Machine Learning techniques to enhance the capacitive sensing of microwave resonant structures

Abstract

Durante la última década, la irrupción de la Internet de las cosas y los diagnósticos en el punto de atención ha aumentado la demanda de (bio)sensores low-cost. Al mismo tiempo, esta tendencia ha evolucionado en paralelo al creciente campo del aprendizaje automático (ML), y por lo tanto, esta investigación de doctorado aborda la inevitable convergencia de ambas tecnologías, centrándose en los sensores basados en estructuras resonantes en el espectro de microondas como tecnología clave para el desarrollo de sensores low-cost. Aunque este tipo de sensores tiene el potencial de ofrecer una alta sensibilidad costo-efectiva, debido a la falta de especificidad, su rendimiento puede verse obstaculizado por el ruido ambiental o en aplicaciones complejas con muchos analitos involucrados. Por lo tanto, esta tesis doctoral tiene como objetivo aprovechar las técnicas de ML para mejorar las capacidades de detección capacitiva de las estructuras resonantes en MW. Para cumplir con este objetivo, el corpus de esta tesis doctoral consta de tres artículos publicados y los resultados preliminares de un cuarto trabajo. En conjunto, estos trabajos demuestran que la implementación de modelos de ML permite la sustitución de instrumentación compleja por electrónica de bajo costo y hardware abierto. Además, demuestran cómo los modelos entrenados con señales de sensores pueden ayudar a investigar la naturaleza del principio de detección y mejorar la interpretación de los resultados. Finalmente, esta investigación explora cómo los modelos de Deep Learning pueden generar datos sintéticos realistas que podrían aumentar el tamaño y la calidad del conjunto de datos adquiridos, así como permitir la interpolación de señales no detectadas.

Over the past decade, the irruption of the Internet of Things and Point-of-Care diagnostics has increased the demand for low-cost (bio)sensors. At the same time, this trend has evolved in parallel to the growing field of Machine Learning (ML), and therefore, this PhD research addresses the inevitable convergence of both technologies, focusing on microwave resonant sensors as the key technology for developing low-cost sensors. Although this sensor type has the potential to be both cost-effective and highly sensitive, due to the lack of specificity, its performance can be hindered by environmental noise or complex applications with many analytes involved. Therefore, this PhD research aims to leverage ML techniques to enhance the capacitive sensing capabilities of MW resonant structures, thereby developing low-cost, high-performance sensors. In order to fulfill this objective, the corpus of this PhD thesis consists of three published papers and the preliminary results of a fourth work. Together, this work proves that implementing ML models enables the substitution of complex instrumentation for low-cost electronics and open hardware. In addition, they demonstrate how the trained models with sensor signals can help investigate the sensing principle's nature and improve the interpretation of the results. Finally, this research investigates how Deep Learning models can generate realistic synthetic data that could increase the size and quality of the acquisition dataset, as well as allow the interpolation of undetected signals.