作者单位
摘要
1 佳木斯大学基础医学院微生态-免疫调节网络与相关疾病重点实验室, 黑龙江 佳木斯 154000
2 佳木斯市传染病院, 黑龙江 佳木斯 154007
3 中国人民公安大学犯罪学院, 北京 100038
在司法鉴定领域, 涉及电击死亡的案件多发, 鉴别死者是生前还是死后受到电击仍是法医病理学鉴定的难点问题之一。 为此通过傅里叶变换红外光谱融合机器学习模型对心脏组织视角下的电击死和死后电击两种情况开展分类识别研究。 将30只大鼠进行电击死、 死后电击和对照处理, 通过光谱仪扫描得到其心脏组织光谱, 采用竞争性自适应重加权算法共提取到70个光谱特征波长, 建立随机森林模型对特征波长提取前后的心脏组织光谱进行模式识别; 结果表明, 特征波长提取前后模型分类识别的准确率分别为34.9%和73.7%, 验证了特征波长提取方法的有效性和必要性。 同时建立偏最小二乘模型、 传统支持向量机以及粒子群算法和灰狼算法优化的支持向量机模型进行分类识别, 结果表明, 模型分类识别的准确率分别为61.07%、 34.48%、 100%和98.46%, 对比发现经特征提取后的粒子群优化支持向量机模型分类识别效果最好。 为排除“生物学死亡期”的干扰, 又取60只大鼠按同种方式对其处理, 每组又分死后0.5 h和死后1 h 2个亚组, 再次通过傅里叶变换红外光谱仪扫描得到光谱数据, 数据预处理后将其与之前得到的数据进行一并处理并结合粒子群优化支持向量机模型分析, 结果表明, 该方法分类识别的准确率可达到80.85%。 这为电击死领域的法医学鉴定提供了新的研究思路和方法, 说明傅里叶红外变换红外光谱结合机器学习模型可以作为一种补充工具来提供相对客观的判断, 具有重要的研究意义。
电击死 死后电击 特征波长 随机森林 分类识别 法医学鉴定 Electrocution Postmortem electroshock Characteristic wavelength Random forest Classification identification Forensic identification 
光谱学与光谱分析
2023, 43(4): 1126

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!