ИНТЕЛЛЕКТУАЛЬНАЯ СЕНСОРНАЯ СИСТЕМА РАНЖИРОВАНИЯ ИОННОГО СОСТАВА ГРУДНОГО МОЛОКА
Автор: М. М. Гузенко, А. Ю. Зайцева
Журнал: Научное приборостроение @nauchnoe-priborostroenie
Рубрика: Приборостроение для биологии и медицины
Статья в выпуске: 4 т.32, 2022 года.
Бесплатный доступ
Разработана и исследована интеллектуальная сенсорная система, позволяющая проводить квалитативное медицинское ранжирование грудного молока и молочной продукции. Использованы электрохимические сенсоры, обладающие чувствительностью к основным значимым компонентам исследуемой биологической среды. Установлено, что "цифровые образы" грудного молока женщин, перенесших заболевания, значительно отличаются от таковых для группы здоровых женщин. Применен метод главных компонент для ранжирования грудного и коровьего молока, выявлены группы биологических сред, схожие по своим свойствам. Анализируя результаты исследований, можно говорить об эффективности применения разрабатываемой методики для медико-биологических исследований.
Грудное молоко, система ранжирования, сенсорная система, метод главных компонент, электрохимические сенсоры
Короткий адрес: https://sciup.org/142235506
IDR: 142235506 | DOI: 10.18358/np-32-4-i5867
Список литературы ИНТЕЛЛЕКТУАЛЬНАЯ СЕНСОРНАЯ СИСТЕМА РАНЖИРОВАНИЯ ИОННОГО СОСТАВА ГРУДНОГО МОЛОКА
- 1. Кислякова Л.П. Динамика формирования водносолевого состава молока. Автореф. дис. ... д-ра биолог. наук. Спб.. гос. ун-т., 1996. 33 с.
- 2. Lawrence P.B. Breast milk: best source of nutrition for term and preterm infants // Pediatric Clinics of North America. 1994. Vol. 41, is. 5. P. 925–941.
- 3. Walker A. Breast milk as the gold standard for protective nutrients // The Journal of pediatrics. 2010. Vol. 156, is. 2. P. S3–S7.
- 4. Кислякова Л.П., Буляница А.Л., Кисляков Ю.Я., Гуляев В.И. Оценка функционального состояния человека при физических нагрузках по показателям конденсата выдыхаемого воздуха, регистрируемым полиселективными электрохимическими сенсорами,
- с применением проекционных методов многомерного анализа // Научное приборостроение. 2016. T. 26, № 2. С. 37–47. URL: http://iairas.ru/mag/2016/abst2.php#abst5
- 5. Pechenkina I.A., Mikhelson K.N. Materials for the ionophore-based membranes for ion-selective electrodes: Problems and achievements // Russian Journal of Electrochemistry. 2015. Vol. 51, no. 2. P. 93–102.
- 6. Тененев В.А., Шаура А.С. Применение методов снижения размерности данных к построению нечетких
- нейронных сетей // Интеллектуальные системы в производстве. 2020. Т. 18, № 4. С. 109–116.
- 7. Бондарев А.Е., Галактионов В.А. Исследование многомерных данных в задачах многопараметрической оптимизации // Новые информационные технологии в автоматизированных системах. 2013. № 16. С. 84–92.
- 8. Esbensen K.H. Multivariate Data Analysis – in practice. CAMO Sosftware, 5th Edition, 2010, Oslo. 597 p.
- 9. Jolliffe I.T. Principal component analysis for special types of data // Principal component analysis. Springer, New York, 2
