CN1054203C - 粒子分析装置及方法 - Google Patents

Abstract

公开了一种能定量而且简单容易对患有某种疾病的可能性进行判断以及对装置的精度管理及性能进行评价的粒子分析装置。在该装置中，粒子检测器能对多个粒子中的每一个粒子进行测定，并把对每个粒子测得的2种数据，通过变换单元22变换成二元分布数据。将相对于粒子的基准分布数据存储在数据库存储单元26中，根据二元分布数据和上述基准分布数据，类似度计算单元28能计算出二元分布数据相对于基准分布数据的类似度δ，由显示装置20示出该类似度。

Description

粒子分析装置及方法

本发明涉及粒子分析装置及方法，尤其涉及可以将作为粒子分析结果获得的数据，与作为基准分布数据的类似程度数值化的装置及方法。

以前，作为粒子分析装置，有例如对多个粒子的每一个粒子分别测定来获得数据，根据这些测定数据的不同将粒子分类的装置。例如，在粒子是血球的情况下，将悬浮着血球的检样顺次供给粒子检测装置，每检测一次粒子，粒子检测装置例如会产生两种数据X₁，X₂。将这些粒子各自获得数据X₁，X₂变换成特征参数空间中的分布数据。此处，分布数据，是将数据X₁，X₂各自作为座标轴的二元点图F(X₁，X₂)，根据该点图，将血球例如分类为粒细胞，淋巴细胞，单核细胞等。

在上述粒子分布装置中，如果观察点图的分布图形，至少可以判断它是正常检样，或是异常检样；如果仔细研究分布图形，还可以推断疾病。因此，以前，对使用者提供记载有各病例中典型点图例的病例集，用户通过比较由粒子分析装置获得的点图和病例集中所示的点图，观察两者的类似性，用作为检查资料。

然而，依赖这种人类的主观性，判断时要花费很多工夫，而且判断结果也不太明确，因此很难说这种状况能有效地利用。因此，希望研究出一种能够通过用数值表示粒子分析装置得到的点图和疾病典型例点图的类似度，定量地而且简单地了解患疾病的可能性。

而且，作为粒子分析装置，有必要对该粒子分析装置作出是否正常动作的判断的管理，即精度管理。以前，该精度管理，是对粒子分析装置的每个测定项目都求出作为精度管理指标的参数，通过检查该参数的变动来进行。然而，如果想提高该精度管理的精度(是否正常动作的检查能力)，就必须增加参数的数目，由粒子分析获得的分布数据尽可能多元以致从二元到三元，管理的参数也增多，因此，这种管理既费事又费时。

因此，希望研究出一种精度管理耗时短而且容易进行的粒子分析装置。

而且，制造粒子分析装置时，还有必要评价由该粒子分析装置得到的分布数据是否有再现性和稳定性(同一检样在多次分析时是否可得到同样的分布数据)。也就是说必需进行性能评价，以鉴定制得的粒子分析装置，是否能作为制品在市场上销售。历来在进行这种评价时都是按照与精度管理同样的方法来进行，但是这种评价既费事又费时。

因此，希望研究出一种能在短时间内而且进行性能评价的粒子分析装置。

本发明的目的是提供一种能满足上述各项要求的粒子分析装置及方法。能达到上述目的的粒子分析装置的特征是，在具有通过对多个粒子中的每一个粒子进行测定，对上述每一个粒子获得至少一种数据的粒子检测单元，将这些数据变换成分布数据的单元，并根据上述分布数据将上述各种粒子进行分类的分类单元的粒子分析装置中，具备存储有相对于上述粒子的基准分布数据的数据库存储单元，和根据上述分布数据和上述基准分布数据，计算出上述分布数据相对于上述基准分布数据的分布类似程度δ的类似度计算单元。

而且，上述类似度计算单元可以对上述分布数据F(X₁，X₂……X_n)和上述基准分布数据G(X₁，X₂……X_n)的指定区域的数据，根据〔数学式3〕，计算出类似度。此外，还可以设上述粒子为血球，将上述基准分布数据，作为某种疾患中典型的分布数据(血球分布数据)。而且，还可将上述基准分布数据，作为粒子分析装置的精度管理用的基准分布数据，或者作为质量评价用的基准分布数据。

