CN109557300A - 一种全自动荧光免疫分析系统及方法 - Google Patents

一种全自动荧光免疫分析系统及方法 Download PDF

Info

Publication number
CN109557300A
CN109557300A CN201910043563.1A CN201910043563A CN109557300A CN 109557300 A CN109557300 A CN 109557300A CN 201910043563 A CN201910043563 A CN 201910043563A CN 109557300 A CN109557300 A CN 109557300A
Authority
CN
China
Prior art keywords
fluorescence
module
sample
full
cluster
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
Application number
CN201910043563.1A
Other languages
English (en)
Inventor
魏琼
彭晨月
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.)
Hubei College of Chinese Medicine
Original Assignee
Hubei College of Chinese Medicine
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 Hubei College of Chinese Medicine filed Critical Hubei College of Chinese Medicine
Priority to CN201910043563.1A priority Critical patent/CN109557300A/zh
Publication of CN109557300A publication Critical patent/CN109557300A/zh
Pending legal-status Critical Current

Links

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
    • G01N33/531—Production of immunochemical test materials
    • G01N33/532—Production of labelled immunochemicals
    • G01N33/533—Production of labelled immunochemicals with fluorescent label
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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"
    • G01N2021/6439—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" with indicators, stains, dyes, tags, labels, marks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • Genetics & Genomics (AREA)
  • Food Science & Technology (AREA)
  • Cell Biology (AREA)
  • Biotechnology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Medicinal Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)

Abstract

本发明属于荧光免疫分析技术领域，公开了一种全自动荧光免疫分析系统及方法，包括：供电模块、试剂信息采集模块、光源模块、中央控制模块、荧光检测模块、光子计数模块、层析模块、显示模块。本发明能有效避免普通计数模式中由于同步时钟信号的限制而导致的光子的遗漏现象，计数准确；同时，通过层析模块本可以获得更加准确的目标化合物浓度信息。本发明通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命，其中为了非线性最小二乘在拟合的过程中，避免受到初始值的影响，提高全局搜索能力，得到较好的效果，采用基于遗传模拟退火算法的最小二乘算法。

