CN108593643A - 基于智能移动终端的尿液检测方法 - Google Patents
基于智能移动终端的尿液检测方法 Download PDFInfo
- Publication number
- CN108593643A CN108593643A CN201810206431.1A CN201810206431A CN108593643A CN 108593643 A CN108593643 A CN 108593643A CN 201810206431 A CN201810206431 A CN 201810206431A CN 108593643 A CN108593643 A CN 108593643A
- Authority
- CN
- China
- Prior art keywords
- layer
- image information
- output
- mobile terminal
- intelligent mobile
- 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.)
- Pending
Links
- 210000002700 urine Anatomy 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 2
- 238000009535 clinical urine test Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000027205 Congenital disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 238000011206 morphological examination Methods 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/8483—Investigating reagent band
-
- 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
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Plasma & Fusion (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
发明的提供的一种基于智能移动终端的尿液检测方法，包括如下步骤：获取试纸与尿液反应后试纸条上各色块的图像作为样本图像信息；提取出样本图像信息的颜色特征；将样本图像信息的颜色特征输入到神经网络中进行训练得出尿液标准结果；建立颜色特征与检测结果之间的映射关系模型；将神经网络和映射关系模型写入到智能移动终端中，用户通过智能移动终端采集自己尿液与试纸条反应后的图像信息作为待测图像信息；提取出待测图像信息的颜色特征并输入到神经网络中，神经网络中对待测图像信息的颜色特征进行训练并按照映射关系模型与尿液标准结果进行对比，输出当前用户的尿液检测结果；用户无需去医院就能够完成尿液的准确检测，避免了每次检测必须去医院排队和就医的繁琐性，并且操作方便，成本低，提高了尿液检测的便捷性。
Description
技术领域
本发明涉及一种检测方法，尤其涉及一种基于智能移动终端的尿液检测方法。
背景技术
随着社会经济飞速发展，既而人们的生活压力越来越大，身体上的病症也越来越多。临床泌尿系统、肝脏以及糖尿病也是目前的高发病症，而这些病症都可能导致尿液成分的改变。由于尿液标本更加容易采集，所以尿液检验顺其自然的成为广泛应用于临床疾病的辅助诊断，疾病进展监测、治疗效果或并发症的监测，并且对无症状人群进行的先天性或遗传性疾病的筛查。
尿液检验一般分为肉眼评价、理化检查以及沉查检查。检测方法有定性、半定量、定量与形态学检查，检测成分涉及到常规化学、特殊化学、细胞形态学与病原微生物等。
随着医学和计算机技术发展的进步，在医学设备上的应用与发展变得越来越多样化和智能化。现在有尿液分析仪在医院的临床上用于检测人体尿液化学成分的含量，它是医学实验室尿液自动化检查的重要工具，由于其操作方便、测定迅速、结果准确、可实现自动化，并且对大批量标本能进行过筛试验，因此目前广泛应用于临床。但是由于其成本昂贵，使得这种设备无法普及，以致一些患者和普通民众无法随时了解自身的身体健康状况。
因此，为了解决上述技术问题，亟需提出一种新的尿液检测方法。
发明内容
有鉴于此，本发明的目的是提供一种基于智能移动终端的尿液检测方法，用户无需去医院就能够完成尿液的准确检测，避免了每次检测必须去医院排队和就医的繁琐性，并且操作方便，成本低，提高了尿液检测的便捷性。
本发明的提供的一种基于智能移动终端的尿液检测方法，包括如下步骤：
S1.获取试纸与尿液反应后试纸条上各色块的图像作为样本图像信息；
S2.提取出样本图像信息的颜色特征；
S3.将样本图像信息的颜色特征输入到神经网络中进行训练得出尿液标准结果；
S4.建立颜色特征与检测结果之间的映射关系模型；
S5.将神经网络和映射关系模型写入到智能移动终端中，用户通过智能移动终端采集自己尿液与试纸条反应后的图像信息作为待测图像信息；
S6.提取出待测图像信息的颜色特征并输入到神经网络中，神经网络中对待测图像信息的颜色特征按照映射关系模型进行训练对比，并输出当前用户的尿液检测结果。
进一步，步骤S2和步骤S6中，样本图像信息和待测图像信息的颜色特征如下：
提取出试纸条每个色块的RGB空间中的特征值，其中，RGB三条通道分别以三个特征值表示：表征颜色分量平均强度的一阶矩、表征颜色方差的二阶矩以及表征颜色分量偏斜度的三阶矩，其中：
一阶矩为：
二阶矩为：
三阶矩为：Pij是第j个像素在第i个像素的颜色分量；N为样本图像的像素量；也就是说，将样本图像信息和待测图像信息都采用矩阵的方式进行表示，RGB表示颜色的三种基色，即红色、绿色以及蓝色。
进一步，步骤S4中，神经网络的映射关系模型如下：
其中，p是输入向量、q表示输出层向量个数、n为输入单元数，aj为输入的样本参数，ωij为输入层与隐含层的连接权值，θj为输入层与隐含层之间的阈值，νjt为隐含层和输出层之间的权值，rt为隐含层与输入层之间的阈值，Ct为输出层的输出结果；f()表示非线性作用传递函数。
进一步，根据如下方法对为输入层与隐含层的连接权值ωij进行修正：
其中，为隐含层的一般误差，β中间层和输入层之间的误差修正系数，N是误差修正次数、i表示输入层的单元数、j表示中间层的单元数，t表示输出层的单元数，k表示该值的维数，ωij(N)表示第N次输入层至中间层修正后的连接权值，ωij(N+1)表示第(N+1)次输入层至中间层修正后的连接权值。
进一步，通过如下公式计算隐含层的一般误差
其中，dt为输出层的一般误差；bj为隐含层的输出值。
进一步，根据如下公式对输入层与隐含层之间的阈值θj进行修正：
其中，β是中间层和输入层之间的误差修正系数，为隐含层的一般误差。θj(N)表示第N次中间层各单元的修正后的输出阈值，θj(N+1)表示第(N+1)次中间层各单元的修正后的输出阈值
进一步，通过如下公式计算隐含层和输出层之间的权值νjt：
其中，bj为神经网络的隐含层输出值，是输出层的一般误差，表示输出层的各单元的一般化误差，dt表示输出层的一般化误差，α是输出层和中间层之间的误差修正系数)。vjt(N)表示第N次中间层至输出层修正后的连接权值，vjt(N+1)表示第(N+1)次中间层至输出层修正后的连接权值。
进一步，根据如下公式计算隐含层与输入层之间的阈值rt：
其中，是输出层的一般误差，α是输出层和中间层之间的误差修正系数，rt(N)表示第N次的中间层至输出层之间的修正后的连接权值，rt(N+1)表示第(N+1)次的中间层至输出层之间的修正后的连接权值，N表示误差修正次数。
进一步，通过如下公式计算输出层的一般误差
其中，为样本值。
本发明的有益效果：通过本发明，用户无需去医院就能够完成尿液的准确检测，避免了每次检测必须去医院排队和就医的繁琐性，并且操作方便，成本低，提高了尿液检测的便捷性。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的流程图。
具体实施方式
图1为本发明的流程图，如图所示，本发明的提供的一种基于智能移动终端的尿液检测方法，包括如下步骤：
S1.获取试纸与尿液反应后试纸条上各色块的图像作为样本图像信息；
S2.提取出样本图像信息的颜色特征；
S3.将样本图像信息的颜色特征输入到神经网络中进行训练得出尿液标准结果；
S4.建立颜色特征与检测结果之间的映射关系模型；
S5.将神经网络和映射关系模型写入到智能移动终端中，用户通过智能移动终端采集自己尿液与试纸条反应后的图像信息作为待测图像信息；
S6.提取出待测图像信息的颜色特征并输入到神经网络中，神经网络中对待测图像信息的颜色特征按照映射关系模型进行训练对比，并输出当前用户的尿液检测结果；其中，神经网络属于现有技术，其包含了输入层、隐含层以及输出层三层网络；通过本发明，用户无需去医院就能够完成尿液的准确检测，避免了每次检测必须去医院排队和就医的繁琐性，并且操作方便，成本低，提高了尿液检测的便捷性。
本实施例中，步骤S2和步骤S6中，样本图像信息和待测图像信息的颜色特征如下：
提取出试纸条每个色块的RGB空间中的特征值，其中，RGB三条通道分别以三个特征值表示：表征颜色分量平均强度的一阶矩、表征颜色方差的二阶矩以及表征颜色分量偏斜度的三阶矩，其中：
一阶矩为：
二阶矩为：
三阶矩为：Pij是第j个像素在第i个像素的颜色分量；N为样本图像的像素量。
本实施例中，步骤S4中，神经网络的映射关系模型如下：
其中，p是输入向量、q表示输出层向量个数、n为输入单元数，aj为输入的样本参数，ωij为输入层与隐含层的连接权值，θj为输入层与隐含层之间的阈值，νjt为隐含层和输出层之间的权值，rt为隐含层与输入层之间的阈值，Ct为输出层的输出结果；f()表示非线性作用传递函数；通过上述方法，能够使得尿检结果与试纸条的颜色之间建立准确的、唯一的对应关系，从而使得待测的试纸条的图像信息能够准确地进行对应，从而提高尿液检测的准确性。
