Estimation of Low Sucrose Concentrations and Classification of Bacteria Concentrations With Machine Learning on Spectroscopic Data

Abstract

Spectroscopy can be used to identify elements. In a similar way, there are recent studies that use optical spectroscopy to measure the material concentrations in chemical solutions. In this study, we employ machine learning techniques on collected ultraviolet-visible spectra to estimate the level of sucrose concentrations in solutions and to classify bacteria concentrations. Some metal nanoparticles are very sensitive to refraction index changes in the environment and this helps to detect small refraction index changes in the solution. In our study, gold nanoparticles are used and we benefited from this property to estimate sucrose concentrations. The samples in different low sucrose concentration solutions are obtained by mixing the sucrose measured with precision scales with pure water and then the UV-Vis spectrum of each sample is measured. For the bacteria concentration solutions, spectra for six different bacteria concentrations are captured. Spectra of the same solutions are also captured before adding the bacteria. For each of these solutions, four sets are prepared where gold nanoparticles are not grown (minute 0) and grown for 4 minutes, 10 minutes and 12 minutes. After the dataset preparation, these spectrum measurements are transferred into MATLAB environment as sucrose concentration dataset and bacteria solution dataset. Then the necessary preprocessing steps are performed in order to get the most informative and distinguishing information from these datasets. The raw measurement values and processed spectrum measurements are trained with shallow Artificial Neural Networks (ANN) on MATLAB Deep Learning Toolbox and Support Vector Machine (SVM) on MATLAB Statistics and Machine Learning Toolbox. When the results of the conducted machine learning experiments are examined, success rate is promising for the estimation of sucrose concentrations and very high for classification of bacteria concentrations in pure water solution.

Spektroskopi elementleri tanımlamak için kullanılabilir. Benzer şekilde, kimyasal çözeltilerdeki madde konsantrasyonlarını sınıflandırmak için optik spektroskopiyi kullanan yeni çalışmalar vardır. Bu çalışmada, çözeltilerdeki sükroz konsantrasyonunun seviyesini tahmin etmek ve bakteri konsantrasyonlarını sınıflandırmak için toplanan ultraviyole-görünür bölge (UV-Vis) spektrumlarda makine öğrenme tekniklerini kullanıyoruz. Bazı metal nanopartiküller, ortamdaki kırılma endeksi değişikliklerine karşı çok hassastır ve bu özellik çözeltideki küçük kırılma endeksi değişikliklerini tespit etmeye yardımcı olur. Çalışmamızda altın nanoparçacıkları kullanılmış ve sükroz konsantrasyonlarını tahmin etmek için bu özellikten faydalanıldı. Farklı düşük sükroz konsantrasyon çözeltilerindeki numuneler, hassas skalalarla ölçülen sükrozun saf suyla karıştırılmasıyla elde edilir ve daha sonra her bir numunenin UV-Vis spektrumu ölçülür. Bakteri konsantrasyon çözeltileri için 6 farklı bakteri konsantrasyonu spektrumları kaydedilir. Bakteriler eklenmeden önce de aynı çözeltilerin spektrumları kaydedilir. Bu çözeltilerin her biri için, altın nanoparçacıkların büyütülmediği (dakika 0) ve 4 dakika büyütüldüğü, 10 dakika büyütüldüğü ve 12 dakika büyütüldüğü dört set hazırlanır. Veri seti hazırlığından sonra, bu spektrum ölçümleri sükroz konsantrasyonu veri seti ve bakteri çözeltisi veri seti olarak MATLAB ortamına aktarılır. Daha sonra bu veri setlerinden en bilgilendirici ve ayırt edici bilgilerin elde edilmesi için gerekli ön işleme adımları uygulanmaktadır. Ham ölçüm değerleri ve işlenmiş spektrum ölçümleri MATLAB Derin Öğrenme Araç Kutusu'ndaki yapay sinir ağları (YSA) ve MATLAB İstatistik ve Makine Öğrenmesi Araç Kutusu'ndaki Destek Vektör Makineleri (DVM) ile eğitilmiştir. Yapılan makine öğrenmesi deneylerinin sonuçları incelendiğinde, başarı oranı sükroz çözeltisindeki bakteri konsantrasyonlarının sınıflandırılması için ise çok yüksektir.