul electronic sau limbi; și / sau date din analiză
senzorială a probelor. Selectate de regiunile spectrale sau semnalele specifice sau
lungimi de undă selectate de multe ori oferă rezultate mai bune în clasificări decât
utilizarea întregului spectral . Se pot selecta regiuni de semnal sau spectrale specifice
bazate pe o cunoaștere a semnalelor care indică prezența de grupuri chimice specifice
sau bazate pe tratamente chimice.
https://www.sciencedirect.com/science/article/pii/S0308814699002253
Datele digitale (de exemplu, spectrele, integralele de vârf, schimbările de vârf și pozițiile)
de multe ori depind de modul în care informațiile sunt prelucrate, deci o atenție
deosebită ar trebui acordată manipulării acestora. Spectrele și cromatogramele sunt
semnale secvențiale în timp sau în frecvență, pot fi procesate folosind diferite metode:
(i) netezirea, în ordinepentru a elimina zgomotul fără a extinde excesiv vârfurile; (Îi)
derivare, pentru a crește rezoluția; (iii) convoluție, pentru semnal, sporire; (iv)
transformarea Fourier (FT) în spectroscopie astfel că RMN și IR, conversia datelor brute
în "domeniul de timp" la "domeniul de frecvență"; (v) transformări wavelet, pentru
netezire sau compresie de date; (iv) metode bayesiene; (vii) ortogonalizarea, pentru a
elimina variațiile sistematice ale datelor care nu sunt corelate cu calitatea de membru al
clasei. Mai mult, combinații diferite din aceste metode sunt de asemenea utilizate
pentru prelucrarea semnalelor.
Transformarea Fourier-descriere
Principiul metodei
O funcție este transformată în alta și operația este reversibilă. Atunci când domeniul
funcției de intrare (inițială) este timpul (t), iar domeniul funcției de ieșire (finală) este
frecvența obișnuită, transformarea funcției s (t) la frecvența f este dată de numărul
complex:
Evaluarea acestei cantități pentru toate valorile lui f produce funcția de domeniu de
frecvență. Apoi s (t) poate fi reprezentat ca o recombinare a exponentialelor complexe
ale tuturor frecventelor posibile:
Modelele analizate în această secțiune sunt exemple ale modelului linear general în care
datele pot fi descrise în termenii unei combinații liniare de funcții de bază cu un aditiv
component de zgomot Gaussian. Astfel de modele pot fi utilizate ca o aproximare
rezonabilă la multe semnale, incluzând canalele de vorbire, de muzică și de comunicații
digitale.
unde gq (n) este valoarea unei funcții de model dependente de timp gq (t) evaluată la
momentul tn.
Unde:
d este o matrice N1 a punctelor de date
G este o matrice N Q ale cărei coloane sunt funcțiile de bază evaluate la fiecare punct
în seria de timp
https://en.wikipedia.org/wiki/Fourier_analysis
Este esențială pentru a evita o greșeală.Primul pas în EDA cuprinde date univariate de
analiză utilizând statistici de bază și descriptive (de exemplu, calcul din medie, abaterea
standard, varianță, șiretură, kurtoză, corelație matrice, t-test, F-test, ANOVA, cutii de
carton și whisker și verificarea normalității). Apoi, prezența unor valori excepționale,
adică observații care par a sparge modelul sau gruparea ,indicată de marea majoritate a
probelor, ar trebui evaluate deoarece cele mai multe metode convenționale multivariate
sunt sensibile pentru ei. Astfel, trebuie identificate valori extreme și apoi decizia trebuie
luată în legătură cu acceptarea sau respingerea valorii exagerate în procesul de
modelare. În acest scop,analiza manuală convențională și eliminarea valorii extreme
,dar, recent, s-au dezvoltat metode robuste de analiza datelor multivariate, în vederea
reducerii sau eliminării acestora efect al punctelor de date periferice și să permită restul
să fie predominant pentru a determina rezultatele. Metodele robuste se bazează pe
metodele exploratorii și diagnosticarea convențională externă .
Metodele multivariate pot fi subdivizate în funcție de diferite aspecte. În primul rând, ele
sunt diferențiate în funcție de structura care trebuie descoperită sau verificată împreună
cu ele. Metodele de determinare a structurii includ: