通过量化指纹对之间的不对称性预测糖尿病风险
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性(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®应用小波分析量化这种不对称性的算法。初步研究发现指纹FA评分与2型糖尿病之间存在显著相关性。
“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。”
先前一项关于指纹不对称性和糖尿病倾向的研究比较了对侧手指上指纹纹路的数量。由于数据中缺乏动态范围，这项研究受到限制，因为大多数山脊计数的差异小于20。
Ludwar博士和他的同事们希望用现代实践来增强传统指纹分析。具体地说，他们希望捕获指纹中的所有可用信息，包括单个向量中的螺纹、环和拱等特征。他们需要试验几种小波分析技术，以确定实现这一目标的最佳方法。
起初，研究组不知道使用指纹FA作为糖尿病的预测指标是否有效。由于试点研究的预算有限，该小组无法花费数月的时间找出答案。
Ludwar博士使用MATLAB和小波工具箱™ 开发用于初步研究的测量波动不对称性的算法。
对340名患者进行指纹扫描，其中257人被诊断为糖尿病。对照组的其余83名患者没有糖尿病症状，也没有糖尿病家族史。
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。
在MATLAB中使用小波工具箱，他在一组测试图像上试验了各种小波分解。他评估了不同指纹方向的效果，以验证指纹旋转对不对称性分析和计算没有显著影响。
基于这些评估，Ludwar博士选择了Haar小波变换。在MATLAB中，他将该变换应用于整个集合中的每个指纹扫描，以获得每个指纹扫描的36个元素的特征向量。
然后，他计算了对指特征向量之间的欧几里德距离。为340名患者中的每一位计算了五个距离值，每对手指一个。这些值代表了患者指纹的计算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。
该小组目前正在准备进行一项更大规模的研究，以确认研究结果。对于这项研究，Ludwar博士计划在MATLAB中进一步优化小波分析，以最大限度地提高预测精度。他和他的团队希望开发一款手机应用程序，可以读取扫描的指纹。
测量指纹扫描中的波动不对称性。
加入客户参考计划
您还可以从以下列表中选择网站：