文献

J-GLOBAL ID：202002266438359423   整理番号：20A2787316

深層および機械学習を用いた微量汚染物質を推定するための内部標準の代替【JST・京大機械翻訳】

Replacing the internal standard to estimate micropollutants using deep and machine learning

著者 (6件)： Baek Sang-Soo (School of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology, Ulsan, 44919, Republic of Korea) ,  Choi Younghun (Graduate School of FEED of Eco-Friendly Offshore Structure, Changwon National University, Changwon, Gyeongsangnamdo, 51140, Republic of Korea) ,  Jeon Junho (School of Civil, Environmental and Chemical Engineering, Changwon National University, Changwon, Gyeongsangnamdo, 51140, Korea) ,  Pyo JongCheol (School of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology, Ulsan, 44919, Republic of Korea) ,  Park Jongkwan (School of Civil, Environmental and Chemical Engineering, Changwon National University, Changwon, Gyeongsangnamdo, 51140, Korea) ,  Cho Kyung Hwa (School of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology, Ulsan, 44919, Republic of Korea)
資料名： Water Research  (Water Research)
巻： 188  ページ： Null  発行年： 2021年 
JST資料番号： B0760A  ISSN： 0043-1354  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 都市化の世界的な増殖と同様に,微量汚染物質は水生および生態学的環境システムに関与する。これらの汚染物質は,ヒト健康と生態学的システムに関して, haakを wす傾向を持った。したがって,環境中の微量汚染物質を持続的に監視することが重要である。微量汚染物質は,通常,高分解能質量分析と安定同位体標識(SIL)標準を用いた標的分析により定量される。しかし,この標準のコスト集約度は微量汚染物質測定における大きな障害を示す。本研究は,SIL標準に頼ることなく微量汚染物質濃度を推定するために,深層学習(DL)と機械学習(ML)を含むデータ駆動モデルを開発することにより,この問題を解決した。本研究は,天然有機物(NOM)が,SIL標準ピークと相関するNOM情報を含む特異的質量スペクトル(MS)サブセットが存在するならば,内部標準を置換できると仮定した。したがって,SIL標準ピークを置換するための特異的MSサブセットを見出すためにMSを分析した。入力データとしてDLとMLを適用するために,35の代替MSサブセットを決定した。その後,4つの異なるDLモデル,すなわち,ResNet101,GoogLeNet,VGG16,およびInception v3,ならびに3つの異なるMLモデル,すなわちランダムフォレスト(RF),サポートベクトルマシン(SVM),および人工ニューラルネットワーク(ANN)を訓練した。全部で680のMSデータをモデル訓練に用いて,5つの異なる微量汚染物質,すなわち,Sulpiride,Metformin,およびベンゾトリアゾールを推定した。DLモデルの中で,ResNet101は最高のモデル性能を示し,平均検証R2とMSEは,それぞれ0.84と0.26ng/Lであり,一方,RFはMLモデルで最良であり,R2とMSE値は0.69と0.58ng/Lであった。訓練されたモデルは,5つの微量汚染物質濃度の推定のための正確な訓練と検証結果を示した。したがって,本研究は,提案された分析が,迅速で経済的な利点を有する代替微量汚染物質測定の可能性を有することを示す。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 質量スペクトル ,  ニューラルネットワーク ,  *汚染物質 ,  ヒト ,  都市化 ,  生態学 ,  深層 ,  *機械学習 ,  サポートベクトルマシン ,  窒素複素環化合物 ,  芳香族縮合化合物
準シソーラス用語： ランダムフォレスト ,  *内部標準物質 ,  *微量汚染物質 ,  入力データ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 微量汚染物質 ,  高分解能質量分析 ,  深層学習 ,  機械学習

分類 (2件)： その他の汚染原因物質  (SB05040W) ,  下水,廃水の生物学的処理  (SC03060H)

物質索引 (1件)： ベンゾトリアゾール

タイトルに関連する用語 (6件)： 深層 ,  機械学習 ,  微量汚染物質 ,  推定 ,  内部標準 ,  代替