آناليز مو با استفاده از روش بيناب‌نمايي فروشكست القايي ليزري و مدل ماشين بردار پشتيبان به منظور تشخيص اعتياد

Hair analysis by means of laser induced breakdown spectroscopy technique and support vector machine model for diagnosing addiction

هم‌زمان با پيشرفت روش‌هاي آزمايشگاهي كشف اعتياد، روش‌هاي نهان كردن يا به عبارتي ايجاد نتايج منفي كاذب به طرق مختلف فيزيكي و شيميايي نيز گسترش يافته است. در اين پژوهش به دنبال ارايه روشي جديد بر اساس بيناب‌نمايي فروشكست القايي ليزري بر اساس آناليز موي سر افراد سالم و معتاد هستيم تا بر مشكلات روش‌هاي مرسوم غلبه و امكان تقلب در تشخيص اعتياد را به صورت قابل ملاحظه‌اي كم كنيم. به اين منظور، ابتدا از موي سر 17 فرد سالم و17 فرد معتاد نمونه برداري شد و سپس از هر نمونه 5 بيناب و در مجموع170 بيناب ثبت شد. پس از تجزيه و تحليل بيناب‌هاي LIBS ثبت شده و آشكارسازي خطوط اتمي، يوني و همچنين باندهاي مولكولي، شدت‌هاي نسبي مربوط به خطوط گسيلي آلومينيوم به كلسيم (Al / Ca) و آلومينيوم به سديم (Al / Na) به عنوان متغيرهاي ورودي براي روش ماشين بردار پشتيبان انتخاب شد. در مدل SVM از توابع كرنل پايه شعاعي، چند جمله‌اي و يك تابع خطي براي انجام گروه بندي روي داده‌ها استفاده شد. نتايج اين پژوهش نشان داد كه مي‌توان با تركيب روش LIBS و مدل ماشين بردار پشتيبان فرد معتاد را با دقت 100‌% به درستي تشخيص داد. به دليل مزاياي متعدد روشLIBS همچون آناليز سريع و قابليت سيار بودن، اين روش مي‌تواند به تنهايي و يا در كنار روش‌هاي موجود به عنوان يك روش تشخيص خودكار اعتياد از طريق آناليز موي سر مورد استفاده قرار گيرد.

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.