按照本发明的粒子分析方法，它具备通过对多个粒子中的每一个粒子进行测定，对每个粒子获得至少一种数据的过程，和将这些数据变换成分布数据的过程以及根据上述分布数据和基准分布数据计算出上述分布数据相对于上述基准分布数据的类似度δ的过程。还可以通过计算该类似度δ的过程，即相对于上述分布数据F(X₁，X₂……X_n)和上述基准分布数据G(X₁，X₂……X_n)的指定区域，根据〔数学式4〕，计算出类似度。

利用本发明的粒子分析装置和方法，一旦获得分布数据，就可以根据该分布数据和基准分布数据，获得数值形式的分布数据相对于基准分布数据的类似度δ。

如果采用某种疾病的分布数据作为基准分布数据，就可以从计算出的类似度δ，获得检样是否患该疾病的可能性，即诊断资料信息。

此外，如果采用粒子分析装置的精度管理用的基准分布数据，或者是质量评价用的基准分布数据，作为基准分布数据，从类似度δ可以知道装置是否正常，或者是偏离正常的程度，从而进行精度管理和对装置进行评价。

实施例

按照本发明的粒子分析装置的一个实施例，如图2所示，具有粒子检测器10。该粒子检测器10，是用于测定那些为了测定而进行过前处理的检样，所说的前处理，例如有；对人的血液进行稀释和溶血处理等，然后再将白血球作为粒子使其悬浮，经过这些前处理的检样，就可用于测定。该粒子检测器10，当粒子每次通过它时，都能发出多种信号。

例如，作为粒子检测器10，如果使用流体观察窗，则每个粒子都产生散乱光和萤光信号。而且，作为粒子检测器10，设有粒子通过的微孔，如果使用中同时供给该微孔以直流电流和高频电流，则每当粒子通过微孔时，就可检测出基于直流阻抗变化的信号，和基于高频阻抗变化的信号。

由粒子检测器10测出的多种信号，经过放大电路12放大后，在波形处理电路14中经过波形处理，再在A/D转换器16中进行A/D变换。

来自该A/D转换器16的数字信号，供给数据分析装置。数字化的粒子检测信号，在该数据分析装置18中被分析，根据其分析结果进行分类，其结果由显示装置20显示出来。

该数据分析装置18，例如由微型计算机构成，通过软件实现图1所示的单元。输到该数据分析装置18的数字信号，包括信号X₁和信号X₂，其中，用粒子检测器10对每一个粒子测定其直流阻抗，然后把基于这种阻抗变化的信号进行数字化后即为信号X₁，而把基于高频阻抗变化的信号进行数字化后即为信号X₂。

数据分析装置18，具有数据变换单元22。该数据变换单元22，将每个粒子发出的信号X₁，X₂转换成特征参数空间的分布数据F(X₁，X₂)。

也就是说，数据变换单元22具有刻度，该刻度如图3所示有从0至m1合计为m1+1条通道(序列)构成的参数X₁，和从0至m2合计为m2+1条通道(序列)构成的参数X₂。因此，该刻度被划分成〔(m1+1)*(m2+1)〕的基本要素。

而且，每当X₁，X₂信号输入进数据变换单元22中，与该输入的X₁的大小和X₂的大小相对应的基本要素记忆值随之增加。因此，当对应于全部的X₁，X₂信号都输进数据换单元22中时，例如，如果F(1，1)是2，则参数X₁是1，参数X₂是1的粒子，表示全部粒子中有2个。

如此这般，通过数据变换单元22获得的分布数据F(X₁，X₂)，供给群集(Cluster ring)单元24，进行聚集成组(分类)，例如进行白血球单细胞、粒细胞、淋巴细胞等的分类。

在该数据分析装置18中，还设有数据库存储单元26，在其中存储有作为基准的基准分布数据G(X₁，X₂)。图4示出该基准分布数据G(X₁，X₂)的一例，其构造与数据变换单元22的刻度相同，例如G(1，1)表示X₁参数为1，X₂参数也为1的粒子有10个存在于全部粒子之中。

作为该基准分布数据，例如可以使用某种疾病中典型的二元分布数据，和粒子控制装置是正常状态下分析某种精度管理用物质而得到的二元分布数据(精度管理用二元分布数据)。

根据从数据变换单元22得到的二元分布数据F(X₁，X₂)，和数据库存储单元26的基准分布数据G(X₁，X₂)，由类似度计算单元28算出二元分布数据F(X₁，X₂)相对于基准分布数据G(X₁，X₂)的类似度δ。该计算结果由显示装置20显示出来。

