نویسندگان
1 گروه فیزیک، دانشگاه اصفهان، اصفهان
2 گروه فیزیک، دانشگاه ولی عصر رفسنجان، رفسنجان
چکیده
هم‌زمان با پیشرفت روش‌های آزمایشگاهی کشف اعتیاد، روش‌های نهان کردن یا به عبارتی ایجاد نتایج منفی کاذب به طرق مختلف فیزیکی و شیمیایی نیز گسترش یافته است. در این پژوهش به دنبال ارایه روشی جدید بر اساس بیناب‌نمایی فروشکست القایی لیزری بر اساس آنالیز موی سر افراد سالم و معتاد هستیم تا بر مشکلات روش‌های مرسوم غلبه و امکان تقلب در تشخیص اعتیاد را به صورت قابل ملاحظه‌ای کم کنیم. به این منظور، ابتدا از موی سر 17 فرد سالم و17 فرد معتاد نمونه برداری شد و سپس از هر نمونه 5 بیناب و در مجموع170 بیناب ثبت شد. پس از تجزیه و تحلیل بیناب‌های LIBS ثبت شده و آشکارسازی خطوط اتمی، یونی و همچنین باندهای مولکولی، شدت‌های نسبی مربوط به خطوط گسیلی آلومینیوم به کلسیم (Al / Ca) و آلومینیوم به سدیم (Al / Na) به عنوان متغیرهای ورودی برای روش ماشین بردار پشتیبان انتخاب شد. در مدل SVM از توابع کرنل پایه شعاعی، چند جمله‌ای و یک تابع خطی برای انجام گروه بندی روی داده‌ها استفاده شد. نتایج این پژوهش نشان داد که می‌توان با ترکیب روش LIBS و مدل ماشین بردار پشتیبان فرد معتاد را با دقت 100% به درستی تشخیص داد. به دلیل مزایای متعدد روشLIBS همچون آنالیز سریع و قابلیت سیار بودن، این روش می‌تواند به تنهایی و یا در کنار روش‌های موجود به عنوان یک روش تشخیص خودکار اعتیاد از طریق آنالیز موی سر مورد استفاده قرار گیرد.
کلیدواژه‌ها
عنوان مقاله [English]
Hair analysis by means of laser induced breakdown spectroscopy technique and support vector machine model for diagnosing addiction
نویسندگان [English]
- M Vahid Dastjerdi 1
- Z Derakhshan Zadeh 2
- S J Mousavi 1
- H Ranjbar Askari 2
- M Soltanolkotabi 1
1
2
چکیده [English]
Along with the development of laboratory methods for diagnosing addiction, concealment ways, either physically or chemically, for creating false results have been in progress. In this research based on the Laser Induced Breakdown Spectroscopy technique (LIBS) and analyzing hair of addicted and normal people, we are proposing a new method to overcome problems in conventional methods and reduce possibility of cheating in the process of diagnosing addiction. For this purpose, at first we have sampled hair of 17 normal and addicted people and recorded 5 spectrums for each sample, overall 170 spectrums. After analyzing the recorded LIBS spectra and detecting the atomic and ionic lines as well as molecular bands, relative intensities of emission lines for Aluminum to Calcium (Al/Ca) and Aluminum to Sodium (Al/Na) were selected as the input variables for the Support Vector Machine model (SVM).The Radial Basis, Polynomial Kernel functions and a linear function were chosen for classifying the data in SVM model. The results of this research showed that by the combination of LIBS technique and SVM one can distinguish addicted person with precision of 100%. Because of several advantages of LIBS such as high speed analysis and being portable, this method can be used individually or together with available methods as an automatic method for diagnosing addiction through hair analysis.
کلیدواژه‌ها [English]
- Laser Induced Breakdown Spectroscopy
- hair
- addiction
- support vector machine
2. S George and R Braithwaite, Journal of analytical toxicology 20 (1996) 195.
3. M Bahreini and S H Tavassoli, Journal of Lasers in Medical Sciences 3 (2012) 127.
4. M Gazmeh, et al., Applied optics 54 (2015) 123.
5. S Musazzi and U Perini, “Laser-induced breakdown spectroscopy”, Springer Series in Optical Sciences, 182. ISBN 978-3-642-45084-6. Springer-Verlag Berlin Heidelberg, (2014) 1.
6. NIST, “Atomic spectra database,” http://www.nist.gov/pml/data/asd.cfm.
7. Ż Trzebiatowska, et al., Laser Physics and Applications, Mar 15 International Society for Optics and Photonics (2013) 87700B.
8. J Cisewski, et al,. Journal of Chemometrics 26 (2012) 143.
9. N C Dingari, et al,. Analytical chemistry 84 (2012) 2686.
10. N Cristianini and J Shawe-Taylor, “An introduction to support vector machines and other kernel-based learning methods”, Cambridge university press, (2000).
11. V Vapnik, “The nature of statistical learning theory”, Springer Science & Business Media, (2013).
12. V N Vapnik and V Vapnik, “Statistical learning theory” Wiley New York, (1998).
)