Partial Least Squares Based Decomposition of Five Spectrally Overlapping Factors
Notice bibliographique
Résumé
The development of a multi-sensory fiber-optic based fluence rate probe (MSP) for light monitoring and dosimetry during photodynamic therapy (PDT) created the need for a robust multivariate signal analysis algorithm capable of quantifying the intensity of five component spectra, representing the sensors, which display a large degree of spectral overlap. Partial least squares (PLS) analysis, as an option for such an analysis algorithm, was evaluated through simulations in the presence of three types of noise, which experimentally may limit the accuracy of PLS quantification of component spectra contributions. Random, or white noise, background was varied over a range of 0-15% relative intensity. A non-random (Gaussian) background vector was simulated, as an experimentally relevant spectral interferent, over a range of 0-7% relative intensity. Spectral variation was modeled by a spectral shift of +/-1-5 nm. Procedures for selecting preferred combinations of fluorophores, with minimum possible spectral overlap, were developed. To illustrate the importance of this selection process, PLS performance results were compared for two possible combinations of five fluorophores, as well as for the combination of three fluorophores currently in experimental use with MSPs. Experimentally anticipated worst-case quantifications were identified for all three types of simulated noise (5% random background, 0.5% Gaussian background, and +/-2 nm spectral shift). The effects of single and combined types of noise were evaluated by independently varying each type of simulated noise over the experimentally relevant range. The mean percentage error in determining the fluorophore contributions and hence quantification of the fluence rate were compared with the required performance standard of better than 10% error for optical power meters in medical use. The PLS algorithm provided an accuracy of 7 +/- 2% for five fluorophores and 3.3 +/- 0.8% for three fluorophores, indicating that PLS is an appropriate choice for this application.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».