具体地说，根据〔数学式5〕，类似度计算单元28算出类似度。

数学式5中，类似度δ的计算区域，对参数X₁规定为a1至b1通道，对参数X₂规定为a2至b2通道。类似度δ的计算区域，没有必要是特征参数空间的全部(对参数X₁来说是从0通道至m1通道，对参数X₂来说是从0通道到m2通道)，还可以根据目的设定最适宜的区域。例如，在可以预先判断没有数据分布的区域时，也可以仅就该区域之外的部分计算类似度。

具体地说，如果根据图3、图4的分布数据F(X₁，X₂)和基准分布数据G(X₁，X₂)来计算类似度δ，则可按下述方法进行。如图3及图4所示，设定a1＝1通道，b1＝2通道，a2＝1通道，b2＝4通道，如此进行计算。

数字式5的分子，用〔数学式6)表示。

而分母的前部用〔数学式7〕表示。

该分母的后半部用〔数学式8〕表示。

因此，类似度δ，为265/(316.416)^1/2＝0.731。

数学式5表示函数F(X₁，X₂)、G(X₁，X₂)的相关系数。当分布数据F(X₁，X₂)、和基准数据相似时，即F(X₁，X₂)＝K·G(X₁，X₂)时(但K是常数)，类似度δ为最大值1。如两者的分布是分离地排列(或者说是其分布呈无类似性排列)，则这时δ值变小，接近0。即，类似度δ定量地表示二元分布的类似性。

以下从理论上进行说明，将数学式5相对于分布的变化会显示出什么样的行为进行了分析。该分析装置中使用的数据是作为离散数据的数字信号，而为简便起见将分布数据和基准分布数据都假定为连续分布，则类似度δ按照二元分布，可用〔数学式9〕表示。

为了说明方便，首先考虑为连续的一元分布，类似度δ用〔数学式10〕表示(参见株式会社昭晃堂发行，土井康弘，安藤繁共著、〔画像处理理论〕第11页)。

如果设函数元的分布函数f(X)为正规分布N(m，σ)，则f(x)用〔数学式11〕表示。

如果以相对于f(x)将σ变换成aσ，并将m变换成am+b的函数作为g(x)，则该g(x)为正规分布N(am+b、a²σ²)，用〔数学式12〕表示(参看图5)。

f(x)、g(x)从负无限大到无限大的积分值都是1。

使用数学式11，计算数学式10的分母前半部分时，可用〔数学式13〕表示。

同样，用数学式12计算数学式10的分母后半部分时，可用〔数学式14〕表示。

同样，用数学式11、数学式12计算数学式10的分子时，即成为〔数学式15〕。

式中，如果C的定义如同〔数学式16〕表示，则数学式15可用〔数学式17〕表示。因此，δ可用〔数学式18〕表示。

如果考虑是在移动的情况下，也就是说，相对于函数元的分布数据f(x)来说，g(x)的分散σ和f(x)相同(a＝1)，其平均值从f(x)只移动到b的m+b的情况下，δ用〔数学式19〕表示。

〔表1〕中示出设m＝100，σ＝10时移动量b和类似度σ的关系。由该表可看出，δ的移动量b越大，δ就越急剧地减少。

此外，灵敏度变化时，也就是说，相对于函数元的分布数据f(x)来说，g(x)的分散是aσ，其平均值是f(x)的a倍，即am(b＝0)的情况下，δ用〔数学式20〕表示。

与上述相同，〔表2〕中示出设m＝100，σ＝10时灵敏度a和类似度δ的关系。从表2可看出，随着a从1逐渐增大，δ急剧地减少。

以下是考虑二元分布的情况。δ用数学式9表示，设函数元的分布函数为正规分布时，f(x)可用〔数学式21〕表示。但是，X＝(x，y)。式中，通过适当的变数变换，即使设K＝σ²I(I为单位行列)，也不会失去〔数学式21〕的普遍性。因此，数学式9，可用〔数学式22〕表示。

相对于该f(x，y)，在x方向将σ变换成a_xσ，将m_x变换成a_xm+b_x，在y方向将σ换成a_yσ，将m_y变换成a_ym_y+b_y的数据变化函数规定为g(x，y)。该函数用〔数学式23〕表示(参看图6)。当然，不用说就是〔数学式24〕。

当f(x，y)用〔数学式25〕表示时，〔数学式26〕成立，因此，数学式9的分母前半部分，可用〔数学式27〕表示。而且，数学式9的分母后半部分，可用〔数学式28〕表示。因此数学式9的分母，可用〔数学式29〕表示。

根据数学式22、23，数学式9的分子部分可用〔数学式30〕表示。但是，如果设C₁、C₂为〔数学式31〕中所示，则可被表示成〔数学式32〕。

因此，数学式9可用〔数学式33〕表示，与一元的情况相同。

与一元的情况相同，如果考虑移动和灵敏度变化，则移动的情况(a_x＝a_y＝1)下，δ可用〔数学式34〕表示。

此外，灵敏度变化的情况(b_x＝b_y＝0)下，δ可用〔数学式35〕表示。因此，二元分布f(x，y)，g(x，y)距离越远，δ越是急剧地减少。不用说，三元分布也是同样的。

因此，如果引出图7(a)、(b)中所示的对角线，即使是分布位置的差异很难判别的分布，也可以通过求出类似度δ来明确地判断两者的差异。

图8中示出，关于用该粒子分析装置对健康正常的100个人的血液检样进行分析而得到的白血球二元分布数据，调查分布数据相互间的类似度δ(数据数₁₀₀ C₂＝4950)的结果。健康正常人相互间的类似度δ集中在0.8乃至0.9，正常检样和异常检样之间的类似度δ成为比上述0.8乃至0.9更低的值。但是，低到如何程度，根据检样而不同。

将该粒子分析装置用于帮助诊断时，在数据库存储单元24中，存储有各种疾病的典型分布数据Gi，和对应于该分布数据Gi的病例名。也就是说，典型的分布数据记忆着每一种相应的疾病。各典型的数据Gi(病例分布数据)，是由粒子分析装置实际地分析各种疾病名称清楚的检样，并将此时得到的分布数据直接存储在数据库存储单元24中。

根据测得的分布数据，和数据库存储单元24的病例分布数据，就可以逐次求出测得的分布数据相对于各病例分布数据Gi的类似度δ。将与类似度δ显示出较大数值的病例分布数据Gi相对应的病例名作为新的检查资料，和测定结果一起在显示装置20中显示出来。

所谓类似度δ大，是指被测定的分布数据和比较的病例分布数据Gi相类似，被测定的检样，可判断为符合其病例i的可能性高。可是，通过将各种病例的分布数据Gi存储在数据库存储单元24中，就可以由测定的分布数据检索病例。

而且，相对于一个病例i，预先准备了例如Gi1，Gi2，Gi3等许多个病例分布数据，计算出相对于各病例分布数据Gi1，Gi2，Gi3的被测定分布数据的类似度δi1，δi2，δi3，进而求出其平均δi＝(δi1+δi2+δi3)/3，就可以获得每一种疾病的高精度的类似度。

此外，用于精度管理时，粒子分析装置在正常状态，将某种精度管理用物质经测定得到的分布数据，作为一个基本分布数据，预先存储在数据库存储单元24中。而且，例如每天，在开始用该粒子分析装置进行分析之前，在该粒子分析装置中测定上述精度管理用物质，获得分布数据后，计算出该分布数据与上述分布数据的类似度δ，通过判断该类似度δ的值是否在规定值以上，就可以判断其分析精度是否足够，从而能对该粒子分析装置的精度进行管理。而且，当类似度δ比规定值小时，显示装置20即发出警报。

此外，每天都分析该精度管理物质，算出类似度δ，通过测定该δ随天数的变化，可以了解该粒子分析装置的精度随天数变化的情况。进而，数据库存储单元24中预先存储相对于精度管理物质的多个基本数据，例如G1，G2，G3，对各基本数据G1，G2，G3，算出与测定的分布数据的类似度δ1，δ2，δ3，然后取其平均值算出类似度δ，进而可得到精度高的δ值。于是，通过使用类似度δ，就可以对该粒子分析装置进行精度管理。

此外，将该粒子分析装置用于生产中的检查时，数据库存储单元24中，预先存储粒子分析装置正常动作时，测定某种基准管理用物质时的基准分布数据。而且，实际上对上述基准管理用物质进行测定，获得分布数据后，计算出相对于该上述基准分布数据的类似度δ。进行多次测定，观察每次获得的类似度δ的再现性(类似度δ的相同程度)，就可以知道分布数据的再现性，继而知道该粒子分析装置的再现性。

此外，使温度变化，在各种温度下测定上述基准管理用物质，获得分布数据后，计算出类似度δ，通过观察该δ值随温度变化的变化，就可简单地了解分布数据的温度稳定性，进而可了解粒子分析装置的温度稳定性。于是，通过观察类似度δ，就可以评价该粒子分析装置的性能。

在上述实施例中，虽然是从1个粒子获得2种数据，但是也可以获得更多的数据，而且，还可以最低限度，从1个粒子获得1种数据。此外，数据变换单元22，也可以对1种数据划分成适当的序列，求出柱状统计图。

如上所述，按照本发明方法，可以根据测得的分布数据和预定的基准分布数据，以数值形式获得测定的分布数据相对于基准分布数据的类似度δ。因此，可对至今虽然包含有许多资料信息却不能对它加以利用、仅凭人类的主观意识加以判断的分布数据，进行定量地评价，本发明特别适合于对疾病的诊断和精度管理以及粒子分析装置进行定量地评价。

以下简单说明附图。

图1是本发明粒子分析装置的一个实施例的数据分析装置18的方块图。

图2是该实施例的方块图。

图3示出设置在该实施例数据变换单元22中的存储内容。

图4示出该实施例的数据库存储单元24的内容。

图5用于说明一元的2个数据的相关系数。

图6用于说明二元的2个数据的相关系数。

图7示出由该粒子分析装置分析而得的二元分布数据。

图8示出对由该实施例的粒子分析装置分析的白血球的二元分布数据，调查粒度分布相互间的类似度的结果。图中所用符号说明如下。18数据分析装置22数据变化单元26数据库存储单元28类似度计算单元

【表1】

b	δ
		0	1.000
±    2	0.990
		±    5	0.939
±    10	0.779
		±    15	0.570
±    20	0.368

【表2】

a	δ	a	δ
				1.00	1.000
1.02	0.990	0.98	0.990
				1.05	0.942	0.95	0.936
1.10	0.796	0.90	0.757
				1.15	0.613	0.85	0.517
1.20	0.437	0.80	0.292

〔数学式1 〕〔数学式2〕〔数学式3〕〔数学式4〕的内容相同 $\mathrm{\δ}=\frac{\underset{X1}{\mathrm{\Σ}}\·\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}F(X1,X2\·\·\·\·\mathrm{Xn})\·G(X1,X2\·\·\·\·\mathrm{Xn})}{(\underset{X1}{\mathrm{\Σ}}\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}|F(X1,X2\·\·\·\·\mathrm{Xn}){|}^2\·\underset{X1}{\mathrm{\Σ}}\·\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}|(X1,X2\·\·\·\·\mathrm{Xn}){|}^2{)}^{1/2}}$ 〔数学式5〕 $\mathrm{\δ}=\frac{\underset{X1=a1}{\overset{b1}{\mathrm{\Σ}}}\underset{X2=b2}{\overset{b2}{\mathrm{\Σ}}}F(X1,X2)\·G(X1,X2)}{{(\underset{X1=a1}{\overset{b1}{\mathrm{\Σ}}}\underset{X2=a2}{\overset{b2}{\mathrm{\Σ}}}{\left|F(X1,X2)\right|}^2\·\underset{X1=a1}{\overset{b1}{\mathrm{\Σ}}}\underset{X2=a2}{\overset{b2}{\mathrm{\Σ}}}{\left|G(X1,X2)\right|}^2)}^{1/2}}$ 〔数学式6 〕 $\underset{X1=1}{\overset{2}{\mathrm{\Σ}}}\underset{X2=1}{\overset{4}{\mathrm{\Σ}}}F(X1,X2)\·G(X1,X2)=F(1,1)\·G\left(\mathrm{1,1}\right)+F\left(\mathrm{2,1}\right)\·G\left(\mathrm{2,1}\right)$ +F(1，2)·G(1，2)+F(2，2)·G(2，2)+F(1，3)·G(1，3)+F(2，3)·G(2，3)+F(1，4)·G(1，4)+F(2，4)·G(2，4)＝2.10+3.6+1.9+4.8+4.6+11.7+7.5+10.5＝265〔数学式7〕 $\underset{X1=1}{\overset{2}{\mathrm{\Σ}}}\underset{X2=1}{\overset{4}{\mathrm{\Σ}}}{\left|F(X1,X2)\right|}^2={\left|F\left(\mathrm{1,1}\right)\right|}^2+{\left|F\left(\mathrm{2,1}\right)\right|}^2$ +｜F(1，2)｜²+｜F(2，2)｜²+｜F(1，3)｜²+｜F(2，3)｜²+｜F(1，4)｜²+｜F(2，4)｜²＝2²+3²+1²+4²+4²+11²+7²+10²＝316〔数学式8〕 $\underset{X1=1}{\overset{2}{\mathrm{\Σ}}}\underset{X2=1}{\overset{4}{\mathrm{\Σ}}}{\left|G(X1,X2)\right|}^2={\left|G\left(\mathrm{1,1}\right)\right|}^2+{\left|G\left(\mathrm{2,1}\right)\right|}^2$ +｜G(1，2)｜²+｜G(2，2)｜²+｜G(1，3)｜²+｜G(2，3)｜²+｜G(1，4)｜²+｜G(2，4)｜²＝10²+6²+9²+8²+6²+7²+5²+5²＝416〔数学式9〕 $\mathrm{\δ}=\frac{\∫\∫f(x,y)g(x,y)\mathrm{dxdy}}{\sqrt{\∫\∫f{(x,y)}^2\mathrm{dxdy}}\sqrt{\∫\∫g{(x,y)}^2\mathrm{dxdy}}}$ 〔数学式10〕 $\mathrm{\δ}=\frac{\∫f\left(x\right)\∫g\left(x\right)\mathrm{dx}}{\sqrt{\∫f{\left(x\right)}^2\mathrm{dx}}\sqrt{\∫g{\left(x\right)}^2\mathrm{dy}}}$ 〔数学式11〕 $\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}$ $(-{(x-m)}^2/{2\mathrm{\σ}}^2)$ 〔数学式12〕 $g\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{a\σ}}\exp (-{(x-\mathrm{am}-b)}^2/2a^2{\mathrm{\σ}}^2)$ 〔数学式13〕 $\∫f{\left(x\right)}^2\mathrm{dx}=\∫\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-{(x-m)}^2/2{\mathrm{\σ}}^2)\·\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-{(x-m)}^2/{2\mathrm{\σ}}^2)\mathrm{dx}$ $=\frac{1}{2\mathrm{\σ}\sqrt{\mathrm{\π}}}$ 〔数学式14〕 ${\∫g\left(x\right)}^2\mathrm{dx}=\∫\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{a\σ}}\exp (-{(x-\mathrm{am}-b)}^2/{2a}^2{\mathrm{\σ}}^2)\·\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{a\σ}}\exp \left(\frac{{-(x-\mathrm{am}-b)}^2}{2a^2{\mathrm{\σ}}^2}\right)$ $=\frac{1}{2\mathrm{a\σ}\sqrt{\mathrm{\π}}}$ 〔数学式15〕 $\∫f\left(x\right)g\left(x\right)\mathrm{dx}=\∫\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp \left(\frac{{-(x-m)}^2}{{2\mathrm{\σ}}^2}\right)\·\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{a\σ}}\exp \left(\frac{{-(x-\mathrm{am}-b)}^2}{2a^2{\mathrm{\σ}}^2}\right)\mathrm{dx}$ $=\frac{1}{2\mathrm{\πa}{\mathrm{\σ}}^2}\∫\exp \left(\frac{\left((a^2+1)\right(-(a^{2}m+\mathrm{am}+b)/(a^2+1){)}^2+a^2{(\mathrm{am}+b-m)}^2/(a^2+1))}{2a^2{\mathrm{\σ}}^2}\right)\mathrm{dx}$ 〔数学式16〕C＝exp-((am+b-m)²/2(a²+1)σ²)〔数学式17〕 $\∫f\left(x\right)g\left(x\right)\mathrm{dx}=\frac{C}{2\mathrm{\πa}{\mathrm{\σ}}^2}\∫\exp \left(\frac{-{(x-(a^{2}m+\mathrm{am}+b)/(a^2+1))}^2}{{2a}^2{(a^2+1)}^{-1}{\mathrm{\σ}}^2}\right)\mathrm{dx}$ $=\frac{C}{\sqrt{2\mathrm{\π}}\mathrm{\σ}\sqrt{a^2+1}}$ 〔数学式18〕 $\mathrm{\δ}=\frac{\sqrt{2a}}{\sqrt{a^2+1}}\exp (-{(\mathrm{am}+b-m)}^2/2(a^2+1){\mathrm{\σ}}^2)$ 〔数学式19〕 $\mathrm{\δ}=\exp (-\frac{b^2}{4{\mathrm{\σ}}^2})$ 〔数学式20〕 $\mathrm{\δ}=\frac{\sqrt{2a}}{\sqrt{a^2+1}}\exp (-{(a-1)}^2{m}^2/2(a^2+1){\mathrm{\σ}}^2)$ 〔数学式21〕 $f\left(X\right)=\frac{1}{2\mathrm{\π}|K{|}^{-1/2}}\exp (-(X-m)K^{-1}(X-m{)}^T)$ 〔数学式22〕 $f(x,y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \left(\frac{-({(x-m_x)}^2+{(y-m_y)}^2)}{2{\mathrm{\σ}}^2}\right)$ 〔数学式23〕 $g(x,y)=\frac{1}{2\mathrm{\π}{a}_x{a}_y{\mathrm{\σ}}^2}\exp (-\frac{{(x-a_x{m}_x-b_x)}^2/{a_x}^2+{(y-a_y{m}_y-b_y)}^2/{a_y}^2}{2{\mathrm{\σ}}^2})$ 〔数学式24〕 $\underset{-\∞}{\overset{\∞}{\∫\∫}}f(x,y)\mathrm{dxdy}=1$ $\underset{-\∞}{\overset{\∞}{\∫\∫}}g(x,y)\mathrm{dxdy}=1$ 〔数学式25〕f(x，y)＝f₁(x)f₂(y)〔数学式26〕∫∫f(x，y)dxdy＝∫f₁(x)dx·∫f₂(y)dy〔数学式27〕 $\∫\∫f{(x,y)}^2\mathrm{dxdy}=\∫\∫\frac{1}{{\left(2{\mathrm{\π\σ}}^2\right)}^2}\exp {(-\frac{{(x-m_x)}^2+{(y-m_y)}^2}{{2\mathrm{\σ}}^2})}^2\·\mathrm{dxdy}$ $=\frac{1}{4{\mathrm{\π\σ}}^2}$ 〔数学式28〕∫∫g(x，y)²dxdy $=\∫\∫\frac{1}{{\left(2\mathrm{\π}{a}_x{a}_y{\mathrm{\σ}}^2\right)}^2}\exp {(-\frac{{(x-a_x{m}_x-b_x)}^2/{a_x}^2+{(y-a_y{m}_y-b_y)}^2/{a_y}^2)}{2{\mathrm{\σ}}^2})}^2\mathrm{dxdy}$ $=\frac{1}{4\mathrm{\π}{a}_x{a}_y{\mathrm{\σ}}^2}$ 〔数学式29〕 $\sqrt{\∫\∫f{(x,y)}^2\mathrm{dxdy}}\sqrt{\∫\∫g{(x,y)}^2\mathrm{dxdy}}=\frac{1}{4\mathrm{\π}{\mathrm{\σ}}^2\sqrt{a_x{a}_y}}$ 〔数学式30〕∫∫f(x，y)g(x，y)dxdy $=\∫\∫\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{{(x-m_x)}^2+{\left({y-m}_y\right)}^2}{{2\mathrm{\σ}}^2})$ $\frac{1}{2\mathrm{\π}{a}_x{a}_y{\mathrm{\σ}}^2}\exp (-\frac{{(x-a_x{m}_x-b_x)}^2/{a_x}^2+{(y-a_y{m}_y-b_y)}^2/{a_y}^2}{{2\mathrm{\σ}}^2})\mathrm{dxdy}$ $=\frac{1}{2\mathrm{\π}{a}_x{\mathrm{\σ}}^2}\∫\exp (-\frac{{{a_x}^2(x-m_x)}^2+{(x-{\mathrm{am}}_x-b_x)}^2}{2{a_x}^2{\mathrm{\σ}}^2})\mathrm{dx}$ $=\frac{1}{2\mathrm{\π}{a}_y{\mathrm{\σ}}^2}\∫\exp (-\frac{{{a_y}^2(y-m_y)}^2+{(y-{\mathrm{am}}_y-b_y)}^2}{2{a_y}^2{\mathrm{\σ}}^2})\mathrm{dy}$ 〔数学式31〕 $C_1=\exp (-\frac{{(a_x{m}_x+b_x-m_x)}^2}{2({a_x}^2+1){\mathrm{\σ}}^2})$ $C_2=\exp (-\frac{{(a_y{m}_y+b_y-m_y)}^2}{2({a_y}^2+1){\mathrm{\σ}}^2})$ 〔数学式32〕 $\frac{C_1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}\sqrt{{a_x}^2+1}}\·\frac{C_2}{\sqrt{2\mathrm{\π}}\mathrm{\σ}\sqrt{{a_y}^2+1}}$ $=\frac{C_1{C}_2}{2{\mathrm{\π\σ}}^2\sqrt{{a_x}^2+1}\sqrt{{a_y}^2+1}}$ 〔数学式33〕 $\mathrm{\δ}=\frac{2\sqrt{a_x{a}_y}}{\sqrt{{a_x}^2+1}\sqrt{{a_y}^2+1}}\exp (-\frac{{(a_x{m}_x+b_x-m_x)}^2/({a_x}^2+1)+{(a_y{m}_y+b_y-m_y)}^2/({a_y}^2+1)}{2{\mathrm{\σ}}^2})$ 〔数学式34〕 $\mathrm{\δ}=\exp (-(\frac{{b_x}^2}{{4\mathrm{\σ}}^2}+\frac{{b_y}^2}{{4\mathrm{\σ}}^2}))$ 〔数学式35〕 $\mathrm{\δ}=\exp (-(\frac{{(a_x-1)}^2{m_x}^2}{2({a_x}^2+1){\mathrm{\σ}}^2}+\frac{{(a_y-1)}^2{m_y}^2}{2({a_y}^2+1){\mathrm{\σ}}^2}))$