Description

一种全自动荧光免疫分析系统及方法
技术领域
本发明属于荧光免疫分析技术领域，尤其涉及一种全自动荧光免疫分析系统及方法。
背景技术
荧光免疫检测技术具有专一性强、灵敏度高、实用性好等优点，因此它被用于测量含量很低的生物活性化合物，例如蛋白质(酶、接受体、抗体)、激素(甾族化合物、甲状腺激素、酞激素)、药物及微生物等。免疫分析法是利用毒物与标记毒物竞争性结合抗体检测毒物的方法。可用于某些毒药物的筛选试验。利用免疫分析法进行检测，当没有加入非标记毒药物时，抗体完全与标记毒药物结合生成标记毒药物-抗体复合物。加入非标记毒药物后，非标记毒药物也将与抗体结合，生成非标记毒药物抗体复合物，从而抑制标记毒药物与抗体的结合反应，使生成产物中标记毒药物的含量降低。若抗体和标记毒药物的量固定，则加入的非标记毒药物的量与复合物中标记毒药物的含量之间存在一定的函数关系。选择合适的方法检测复合物中的标记毒药物，则可据此计算出检材中毒药物的量。然而，现有全自动荧光免疫分析系统光子计数不准确，导致不能获取准确的荧光强度和寿命；同时，不能获取准确的试剂化合物的浓度。
综上所述，现有技术存在的问题是：
(1)现有全自动荧光免疫分析系统光子计数不准确，导致不能获取准确的荧光强度和寿命；同时，不能获取准确的试剂化合物的浓度。
(2)现有技术中通过读码器读取试剂类型、样品编号信息之后，采用传统的算法对各类试剂数据进行分类，导致不平衡数据集分布的整体变化以及模糊正负类边界，降低分类的效果。
(3)现有技术中荧光检测模块通过光学检测器检测样品上产生的荧光信号的过程中，光电探测器产生的噪声影响荧光检测系统的灵敏度，降低信息完整性和时移不变性。
(4)通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命，其中非线性最小二乘在拟合的过程中，容易受到初始值的影响，降低全局搜索能力，得不到较好的效果。
发明内容
针对现有技术存在的问题，本发明提供了一种全自动荧光免疫分析系统及方法。
本发明是这样实现的，一种全自动荧光免疫分析方法，所述全自动荧光免疫分析方法包括：
第一步，为全自动荧光免疫分析系统进行供电；
第二步，采集实验试剂，进行样品编号，并对试剂进行荧光标记，利用激发光源激发样品上的荧光信号；
第三步，利用光学检测器检测样品上产生的荧光信号计算光子数，并通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命；并利用层析法获得试剂化合物浓度信息；
第四步，通过显示器显示试剂信息、荧光信号、光子数据、化合物浓度信息。
进一步，通过读码器读取试剂类型、样品编号信息之后，对各类试剂数据进行分类，采用改进的不平衡数据分类算法，具体包括以下步骤：
步骤一，初始簇K值的确定；利用K-means算法聚类并计算簇心，选择稀有数据类样本，利用K-means算法进行聚类操作并记录簇心；稀有数据类共分为K个聚类，每一个聚类的簇心为{c1，c2，…，ck}；
步骤二，进行样本插值，利用簇心而非稀有数据集内的原始样本点进行插值，即提出的KM-SMOTE新插值公式设定如下：
Xnew＝ci+rand(0，1)*(X-ci)，i＝1.2，…，k，；
X∈ci；
其中Xnew为新插值的样本；ci为簇心；X是以ci为簇心聚类中的原始样本数据；rand(0，1)表示0与1之间的某一随机数；
步骤三，处理插值后的数据集，对每一个簇心等概率的样本插值后，稀有类数据集中的样本可能比非稀有类数据集中的样本要多，此时要进行样本删除操作；数据删除的方法是删除每一个簇中可能产生过拟合的数据，直到达到数据集平衡；
步骤四，使用随机森林进行分类；处理过平衡后的数据集之后，利用该平衡数据集进行训练和分类；进行分类结果的记录和分析。
进一步，通过光学检测器检测样品上产生的荧光信号的过程中，采用荧光小波熵阈值去噪算法，具体过程如下：
设获取的荧光信号为f(t)，信号f(t)或第j层的近似系数Cj在低通滤波器hj和高通滤波器gj的作用下，分解得到第j+1层的近似系数cj+1和细节系数dj+1；第j+1步的滤波器是第j步滤波器的上采样；
将dj分解成n个不同的子区间，并计算每个子区间的小波熵，熵值最大的子区间的中值即为第j层噪声的标准差σj；第j层高频系数的阈值为：
第j层高频系数阈值量化公式为：
进一步，通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命，采用基于遗传模拟退火算法的最小二乘算法，包括以下步骤：
步骤一，进化代数计数器初始化，使用均匀概率随机产生初始群体，评价群体P(t)的适应度；以概率Pr随机地选择适应度较高的个体复制到交配池中；以概率Pc进行个体交叉操作P′(t)＝Crossover[p(t)]；以概率Pm进行个体变异操作P′(t)←Mutation[p′(t)]；
步骤二，对群体进行模拟退火算法，设置初始温度θ←T0；设置循环初值T←1；对当前最优点作一个随机变动(如用交换操作)，产生一个新的最优点，计算新的目标函数值的增量Δ；
步骤三，应用Mdeopalis规则确定是否接受新产生的最优点；如果Δ＜0则接受该新产生的最优点为当前的最优点；如果Δ＞0则以概率P＝exp(-Δ/θ)接受该新产生的最优点为当前最优点；
步骤四，如果t小于终止步数，则转至确定是否接受新产生的最优点，否则进行降温，则θ←T(t)，T(t)＝kT(t-1)，0＜k＜1；若连续若干次降温后最优点没有改进或降温到给定的阈值，则输出当前最优点，计算结束，否则转至步骤二；
步骤五，评价经上述操作产生的新群体Pm(t)的适应度；个体选择、复制操作
步骤六，终止条件判断；若连续几代个体平均适应度的差异小于某一级小的阈值或经过指定的进化代数之后，就停止运算，并将当前群体中适应度最高的个体作为所求问题的最优解输出；若不满足终止条件，则t←t+1转动进行个体交叉操作继续进行进化。
本发明的另一目的在于提供一种执行所述全自动荧光免疫分析方法的全自动荧光免疫分析系统，所述全自动荧光免疫分析系统包括：
供电模块，与中央控制模块连接，用于为全自动荧光免疫分析系统供电操作；
试剂信息采集模块，与中央控制模块连接，用于通过读码器读取试剂类型、样品编号信息；
光源模块，与中央控制模块连接，用于通过激发光源激发样品上的荧光信号；
中央控制模块，与供电模块、试剂信息采集模块、光源模块、荧光检测模块、光子计数模块、层析模块、显示模块连接，用于通过单片机控制各个模块正常工作；
荧光检测模块，与中央控制模块连接，用于通过光学检测器检测样品上产生的荧光信号；
光子计数模块，与中央控制模块连接，用于计算光子数，并通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命；
层析模块，与中央控制模块连接，用于通过层析法获得试剂化合物浓度信息；
显示模块，与中央控制模块连接，用于通过显示器显示试剂信息、荧光信号、光子数据、化合物浓度信息。
本发明的另一目的在于提供一种应用所述全自动荧光免疫分析方法的荧光免疫分析平台。
本发明的优点及积极效果为：本发明通过光子计数模块采用异步预累加计数、同步累加存储的方式实现单光子计数；能有效避免普通计数模式中由于同步时钟信号的限制而导致的光子的遗漏现象，计数准确；同时，通过层析模块本可以获得更加准确的目标化合物浓度信息。
本发明中试剂信息采集模块通过读码器读取试剂类型、样品编号信息之后，需要对各类试剂数据进行分类，为了避免导致不平衡数据集分布的整体变化以及模糊正负类边界，提高分类的效果，采用一种改进的不平衡数据分类算法。
本发明中荧光检测模块通过光学检测器检测样品上产生的荧光信号的过程中，为了有效地避免光电探测器产生的噪声影响荧光检测系统的灵敏度，提高信息完整性和时移不变性，采用荧光小波熵阈值去噪算法。
本发明中光子计数模块通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命，其中为了非线性最小二乘在拟合的过程中，避免受到初始值的影响，提高全局搜索能力，得到较好的效果，采用基于遗传模拟退火算法的最小二乘算法。
附图说明
图1是本发明实施例提供的全自动荧光免疫分析方法流程图。
图2是本发明实施例提供的全自动荧光免疫分析系统结构示意图；
图中：1、供电模块；2、试剂信息采集模块；3、光源模块；4、中央控制模块；5、荧光检测模块；6、光子计数模块；7、层析模块；8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的全自动荧光免疫分析系统检测方法，包括以下步骤：
S101：首先，为全自动荧光免疫分析系统进行供电；
S102：采集实验试剂，进行样品编号，并对试剂进行荧光标记，利用激发光源激发样品上的荧光信号；
S103：利用光学检测器检测样品上产生的荧光信号计算光子数，并通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命；并利用层析法获得试剂化合物浓度信息；
S104：通过显示器显示试剂信息、荧光信号、光子数据、化合物浓度信息。
如图2所示，本发明提供的全自动荧光免疫分析系统包括：供电模块1、试剂信息采集模块2、光源模块3、中央控制模块4、荧光检测模块5、光子计数模块6、层析模块7、显示模块8。
供电模块1，与中央控制模块4连接，用于为全自动荧光免疫分析系统供电操作；
试剂信息采集模块2，与中央控制模块4连接，用于通过读码器读取试剂类型、样品编号信息；
光源模块3，与中央控制模块4连接，用于通过激发光源激发样品上的荧光信号；
中央控制模块4，与供电模块1、试剂信息采集模块2、光源模块3、荧光检测模块5、光子计数模块6、层析模块7、显示模块8连接，用于通过单片机控制各个模块正常工作；
荧光检测模块5，与中央控制模块4连接，用于通过光学检测器检测样品上产生的荧光信号；
光子计数模块6，与中央控制模块4连接，用于计算光子数，并通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命；
层析模块7，与中央控制模块4连接，用于通过层析法获得试剂化合物浓度信息；
显示模块8，与中央控制模块4连接，用于通过显示器显示试剂信息、荧光信号、光子数据、化合物浓度信息。
所述试剂信息采集模块2通过读码器读取试剂类型、样品编号信息之后，需要对各类试剂数据进行分类，为了避免导致不平衡数据集分布的整体变化以及模糊正负类边界，提高分类的效果，采用一种改进的不平衡数据分类算法，具体包括以下步骤：
步骤一，初始簇K值的确定；利用K-means算法聚类并计算簇心，选择稀有数据类样本，利用K-means算法进行聚类操作并记录簇心。稀有数据类共分为K个聚类，每一个聚类的簇心为{c1，c2，…，ck}；
步骤二，进行样本插值。为了有效降低数据的偏向性以及改变数据的平衡性，利用簇心而非稀有数据集内的原始样本点进行插值，即提出的KM-SMOTE新插值公式设定如下：
Xnew＝ci+rand(0，1)*(X-ci)，i＝1，2，…，k，；
X∈ci；
其中Xnew为新插值的样本；ci为簇心；X是以ci为簇心聚类中的原始样本数据；rand(0，1)表示0与1之间的某一随机数；
步骤三，处理插值后的数据集，对每一个簇心等概率的样本插值后，稀有类数据集中的样本可能比非稀有类数据集中的样本要多，此时要进行样本删除操作。数据删除的方法是删除每一个簇中可能产生过拟合的数据，直到达到数据集平衡；
步骤四，使用随机森林进行分类；处理过平衡后的数据集之后，利用该平衡数据集进行训练和分类；进行分类结果的记录和分析。
所述荧光检测模块5通过光学检测器检测样品上产生的荧光信号的过程中，为了有效地避免光电探测器产生的噪声影响荧光检测系统的灵敏度，提高信息完整性和时移不变性，采用荧光小波熵阈值去噪算法，具体过程如下：
设获取的荧光信号为f(t)，信号f(t)或第j层的近似系数cj在低通滤波器hj和高通滤波器gj的作用下，分解得到第j+1层的近似系数Cj+1和细节系数dj+1；第j+1步的滤波器是第j步滤波器的上采样；
将dj分解成n个不同的子区间，并计算每个子区间的小波熵，熵值最大的子区间的中值即为第j层噪声的标准差σj；第j层高频系数的阈值为：
第j层高频系数阈值量化公式为：
所述光子计数模块6通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命，其中为了非线性最小二乘在拟合的过程中，避免受到初始值的影响，提高全局搜索能力，得到较好的效果，采用基于遗传模拟退火算法的最小二乘算法，包括以下步骤：
步骤一，进化代数计数器初始化，使用均匀概率随机产生初始群体，评价群体P(t)的适应度；以概率Pr随机地选择适应度较高的个体复制到交配池中；以概率Pc进行个体交叉操作P′(t)Crossover[p(t)]；以概率Pm进行个体变异操作P′(t)←Mutation[p′(t)]；
步骤二，对群体进行模拟退火算法，设置初始温度θ←T0；设置循环初值T←1；对当前最优点作一个随机变动(如用交换操作)，产生一个新的最优点，计算新的目标函数值的增量Δ；
步骤三，应用Meteopalis规则确定是否接受新产生的最优点；如果Δ＜0则接受该新产生的最优点为当前的最优点；如果Δ＞0则以概率P＝exp(-Δ/θ)接受该新产生的最优点为当前最优点；
步骤四，如果t小于终止步数，则转至确定是否接受新产生的最优点，否则进行降温，则θ←T(t)，T(t)＝kT(t-1)，0＜k＜1；若连续若干次降温后最优点没有改进或降温到给定的阈值，则输出当前最优点，计算结束，否则转至步骤二；
步骤五，评价经上述操作产生的新群体Pm(t)的适应度；个体选择、复制操作
步骤六，终止条件判断；若连续几代个体平均适应度的差异小于某一级小的阈值或经过指定的进化代数之后，就停止运算，并将当前群体中适应度最高的个体作为所求问题的最优解输出；若不满足终止条件，则t←t+1转动进行个体交叉操作继续进行进化。
本发明提供的光子计数模块6计数方法如下：
1)通过上位计算机将测量参数发送至控制器中；测量参数包括时窗个数，时钟计数器的计数阈值和激发光脉冲数，控制器根据所设定测量参数，分配与时窗个数相同的存储器；
2)当控制器产生触发脉冲的电信号时，将该脉冲信号的下降沿作为新计数周期的计数同步信号，此时将时钟计数器与预累加器清零，并将存储地址复位到首个时窗对应的存储器位置；
3)时钟计数器开始计数，并启动预累加器，对PMT探测到的荧光信号进行光子脉冲触发的异步预累加，在预累加器的计数过程中，同步读取当前存储地址下存储器数据；
4)当时钟计数器到达所设定的计数阈值时，认为到达所需的时窗宽度，此时将从存储器中读取的数据与预累加器中的计数结果相加，将相加得到的结果写入当前存储地址以更新该当前存储地址的光子计数值；存储地址加1，切换到下一时窗存储位置，产生时窗切换信号，并将预累加器及时钟计数器清零；
5)重复步骤3)4)直到该激发光脉冲的单计数周期中所设定数目的时窗均计数完毕；此时单周期测量结束；
6重复步骤2)3)4)5)，进行多周期重复测量，直至完成所设定激发脉冲数的周期的测量；
7)将上述存储器中的数据传入上位计算机中，对所测得的光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，以分别获得荧光强度和荧光寿命。
本发明提供的层析模块7层析方法如下：
(1)、将待测液体滴入双线荧光免疫分析试剂条，等待免疫层析反应完成；
(2)、沿层析反方向，获取位移量与荧光强度数据，建立荧光强度-位移量函数；
(3)、对步骤(2)获得的荧光强度-位移量函数进行空白带荧光特性的修正，获得修正的双线强度；
(4)、依据待测液体标样的荧光强度-浓度关系函数，由步骤(3)的双线强度获得该滴入的待测液体浓度与滴入液滴的第一体积估值，并依据空白带荧光特性得出滴入液滴第二体积估值；
(5)、步骤(4)中两液滴体积估值差异判断，若体积差异在达标范围内，输出浓度测量结果；否则，输出参考结果并警告；
所述双线强度为测试线强度与控制线强度。
本发明工作时，首先，通过供电模块1为全自动荧光免疫分析系统供电操作；通过试剂信息采集模块2利用读码器读取试剂类型、样品编号信息；通过光源模块3利用激发光源激发样品上的荧光信号；其次，中央控制模块4通过荧光检测模块5利用光学检测器检测样品上产生的荧光信号；通过光子计数模块6计算光子数，并通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命；然后，通过层析模块7利用层析法获得试剂化合物浓度信息；最后，通过显示模块8利用显示器显示试剂信息、荧光信号、光子数据、化合物浓度信息。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (6)

1.一种全自动荧光免疫分析方法，其特征在于，所述全自动荧光免疫分析方法包括：
第一步，为全自动荧光免疫分析系统进行供电；
第二步，采集实验试剂，进行样品编号，并对试剂进行荧光标记，利用激发光源激发样品上的荧光信号；
第三步，利用光学检测器检测样品上产生的荧光信号计算光子数，并通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命；并利用层析法获得试剂化合物浓度信息；
第四步，通过显示器显示试剂信息、荧光信号、光子数据、化合物浓度信息。
2.如权利要求1所述的全自动荧光免疫分析方法，其特征在于，通过读码器读取试剂类型、样品编号信息之后，对各类试剂数据进行分类，采用改进的不平衡数据分类算法，具体包括以下步骤：
步骤一，初始簇K值的确定；利用K-means算法聚类并计算簇心，选择稀有数据类样本，利用K-means算法进行聚类操作并记录簇心；稀有数据类共分为K个聚类，每一个聚类的簇心为{c1，c2，…，ck}；
步骤二，进行样本插值，利用簇心而非稀有数据集内的原始样本点进行插值，即提出的KM-SMOTE新插值公式设定如下：
Xnew＝ci+rand(0，1)*(X-ci)，i＝1，2，…，k，；
X∈ci；
其中Xnew为新插值的样本；ci为簇心；X是以ci为簇心聚类中的原始样本数据；rand(0，1)表示0与1之间的某一随机数；
步骤三，处理插值后的数据集，对每一个簇心等概率的样本插值后，稀有类数据集中的样本可能比非稀有类数据集中的样本要多，此时要进行样本删除操作；数据删除的方法是删除每一个簇中可能产生过拟合的数据，直到达到数据集平衡；
步骤四，使用随机森林进行分类；处理过平衡后的数据集之后，利用该平衡数据集进行训练和分类；进行分类结果的记录和分析。
3.如权利要求1所述的全自动荧光免疫分析方法，其特征在于，通过光学检测器检测样品上产生的荧光信号的过程中，采用荧光小波熵阈值去噪算法，具体过程如下：
设获取的荧光信号为f(t)，信号f(t)或第j层的近似系数cj在低通滤波器hj和高通滤波器gj的作用下，分解得到第j+1层的近似系数cj+1和细节系数dj+1；第j+1步的滤波器是第j步滤波器的上采样；
将dj分解成n个不同的子区间，并计算每个子区间的小波熵，熵值最大的子区间的中值即为第j层噪声的标准差σj；第j层高频系数的阈值为：
第j层高频系数阈值量化公式为：
4.如权利要求1所述的全自动荧光免疫分析方法，其特征在于，通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命，采用基于遗传模拟退火算法的最小二乘算法，包括以下步骤：
步骤一，进化代数计数器初始化，使用均匀概率随机产生初始群体，评价群体P(t)的适应度；以概率Pr随机地选择适应度较高的个体复制到交配池中；以概率Pc进行个体交叉操作P′(t)＝Crossover[p(t)]；以概率Pm进行个体变异操作P′(t)←Mutation[p′(t)]；
步骤二，对群体进行模拟退火算法，设置初始温度θ←T0；设置循环初值T←1；对当前最优点作一个随机变动(如用交换操作)，产生一个新的最优点,计算新的目标函数值的增量△；
步骤三，应用Meteopalis规则确定是否接受新产生的最优点；如果Δ＜0则接受该新产生的最优点为当前的最优点；如果Δ＞0则以概率P＝exp(-Δ/θ)接受该新产生的最优点为当前最优点；
步骤四，如果t小于终止步数,则转至确定是否接受新产生的最优点，否则进行降温，则θ←T(t)，T(t)＝kT(t-1)，0＜k＜1；若连续若干次降温后最优点没有改进或降温到给定的阈值,则输出当前最优点，计算结束，否则转至步骤二；
步骤五，评价经上述操作产生的新群体Pm(t)的适应度；个体选择、复制操作
步骤六，终止条件判断；若连续几代个体平均适应度的差异小于某一级小的阈值或经过指定的进化代数之后，就停止运算，并将当前群体中适应度最高的个体作为所求问题的最优解输出；若不满足终止条件，则t←t+1转动进行个体交叉操作继续进行进化。
5.一种执行权利要求1所述全自动荧光免疫分析方法的全自动荧光免疫分析系统，其特征在于，所述全自动荧光免疫分析系统包括：
供电模块，与中央控制模块连接，用于为全自动荧光免疫分析系统供电操作；
试剂信息采集模块，与中央控制模块连接，用于通过读码器读取试剂类型、样品编号信息；
光源模块，与中央控制模块连接，用于通过激发光源激发样品上的荧光信号；
中央控制模块，与供电模块、试剂信息采集模块、光源模块、荧光检测模块、光子计数模块、层析模块、显示模块连接，用于通过单片机控制各个模块正常工作；
荧光检测模块，与中央控制模块连接，用于通过光学检测器检测样品上产生的荧光信号；
光子计数模块，与中央控制模块连接，用于计算光子数，并通过光子数时间扩展曲线的某个特定区间进行积分以及非线性最小二乘拟合，分别获得荧光强度和荧光寿命；
层析模块，与中央控制模块连接，用于通过层析法获得试剂化合物浓度信息；
显示模块，与中央控制模块连接，用于通过显示器显示试剂信息、荧光信号、光子数据、化合物浓度信息。
6.一种应用权利要求1～4任意一项所述全自动荧光免疫分析方法的荧光免疫分析平台。
CN201910043563.1A 2019-01-17 2019-01-17 一种全自动荧光免疫分析系统及方法 Pending CN109557300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910043563.1A CN109557300A (zh) 2019-01-17 2019-01-17 一种全自动荧光免疫分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910043563.1A CN109557300A (zh) 2019-01-17 2019-01-17 一种全自动荧光免疫分析系统及方法

Publications (1)

Publication Number Publication Date
CN109557300A true CN109557300A (zh) 2019-04-02

Family

ID=65873254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910043563.1A Pending CN109557300A (zh) 2019-01-17 2019-01-17 一种全自动荧光免疫分析系统及方法

Country Status (1)

Country Link
CN (1) CN109557300A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111693469A (zh) * 2020-04-30 2020-09-22 新绎健康科技有限公司 一种测试光路系统稳定性的方法及系统
CN112288033A (zh) * 2020-11-19 2021-01-29 武汉生之源生物科技股份有限公司 一种全自动荧光免疫分析数据处理方法、系统及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728446A (zh) * 2013-12-11 2014-04-16 天津大学 光子计数型多通道时间分辨荧光免疫分析系统及计数方法
CN204439552U (zh) * 2015-03-04 2015-07-01 深圳市金准生物医学工程有限公司 一种免疫荧光定量分析仪
CN106841133A (zh) * 2016-12-31 2017-06-13 必欧瀚生物技术（合肥）有限公司 一种基于荧光免疫层析技术的定量检测计算方法
CN107038479A (zh) * 2017-05-08 2017-08-11 湖北科技学院 一种可变长染色体编码的混合并行遗传聚类算法
US20170358434A1 (en) * 2016-06-09 2017-12-14 Shimadzu Corporation Big-data analyzing method and mass spectrometric system using the same method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728446A (zh) * 2013-12-11 2014-04-16 天津大学 光子计数型多通道时间分辨荧光免疫分析系统及计数方法
CN204439552U (zh) * 2015-03-04 2015-07-01 深圳市金准生物医学工程有限公司 一种免疫荧光定量分析仪
US20170358434A1 (en) * 2016-06-09 2017-12-14 Shimadzu Corporation Big-data analyzing method and mass spectrometric system using the same method
CN106841133A (zh) * 2016-12-31 2017-06-13 必欧瀚生物技术（合肥）有限公司 一种基于荧光免疫层析技术的定量检测计算方法
CN107038479A (zh) * 2017-05-08 2017-08-11 湖北科技学院 一种可变长染色体编码的混合并行遗传聚类算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王世华: "遗传模拟退火算法在非线性最小二乘中的应用" *
王玉田等: "静态小波变换荧光检测水中矿物油信号的去噪方法" *
陈斌等: "基于KM－SMOTE 和随机森林的不平衡数据分类" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111693469A (zh) * 2020-04-30 2020-09-22 新绎健康科技有限公司 一种测试光路系统稳定性的方法及系统
CN111693469B (zh) * 2020-04-30 2023-03-14 新绎健康科技有限公司 一种测试光路系统稳定性的方法及系统
CN112288033A (zh) * 2020-11-19 2021-01-29 武汉生之源生物科技股份有限公司 一种全自动荧光免疫分析数据处理方法、系统及装置

Similar Documents

Publication Publication Date Title
CN110222267B (zh) 一种游戏平台信息推送方法、系统、存储介质及设备
Campbell et al. Assessing colour-dependent occupation statistics inferred from galaxy group catalogues
US11600373B2 (en) Biodosimetry panels and methods
CN1826529B (zh) 临床检查分析装置及临床检查分析方法
Lovell et al. Characterising and identifying galaxy protoclusters
US7430485B2 (en) Method and system for analyzing coatings undergoing exposure testing
Clothiaux et al. An automated algorithm for detection of hydrometeor returns in micropulse lidar data
CN105005680A (zh) 使用分类系统及其试剂盒识别和诊断肺部疾病的方法
CN101981446A (zh) 用于使用支持向量机分析流式细胞术数据的方法和系统
CN109557300A (zh) 一种全自动荧光免疫分析系统及方法
CN107527236A (zh) 一种基于市场效应的协同过滤推荐方法及推荐系统
CN108520249A (zh) 一种细胞分类器的构建方法、装置及系统
CN112161913A (zh) 一种用于流式荧光分析系统的分析方法及设备
Alkhatatbeh et al. Strategies for enumeration of circulating microvesicles on a conventional flow cytometer: Counting beads and scatter parameters
WO2023123869A1 (zh) 能见度值检测方法、装置、设备及存储介质
CN105986003A (zh) 一种白细胞计数方法、装置及细胞分析仪
Leung et al. A variational encoder–decoder approach to precise spectroscopic age estimation for large Galactic surveys
Russell et al. Individualized risk trajectories for iron‐related adverse outcomes in repeat blood donors
CN109360659A (zh) 一种基于相对风险偏差和空间参量修正的时空扫描统计方法
Bowen et al. Comparison of a modified thiazole orange technique with a fully automated analyser for reticulocyte counting.
Courty et al. Host galaxies of gamma‐ray bursts and their cosmological evolution
Eudey Statistical considerations in DNA flow cytometry
CN102144153B (zh) 用于分类、显示并探查生物数据的方法和装置
Laroche et al. Pesticide concentration monitoring: Investigating spatio‐temporal patterns in left censored data
CN116964433A (zh) 基于模型化和最小化溢出扩散的流式细胞术面板设计方法以及用于实践该方法的系统

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