[go: up one dir, main page]

CN114565085A - 浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质 - Google Patents

浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114565085A
CN114565085A CN202210202249.5A CN202210202249A CN114565085A CN 114565085 A CN114565085 A CN 114565085A CN 202210202249 A CN202210202249 A CN 202210202249A CN 114565085 A CN114565085 A CN 114565085A
Authority
CN
China
Prior art keywords
fluorescence data
value
concentration
group
fluorescence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210202249.5A
Other languages
English (en)
Other versions
CN114565085B (zh
Inventor
李依桐
佡思涵
王佩瑞
郑翠
蒋鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai I Reader Biological Technology Co ltd
Original Assignee
Shanghai I Reader Biological Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai I Reader Biological Technology Co ltd filed Critical Shanghai I Reader Biological Technology Co ltd
Priority to CN202210202249.5A priority Critical patent/CN114565085B/zh
Publication of CN114565085A publication Critical patent/CN114565085A/zh
Application granted granted Critical
Publication of CN114565085B publication Critical patent/CN114565085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biotechnology (AREA)
  • Cell Biology (AREA)
  • Optics & Photonics (AREA)
  • Microbiology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)

Abstract

本发明的实施例提供了浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质，方法包括：采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度。针对每组荧光数据，确定每组荧光数据的基线值，基于基线值，对该组荧光数据进行预处理，将预处理后的该组荧光数据转换为词向量，其中，一组词向量对应一个浓度标签，基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。能够在降低工艺和实验检测要求的情况下，提升确定待检测物浓度的准确性。

Description

浓度检测模型的训练方法、浓度检测方法、装置、电子设备及 存储介质
技术领域
本发明涉及计算机视觉技术领域，具体而言，涉及浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质。
背景技术
荧光免疫诊断技术利用免疫学中待检测物可结合因子的特异性，将荧光探针与可结合因子组合，通过测量反应后荧光信号的强度，进而确定待检测物质的含量，是一项结合了免疫学反应原理和荧光检测原理的体外诊断技术。
荧光免疫层析技术灵敏度高，专一性强，已经成为了体外诊断产业今后的重点发展方向。目前的荧光层析技术通过检测体系收集免疫反应后的荧光信号数据，之后经过算法转化，得到相应检测对象的浓度值。单个检测体系包含检测仪器和试剂片，体系间会因为各种因素的叠加组合产生不一致差异，使得在相同的检测物含量下，读取的信号强度和形状不同，继而得出不同的检测结果，影响最终的检测准确性。例如，试剂片制作时，每一组荧光微球的含量和分布不会完全一致，标记在试剂片上的液体体积也会因为人为工艺因素产生偏差，使得根据荧光信号曲线计算出的TAP信号值有或多或少的差距。
临床实验所期待的是减小同浓度下不同组别之间的检测差异，同时保留不同浓度下检测结果的区分度。其中一条路径是通过提高工艺的水平和实验的精准度来减小误差，但是在实际操作中很难达到，且成本较高且浓度检测不够准确。
发明内容
本发明的目的在于提供的浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质，能够提高确定浓度检测的准确度。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种浓度检测模型的训练方法，所述方法包括：
采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度；
针对每组所述荧光数据，确定每组荧光数据的基线值；
基于所述基线值，对该组所述荧光数据进行预处理；
将预处理后的该组所述荧光数据转换为词向量，其中，一组所述词向量对应一个浓度标签；
基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。
在可选的实施方式中，所述基于所述基线值，对该组所述荧光数据进行预处理的步骤，包括：
计算该组所述荧光数据中，每个子荧光数据值与该组所述荧光数据的基线值的第一差值，其中，每组所述荧光数据由多个子荧光数据值构成。
在可选的实施方式中，所述将预处理后的该组所述荧光数据转换为词向量的步骤，包括：
确定该组各所述第一差值在该组荧光数据中的序列值；
基于各所述序列值和各所述第一差值，构成该组所述荧光数据的数据对；
将各所述数据对按照预设编译规则，得到各所述数据对的词向量。
在可选的实施方式中，所述确定每组荧光数据的基线值的步骤，包括：
确定该组所述荧光数据中测试线的测试峰；
选取所述测试峰的第一预设区域内的第一数量的各第一目标子荧光数据值；
基于各所述第一目标子荧光数据值，计算第一平均值；
将所述第一平均值作为该组所述荧光数据的基线值；
或，
确定该组所述荧光数据中测试线的测试峰和质控线的质控峰；
选取所述测试峰与所述质控峰之间的第二数量的各第二目标子荧光数据值；
基于各所述第二目标子荧光数据值，计算第二平均值；
将所述第二平均值作为该组所述荧光数据的基线值；
或，
确定该组所述荧光数据中测试线的测试峰和质控线的质控峰；
选取所述测试峰中的第一预设区域内的第三数量的各第三目标子荧光数据值，和所述质控峰中第二预设区域内的所述第三数量的各第四目标子荧光数据值；
基于各所述第三目标子荧光数据值和各所述第四目标子荧光数据值，计算第三平均值；
将所述第三平均值作为该组所述荧光数据的基线值。
在可选的实施方式中，所述将各所述数据对按照预设编译规则，得到各所述数据对的词向量的步骤，包括：
确定各所述数据对中，每个所述第一差值的权重信息；
将所述第一差值和所述第一差值对应的权重信息，构成该数据对的词向量。
在可选的实施方式中，所述确定各所述数据对中，每个所述第一差值的权重信息的步骤，包括：
在所述基线值基于各第一目标子荧光数据值计算得到的情况下，确定各所述第一目标子荧光数据值中的中间荧光数据值的第二序列值；
确定各所述第一目标子荧光数据值的区间阈值；
确定各所述第一目标子荧光数据值的各第一序列值；
针对每个所述第一序列值，计算该所述第一序列值与所述第二序列值的差值；
在所述差值大于零的情况下，基于以下公式计算所述第一差值的权重信息：
权重信息＝1–0.1*(Int(第一序列值–第二序列值)/区间阈值)，其中，Int为取整；
在所述差值小于零的情况下，基于以下公式计算所述第一差值的权重信息：
权重信息＝1+0.1*(Int(第二序列值–第一序列值)/区间阈值)。
第二方面，本申请实施例提供了一种浓度检测方法，所述方法包括：
获取待检测物的待检测荧光数据；
对所述待检测荧光数据进行预处理和词向量化；
将经过预处理和词向量化的荧光数据输入至通过所述的方法训练得到的浓度检测模型，输出待检测物的浓度。
第三方面，本申请实施例提供了一种浓度检测模型的训练装置，所述装置包括：
采集模块，用于采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度；
确定模块，用于针对每组所述荧光数据，确定每组荧光数据的基线值；
预处理模块，用于基于所述基线值，对该组所述荧光数据进行预处理；
转换模块，用于将预处理后的该组所述荧光数据转换为词向量，其中，一组所述词向量对应一个浓度标签；
训练模块，用于基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。
第四方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述浓度检测模型的训练方法的步骤。
第五方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述浓度检测模型的训练方法的步骤。
本申请具有以下有益效果：
