期刊链接：

微信链接：

自2011年创刊以来不断发展，为全球学者提供了一个关于应用自然app各个方面的高级论坛。本次期刊编辑部精选了5篇“机器学习”相关的文章，希望能为相关领域读者带来有价值的参考。

文章推荐

1. Assessing Nitrate Contamination Risks in Groundwater: A Machine Learning Approach

评估地下水中的硝酸盐污染风险：一种机器学习方法

Muhammad Awais et al.

DOI：

图为地下水污染发生概率图：(a) BRT (b) SVM (c) Ensemble (d) MDA。

地下水是人类日常用水的主要来源之一，但会因硝酸盐等污染物在土壤中的渗滤而受到污染。特别是那些建筑物密集的地区，地下水的脆弱性和污染是研究者们关注的重点。本研究开发了一个新的研究框架，用于评估喀喇昆仑公路沿线地区的地下水硝酸盐污染风险。喀喇昆仑公路是巴基斯坦北部中巴经济走廊 (CPEC) 线路的一部分。本文采用DRASTIC模型来绘制地下水脆弱性制图，用先前研究中得到的硝酸盐浓度数据来绘制硝酸盐污染图，并采用支持向量机 (SVM)、多元判别分析 (MDA) 和增强回归树 (BRT) 三种机器学习 (ML) 模型分析地下水污染的发生率。

此外，地下水污染概率图可由集成建模的方法获得，这些模型通过校准试验进行校准和验证，并使用接收机工作特性曲线下面积法 (AUC)，其中AUC最小阈值为80%。实验结果表明，模型的精度在0.82~0.87之间。最终获得的地下水污染风险图显示，34%的区域处于地下水污染的中度风险区，13%的区域处于高度风险区。本研究结果可以促进有关未来建成区位置的决策，以减轻硝酸盐污染，从而进一步降低相关的健康风险。

2. fNIRS-QC: Crowd-Sourced Creation of a Dataset and Machine Learning Model for fNIRS Quality Control

fNIRS-QC：用于 fNIRS 质量控制的数据集和机器学习模型的众包创建

Giulio Gabrieli et al.

DOI：

图为按信号质量等级分配用户响应时间。

尽管功能近红外光谱 (fNIRS) 技术发展迅速，并且不断在神经app实验设计中应用，但fNIRS数据处理仍以大量异构为特征，导致结果的app可重复性和可解释性有待进一步研究。例如，仍然需要用人工检查来评估收集的fNIRS信号质量和后续保留以进行分析。机器学习 (ML) 的方法通过自动化和标准化质量控制为fNIRS数据处理提供了独特的贡献，其中机器学习模型可产生客观和可重复性结果。然而，任何成功的机器学习应用程序都是基于高质量、带标记的训练数据集，但目前还没有用于fNIRS信号的此类数据集。

在本文中，作者介绍了用于创建fNIRS质量控制数据集的fNIRS-qc众包平台。他们组建了包含4385个fNIRS信号的数据集，并创建了一个web接口，可允许多用户手动标记510个10s fNIRS段的信号质量。本研究标记数据集的子集用于开发概念验证的机器学习模型，以自动评估 fNIRS信号的质量。本研究开发的机器学习模型可用于更客观、有效的质量控制检查，并能最大限度地减少人工检查误差和对信号质量控制专业知识的需要。

3. Skin Characterizations by Using Contact Capacitive Imaging and High-Resolution Ultrasound Imaging with Machine Learning Algorithms

使用接触电容成像和高分辨率超声成像和机器学习算法进行皮肤表征

Elena Chirikhina et al.

DOI：

图为来自不同皮肤部位的电容性图像样本 (256×300像素)。

本研究介绍了基于机器学习算法的接触电容成像和高分辨率超声成像，展示了其在皮肤特征方面的最新研究。接触电容成像是一种基于介电常数测量原理的新型成像技术，本研究通过迁移学习，利用预处理的深度学习神经网络，研究不同皮肤部位的皮肤含水量，并对图像进行分类。结果显示，嘴唇和鼻子的水分含量最低，而脸颊、眼角和下眼睑的水分含量最高，分类准确率高达83.8%。高分辨率超声成像是最先进的超声技术，可以产生皮肤和浅表软组织的高分辨率图像，垂直分辨率约为40微米。

本文基于这些图像研究了不同皮肤层的厚度，面部不同部位和身体不同部位周围的角质层、表皮和真皮等。结果表明，下颌的角质层厚度最高，手臂的角质层厚度最低。本研究还开发了两种基于特征的图像分类方法，其结果可为美容/明升手机版研究提供有价值的指导，并可推广应用于损伤皮肤或皮肤病的研究，接触电容成像和高分辨率超声成像的结合可以成为皮肤研究的实用工具。

4. Machine Learning in Discriminating Active Volcanoes of the Hellenic Volcanic Arc

识别希腊火山弧活动火山的机器学习

Athanasios G. Ouzounis and George A. Papakostas

DOI：

图为研究所用的10种机器学习算法概述。

识别火山岩的物源对于改进地质领域的地质图、促进地质考古领域的磨石和锚等古代文物的地球明升手机指纹识别至关重要，本研究采用机器学习算法 (MLAs) 来研究解决此问题的新方法。为了区分希腊南部希腊火山弧 (HVA) 的四个活动火山区，该研究从GEOROC数据库中调取HVA火山岩主要元素的地球明升手机数据建立机器学习数据集并进行训练。共采用了10种机器学习算法进行来自HVA的相同火山岩样本数据集的六个变体训练。

实验表明，Extreme Gradient Boost模型取得了最好性能，达到了93.07%的准确率。用本研究框架内开发的模型建立了基于云的应用程序，该应用程序可在www.geology.gr公开访问。该应用程序可用于根据火山岩样品的地球明升手机成分预测响应HVA区域内的火山岩样品的来源，本研究预测所需的主量元素数据可以利用X射线荧光 (XRF) 技术轻松获得。

5. A Variable Ranking Method for Machine Learning Models with Correlated Features: In-Silico Validation and Application for Diabetes Prediction

具有相关特征的机器学习模型的变量排序方法：糖尿病预测的计算机验证和应用

Martina Vettoretti and Barbara Di Camillo

DOI：

图为代表性的模拟数据集的皮尔逊相关矩阵，变量x1-x20为模拟的候选预测因子，y表示应用审查前的事件次数。

模型开发人员在使用机器学习技术构建用于预测临床结果的预测模型时，通常更关注基于预测能力的特征排名。有研究表明获得稳定的变量排名的常用方法是对训练集多次重采样应用递归特征消除 (RFE)，并使用Borda计数方法聚合排名结果。然而，当训练集中存在高度相关的特征时，排名性能会显著降低。本研究提出一种基于RFE和Borda计数的方法，该方法在排序过程中考虑了变量之间的相关性，以提高存在高度相关特征时的排序性能。

本研究对所提出的算法在模拟数据集上进行了测试，其中真实变量的重要性是已知的，并与标准的RFE-Borda计数方法进行了比较。估计秩与真实 (即模拟) 特征重要性之间的均方根误差表明，该算法克服了标准RFE-Borda计数方法。最后，本研究将所提出的算法应用于与二型糖尿病发病预测模型开发相关的注册研究中。

期刊介绍

主编：Takayoshi Kobayashi, The University of Electro-Communications, Japan

期刊主题涵盖应用物理学、应用明升手机、工程、环境和地球app以及应用生物学的各个方面。截止目前被SCIE, Scopus等多种数据库收录，JCR分区在多学科工程以及应用物理领域都在Q2。

2020 Impact Factor: 2.679

2020 CiteScore: 3.0

Time to First Decision: 16 Days

Time to Publication: 35 Days