CN110218626A - 一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统及方法 - Google Patents

Abstract

本发明提供一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统及方法，该系统包括：微生物培养部，具有置于孵育板上且内部放置有基液的多个孵育孔，用于培养待鉴定微生物；采集计算部，具有用于采集每个孵育孔内待鉴定微生物的菌液的图像并得到图像的灰度值的CCD相机以及与CCD相机连接的并基于预定规则将该灰度值转化为微生物菌液浊度值的计算机；曲线生成部，用于根据对数生长期间微生物菌液的浊度值及其对应生长时间内每个孵育孔内的待鉴定微生物的生长曲线；微生物判别部，用于将生长曲线与标准生长曲线数据库中已知微生物的标准生长曲线进行匹配，从而得到待鉴定微生物的种类；该方法采用上述微生物鉴定系统进行鉴定，最终得到待鉴定微生物的种类。

Description

一种基于Logistic四参数模型和MASCA算法的微生物鉴定系 统及方法

技术领域

本发明属于生物鉴定技术中的数据处理和数字计算领域，具体涉及一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统及方法。

背景技术

国内微生物鉴定系统的研究从20世纪末开始，起步较晚。在传统的微分类鉴定中，微生物鉴定的主要依据是形态学特征、生理生化反应特征、生态学特征以及血清学反应、对噬菌体的敏感性等。虽然国内的微生物鉴定仪价格适中，适合广泛使用，但其性能参差不齐，人为因素影响较大。有些微生物新种、亚种也不能被鉴定，并且国内读数仪均使用比浊和比色技术，鉴定速度相对较慢。

随着仪器分析技术快速进步和计算机广泛应用，微生物种类鉴定渐渐地由传统的形态学观察和人工、生理生化实验鉴定转入基于仪器自动化分析的鉴定系统阶段。因此，借助新的技术手段分析微生物特征达到鉴定目的是非常有效的。

通过对不同特征来鉴别微生物的方法各有不同，而微生物特征除了包括形态学特征、生理化特征，还具有呈指数生长的特性。每种微生物具有不同的生长曲线，其对数生长期间的数量随时间的变化可得到一条具有该微生物生长特性的生长曲线。因此，为了满足市场需求，基于生长曲线设计出一种操作简便，流程自动化和结果准确的微生物鉴定方法势在必行。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统及方法。

本发明提供了一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统，用于鉴定微生物的种类，具有这样的特征，包括：微生物培养部，具有置于孵育板上且内部放置有基液的多个孵育孔，用于培养待鉴定微生物；采集计算部，具有用于采集每个孵育孔内待鉴定微生物的菌液图像并得到图像的灰度值的CCD相机以及与CCD相机连接的并基于预定规则将该灰度值转化为微生物菌液浊度值的计算机；曲线生成部，用于根据微生物对数生长期间菌液的浊度值及其对应生长时间来获得每个孵育孔内的待鉴定微生物的生长曲线；以及微生物判别部，用于将生长曲线与标准生长曲线数据库中已知微生物的标准生长曲线进行匹配，从而得到待鉴定微生物的种类，其中，曲线生成部采用Logistic四参数模型为拟合模型，并利用Lewenberg-Marquardt算法将浊度值与对应生长时间进行拟合，并采用MATLAB进行编程，从而得到待鉴定微生物的生长曲线。

在本发明提供的基于Logistic四参数模型和MASCA算法的微生物鉴定系统中，还可以具有这样的特征：其中，培养待鉴定微生物的孵育孔的数量为48个，孵育孔内的基液与培养标准生长曲线数据库中已知微生物的基液相同，均含有四唑类氧化还原染色剂、胶质以及47种不同的碳源物质。

在本发明提供的基于Logistic四参数模型和MASCA算法的微生物鉴定系统中，还可以具有这样的特征：其中，Logistic四参数模型的表达式为：

式中，y表示浊度值；x表示时间；A₁表示浊度值y的最小值；A₂表示浊度值y的最大值；x₀为最大生长比率点；p是浊度值增长速率参数。

在本发明提供的基于Logistic四参数模型和MASCA算法的微生物鉴定系统中，还可以具有这样的特征：其中，MASCA算法即为多层惩罚系数调整相似度的算法，包括绝对异常调整算法、显著异常调整算法以及大概率异常惩罚算法。

本发明还提供了一种采用上述基于Logistic四参数模型和MASCA算法的微生物鉴定系统的微生物鉴定方法，包括如下步骤：

步骤1，设定待鉴定微生物的培养时间；

步骤2，将待鉴定微生物放入多个孵育孔内进行培养，得到待鉴定微生物的微生物菌液；

步骤3，采用CCD相机每20分钟采集孵育板的每个孵育孔内的微生物菌液的图像，获得每个孵育孔内的微生物菌液的亮度、颜色或纹理变化信息，进而得到每个孵育孔内的微生物菌液的实时的灰度值，然后通过计算机将灰度值转化为浊度值；

步骤4，待待鉴定微生物的培养达到设定的时间后，计算机控制CCD相机停止采集图像；

步骤5，曲线生成部选取待鉴定微生物在对数生长期间的浊度值以及与浊度值相对应的时间，而后根据Logistic四参数模型并采用MATLAB进行编程，分别做出待鉴定微生物在每个孵育孔内的生长曲线；

步骤6，微生物判别部先根据Logistic四参数模型建立已知微生物的标准生长曲线数据库，而后在鉴别过程中利用夹角余弦定理和归一化处理方法将待鉴定微生物的生长曲线与标准生长曲线数据库中的每种已知微生物的标准生长曲线进行对比，得到原始相似度；

步骤7，微生物判别部将各个孵育孔的阴阳性数据与已知微生物库中的每种已知微生物的相应板孔信息进行对比，根据匹配程度的综合信息，通过MASCA算法来调整原始相似度，得到调整后相似度，而后通过对调整后相似度进行高低排序判别出待鉴定微生物的种类，若都不匹配，则将该待鉴定微生物存入标准生长曲线数据库中。

在本发明提供的基于Logistic四参数模型和MASCA算法的微生物鉴定方法，还可以具有这样的特征：其中，步骤6中的标准生长曲线的获得具有如下子步骤：将已知微生物放入多个孵育孔内进行培养，而后鉴别孵育孔的阴阳性，并在相应的孵育孔内通过logistic四参数模型得到已知微生物的多组待定生长曲线，将多组待定生长曲线取平均值得到标准生长曲线。

在本发明提供的基于Logistic四参数模型和MASCA算法的微生物鉴定方法，还可以具有这样的特征：步骤6中的原始相似度的获得具有如下子步骤：将待鉴定微生物在各个孵育孔的生长曲线与每种已知微生物的标准生长曲线通过夹角余弦定理获得单孔相似程度，然后对各个孵育孔的相似程度做归一化处理，得到原始相似度。

发明的作用与效果

根据本发明所涉及的基于Logistic四参数模型和MASCA算法的微生物鉴定系统，因为具有微生物培养部，所以能够用于培养待鉴定微生物；因为采集计算部具有CCD相机以及计算机，所以能够采集待鉴定微生物的微生物菌液的图像并且获得图像的灰度值，进而将灰度值转化为浊度值；因为具有的曲线生成部采用Logistic四参数模型以及Lewenberg-Marquardt算法将浊度值与对应生长时间进行拟合，并采用MATLAB进行编程，所以能够得到待鉴定微生物的生长曲线；因为具有微生物判别部，所以能够根据待鉴定微生物的生长曲线和已知标准曲线通过夹角余弦定理和MASCA算法对其种类进行判别。

根据本发明所涉及的基于Logistic四参数模型和MASCA算法的微生物鉴定方法，因为采集计算部的CCD相机与计算机相连，所以能及时获取到CCD相机反馈的图像信息，将采集到的灰度值及时处理，还能够在达到设定的时间后，通过计算机控制相机停止采集，避免消耗不必要的采集时间，并且将灰度值转换为浊度值；因为通过曲线生成部生成的生长曲线是贯穿于整个培养生长的过程的，所以能够较好的判别微生物的特性；因为曲线生成部采用用logistic四参数模型对浊度值和相应生长时间进行处理，所以得到的生长曲线是非常准确的；因为微生物判别部采用MASCA算法对原始相似度进行调整，所以避免了出现特殊误差的情况，提高了准确性和鲁棒性，并且达到了快速高效的鉴定微生物的目的。

因此，本发明的基于Logistic四参数模型和MASCA算法的微生物鉴定系统及方法，具有高可行性，有效解决了目前国内在全自动微生物鉴定领域算法的空白状况，对于自动化鉴定微生物具有重要的实践意义。另外，相比于对比现有技术，本发明还具有全流程自动化，操作简单，鉴定准确度高，鉴定时间短等优点。

附图说明

图1是本发明的实施例中基于Logistic四参数模型和MASCA算法的微生物鉴定系统的框架示意图；

图2是本发明的实施例中基于Logistic四参数模型和MASCA算法的微生物鉴定系统的微生物鉴定方法的方法流程图；

图3是本发明的实施例中的微生物判别部基于夹角余弦定理和MASCA算法将待鉴定微生物与标准生长曲线数据库中微生物进行对比的微生物鉴定流程图。

具体实施方式

为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。

实施例：

图1是本发明的实施例中基于Logistic四参数模型和MASCA算法的微生物鉴定系统的框架示意图。

如图1所示，本实施例的一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统100，用于鉴定微生物的种类，包括：微生物培养部10、采集计算部20、曲线生成部30以及微生物判别部40，其中，MASCA算法即为多层惩罚系数调整相似度的算法。

微生物培养部10具有置于孵育板上的内部放置有基液的多个孵育孔，用于培养待鉴定微生物。

培养待鉴定微生物的孵育孔的数量为48个，孵育孔内的基液与培养标准生长曲线数据库中已知微生物的基液相同，均含有四唑类氧化还原染色剂、胶质以及47种不同的碳源物质。

采集计算部20具有用于采集每个孵育孔内的待鉴定微生物的微生物菌液的图像并得到图像的灰度值的CCD相机以及与CCD相机连接的并基于预定规则将该灰度值转化为微生物菌液的浊度值的计算机。

曲线生成部30用于根据微生物菌液的浊度值及其对应生长时间内每个孵育孔内的待鉴定微生物的生长曲线。

曲线生成部采用Logistic四参数模型为拟合模型，并利用Lewenberg-Marquardt算法将浊度值与对应生长时间进行拟合，并采用MATLAB进行编程，从而得到待鉴定微生物的生长曲线，Logistic四参数模型的表达式为：

式中，y表示浊度值；x表示时间；A₁表示浊度值y的最小值；A₂表示浊度值y的最大值；x₀为最大生长比率点；p是浊度值增长速率参数。

微生物判别部40用于将生长曲线与标准生长曲线数据库中已知微生物的标准生长曲线进行匹配，从而得到待鉴定微生物的种类。

图2是本发明的实施例中基于Logistic四参数模型和MASCA算法的微生物鉴定系统的微生物鉴定方法的方法流程图。

如图2所示，采用本实施例的基于Logistic四参数模型和MASCA算法的微生物鉴定系统100的微生物鉴定方法，包括如下步骤：

步骤1，设定待鉴定微生物的培养时间。

步骤2，将待鉴定微生物放入多个孵育孔内进行培养，得到待鉴定微生物的微生物菌液。

步骤3，采用CCD相机每20分钟采集孵育板的每个孵育孔内的微生物菌液的图像，获得每个孵育孔内的微生物菌液的亮度、颜色或纹理变化信息，进而得到每个孵育孔内的微生物菌液的实时的灰度值，然后通过计算机将灰度值转化为浊度值。

步骤4，待待鉴定微生物的培养达到设定的时间后，计算机控制CCD相机停止采集图像。

步骤5，曲线生成部30选取待鉴定微生物在对数生长期间的浊度值以及与浊度值相对应的时间，而后根据Logistic四参数模型并采用MATLAB进行编程，分别做出待鉴定微生物在每个孵育孔内的生长曲线。

曲线生成部30采用logistic四参数模型作为拟合模型，并采用Levenberg-Marquardt算法对待鉴定微生物对数生长期间的浊度值和与浊度值相对应的时间进行拟合，用Matlab作为编程语言。

logistic四参数模型的表达式为：

y表示浊度值，x表示时间，A₁表示浊度值y的最小值，A₂表示浊度值y的最大值，x₀为最大生长比率点，p是浊度值增长速率参数。

编写MATLAB程序作曲线拟合时，关键点在于模型参数初始值的选取。根据微生物生长曲线特征，A₁、A₂的初始值采用均值法求得，x₀、p的初始值采用局部平滑线性拟合法求得；A₁的初始值由延滞期数据提供，取延滞期数据前10点做均值处理，得到A₁初始值；A₂初始值由稳定期数据提供，通过生长曲线末尾数据取10点做均值计算，求得A₂初始值。

在logistic四参数模型的初始值估计中，由于生长期对生长鉴定是最有价值的特征，所以x₀的估计尤其重要。因此我们采用最小二乘法原理局部平滑线性拟合法对x₀进行初始值估计。

最小二乘法为通过最小化误差的平方和寻找数据的最佳函数匹配，使得求得的数据与实际数据之间误差的平方和为最小。数据拟合具体做法：研究变量x与y之间的关系时，通常可以得到一系列成对的数据((x₁，y₁)，(x₂，y₂)……(x_m，y_m))；将这些数据描绘在x-y直角坐标系中，发现这些点在一条直线附近，该直线的模型为：

y＝a+bx (1)

其中：a、b是任意实数。

定义

其中，y'为实际值，y为计算值，m为数据的个数，基于最小二乘法原理，为最小时为优化判据。

把式(1)代入中得：

当最小时，可用函数对a、b求偏导数，令这两个偏导数等于零得到：

由式(3)和式(4)得到：

将式(5)和式(6)代入式(1)即可得到式(1)的线性回归分析公式。

然后对数据进行预处理，进行数据局部平滑，再进行线性拟合处理。对数据做最小二乘法线性拟合时，根据线性回归分析公式(1)可得出b值；根据微生物生长曲线特征，结合ORIGIN拟合Logistic四参数模型，得到拟合出的模型特征值x₀。比较不同的孵育孔分别求出的这两个值，发现x₀值是等于b值最大值点位置与局部拟合的点数的中位数之间的差。同时，待鉴定微生物的延滞期可由x0点的切线与时间轴相交得到的三角形求得。

基于以上计算过程可拟合出待鉴定微生物的生长曲线。

步骤6，微生物判别部40先根据Logistic四参数模型建立已知微生物的标准生长曲线数据库，而后在鉴别过程中利用夹角余弦定理和归一化处理方法将待鉴定微生物的生长曲线与标准生长曲线数据库中的每种已知微生物的标准生长曲线进行对比，得到原始相似度。

将已知微生物放入孵育板的孵育孔内进行培养，从而得到已知微生物在每个孵育孔的生长曲线。要得到每个孵育孔的标准生长曲线，需要采用多个孵育板同时培养已知微生物，而每个孵育板中相对应的孵育孔内的基液相同。对已知微生物在多个相同孵育孔基于Logistic四参数模型拟合出的生长曲线取平均值，即可得到每个孵育孔的标准生长曲线。

就基液相同的不同孵育孔而言，微生物在每个孵育孔内的生长状况会出现差异，获得每个孵育孔内微生物的生长曲线，并根据每个孵育孔内微生物的生长曲线得到平均生长曲线，当每个孵育孔内微生物的生长曲线与平均生长曲线之间的相似度大于0.97时，且相似度大于0.97的孵育孔占所有孵育孔的比重在85％以上，则孵育板上的该孵育孔为阳性孔，并且平均生长曲线为已知微生物在该孵育孔的标准生长曲线。

各孵育孔取得的生长曲线和平均生长曲线间的相似度，利用前期浊度值阈值判断出的阴阳性，生长曲线与平均生长曲线之间的相似度大于0.97的孵育孔的比重未达到85％，但相似度大于0.97的孵育孔个数偏多，则孵育板上的该孵育孔为模糊孔。在标准生长曲线数据库中，模糊孔作为阳性孔，平均生长曲线即为已知微生物在该孔的标准生长曲线。

微生物在鉴定板中无法利用碳源进行呼吸时，不会发生氧化-还原反应产生电子，存在于培养液中的TTC即四唑紫吸收不到电子，也就不会转变颜色，该类孔培养反应表现为无色反应孔，即为阴性孔。

阴性孔没有或有微弱的生长趋势，这类孵育孔不符合Logistic四参数模型，故不需要对数据进行拟合。该类孵育孔没有或有微弱显色反应，得到的图像的浊度值也都较小，且起伏不大，故对这类孵育孔的曲线做平均处理，得到阴性标准曲线。

就基液相同的不同孵育孔而言，已知微生物在一部分孵育孔内生长，在一部分孵育孔内不生长，即一部分孵育孔为阳性孔，一部分孵育孔为阴性孔，则孵育板上的该孵育孔为不稳定孔。将阳性孔的生长曲线取平均值得到阳性平均生长曲线，将阴性孔的生长曲线取平均值得到阴性平均生长曲线。

为了进一步解释微生物判别部，以下针对标准生长曲线数据库已知微生物的阴阳性情况进行说明，从而采取不同方法计算待鉴定微生物和已知微生物的相似度。

如果标准生长曲线数据库中某种已知微生物在某个孵育孔为阳性孔或者阴性孔，则将待鉴定微生物该孵育孔的生长曲线与标准曲线进行比较。

如果标准生长曲线数据库中某种已知微生物在某个孵育孔为不稳定孔，则将待鉴定微生物在该孵育孔的生长曲线分别与该孵育孔的阳性标准生长曲线和阴性标准生长曲线分别进行比较，如果生长曲线与阳性标准生长曲线的相似度大于与阴性生长曲线的相似度，则该孵育孔为阳性孔，取与阳性标准生长曲线的相似度，否则取阴性标准生长曲线的相似度。

步骤7，微生物判别部40将各个孵育孔的阴阳性数据与已知微生物库中的每种已知微生物的相应板孔信息进行对比，根据匹配程度的综合信息，通过MASCA算法来调整原始相似度，得到调整后相似度，而后通过对调整后相似度进行高低排序判别出待鉴定微生物的种类，若都不匹配，则将该待鉴定微生物存入标准生长曲线数据库中。

图3是本发明的实施例中的微生物判别部基于夹角余弦定理和MASCA算法将待鉴定微生物与标准生长曲线数据库中微生物进行对比的微生物鉴定流程图。

如图3所示，步骤7-1，计算原始相似度RawCorr，将各孵育孔内的待鉴定微生物的生长曲线与标准生长曲线数据库中每种微生物相应板孔的生长曲线进行对比，通过夹角余弦定理计算得到每个板孔的相似度，然后对48个孔的相似度做归一化处理。

单孔待鉴定微生物生长曲线和已知标准生长曲线采用夹角余弦定理获得，对步骤5中所拟合的生长曲线划分为48个时刻，每个时刻的值用Y表示，得到向量G_j：

G_j＝(Y₁,Y₂,Y₃,….Y₄₈) (7)

G_j表示待鉴定微生物在第j个孵育孔中的生长曲线向量，其中Y₁,Y₂,Y₃,….Y₄₈分别表示步骤5所获得的待鉴定微生物的生长曲线在48个等分时刻下的取值。

对步骤6中基于Logistic四参数模型拟合出的每种标准生长曲线采用相同方法得到向量K_ij：

K_ij＝(Z_i1，Z_i2，Z_i3….Z_i48) (8)

K_ij表示第i种已知微生物在第j个孵育孔中的生长曲线向量，其中Z_i1，Z_i2，Z_i3….Z_i48分别表示第i种已知微生物的生长曲线在48个等分时刻下的取值。

然后通过计算向量G_j和K_ij的夹角余弦值得到待鉴定微生物和已知微生物在第j个孔的生长曲线相似度。

当Gj和Kij为零向量时，无法计算夹角余弦值，因此通过计算G_j和K_ij的欧式距离来代替RawCorr_j。此外，本应用场景的夹角余弦相似度用于正空间，所以RawCorr_j的取值范围在0到1之间。

鉴定微生物使用模板的孔数为n，n＝48，因此在得到每个孵育孔的相似度后还需要对其进行归一化处理得到原始相似度，处理方式为求这n个孔相似度的平均值：

步骤7-2，用MASCA算法调整原始相似度，将实验样本各孔培育结束后的阴阳性数据与已知微生物库的每种微生物相应板孔信息进行对比得到匹配度，然后根据匹配程度的综合信息进行多层惩罚，最后对原始相似度调整得到鉴定结果。

为了方便描述算法，首先对调整过程中采用的符号和概念进行形式化的定义。鉴定微生物使用模板的孔数为n，微生物孵育结束后得到板条各孔的阴阳性的情况，用A_i表示第i孔的阴阳性，如式(11)所示：

提取标准生长曲线数据库中与待鉴定微生物原始相似度最接近的已知微生物作为候选鉴定结果，把已知微生物的阴阳性分布情况存放于标准生长曲线数据库中，微生物数量为s，第i种微生物在第j个孔上出现阳性的概率表示为P_ij，此概率值是通过对已知微生物经过多次实验，依据实验结果进行统计来得到的。

MASCA算法包括绝对异常调整算法，显著异常调整算法和大概率异常惩罚算法。

(1)绝对异常调整算法是针对已知微生物数据Pij为0或1时，而某次实验值却为1或0的情况，即在标准生长曲线数据库中该孵育孔理论上应为100％阴性或100％阳性时，而实验值却为阳性或阴性，因此需要进行较大的惩罚，令待鉴定微生物与所有已知微生物比对的最小绝对异常孔数为H_min，当前已知微生物绝对异常孔数为H，惩罚系数PC₀设定如式(12)所示：

其中，α是一个常数。

(2)显著异常调整算法是针对已知微生物数据中P_ij为小于等于0.05或大于等于0.95时而实验值为1或0的情况，其惩罚系数PC₁计算方法与PC₀计算方法类似，不同之处在于其使用的Hmin应在原来的基础上增加一个步长τ(实验中τ为2)，即参与计算式如(13)：

H_min'＝H_min+τ (13)

(3)大概率异常惩罚算法是针对该反应孔在标准生长曲线数据库中大概率呈阳性而实验值却为阴性结果的情况(例如某孔有85％概率呈阳性，然而实验结果为阴性)，定义概率阈值记为Pt，惩罚系数的调整原则为首先统计上述孔的总个数记为m其已知微生物i对应各孔的P_i1,P_i2,…,P_im惩罚系数PC₂的计算式(14)所示：

式(14)中，a＝0.5，b＝0.15，c＝0.95，这些系数均来源于对已有的实验数据进行大量的统计训练优化。

步骤7-3，对相似度进行综合分析，将步骤(1)-(6)计算得到的原始相似度和调整系数相乘即可获得调整后的相似度AdjCorr_i，将AdjCorr_i进行排序，最终获取试验鉴定结果。

鉴定结果的判断标准是取AdjCorr_i排序前十的值分别是R₁，R₂…R₁₀，若其满足下列任何一个条件：①R₁-R₂>0.3且R₁>0.4，②R₁-R₂>0.1且R₁>0.8则鉴定得到唯一鉴定结果，否则仪器无鉴定结果，只将Ri结果显示，进行手动鉴定。同时如果均不匹配，则待鉴定微生物不是标准生长曲线数据库中任一微生物，将待鉴定微生物的生长曲线存储于标准生长曲线数据库中。

实施例的作用与效果

根据本实施例所涉及的基于Logistic四参数模型和MASCA算法的微生物鉴定系统，因为具有微生物培养部，所以能够用于培养待鉴定微生物；因为采集计算部具有CCD相机以及计算机，所以能够采集待鉴定微生物的微生物菌液的图像并且获得图像的灰度值，进而将灰度值转化为浊度值；因为具有的曲线生成部采用Logistic四参数模型以及Lewenberg-Marquardt算法将浊度值与对应生长时间进行拟合，并采用MATLAB进行编程，所以能够得到待鉴定微生物的生长曲线；因为具有微生物判别部，所以能够根据待鉴定微生物的生长曲线和已知标准曲线通过夹角余弦定理和MASCA算法对其种类进行判别。

根据本实施例所涉及的基于Logistic四参数模型和MASCA算法的微生物鉴定方法，因为采集计算部的CCD相机与计算机相连，所以能及时获取到CCD相机反馈的图像信息，将采集到的灰度值及时处理，还能够在达到设定的时间后，通过计算机控制相机停止采集，避免消耗不必要的采集时间，并且将灰度值转换为浊度值；因为通过曲线生成部生成的生长曲线是贯穿于整个培养生长的过程的，所以能够较好的判别微生物的特性；因为曲线生成部采用用logistic四参数模型对浊度值和相应生长时间进行处理，所以得到的生长曲线是非常准确的；因为微生物判别部采用MASCA算法对原始相似度进行调整，所以避免了出现特殊误差的情况，提高了准确性和鲁棒性，并且达到了快速高效的鉴定微生物的目的。

因此，本实施例的基于Logistic四参数模型和MASCA算法的微生物鉴定系统及方法，具有高可行性，有效解决了目前国内在全自动微生物鉴定领域算法的空白状况，对于自动化鉴定微生物具有重要的实践意义。另外，相比于对比现有技术，本实施例还具有全流程自动化，操作简单，鉴定准确度高，鉴定时间短等优点。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (7)

1.一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统，用于鉴定待鉴定微生物的种类，其特征在于，包括：

微生物培养部，具有置于孵育板上的且内部放置有基液的多个孵育孔，用于培养所述待鉴定微生物；

采集计算部，具有用于采集每个所述孵育孔内的待鉴定微生物的微生物菌液的图像并得到图像的灰度值的CCD相机以及与所述CCD相机连接的并基于预定规则将该灰度值转化为所述微生物菌液的浊度值的计算机；

曲线生成部，用于根据对数生长期间所述微生物菌液的所述浊度值及其对应生长时间来获得每个所述孵育孔内的所述待鉴定微生物的生长曲线；

微生物判别部，用于将所述生长曲线与标准生长曲线数据库中已知微生物的标准生长曲线进行匹配，从而得到所述待鉴定微生物的种类，

其中，所述曲线生成部采用Logistic四参数模型为拟合模型，并利用Lewenberg-Marquardt算法将所述浊度值与所述对应生长时间进行拟合，并采用MATLAB进行编程，从而得到所述待鉴定微生物的所述生长曲线。

2.根据权利要求1所述的基于Logistic四参数模型和MASCA算法的微生物鉴定系统，其特征在于：

其中，培养所述待鉴定微生物的所述孵育孔的数量为48个，所述孵育孔内的所述基液与培养所述标准生长曲线数据库中所述已知微生物的基液相同，均含有四唑类氧化还原染色剂、胶质以及47种不同的碳源物质。

3.根据权利要求1所述的基于Logistic四参数模型和MASCA算法的微生物鉴定系统，其特征在于：

其中，所述Logistic四参数模型的表达式为：

式中，y表示浊度值；x表示时间；A₁表示浊度值y的最小值；A₂表示浊度值y的最大值；x₀为最大生长比率点；p是浊度值增长速率参数。

4.根据权利要求1所述的基于Logistic四参数模型和MASCA算法的微生物鉴定系统，其特征在于：

其中，所述MASCA算法为多层惩罚系数调整相似度的算法，包括绝对异常调整算法、显著异常调整算范以及大概率异常惩罚算法。

5.一种采用如权利要求1-4中任意一项所述的基于Logistic四参数模型和MASCA算法的微生物鉴定系统的微生物鉴定方法，包括如下步骤：

步骤1，设定所述待鉴定微生物的培养时间；

步骤2，将所述待鉴定微生物放入所述多个孵育孔内进行培养，得到所述待鉴定微生物的所述微生物菌液；

步骤3，采用所述CCD相机每20分钟采集所述孵育板的每个所述孵育孔内的所述微生物菌液的图像，获得每个所述孵育孔内的所述微生物菌液的亮度、颜色或纹理变化信息，进而得到每个所述孵育孔内的所述微生物菌液的实时的所述灰度值，然后通过所述计算机将所述灰度值转化为所述浊度值；

步骤4，待所述待鉴定微生物的培养达到设定的时间后，所述计算机控制所述CCD相机停止采集图像；

步骤5，所述曲线生成部选取所述待鉴定微生物在对数生长期间的所述浊度值以及与所述浊度值相对应的时间，而后根据所述Logistic四参数模型并采用MATLAB进行编程，分别做出所述待鉴定微生物在每个所述孵育孔内的所述生长曲线；

步骤6，所述微生物判别部先根据所述Logistic四参数模型先建立已知微生物的标准生长曲线数据库，而后在鉴别过程中利用夹角余弦定理和归一化处理方法将所述待鉴定微生物的所述生长曲线与所述标准生长曲线数据库中的每种已知微生物的标准生长曲线进行对比，得到原始相似度；

步骤7，所述微生物判别部将各个所述孵育孔的阴阳性数据与所述标准微生物库中的每种已知微生物的相应板孔信息进行对比，根据匹配程度的综合信息，通过所述MASCA算法来调整所述原始相似度，得到调整后相似度，而后通过对所述调整后相似度进行高低排序判别出所述待鉴定微生物的种类，若都不匹配，则将该待鉴定微生物存入所述标准生长曲线数据库中。

6.根据权利要求5所述的基于Logistic四参数模型和MASCA算法的微生物鉴定系统方法，其特征在于：

其中，所述步骤6中的所述标准生长曲线的获得具有如下子步骤：

将所述已知微生物放入多个所述孵育孔内进行培养，而后鉴别所述孵育孔的阴阳性，并在相应的所述孵育孔内通过所述logistic四参数模型得到所述已知微生物的多组待定生长曲线，将所述多组待定生长曲线取平均值得到所述标准生长曲线。

7.根据权利要求5所述的基于Logistic四参数模型和MASCA算法的微生物鉴定系统方法，其特征在于：

其中，所述步骤6中的所述原始相似度的获得具有如下子步骤：

将所述待鉴定微生物在各个所述孵育孔的所述生长曲线与每种所述已知微生物的所述标准生长曲线通过夹角余弦定理获得单孔相似程度，然后对各个所述孵育孔的相似程度做归一化处理，得到所述原始相似度。