CN107228942B - 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 - Google Patents
基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 Download PDFInfo
- Publication number
- CN107228942B CN107228942B CN201710646398.XA CN201710646398A CN107228942B CN 107228942 B CN107228942 B CN 107228942B CN 201710646398 A CN201710646398 A CN 201710646398A CN 107228942 B CN107228942 B CN 107228942B
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- neural network
- detection
- sparse
- data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000004587 chromatography analysis Methods 0.000 title claims description 16
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 239000013307 optical fiber Substances 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 22
- 230000005284 excitation Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 239000000835 fiber Substances 0.000 claims description 8
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 229910052710 silicon Inorganic materials 0.000 claims description 6
- 239000010703 silicon Substances 0.000 claims description 6
- 230000013011 mating Effects 0.000 claims 2
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000003317 immunochromatography Methods 0.000 abstract description 37
- 238000001914 filtration Methods 0.000 abstract description 7
- 238000001917 fluorescence detection Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- -1 microalbumin Proteins 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- UCSJYZPVAKXKNQ-HZYVHMACSA-N streptomycin Chemical compound CN[C@H]1[C@H](O)[C@@H](O)[C@H](CO)O[C@H]1O[C@@H]1[C@](C=O)(O)[C@H](C)O[C@H]1O[C@@H]1[C@@H](NC(N)=N)[C@H](O)[C@@H](NC(N)=N)[C@H](O)[C@H]1O UCSJYZPVAKXKNQ-HZYVHMACSA-N 0.000 description 2
- 102000011022 Chorionic Gonadotropin Human genes 0.000 description 1
- 108010062540 Chorionic Gonadotropin Proteins 0.000 description 1
- 102000004420 Creatine Kinase Human genes 0.000 description 1
- 108010042126 Creatine kinase Proteins 0.000 description 1
- 108010044467 Isoenzymes Proteins 0.000 description 1
- 231100000678 Mycotoxin Toxicity 0.000 description 1
- 102000036675 Myoglobin Human genes 0.000 description 1
- 108010062374 Myoglobin Proteins 0.000 description 1
- 239000004098 Tetracycline Substances 0.000 description 1
- 102100036859 Troponin I, cardiac muscle Human genes 0.000 description 1
- 101710128251 Troponin I, cardiac muscle Proteins 0.000 description 1
- 239000002115 aflatoxin B1 Substances 0.000 description 1
- OQIQSTLJSLGHID-WNWIJWBNSA-N aflatoxin B1 Chemical compound C=1([C@@H]2C=CO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O OQIQSTLJSLGHID-WNWIJWBNSA-N 0.000 description 1
- 239000002108 aflatoxin M1 Substances 0.000 description 1
- 229930073161 aflatoxin M1 Natural products 0.000 description 1
- MJBWDEQAUQTVKK-IAGOWNOFSA-N aflatoxin M1 Chemical compound C=1([C@]2(O)C=CO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O MJBWDEQAUQTVKK-IAGOWNOFSA-N 0.000 description 1
- 229930020125 aflatoxin-B1 Natural products 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WIIZWVCIJKGZOK-RKDXNWHRSA-N chloramphenicol Chemical compound ClC(Cl)C(=O)N[C@H](CO)[C@H](O)C1=CC=C([N+]([O-])=O)C=C1 WIIZWVCIJKGZOK-RKDXNWHRSA-N 0.000 description 1
- 229960005091 chloramphenicol Drugs 0.000 description 1
- 229940015047 chorionic gonadotropin Drugs 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002636 mycotoxin Substances 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009781 safety test method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 229960005322 streptomycin Drugs 0.000 description 1
- 229940124530 sulfonamide Drugs 0.000 description 1
- 150000003456 sulfonamides Chemical class 0.000 description 1
- 235000019364 tetracycline Nutrition 0.000 description 1
- 150000003522 tetracyclines Chemical class 0.000 description 1
- 229940040944 tetracyclines Drugs 0.000 description 1
- MBMQEIFVQACCCH-UHFFFAOYSA-N trans-Zearalenon Natural products O=C1OC(C)CCCC(=O)CCCC=CC2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-UHFFFAOYSA-N 0.000 description 1
- MBMQEIFVQACCCH-QBODLPLBSA-N zearalenone Chemical compound O=C1O[C@@H](C)CCCC(=O)CCC\C=C\C2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-QBODLPLBSA-N 0.000 description 1
Classifications
-
- 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
- G01N33/558—Immunoassay; Biospecific binding assay; Materials therefor using diffusion or migration of antigen or antibody
-
- 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
- G01N33/531—Production of immunochemical test materials
- G01N33/532—Production of labelled immunochemicals
- G01N33/533—Production of labelled immunochemicals with fluorescent label
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Urology & Nephrology (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Cell Biology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种基于稀疏自编码神经网络的荧光免疫层析检测方法及装置。该装置包括光电信号检测单元、机械扫描单元、STM32微处理器控制单元及建立有荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库的计算机；机械扫描单元控制荧光试条的移动，光电信号检测单元检测荧光试条在移动中的荧光强度变化，并转换为电信号数据，而后经由STM32微处理器控制单元传输给计算机进行滤波处理消除包括基线的背景干扰，通过荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库进行数据分析，获得荧光免疫层析检测结果。本发明避免了对检测数据的特征值提取，可以直接根据检测数据，通过分层的方式学习数据的特征表示，提高荧光免疫层析检测效果。
Description
技术领域
本发明荧光测流免疫层析检测技术领域，具体涉及一种基于稀疏自编码神经网络的荧光免疫层析检测方法及装置。
背景技术
荧光免疫层析技术是在侧流免疫层析技术(Lateral flow immunoassay，LFIA)的基础上，采用纳米荧光颗粒作为示踪标记物进行检测的方法。该方法灵敏度、特异度高，可重复性和稳定性好，动态检测范围广，而且能即时得出结果、适用于单人份测定等优势。荧光免疫层析技术作为一种快速检测方法，可应用在生物医学、临床、食品安全等多个领域，其检测技术的研究具有重要的意义。
目前荧光免疫层析的临床可测定项目包括心肌肌钙蛋白I、肌红蛋白、肌酸激酶同工酶、微量白蛋白、绒毛膜促性腺激素及β亚单位的含量等。农产品食品安全的检测项目包括激素类如氯霉素、链霉素、磺胺类、四环素类等，真菌毒素类如黄曲霉素B1、黄曲霉素M1及玉米赤霉烯酮等。
荧光免疫层析检测技术主要利用样品的荧光光谱特性，目前荧光免疫层析检测技术主要采用光电检测和图像检测两种方式，在图像检测的荧光免疫层析检测中，图像特征量选取多以灰度值进行数据算法分析，检测精度相较于光电检测的方法低。而上述两种传统检测方法中，均需要进行特征值的提取以进行数据分析。而深度神经网络在模式分类领域，由于避免了对图像的复杂前期预处理，可以直接输入原始图像，通过分层的方式学习图像的特征表示，因而得到了更为广泛的应用。
发明内容
本发明的目的在于提供一种基于稀疏自编码神经网络的荧光免疫层析检测方法及装置，该方法避免了对检测数据的特征值提取，可以直接根据检测数据，通过分层的方式学习数据的特征表示，提高荧光免疫层析检测效果。
为实现上述目的，本发明的技术方案是：一种基于稀疏自编码神经网络的荧光免疫层析检测方法，包括如下步骤，
S1、采集荧光层析试条检测数据及检测结果作为训练数据，建立多层的深度稀疏自编码神经网络模型，采用训练数据对网络模型进行训练；
S2、将荧光试条放入荧光免疫层析试条检测装置的移动平台，由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号数据；
S3、采集步骤S2转换的电信号数据，并将采集到的电信号数据传送到计算机，进行滤波处理消除包括基线的背景干扰；
S4、将采集到的电信号数据作为步骤S1建立的深度稀疏自编码神经网络模型的输入；
S5、采用深度稀疏自编码神经网络模型进行数据分析与处理，得到荧光免疫层析检测结果。
在本发明一实施例中，所述步骤S1中，建立的深度稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))，为实现稀疏性限制，其代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵。
在本发明一实施例中，所述ρ取0.05。
本发明还提供了一种基于稀疏自编码神经网络的荧光免疫层析检测装置，包括光电信号检测单元、机械扫描单元、STM32微处理器控制单元及计算机，该计算机建立有荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库；STM32微处理器控制单元通过机械扫描单元控制荧光试条的移动，光电信号检测单元用于检测荧光试条在移动中的荧光强度变化，并转换为电信号数据，而后经由STM32微处理器控制单元传输给计算机进行滤波处理消除包括基线的背景干扰，而后通过荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库进行数据分析，获得荧光免疫层析检测结果。
在本发明一实施例中，所述机械扫描单元包括用于放置荧光试条的移动平台及驱动该移动平台前后移动的步进电机。
在本发明一实施例中，所述光电信号检测单元包括激发光源、光电二极管、接收光纤、发射光纤、滤光片、匀光片，激发光源发射激发光通过发射光纤照射至荧光试条上，接收光纤用于接收荧光试条产生的荧光，经滤光片后进入硅光电管。
在本发明一实施例中，所述接收光纤的光纤头为扁平的椭圆形，并与荧光层新试条检测区的检测线相匹配，发射光纤为6条，该6条发射光纤均匀的分布在接收光纤周围，经匀光片后用于激发荧光试条。
在本发明一实施例中，还包括一与所述STM32微处理器控制单元连接的存储单元。
相较于现有技术，本发明具有以下有益效果：本发明避免了对检测数据的特征值提取，可以直接根据检测数据，通过分层的方式学习数据的特征表示，提高荧光免疫层析检测效果。
附图说明
图1为本发明荧光免疫层析检测整体框图。
图2为本发明荧光免疫层析光电检测系统示意图。
图3为本发明接收光纤光纤头、发射光纤光纤头截面示意图。
图4为本发明荧光免疫层析检测装置工作流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明的一种基于稀疏自编码神经网络的荧光免疫层析检测方法，包括如下步骤，
S1、采集荧光层析试条检测数据及检测结果作为训练数据，建立多层的深度稀疏自编码神经网络模型，采用训练数据对网络模型进行训练；
S2、将荧光试条放入荧光免疫层析试条检测装置的移动平台，由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号数据；
S3、采集步骤S2转换的电信号数据，并将采集到的电信号数据传送到计算机，进行滤波处理消除包括基线的背景干扰；
S4、将采集到的电信号数据作为步骤S1建立的深度稀疏自编码神经网络模型的输入；
S5、采用深度稀疏自编码神经网络模型进行数据分析与处理，得到荧光免疫层析检测结果。
所述步骤S1中，建立的深度稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))，为实现稀疏性限制，其代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵。所述ρ取0.05。
本发明还提供了一种基于稀疏自编码神经网络的荧光免疫层析检测装置，包括光电信号检测单元、机械扫描单元、STM32微处理器控制单元及计算机，该计算机建立有荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库；STM32微处理器控制单元通过机械扫描单元控制荧光试条的移动，光电信号检测单元用于检测荧光试条在移动中的荧光强度变化，并转换为电信号数据，而后经由STM32微处理器控制单元传输给计算机进行滤波处理消除包括基线的背景干扰，而后通过荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库进行数据分析，获得荧光免疫层析检测结果。还包括一与所述STM32微处理器控制单元连接的存储单元。
所述机械扫描单元包括用于放置荧光试条的移动平台及驱动该移动平台前后移动的步进电机。所述光电信号检测单元包括激发光源、光电二极管、接收光纤、发射光纤、滤光片、匀光片，激发光源发射激发光通过发射光纤照射至荧光试条上，接收光纤用于接收荧光试条产生的荧光，经滤光片后进入硅光电管。所述接收光纤的光纤头为扁平的椭圆形，并与荧光层新试条检测区的检测线相匹配，发射光纤为6条，该6条发射光纤均匀的分布在接收光纤周围，经匀光片后用于激发荧光试条。
以下为本发明的具体实现过程。
本发明的一种基于稀疏自编码神经网络的荧光免疫层析检测方法，包括以下步骤：
(1)采集一定数量的荧光层析试条检测数据及检测结果作为训练数据，建立一个多层的深度稀疏自编码神经网络模型，采用训练数据对网络模型进行训练。
(2)将荧光试条放入荧光免疫层析试条检测装置，由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号。
(3)并通过STM32的A/D接口采集，并将采集到的数据传送到计算机，进行滤波等处理消除基线和其他背景干扰。
(4)将采集到的数据作为稀疏自编码神经网络的输入。
(5)采用稀疏自编码神经网络进行数据分析与处理，得到荧光免疫层析检测结果。
本发明还提供了一种基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：包括光电信号检测单元，机械扫描单元，STM32微处理器控制系统以及计算机的数据处理与分析及数据管理平台。扫描仪采用STM32微处理器作为控制系统，并采用稀疏自编码神经网络进行数据训练与分析，获得检测结果。
荧光免疫层析检测装置框图如图1所示。主要包括光电信号检测单元，机械扫描单元，STM32微处理器控制系统以及在计算机上建立的荧光检测稀疏自编码神经网络模型和荧光免疫层析检测数据数据库。
扫描仪采用STM32微处理器作为控制系统，检测时由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号，并通过STM32的A/D接口采集。并将采集到的数据传送到计算机，进行滤波等处理以消除基线和其他背景干扰。在计算机上存储有荧光免疫层析检测数据及对应检测结果的数据库，并利用该数据库建立稀疏自编码神经网络。将采集到的数据作为稀疏自编码神经网络的输入，采用稀疏自编码神经网络进行数据分析，获得检测结果。
激发光光电检测模块是集激发光源2、硅光电管1、接收光纤3、发射光纤4、滤光片5、匀光片6为一体的模块，见图2。根据荧光的光谱特性，激发光源采用紫外光LED，为了获得均匀的激发光照，提高检测准确度，发射光纤4和接收光纤3的结构如图3图所示。接收光纤光纤头为扁平的椭圆形状，与荧光层析试条检测区的检测线相匹配，以提高检测线区域的灵敏度。6个发射光纤光纤头均匀分布在接收光纤的周围，经匀光片后用于激发荧光试条。硅光电管1选用对荧光波长感应敏感的硅光电二极管，提高检测准确度和精度。
如图4所示，为本发明荧光免疫层析检测流程图，检测开始时，试条7在光电检测模块的紫外激发光的激发下发射荧光。步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度的变化转换成电信号，并通过STM32的A/D接口采集，并将采集到的数据传送到计算机。计算机先将采集到的数据进行滤波等处理后，作为稀疏自编码神经网络的输入，通过分层的方式学习数据的特征表示，提高荧光免疫层析检测效果。
本发明中建立的荧光免疫层析检测装置的稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))。为了实现稀疏性限制，代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵。所述ρ取0.05。
采用一定数量的荧光层析试条检测数据及对应检测结果作为训练数据，采集处理后的数据作为输入，检测结果作为标签。采用训练数据对神经网络模型各个隐含层进行逐层训练，得到稀疏子自编码网络模型的w,b等参数。
将采集到的数据作为稀疏自编码神经网络的输入。采用稀疏自编码神经网络进行数据分析与处理，得到荧光免疫层析检测结果。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (6)
1.一种基于稀疏自编码神经网络的荧光免疫层析检测方法，其特征在于：包括如下步骤，
S1、采集荧光层析试条检测数据及检测结果作为训练数据，建立多层的深度稀疏自编码神经网络模型，采用训练数据对网络模型进行训练；
S2、将荧光试条放入荧光免疫层析试条检测装置的移动平台，由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号数据；
S3、采集步骤S2转换的电信号数据，并将采集到的电信号数据传送到计算机，进行滤波处理消除包括基线的背景干扰；
S4、将采集到的电信号数据作为步骤S1建立的深度稀疏自编码神经网络模型的输入；
S5、采用深度稀疏自编码神经网络模型进行数据分析与处理，得到荧光免疫层析检测结果；
所述步骤S1中，建立的深度稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))，为实现稀疏性限制，其代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵；所述ρ取0.05。
2.一种基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：包括光电信号检测单元、机械扫描单元、STM32微处理器控制单元及计算机，该计算机建立有荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库；STM32微处理器控制单元通过机械扫描单元控制荧光试条的移动，光电信号检测单元用于检测荧光试条的荧光强度变化，并转换为电信号数据，而后经由STM32微处理器控制单元传输给计算机进行滤波处理消除包括基线的背景干扰，而后通过荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库进行数据分析，获得荧光免疫层析检测结果；所述荧光检测稀疏自编码神经网络模块建立的深度稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))，为实现稀疏性限制，其代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵；所述ρ取0.05。
3.根据权利要求2所述的基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：所述机械扫描单元包括用于放置荧光试条的移动平台及驱动该移动平台前后移动的步进电机。
4.根据权利要求2所述的基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：所述光电信号检测单元包括激发光源、光电二极管、接收光纤、发射光纤、滤光片、匀光片，激发光源发射激发光通过发射光纤照射至荧光试条上，接收光纤用于接收荧光试条产生的荧光，经滤光片后进入硅光电管。
5.根据权利要求4所述的基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：所述接收光纤的光纤头为扁平的椭圆形，并与荧光层新试条检测区的检测线相匹配，发射光纤为6条，该6条发射光纤均匀的分布在接收光纤周围，经匀光片后用于激发荧光试条。
6.根据权利要求2所述的基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：还包括一与所述STM32微处理器控制单元连接的存储单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710646398.XA CN107228942B (zh) | 2017-08-01 | 2017-08-01 | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710646398.XA CN107228942B (zh) | 2017-08-01 | 2017-08-01 | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107228942A CN107228942A (zh) | 2017-10-03 |
| CN107228942B true CN107228942B (zh) | 2018-10-30 |
Family
ID=59956739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710646398.XA Active CN107228942B (zh) | 2017-08-01 | 2017-08-01 | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107228942B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110057918B (zh) * | 2019-05-29 | 2020-11-06 | 山东大学 | 强噪声背景下的复合材料损伤定量识别方法及系统 |
| CN111103275B (zh) * | 2019-12-24 | 2021-06-01 | 电子科技大学 | Pat先验信息辅助的基于cnn和自适应ekf的动态fmt重建方法 |
| CN112466468B (zh) * | 2020-11-27 | 2024-04-23 | 深圳市锦欣医疗科技创新中心有限公司 | 一种基于稀疏编码的免疫水平预测系统、装置和存储介质 |
| CN112816687B (zh) * | 2020-12-31 | 2022-04-22 | 华南农业大学 | 一种利用机器学习进行图像匹配的广谱免疫传感器 |
| CN115468941B (zh) * | 2022-09-24 | 2024-09-06 | 福州大学 | 基于轨迹优化的荧光免疫层析试条检测系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034062A (zh) * | 2007-02-14 | 2007-09-12 | 上海新波生物技术有限公司 | 层析试条扫描检测方法及其扫描检测仪 |
| CN102087214A (zh) * | 2010-12-31 | 2011-06-08 | 广州万孚生物技术有限公司 | 荧光定量检测仪 |
| CN102692498A (zh) * | 2012-06-11 | 2012-09-26 | 华中农业大学 | 磺胺类药物残留检测试剂条自动读码装置及其方法 |
| CN106447039A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 基于自编码神经网络的无监督特征提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008146056A1 (en) * | 2007-05-30 | 2008-12-04 | Ruder Boskovic Institute | A method for determining importance of fractions of biological mixtures separated by a chromatographic method for discrimination of cell or tissue physiological conditions |
-
2017
- 2017-08-01 CN CN201710646398.XA patent/CN107228942B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034062A (zh) * | 2007-02-14 | 2007-09-12 | 上海新波生物技术有限公司 | 层析试条扫描检测方法及其扫描检测仪 |
| CN102087214A (zh) * | 2010-12-31 | 2011-06-08 | 广州万孚生物技术有限公司 | 荧光定量检测仪 |
| CN102692498A (zh) * | 2012-06-11 | 2012-09-26 | 华中农业大学 | 磺胺类药物残留检测试剂条自动读码装置及其方法 |
| CN106447039A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 基于自编码神经网络的无监督特征提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 小波变换在基于图像处理的金免疫层析测定中的应用;姜海燕 等;《福州大学学报( 自然科学版)》;20110430;第39卷(第2期);第222-226页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107228942A (zh) | 2017-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107228942B (zh) | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 | |
| CN101144780B (zh) | 猪肉新鲜度智能检测装置 | |
| CN108351289B (zh) | 分析装置 | |
| CN101251526B (zh) | 鲜猪肉综合品质无损检测方法与装置 | |
| CN104931470B (zh) | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 | |
| CN103063835B (zh) | 一种免疫层析试条定量检测仪的校准试条及其制作方法 | |
| CN100526883C (zh) | 金标免疫试纸条的反射式光度计 | |
| CN201653906U (zh) | 生物免疫层析芯片检测仪 | |
| CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| CN103901189A (zh) | 免疫检测微流控芯片荧光定量自动检测装置 | |
| CN104897583B (zh) | 一种微量血迹无损检测装置及方法 | |
| CN204439552U (zh) | 一种免疫荧光定量分析仪 | |
| CN106168578A (zh) | 基于mtk平台的金免疫层析试条图像检测方法 | |
| CN103308676A (zh) | 金标条阅读仪及检测方法 | |
| CN103808918A (zh) | 基于图像传感器的胶体金免疫分析的检测系统 | |
| CN201373849Y (zh) | 一种金标条检测系统 | |
| CN108802376A (zh) | 一种上转换荧光试纸的定量检测方法及装置 | |
| CN105784651B (zh) | 植物叶片横截面最大光化学量子效率测定装置及使用方法 | |
| CN107576600A (zh) | 一种抹茶粒度等级的快速检测方法 | |
| CN103558177B (zh) | 生肉组织水分近红外检测装置及检测方法 | |
| CN102387631B (zh) | 一种免疫层析判读记录仪中光照度的自动判断和调整方法 | |
| CN2938080Y (zh) | 金标免疫试纸条的反射式光度计 | |
| CN109557070A (zh) | 一种基于空间编码光的拉曼成像系统 | |
| WO2003100425A1 (fr) | Dispositif de determination quantitative/lecture de bande de test de procede de chromatographie immunologique | |
| CN207215690U (zh) | 一种高光谱食品检测系统 |
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 |