本实施例中，根据如下方法对为输入层与隐含层的连接权值ωij进行修正：
其中，为隐含层的一般误差，β中间层和输入层之间的误差修正系数，N是误差修正次数、i表示输入层的单元数、j表示中间层的单元数，t表示输出层的单元数，k表示该值的维数，ωij(N)表示第N次输入层至中间层修正后的连接权值，ωij(N+1)表示第(N+1)次输入层至中间层修正后的连接权值；
通过如下公式计算隐含层的一般误差
其中，dt为输出层的一般误差；bj为隐含层的输出值。
根据如下公式对输入层与隐含层之间的阈值θj进行修正：
其中，为隐含层的一般误差。
通过如下公式计算隐含层和输出层之间的权值νjt：
其中，bj为神经网络的隐含层输出值，是输出层的一般误差，表示输出层的各单元的一般化误差，dt表示输出层的一般化误差，α是输出层和中间层之间的误差修正系数)。vjt(N)表示第N次中间层至输出层修正后的连接权值，vjt(N+1)表示第(N+1)次中间层至输出层修正后的连接权值。
根据如下公式计算隐含层与输入层之间的阈值rt：
其中，是输出层的一般误差，α是输出层和中间层之间的误差修正系数，rt(N)表示第N次的中间层至输出层之间的修正后的连接权值，rt(N+1)表示第(N+1)次的中间层至输出层之间的修正后的连接权值，N表示误差修正次数。
通过如下公式计算输出层的一般误差
其中，为样本值，通过上述方法，能够对神经网络输出的结果进行误差修正，从而能够有效提升检测结果的准确性。
在医学上，人体尿液中成分的含量有一个正常的指标范围。在尿液中成分含量出来的结果下，将这些数据和正常的指标进行对比，就可以分析出尿液中具体成分是否在正常范围的指标中，并可以据此对自己的身体的状况进行进一步跟踪了解或者及时就医；并且，通过智能移动终端，能够与远程的医用服务器建立连接关系，比如通过移动终端IMEI号进行注册，然后通过移动智能终端向医用服务器传输检测结果数据，专家在医用服务器上即可查看患者数据，并进行相应的诊断指导，从而对患者的健康状况进行评估并且做出就医指导，不仅提升了诊断效率，也减轻了医院每天日常接诊的负担，提高医院效率；智能移动终端比如智能手机、平板电脑等，上述中的算法可以通过APP的行驶写入到移动智能终端。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于智能移动终端的尿液检测方法，其特征在于：包括如下步骤：
S1.获取试纸与尿液反应后试纸条上各色块的图像作为样本图像信息；
S2.提取出样本图像信息的颜色特征；
S3.将样本图像信息的颜色特征输入到神经网络中进行训练得出尿液标准结果；
S4.建立颜色特征与检测结果之间的映射关系模型；
S5.将神经网络和映射关系模型写入到智能移动终端中，用户通过智能移动终端采集自己尿液与试纸条反应后的图像信息作为待测图像信息；
S6.提取出待测图像信息的颜色特征并输入到神经网络中，神经网络中对待测图像信息的颜色特征按照映射关系模型进行训练对比，并输出当前用户的尿液检测结果。
2.根据权利要求1所述基于智能移动终端的尿液检测方法，其特征在于：步骤S2和步骤S6中，样本图像信息和待测图像信息的颜色特征如下：
提取出试纸条每个色块的RGB空间中的特征值，其中，RGB三条通道分别以三个特征值表示：表征颜色分量平均强度的一阶矩、表征颜色方差的二阶矩以及表征颜色分量偏斜度的三阶矩，其中：
一阶矩为：
二阶矩为：
三阶矩为：Pij是第j个像素在第i个像素的颜色分量；N为样本图像的像素量。
3.根据权利要求1所述基于智能移动终端的尿液检测方法，其特征在于：步骤S4中，神经网络的映射关系模型如下：
其中，p是输入层向量个数、n为输入单元数，aj为输入的样本参数，ωij为输入层与隐含层的连接权值，θj为输入层与隐含层之间的阈值，νjt为隐含层和输出层之间的权值，rt为隐含层与输入层之间的阈值，Ct为输出层的输出结果；f()表示非线性作用传递函数。
4.根据权利要求3所述基于智能移动终端的尿液检测方法，其特征在于：根据如下方法对为输入层与隐含层的连接权值ωij进行修正：
其中，为隐含层的一般误差，β中间层和输入层之间的误差修正系数，N是误差修正次数、i表示输入层的单元数、j表示中间层的单元数，t表示输出层的单元数，k表示该值的维数，ωij(N)表示第N次输入层至中间层修正后的连接权值，ωij(N+1)表示第(N+1)次输入层至中间层修正后的连接权值。
5.根据权利要求4所述基于智能移动终端的尿液检测方法，其特征在于：通过如下公式计算隐含层的一般误差
其中，dt为输出层的一般误差；bj为隐含层的输出值。
6.根据权利要求3所述基于智能移动终端的尿液检测方法，其特征在于：根据如下公式对输入层与隐含层之间的阈值θj进行修正：
其中，β是中间层和输入层之间的误差修正系数，为隐含层的一般误差。θj(N)表示第N次中间层各单元的修正后的输出阈值，θj(N+1)表示第(N+1)次中间层各单元的修正后的输出阈值。
7.根据权利要求3所述基于智能移动终端的尿液检测方法，其特征在于：通过如下公式计算隐含层和输出层之间的权值νjt：
其中，bj为神经网络的隐含层输出值，是输出层的一般误差，表示输出层的各单元的一般化误差，dt表示输出层的一般化误差，α是输出层和中间层之间的误差修正系数)。vjt(N)表示第N次中间层至输出层修正后的连接权值，vjt(N+1)表示第(N+1)次中间层至输出层修正后的连接权值。
8.根据权利要求3所述基于智能移动终端的尿液检测方法，其特征在于：根据如下公式计算隐含层与输入层之间的阈值rt：
其中，是输出层的一般误差，α是输出层和中间层之间的误差修正系数，rt(N)表示第N次的中间层至输出层之间的修正后的连接权值，rt(N+1)表示第(N+1)次的中间层至输出层之间的修正后的连接权值，N表示误差修正次数。
9.根据权利要求5、7或8所述基于智能移动终端的尿液检测方法，其特征在于：通过如下公式计算输出层的一般误差
其中，为样本值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810206431.1A CN108593643A (zh) | 2018-03-13 | 2018-03-13 | 基于智能移动终端的尿液检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810206431.1A CN108593643A (zh) | 2018-03-13 | 2018-03-13 | 基于智能移动终端的尿液检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108593643A true CN108593643A (zh) | 2018-09-28 |
Family
ID=63626229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810206431.1A Pending CN108593643A (zh) | 2018-03-13 | 2018-03-13 | 基于智能移动终端的尿液检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108593643A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919054A (zh) * | 2019-02-25 | 2019-06-21 | 电子科技大学 | 一种基于机器视觉的试剂卡自动分类的检测方法 |
| CN109991216A (zh) * | 2019-03-12 | 2019-07-09 | 深圳市象形字科技股份有限公司 | 一种尿检仪试纸条颜色识别方法 |
| CN110887960A (zh) * | 2019-12-02 | 2020-03-17 | 电子科技大学 | 一种基于机器视觉的尿液试纸条定量检测系统及方法 |
| CN112133436A (zh) * | 2020-10-13 | 2020-12-25 | 广州万孚健康科技有限公司 | 一种基于大数据分析的健康警示方法、系统和可读存储介质 |
| CN112577905A (zh) * | 2019-09-30 | 2021-03-30 | 苏州迈瑞科技有限公司 | 一种尿液颜色检测方法及分析仪 |
| CN114264648A (zh) * | 2021-12-02 | 2022-04-01 | 中国科学院合肥物质科学研究院 | 一种水质检测试纸识别方法和系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297822A (zh) * | 2010-06-22 | 2011-12-28 | 中国矿业大学 | 一种通过图像分析预测煤粒灰分的方法 |
| CN202814866U (zh) * | 2012-08-24 | 2013-03-20 | 绥化学院 | 用于生化分析仪的色差评定系统 |
| CN103335955A (zh) * | 2013-06-19 | 2013-10-02 | 华南农业大学 | 一种水质在线监测方法与装置 |
| CN103699902A (zh) * | 2013-12-24 | 2014-04-02 | 南京信息工程大学 | 一种地基可见光云图的分类方法 |
| CN103745210A (zh) * | 2014-01-28 | 2014-04-23 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
| CN105378453A (zh) * | 2012-12-19 | 2016-03-02 | 皇家飞利浦有限公司 | 用于流体样本中的颗粒的分类的系统和方法 |
| US20160069743A1 (en) * | 2014-06-18 | 2016-03-10 | Innopix, Inc. | Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays |
| CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术（武汉）有限公司 | 消化道病灶图像识别系统及识别方法 |
| CN106264554A (zh) * | 2015-06-09 | 2017-01-04 | 中国科学院软件研究所 | 一种基于可见光的血氧饱和度检测方法及系统 |
| CN107066779A (zh) * | 2016-10-18 | 2017-08-18 | 应继伟 | 基于生物样本颜色的自助身体参数检查方法及系统 |
-
2018
- 2018-03-13 CN CN201810206431.1A patent/CN108593643A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297822A (zh) * | 2010-06-22 | 2011-12-28 | 中国矿业大学 | 一种通过图像分析预测煤粒灰分的方法 |
| CN202814866U (zh) * | 2012-08-24 | 2013-03-20 | 绥化学院 | 用于生化分析仪的色差评定系统 |
| CN105378453A (zh) * | 2012-12-19 | 2016-03-02 | 皇家飞利浦有限公司 | 用于流体样本中的颗粒的分类的系统和方法 |
| CN103335955A (zh) * | 2013-06-19 | 2013-10-02 | 华南农业大学 | 一种水质在线监测方法与装置 |
| CN103699902A (zh) * | 2013-12-24 | 2014-04-02 | 南京信息工程大学 | 一种地基可见光云图的分类方法 |
| CN103745210A (zh) * | 2014-01-28 | 2014-04-23 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
| US20160069743A1 (en) * | 2014-06-18 | 2016-03-10 | Innopix, Inc. | Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays |
| CN106264554A (zh) * | 2015-06-09 | 2017-01-04 | 中国科学院软件研究所 | 一种基于可见光的血氧饱和度检测方法及系统 |
| CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术（武汉）有限公司 | 消化道病灶图像识别系统及识别方法 |
| CN107066779A (zh) * | 2016-10-18 | 2017-08-18 | 应继伟 | 基于生物样本颜色的自助身体参数检查方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| AARON DON M. AFRICA AND JESSICA S. VELASCO: "Development of a urine strip analyzer using artificial neural network using an android phone", 《ARPN JOURNAL OF ENGINEERING AND APPLIED SCIENCES》 * |
| 刘沂青等: "基于BP 神经网络的pH 试纸读值笔", 《技术与应用》 * |
| 姚峰林著: "《数字图像处理及在工程中的应用》", 30 April 2014, 北京：北京理工大学出版社 * |
| 李征宇，付杨，吕双十: "《系统决策与建模》", 31 December 2016, 哈尔滨：哈尔滨工程大学出版社 * |
| 柳炳祥: "《智能优化方法及应用》", 30 August 2017, 南京：江苏美术出版社 * |
| 王春红等: "基于概率神经网络的尿样颜色识别", 《光学仪器》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919054A (zh) * | 2019-02-25 | 2019-06-21 | 电子科技大学 | 一种基于机器视觉的试剂卡自动分类的检测方法 |
| CN109919054B (zh) * | 2019-02-25 | 2023-04-07 | 电子科技大学 | 一种基于机器视觉的试剂卡自动分类的检测方法 |
| CN109991216A (zh) * | 2019-03-12 | 2019-07-09 | 深圳市象形字科技股份有限公司 | 一种尿检仪试纸条颜色识别方法 |
| CN112577905A (zh) * | 2019-09-30 | 2021-03-30 | 苏州迈瑞科技有限公司 | 一种尿液颜色检测方法及分析仪 |
| CN110887960A (zh) * | 2019-12-02 | 2020-03-17 | 电子科技大学 | 一种基于机器视觉的尿液试纸条定量检测系统及方法 |
