Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Data-Driven Modeling of Smartphone-Based Electrochemiluminescence Sensor Data Using Artificial Intelligence

Texto completo
Autor(es):
Rivera, Elmer Ccopa [1, 2] ; Swerdlow, Jonathan J. [3] ; Summerscales, Rodney L. [3] ; Uppala, Padma P. Tadi [4] ; Maciel Filho, Rubens [1] ; Neto, Mabio R. C. [2] ; Kwon, Hyun J. [2]
Número total de Autores: 7
Afiliação do(s) autor(es):
[1] Univ Estadual Campinas, Sch Chem Engn, BR-13083852 Campinas - Brazil
[2] Andrews Univ, Dept Engn, Berrien Springs, MI 49104 - USA
[3] Andrews Univ, Dept Comp, Berrien Springs, MI 49104 - USA
[4] Andrews Univ, Sch Populat Hlth Nutr & Wellness, Berrien Springs, MI 49104 - USA
Número total de Afiliações: 4
Tipo de documento: Artigo Científico
Fonte: SENSORS; v. 20, n. 3 FEB 2020.
Citações Web of Science: 0
Resumo

Understanding relationships among multimodal data extracted from a smartphone-based electrochemiluminescence (ECL) sensor is crucial for the development of low-cost point-of-care diagnostic devices. In this work, artificial intelligence (AI) algorithms such as random forest (RF) and feedforward neural network (FNN) are used to quantitatively investigate the relationships between the concentration of Ru(bpy)2 + 3 luminophore and its experimentally measured ECL and electrochemical data. A smartphone-based ECL sensor with Ru(bpy)2 + 3 /TPrA was developed using disposable screen-printed carbon electrodes. ECL images and amperograms were simultaneously obtained following 1.2-V voltage application. These multimodal data were analyzed by RF and FNN algorithms, which allowed the prediction of Ru(bpy)2 + 3 concentration using multiple key features. High correlation (0.99 and 0.96 for RF and FNN, respectively) between actual and predicted values was achieved in the detection range between 0.02 mu M and 2.5 mu M. The AI approaches using RF and FNN were capable of directly inferring the concentration of Ru (bpy)2+ 3 using easily observable key features. The results demonstrate that data-driven AI algorithms are effective in analyzing the multimodal ECL sensor data. Therefore, these AI algorithms can be an essential part of the modeling arsenal with successful application in ECL sensor data modeling. (AU)

Processo FAPESP: 17/23335-9 - Desenvolvimento integrado de biorrefinaria e planta de bioetanol de cana-de-açúcar com emissão zero de CO2: rotas para converter recursos renováveis em bioprodutos e bioeletricidade
Beneficiário:Elmer Alberto Ccopa Rivera
Linha de fomento: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
Processo FAPESP: 15/20630-4 - Desenvolvimento integrado de biorrefinaria e planta de bioetanol de cana-de-açúcar com emissão zero de CO2: rotas para converter recursos renováveis em bioprodutos e bioeletricidade
Beneficiário:Rubens Maciel Filho
Linha de fomento: Auxílio à Pesquisa - Temático