通过量化指纹对之间的不对称预测糖尿病风险
利用MATLAB和小波工具箱对扫描的指纹图像进行小波变换
“当我想敲一颗钉子时，我不想从锻造锤子开始。这就是MATLAB提供的值。你不需要从零开始，或者成为一个专业的程序员。我是一名生物学家，但有了MATLAB，我可以在几天内快速实现非常复杂的分析技术。”
Bjoern Ludwar博士，朗伍德大学
Bjoern Ludwar博士，他开发了量化指纹不对称的MATLAB算法。
三分之一的2型糖尿病患者在确诊时已经出现了并发症。在早期诊断的情况下，这些并发症可以通过适当的营养和定期锻炼等生活方式干预来推迟甚至预防。然而，不幸的是，最初的诊断通常发生在患者成年后，在疾病已经造成伤害之后。基因检测可以早期诊断，但对大多数患者来说，这太昂贵了。
来自朗伍德大学、俄亥俄大学和加州托罗大学的一组研究人员开发了一种新的、低成本的方法来早期预测2型糖尿病。这种方法是基于测量的波动不对称(FA)，即双侧配对结构中完全对称的小的随机偏差，例如来自相反双手的相同手指的指纹。朗伍德大学助理教授Bjoern Ludwar博士开发了MATLAB®应用小波分析来量化这种不对称的算法。试点研究发现指纹FA分数与2型糖尿病之间的显着相关性。
“当我们开始研究时，我们不知道哪种评估不对称的方法最有效，也不知道我们是否能找到任何相关性，”Ludwar说。“我们当时正在研究一个有很多未知因素的复杂问题。MATLAB使我们能够快速尝试不同的方法和技术，而不用花几个月的时间来实现自己的小波运算或基本库函数。”
先前对指纹不对称和糖尿病倾向的研究比较了对方手指上的指纹脊数。本研究受到数据中缺乏动态范围的限制，因为大多数脊的计数不同小于20。
Ludwar博士及其同事们希望通过现代实践增强传统的指纹分析。具体来说，他们想捕获指纹中可用的所有信息 - 包括螺旋，环和拱门等功能 - 在一个向量中。他们需要尝试使用几种小波分析技术来识别最适合完成这一目标的技术。
最初，该组不知道是否使用指纹Fa作为糖尿病的预测因子是一种有效的方法。对于试点研究的预算有限，该集团无法花几个月发现。
Ludwar博士使用Matlab和Wavelet Toolbox™开发用于测量试验研究中使用的波动不对称的算法。
指纹扫描来自340名患者，其中257名已被诊断为糖尿病。剩余的83例对照组患者没有糖尿病的迹象，没有疾病的家族史。
Dr. Ludwar将指纹扫描的未压缩位图剪裁成256x256像素的图像，并将其导入MATLAB。
使用小波工具箱工作在Matlab中，他在测试集上进行了各种小波分解。他评估了不同指纹方向的影响，以验证指纹的旋转没有显着影响不对称分析和计算。
基于这些评估，Ludwar博士选择了哈尔小波变换。在MATLAB中，他将此转换应用于完整集中的每个指纹扫描，以获得每个指纹扫描，以获取每个指纹的36元素特征向量。
然后他计算了相对手指的特征向量之间的欧几里德距离。每对手指的五个距离值-On-on-340患者中的每一个。这些值表示患者指纹的计算FA。
路德瓦博士将他的研究结果交给了他的研究同事，他们利用这些结果进行多项逻辑回归，并控制了年龄和性别。研究人员发现，不对称评分可以预测糖尿病风险，并识别出最具预测性的手指。
本集团目前正准备进行更大的研究以确认结果。对于本研究，Ludwar博士计划进一步优化Matlab中的小波分析，以最大限度地提高预测准确性。他和他的团队希望开发一种读取扫描指纹的手机应用程序。
测量指纹扫描中的波动不对称。
加入客户参考计划
您还可以从以下列表中选择一个网站：