| CN110887960B (zh) * | 2019-12-02 | 2021-11-02 | 电子科技大学 | 一种基于机器视觉的尿液试纸条定量检测系统及方法 |
| CN112133436A (zh) * | 2020-10-13 | 2020-12-25 | 广州万孚健康科技有限公司 | 一种基于大数据分析的健康警示方法、系统和可读存储介质 |
| CN112133436B (zh) * | 2020-10-13 | 2021-06-29 | 广州万孚健康科技有限公司 | 一种基于大数据分析的健康警示方法、系统和可读存储介质 |
| CN114264648A (zh) * | 2021-12-02 | 2022-04-01 | 中国科学院合肥物质科学研究院 | 一种水质检测试纸识别方法和系统 |
| CN114264648B (zh) * | 2021-12-02 | 2024-07-16 | 中国科学院合肥物质科学研究院 | 一种水质检测试纸识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108593643A (zh) | 基于智能移动终端的尿液检测方法 | |
| US11257215B2 (en) | Systems and methods for collecting and transmitting assay results | |
| Lin et al. | Statistical methods in assessing agreement: Models, issues, and tools | |
| US20130080071A1 (en) | Systems and methods for sample processing and analysis | |
| KR102091832B1 (ko) | 멀티미디어 정보를 이용한 휴대용 체외진단키트 해석장치 | |
| TWI825240B (zh) | 用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統 | |
| US20030096420A1 (en) | Instrument | |
| JP2021512322A (ja) | 人工神経網ディープラーニング技法を活用した測定物分析方法、装置、学習方法およびシステム | |
| US7991569B2 (en) | Mobility normalizer, normalizing method, normalizing program, self-organized map, substance detecting method, detecting program, detection rule creating method, and data structure | |
| CN112309566A (zh) | 影像智能识别与医学智能推理的远程自动诊断系统及方法 | |
| KR20140130879A (ko) | 소변 검사 방법 및 관련 장치 | |
| CN105303511A (zh) | 图像处理装置及光源识别方法 | |
| CN106407664A (zh) | 呼吸气体诊断系统的领域自适应方法及装置 | |
| CN109887044A (zh) | 一种生殖数据测评方法及系统 | |
| US9990717B2 (en) | Hemoglobin and hematocrit analyzer and analyzing method thereof | |
| CN101963612A (zh) | 一种精液的检测试剂盒及其检查方法 | |
| Kolisnyk et al. | Predicting neurologic recovery after severe acute brain injury using resting-state networks | |
| WO2014036947A1 (zh) | 一种泌尿系结石病因诊断系统及其应用方法 | |
| WO2013043204A1 (en) | Systems and methods for collecting and transmitting assay results | |
| CN116206746A (zh) | 基于深度学习算法的医疗检测设备数据分析系统 | |
| CN105223194B (zh) | 一种一体化尿检方法及系统 | |
| CN113990485A (zh) | 一种基于常规检验数据与知识图谱联合诊断疾病的方法 | |
| US20230168219A1 (en) | Electrochemical-sensing apparatus and method therefor | |
| JP2003121260A (ja) | 比色測定装置及び比色測定方法 | |
| CN113945708A (zh) | 一种尿液检测方法及其系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |