AI处理生物信号-FJS

编码成分子的信号传输(如激素、信息素)是人体用于确保细胞间通信的常用系统之一，在体外通过分子通信(MC)领域模拟了一种信息传输形式。然而，在实验室中复制MC仍然面临着许多挑战，例如MC中可以同时编码、传输和解码的化学载体数量的限制。该项目的目标是通过使用神经网络(NN)来分解使用紫外可见光谱仪(微流体MC试验台[2]上常用的传感器类型)收集的数据，并解码使用不同化学载体传输的所有信号，以解决这一挑战。学生将可以访问我们的微流体MC原型试验台[3]，以生成用于训练、验证和测试学生将开发的神经网络的数据集

Any Q V16630373181

[1] Bi, D et al. “survey of molecular communication in cell biology: Establishing a new hierarchy for interdisciplinary applications.” IEEE Communications Surveys & Tutorials (2021), 23 (3), pp. 1494-545

[2] Introduction to UV-Visible spectroscopy: https://chem.libretexts.org/Bookshelves/Analytical_Chemistry/Physical_Methods_in_Chemistry_and_Nano_Science_(Barron)/04%3A_Chemical_Speciation/4.04%3A_UV-Visible_Spectroscopy

[3] Bi, D ; Deng, Y ; Pierobon, M and Nallanathan, A “Chemical Reactions-based microfluidic transmitter and receiver design for Molecular Communication” IEEE Transactions on communications (2020), 68 (9), pp. 5590-605

交付物/成果:就交付物而言，学生将首先设计一个能够读取UV-Vis光谱的神经网络，列出该光谱中发现的所有化学物质的浓度。然后，学生将使用我们的微流体MC原型测试平台来生成训练神经网络所需的所有数据集。最终，学生将结合神经网络和数据集来解码使用几种不同分子同时传输的多条消息。就结果而言，由学生开发的神经网络不仅会引起MC社区的兴趣，在那里他们会感兴趣
展示了一种实现多输入/多输出(MIMO)通信的新途径，但将进一步打开分析化学广泛领域的新视野，其中紫外可见光谱是一个必不可少的分析工具，但神经网络的应用仍然很少，尽管它们有潜在的应用。

项目所需的或将在项目期间开发的任何技能(特别是编程语言):
技能要求:
-Python，初级到中级(理想但不是必需:有人工智能经验，如机器学习或深度学习)
-化学基础，主要是溶液在水中的稀释。此外，学生将在项目期间接受以下技能培训:
-人工智能(深度学习，如CNN)
-分析化学(紫外可见光谱学)
-微流体(包括构建、校准和使用微流体设置)