Claims (10)

1.一种粒子分析装置，该装置包括：

通过对多个粒子中每一个粒子进行测定来对上述每一粒子获得至少一种数据的粒子检测单元；

将这些数据变换成分布数据的变换单元；

存储着相对于上述粒子的基准分布数据的数据库存储单元；

根据上述分布数据及上述基准分布数据计算出上述分布数据相对于上述基准分布数据的类似度(σ)的类似度计算单元；

和用于显示由计算单元计算出的类似度的显示单元。

2.根据权利要求1所述的粒子分析装置，在该装置中，所述类似度计算单元，对上述分布数据F(X₁，X₂……X_n)和上述基准分布数据G(X₁，X₂……X_n)的规定区域的数据，根据下列公式计算出类似度， $\mathrm{\δ}=\frac{\underset{X1}{\mathrm{\Σ}}\·\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}F(X1,X2\·\·\·\·\mathrm{Xn})\·G(X1,X2\·\·\·\·\mathrm{Xn})}{(\underset{X1}{\mathrm{\Σ}}\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}|F(X1,X2\·\·\·\·\mathrm{Xn}){|}^2\·\underset{X1}{\mathrm{\Σ}}\·\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}|(X1,X2\·\·\·\·\mathrm{Xn}){|}^2{)}^{1/2}}$

其中n是等于或大于1的正整数。

3.根据权利要求1所述的粒子分析装置，在该装置中，所述粒子是血球，所述基准分布数据是于某种疾病中的典型分布数据。

4.根据权利要求1所述的粒子分析装置，在该装置中，所述基准分布数据是粒子分析装置的精度管理用的基准分布数据。

5.根据权利要求1所述的粒子分析装置，在该装置中，所述基准分布数据是装置质量评价用的基准分布数据。

6.根据权利要求1所述的粒子分析装置，在该装置，所述粒子检测单元包括一个粒子检测器、一个放大电路、一个波形处理电路和一个A/D转换器。

7.根据权利要求1所述的粒子分析装置，在该装置中，由显示单元显示的类似度包括用数字表示的值。

8.根据权利要求1所述的粒子分析装置，在该装置中，由显示单元显示的类似度包括图象。

9.一种粒子分析方法，它包括以下步骤：

对多个粒子中每一个粒子进行测定从而对上述每一个粒子获得至少一种数据；

将这些数据变换成分布数据；

存储基准分布数据；

根据上述分布数据和基准数据计算出上述分布数据相对于上述基准分布数据的类似度(δ)。

10.根据权利要求9所述的粒子分析方法，在该方法中，计算所述类似度的步骤，是对上述分布数据F(X₁，X₂……X_n)和上述基准分布数据G(X₁，X₂……X_n)的规定区域，用下列公式计算出所述类似度， $\mathrm{\δ}=\frac{\underset{X1}{\mathrm{\Σ}}\·\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}F(X1,X2\·\·\·\·\mathrm{Xn})\·G(X1,X2\·\·\·\·\mathrm{Xn})}{(\underset{X1}{\mathrm{\Σ}}\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}|F(X1,X2\·\·\·\·\mathrm{Xn}){|}^2\·\underset{X1}{\mathrm{\Σ}}\·\·\·\·\underset{\mathrm{Xn}}{\mathrm{\Σ}}|(X1,X2\·\·\·\·\mathrm{Xn}){|}^2{)}^{1/2}}$ 其中n是等于或大于1的正整数。

Images