本申请通过采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度。针对每组荧光数据，确定每组荧光数据的基线值，基于基线值，对该组荧光数据进行预处理，将预处理后的该组荧光数据转换为词向量，其中，一组所述词向量对应一个浓度标签，基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。能够在降低工艺和实验检测要求的情况下，提升确定待检测物浓度的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的电子设备的方框示意图；
图2为本发明实施例提供的一种浓度检测模型的训练方法的步骤流程图之一；
图3为本发明实施例提供的一种浓度检测模型的训练方法的步骤流程图之二；
图4为本发明实施例提供的一种浓度检测模型的训练方法步骤流程图之三；
图5为发明实施例提供的一种浓度检测模型的训练方法的步骤流程图之四；
图6为本发明实施例提供的一种试剂片的示意图；
图7为本发明实施例提供的一种浓度检测方法的步骤流程图；
图8为本发明实施例提供的一种浓度检测模型的训练装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
经过发明人大量研究发现，通过提高工艺的水平和实验的精准度来减小误差，但是在实际操作中很难达到，且成本较高且浓度检测不够准确。
有鉴于对上述问题的发现，本实施例提供了浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质，能够通过采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度。针对每组荧光数据，确定每组荧光数据的基线值，基于基线值，对该组荧光数据进行预处理，将预处理后的该组荧光数据转换为词向量，其中，一组所述词向量对应一个浓度标签，基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。能够在降低工艺和实验检测要求的情况下，提升确定待检测物浓度的准确性，下面对本实施例提供的方案进行详细阐述。
本实施例提供一种可以对浓度检测模型进行训练的电子设备。在一种可能的实现方式中，所述电子设备可以为用户终端，例如，电子设备可以是，但不限于，服务器、智能手机、个人电脑(PersonalComputer，PC)、平板电脑、个人数字助理(Personal DigitalAssistant，PDA)、移动上网设备(Mobile Internet Device，MID)等。
请参照图1，图1是本申请实施例提供的电子设备100的结构示意图。所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
所述电子设备100包括浓度检测模型的训练装置110、存储器120及处理器130。
所述存储器120及处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述浓度检测模型的训练装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块，例如所述浓度检测模型的训练装置110所包括的软件功能模块及计算机程序等。
其中，所述存储器120可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。
请参照图2，图2为应用于图1的电子设备100的一种浓度检测模型的训练方法的流程图，以下将方法包括各个步骤进行详细阐述。
步骤201：采集不同试剂片中采集窗口对应的N组荧光数据。
其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度。
步骤202：针对每组荧光数据，确定每组荧光数据的基线值。
步骤203：基于基线值，对该组荧光数据进行预处理。
步骤204：将预处理后的该组荧光数据转换为词向量。
其中，一组词向量对应一个浓度标签。
步骤205：基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。
需要说明的是，N组荧光数据可以为：在试剂片上由捕获抗体和质控抗体在膜上划线，对应测试线和质控线，获取不同检测物不同浓度下，检测物在试剂片上与测试线和质控线的反应荧光信号值，以及测试线之前的基底区域的荧光信号值、测试线与质控线之间的基底区域的荧光信号值，作为采集的荧光数据组。
不同检测物可以为同一种液体中的不同的检测物，基于不同试剂片对不同检测物进行检测，例如对血液中的不同微量元素进行检测。
在另一示例中，在试剂片上由捕获抗体、质控抗体以及内参蛋白划线，对应测试线、质控线以及内参线，获取不同检测物不同浓度下，检测物在试剂片上与测试线、质控线、内参线的反应荧光信号值、测试线之前的基底区域的荧光信号值、测试线与质控线之间的基底区域的荧光信号值、质控线与内参线之间的基底区域的荧光信号值以及内参线之后的基底区域的荧光信号值，作为采集的荧光数据组。
采集窗口可以为整个试剂片，也可以为局部的试剂片区域，需要说明的是，采集窗口必须包括上述测试线、质控线以及基底区域，当试剂片中包含测试线、质控线以及内参线时，采集窗口必须包含上述三种线以及基底区域。
N组荧光数据除了包含上述测试线、质控线或者内参线的反应荧光信号值以外，还包括采集窗口中的反应基底中的荧光信号值，由于在实际反应时，测试线、质控线以及内参线的次序固定，反应试剂会以一定的流速从第一处位置扩散到最后一处位置，因此，在采集窗口的反应基底也会存在荧光信号值，荧光头打在没有荧光微球的区域也会反馈信号值，只是很低，具体大小与该区域颜色材质有关，因此，需要采集试剂片上测试线、质控线以及内参线的荧光数据，以及采集窗口的第一处位置即初始位置到测试线的反应基底的荧光数据、测试线至质控线之间的反应基底的荧光数据、质控线至内参线之间的反应基底的荧光数据以及内参线与采集窗口的最后一处位置，即终止位置之间的反应基底的荧光数据。
为了排除背景噪声影响，以提取更为可靠的绝对荧光数据，需要对采集的N组荧光素数据进行预处理操作，即针对每组所述荧光数据，确定每组荧光数据的基线值，基于基线值，对该组荧光数据进行预处理。其中，基线值用来表征反应基底的值。
在一实施例中，对采集的荧光数据进行预处理的过程可以为：
计算该组荧光数据中，每个子荧光数据值与该组荧光数据的基线值的第一差值，其中，每组荧光数据由多个子荧光数据值构成。
并且将预处理后的N组荧光数据转换为词向量，其中，各个词向量携带有浓度标签，浓度标签用于指示该词向量对应检测物的浓度。
对采集的N组荧光数据依次进行预处理、词向量转化后，得到携带有浓度标签的各词向量，将携带有浓度标签的各词向量作为训练集，对浓度检测模型进行训练，从而使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。
在具体对浓度检测模型的训练过程中，采用的损失函数为交叉熵的损失函数，计算待检测物在试剂片中待检测荧光数据的预测浓度，计算预测浓度与样本对应的浓度标签所表征的浓度的距离。基于计算的距离来更新浓度检测模型的网络参数，直到计算的损失函数最小即浓度检测模型训练完成。
具体的，使用AdamOptimizer来更新浓度检测模型的网络参数。Adam算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。TensorFlow提供的tf.train.AdamOptimizer可控制学习速度，经过偏置校正后，每次迭代参数的学习率都有一定的范围，不会因为梯度很大而导致学习率(步长)也变得很大，参数的值相对比较稳定。该函数可直接调用，用来更新浓度检测模型的网络参数使得浓度检测模型向损失函数最小的方向靠拢。根据预测浓度的结果来修改超参数，比如学习率、dropout的比例、训练次数等。在测试集中得到较高的正确率以后，保存浓度检测模型，用于判断和识别同类型的新的荧光数据。
需要说明的是，对于浓度检测模型的训练，可以基于同一种液体中不同的检测物，训练不同检测物对应的浓度检测模型，例如浓度检测模型A、浓度检测模型B以及浓度检测C，分别对不同检测物进行检测。
如何对预处理后的荧光数据进行词向量的转换，针对上述步骤204，在本申请的另一实施例中，如图3所示，提供了一种浓度检测模型的训练方法，具体包括如下步骤：
步骤204-1：确定该组各第一差值在该组荧光数据中的序列值。
步骤204-2：基于各序列值和各第一差值，构成该组荧光数据的数据对。
步骤204-3：将各数据对按照预设编译规则，得到各数据对的词向量。
示例性的，例如某一组荧光数据为{1,2,3,1,4,2,5,2}，且该组荧光数据的基线值为A，则该组计算得到的各第一差值为{1-A,2-A,3-A,1-A,4-A,2-A,5-A,2-A}。
确定各个第一差值分别对应的序列值为：1-A对应的序列值为1,2-A对应的序列值为2,3-A对应的序列值为3,1-A对应的序列值为4,4-A对应的序列值为5,2-A对应的序列值为6…该集合中最后一个元素2-A对应的序列值为8。
基于各序列值和该序列值对应的第一差值，构成该组荧光数据的数据对，例如：基于上述集合，得到的数据对为(1,1-A)、(2,2-A)…(8,2-A)。
基于预设的编译规则，得到各数据对的词向量，即对(1,1-A)的词向量、(2,2-A)的词向量…(8,2-A)进行转换得到各数据对的词向量。
如何确定每组荧光数据的基线值，针对上述步骤202，在本申请的另一实施例中，如图4所示，提供了一种浓度检测模型的训练方法，具体包括如下步骤：
步骤202-1：确定该组荧光数据中测试线的测试峰。
步骤202-2：选取测试峰的第一预设区域内的第一数量的各第一目标子荧光数据值。
步骤202-3：基于各第一目标子荧光数据值，计算第一平均值。
步骤202-4：将第一平均值作为该组荧光数据的基线值。
需要说明的是，测试线的测试峰即为检测物在与测试线的捕获抗体发生反应后的荧光数据得到的测试峰。
选取测试峰前端第一数量的第一目标荧光数据值的平均值作为基线值；其中，前端是指测试峰前部的位置。
需要说明的是，第一数量可以为10、15、20等，本发明实施例对此不做具体限制。
除此之外，在一示例中，基线值的确定方法还可以为：
确定该组荧光数据中测试线的测试峰和质控线的质控峰，选取测试峰与质控峰之间的第二数量的各第二目标子荧光数据值，基于各第二目标子荧光数据值，计算第二平均值，将第二平均值作为该组荧光数据的基线值。
选取测试峰和质控峰之间的第二数量的第二目标子荧光数据值的平均值作为基线值；其中，对二线数据来说，即试剂片仅包括测试线和质控线时，取测试峰和质控峰之间的第二目标子荧光数据；对三线数据来说，即试剂片包括测试线、质控线以及内参线时，取测试峰和内参峰之间第二目标子荧光数据。
质控线的质控峰即为检测物在与质控线的质控抗体发生反应后的荧光数据得到的质控峰，内参线的内参峰即为检测物在与内参线的内参蛋白发生反应后的荧光数据得到的内参峰。
在另一示例中，基线值的确定方法还可以为：
确定该组荧光数据中测试线的测试峰和质控线的质控峰，选取测试峰中的第一预设区域内的第三数量的各第三目标子荧光数据值，和质控峰中第二预设区域内的第三数量的各第四目标子荧光数据值，基于各第三目标子荧光数据值和各第四目标子荧光数据值，计算第三平均值，将第三平均值作为该组荧光数据的基线值。
示例性的，选取测试峰前端和质控峰后端各第三数量的第三目标子荧光数据值和第四目标子荧光数据值；其中前端指测试峰前端的位置，后端指质控峰后端的位置。
如何将各数据对按照预设编译规则，得到各数据对的词向量，针对上述步骤204-3，在本申请的另一实施例中，如图5所示，提供了一种浓度检测模型的训练方法，具体包括如下步骤：
步骤204-3-1：确定各数据对中，每个第一差值的权重信息。
步骤204-3-2：将第一差值和第一差值对应的权重信息，构成该数据对的词向量。
确定各数据对中，每个第一差值的权重信息的步骤，包括：
在基线值基于各第一目标子荧光数据值计算得到的情况下，确定各第一目标子荧光数据值中的中间荧光数据值的第二序列值，确定各第一目标子荧光数据值的区间阈值，确定各第一目标子荧光数据值的各第一序列值，针对每个第一序列值，计算该第一序列值与中间荧光数据值的第二序列值的差值，在差值大于零的情况下，基于以下公式计算第一差值的权重信息，权重信息＝1–0.1*(Int(第一序列值–第二序列值)/区间阈值)，其中，Int为取整，在差值小于零的情况下，基于以下公式计算第一差值的权重信息，权重信息＝1+0.1*(Int(第二序列值–第一序列值)/区间阈值)。
反应样本即采集的N组荧光数据的基线值并不是处处统一的，由于标记物即捕获抗体、质控抗体以及内参蛋白随反应的检测物流动时的堆积效应不同，先经过的位置标记物堆积会更明显，所以一般来说，前端的基线值大于后端的基线值。在减去基线值求绝对信号值时，使用的基线值是截取自一段区间内计算的一个定值，不能完全反应每一坐标处实际对应的基底。根据前端基线值一般高于后端基线值的变化趋势，按照实际位置与截取计算基线值的位置之间的距离对权重信息赋值，基线值截取附近区间的权重为1，实际位置在基线值截取位置前方，权重信息随距离增加而增加，实际位置在基线值截取位置后方，权重信息随距离增加而减小，以增加输入的荧光数据中包含的信息量，从而可以使得训练的浓度检测模型更加精准。
基于计算的每个第一差值的权重信息，得到将各数据对的词向量，其中一组词向量对应一个浓度标签，对不同的浓度标签进行one-hot编码，这里以某一检测物的五个浓度的标签类别为例，假设需要分类的荧光数据被划分为五个不同的浓标签度，分别为5500pg/ml，3200pg/ml，1600pg/ml，100pg/ml，0pg/ml。那么不同浓度标签的one-hot编码可设定如下：
浓度5500pg/ml:[1,0,0,0,0]；
浓度3200pg/ml:[0,1,0,0,0]；
浓度1600pg/ml:[0,0,1,0,0]；
浓度100pg/ml:[0,0,0,1,0]；
浓度0pg/ml:[0,0,0,0,1]；
每组荧光数据对应的词向量和浓度标签一一对应。
如图6所示，将试剂片中的坐标当作时间顺序，每个位置对应的荧光数据的强度作为一个子荧光数据值。
在对浓度检测模型训练过程中，浓度检测模型的每层之间设置dropout参数避免数据的过拟合现象，整个浓度检测模型遵循经典的LSTM模型。将每个坐标点处的子荧光数据值经过预处理后，转化为对应词向量，按序依次输入RNN模型，每一时刻的RNN都可以看作一个单独的全连接网络，输入为当前时刻词向量和上一时刻的隐藏层输出，实现不同时刻神经元参数之间的关联，达到前序输出影响后续输出的作用。
为了对待检测物的浓度进行检测，在本申请的另一实施例中，如图7所示，提供了一种浓度检测方法，具体包括如下步骤：
步骤301：获取待检测物的待检测荧光数据。
步骤302：对待检测荧光数据进行预处理和词向量化。
步骤303：将经过预处理和词向量化的荧光数据输入至通过训练得到的浓度检测模型，输出待检测物的浓度。
将获取的待检测物的待检测荧光数据进行预处理和词向量化，可以、以排除背景噪声影响提取更为可靠的绝对信号。且对待检测荧光数据的预处理方式与对该浓度检测模型的训练方式一致，将待检测荧光数据输入训练好的浓度检测模型，以得到待检测物的浓度。
请参照图8，本申请实施例还提供了一种应用于图1所述电子设备100的浓度检测模型的训练装置110，所述浓度检测模型的训练装置110包括：
采集模块111，用于采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度；
确定模块112，用于针对每组所述荧光数据，确定每组荧光数据的基线值；
预处理模块113，用于基于所述基线值，对该组所述荧光数据进行预处理；
转换模块114，用于将预处理后的该组所述荧光数据转换为词向量，其中，一组所述词向量对应一个浓度标签；
训练模块115，用于基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。
本申请通过采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度。针对每组荧光数据，确定每组荧光数据的基线值，基于基线值，对该组荧光数据进行预处理，将预处理后的该组荧光数据转换为词向量，其中，一组词向量对应一个浓度标签，基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。能够在降低工艺和实验检测要求的情况下，提升确定待检测物浓度的准确性。
本申请还提供一种电子设备100，电子设备100包括处理器130以及存储器120。存储器120存储有计算机可执行指令，计算机可执行指令被处理器130执行时，实现该浓度检测模型的训练方法。
本申请实施例还提供一种存储介质，存储介质存储有计算机程序，计算机程序被处理器130执行时，实现该浓度检测模型的训练方法。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种浓度检测模型的训练方法，其特征在于，所述方法包括：
采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度；
针对每组所述荧光数据，确定每组荧光数据的基线值；
基于所述基线值，对该组所述荧光数据进行预处理；
将预处理后的该组所述荧光数据转换为词向量，其中，一组所述词向量对应一个浓度标签；
基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。
2.根据权利要求1所述的方法，其特征在于，所述基于所述基线值，对该组所述荧光数据进行预处理的步骤，包括：
计算该组所述荧光数据中，每个子荧光数据值与该组所述荧光数据的基线值的第一差值，其中，每组所述荧光数据由多个子荧光数据值构成。
3.根据权利要求2所述的方法，其特征在于，所述将预处理后的该组所述荧光数据转换为词向量的步骤，包括：
确定该组各所述第一差值在该组荧光数据中的序列值；
基于各所述序列值和各所述第一差值，构成该组所述荧光数据的数据对；
将各所述数据对按照预设编译规则，得到各所述数据对的词向量。
4.根据权利要求2所述的方法，其特征在于，所述确定每组荧光数据的基线值的步骤，包括：
确定该组所述荧光数据中测试线的测试峰；
选取所述测试峰的第一预设区域内的第一数量的各第一目标子荧光数据值；
基于各所述第一目标子荧光数据值，计算第一平均值；
将所述第一平均值作为该组所述荧光数据的基线值；
或，
确定该组所述荧光数据中测试线的测试峰和质控线的质控峰；
选取所述测试峰与所述质控峰之间的第二数量的各第二目标子荧光数据值；
基于各所述第二目标子荧光数据值，计算第二平均值；
将所述第二平均值作为该组所述荧光数据的基线值；
或，
确定该组所述荧光数据中测试线的测试峰和质控线的质控峰；
选取所述测试峰中的第一预设区域内的第三数量的各第三目标子荧光数据值，和所述质控峰中第二预设区域内的所述第三数量的各第四目标子荧光数据值；
基于各所述第三目标子荧光数据值和各所述第四目标子荧光数据值，计算第三平均值；
将所述第三平均值作为该组所述荧光数据的基线值。
5.根据权利要求3所述的方法，其特征在于，所述将各所述数据对按照预设编译规则，得到各所述数据对的词向量的步骤，包括：
确定各所述数据对中，每个所述第一差值的权重信息；
将所述第一差值和所述第一差值对应的权重信息，构成该数据对的词向量。
6.根据权利要求5所述的方法，其特征在于，所述确定各所述数据对中，每个所述第一差值的权重信息的步骤，包括：
在所述基线值基于各第一目标子荧光数据值计算得到的情况下，确定各所述第一目标子荧光数据值中的中间荧光数据值的第二序列值；
确定各所述第一目标子荧光数据值的区间阈值；
确定各所述第一目标子荧光数据值的各第一序列值；
针对每个所述第一序列值，计算该所述第一序列值与所述第二序列值的差值；
在所述差值大于零的情况下，基于以下公式计算所述第一差值的权重信息：
权重信息＝1–0.1*(Int(第一序列值–第二序列值)/区间阈值)，其中，Int为取整；
在所述差值小于零的情况下，基于以下公式计算所述第一差值的权重信息：
权重信息＝1+0.1*(Int(第二序列值–第一序列值)/区间阈值)。
7.一种浓度检测方法，其特征在于，所述方法包括：
获取待检测物的待检测荧光数据；
对所述待检测荧光数据进行预处理和词向量化；
将经过预处理和词向量化的荧光数据输入至通过所述权利要求1-6所述的方法训练得到的浓度检测模型，输出待检测物的浓度。
8.一种浓度检测模型的训练装置，其特征在于，所述装置包括：
采集模块，用于采集不同试剂片中采集窗口对应的N组荧光数据，其中，不同试剂片对应有不同的检测物，相同检测物对应有不同的浓度；
确定模块，用于针对每组所述荧光数据，确定每组荧光数据的基线值；
预处理模块，用于基于所述基线值，对该组所述荧光数据进行预处理；
转换模块，用于将预处理后的该组所述荧光数据转换为词向量，其中，一组所述词向量对应一个浓度标签；
训练模块，用于基于N组携带有浓度标签的各词向量对浓度检测模型进行训练，使得训练后的浓度检测模型的输入为待检测物在试剂片中的待检测荧光数据，输出为待检测物的浓度。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
CN202210202249.5A 2022-03-03 2022-03-03 浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质 Active CN114565085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210202249.5A CN114565085B (zh) 2022-03-03 2022-03-03 浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210202249.5A CN114565085B (zh) 2022-03-03 2022-03-03 浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114565085A true CN114565085A (zh) 2022-05-31
CN114565085B CN114565085B (zh) 2025-09-12

Family

ID=81717813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210202249.5A Active CN114565085B (zh) 2022-03-03 2022-03-03 浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114565085B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120558920A (zh) * 2025-05-22 2025-08-29 东莞市苏笛瓦尔科技有限公司 一种药剂浓度检测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959265A (zh) * 2018-07-13 2018-12-07 深圳市牛鼎丰科技有限公司 跨领域文本情感分类方法、装置、计算机设备及存储介质
WO2020082561A1 (zh) * 2018-10-25 2020-04-30 平安科技（深圳）有限公司 文本输入的预测方法、装置、计算机设备和存储介质
CN111340091A (zh) * 2020-02-21 2020-06-26 上海艾瑞德生物科技有限公司 基于cnn原理的免疫数据分类技术
CN111579776A (zh) * 2020-06-01 2020-08-25 西安佰奥莱博生物科技有限公司 通过试纸条确定物质浓度的方法、装置、系统及存储介质
CN113252632A (zh) * 2021-06-25 2021-08-13 成都瀚辰光翼生物工程有限公司 样本浓度处理方法、装置、样本处理设备及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959265A (zh) * 2018-07-13 2018-12-07 深圳市牛鼎丰科技有限公司 跨领域文本情感分类方法、装置、计算机设备及存储介质
WO2020082561A1 (zh) * 2018-10-25 2020-04-30 平安科技（深圳）有限公司 文本输入的预测方法、装置、计算机设备和存储介质
CN111340091A (zh) * 2020-02-21 2020-06-26 上海艾瑞德生物科技有限公司 基于cnn原理的免疫数据分类技术
CN111579776A (zh) * 2020-06-01 2020-08-25 西安佰奥莱博生物科技有限公司 通过试纸条确定物质浓度的方法、装置、系统及存储介质
CN113252632A (zh) * 2021-06-25 2021-08-13 成都瀚辰光翼生物工程有限公司 样本浓度处理方法、装置、样本处理设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINGHE YUAN: "Analyzing protein dynamics from fluorescence intensity traces using unsupervised deep learning network", COMMUNICATIONS BIOLOGY, vol. 3669, no. 2020, 12 December 2020 (2020-12-12), pages 1 - 10 *
QI QIN,: "Algorithms for immunochromatographic assay: review and impact on future application", ANALYST, vol. 144, no. 2019, 3 August 2019 (2019-08-03), pages 1 - 18 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120558920A (zh) * 2025-05-22 2025-08-29 东莞市苏笛瓦尔科技有限公司 一种药剂浓度检测系统及方法

Also Published As

Publication number Publication date
CN114565085B (zh) 2025-09-12

Similar Documents

Publication Publication Date Title
Gayoso et al. Joint probabilistic modeling of single-cell multi-omic data with totalVI
Pedersen et al. cyCombine allows for robust integration of single-cell cytometry datasets within and across technologies
Milosevic Different approaches to Imaging Mass Cytometry data analysis
JP2022525427A (ja) 質量分析法データにおける境界の自動検出
CN114264648B (zh) 一种水质检测试纸识别方法和系统
Blattmann et al. SWATH2stats: an R/bioconductor package to process and convert quantitative SWATH-MS proteomics data for downstream analysis tools
CN111103325B (zh) 一种基于集成神经网络学习的电子鼻信号漂移补偿方法
JP2018068752A (ja) 機械学習装置、機械学習方法及びプログラム
EP4471798A1 (en) Disease screening model building apparatus and disease screening apparatus
WO2021261202A1 (ja) データ生成方法及び装置、並びに、識別器の生成方法及び装置
CN112161913A (zh) 一种用于流式荧光分析系统的分析方法及设备
CN116434226B (zh) 循环肿瘤细胞分析仪
CN106645706A (zh) 一种移动终端定量分析胶体金检测试剂的方法
CN115639323A (zh) 一种基于人工嗅觉的多组分气体检测方法及系统
CN117405810A (zh) 畜禽产品中氟喹诺酮类药物残留定量检测方法
CN114184599A (zh) 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置
Gayoso et al. Joint probabilistic modeling of paired transcriptome and proteome measurements in single cells
CN114565085A (zh) 浓度检测模型的训练方法、浓度检测方法、装置、电子设备及存储介质
Zhang et al. Estimating the rate constant from biosensor data via an adaptive variational Bayesian approach
CN120044313A (zh) 信号检测方法、装置、设备及计算机可读存储介质
CN118568565A (zh) 基于对抗训练和多尺度注意力的肺癌电子鼻数据分类方法
Bérubé et al. A Bayesian hierarchical model for signal extraction from protein microarrays
CN116577388A (zh) 一种细胞压积校正方法、装置、系统及存储介质
CN115312134A (zh) 一种试剂开发实验方法、装置、终端及储存介质
CN110042140B (zh) 一种基于群感效应的微生物燃料电池系统开发方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant