CN110799976A - 一种提升可穿戴可拉伸电化学传感器检测性能的设计方法 - Google Patents

一种提升可穿戴可拉伸电化学传感器检测性能的设计方法 Download PDF

Info

Publication number
CN110799976A
CN110799976A CN201980000860.6A CN201980000860A CN110799976A CN 110799976 A CN110799976 A CN 110799976A CN 201980000860 A CN201980000860 A CN 201980000860A CN 110799976 A CN110799976 A CN 110799976A
Authority
CN
China
Prior art keywords
design
performance
wses
electrochemical sensor
performance index
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
CN201980000860.6A
Other languages
English (en)
Inventor
纪震
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Publication of CN110799976A publication Critical patent/CN110799976A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开一种提升可穿戴可拉伸电化学传感器检测性能的设计方法，所述方法包括步骤：使用正交化试验设计取得设计参数矩阵内插组合，通过电化学实验得到WSES在不同拉伸强度下的性能指标；建立与每个性能指标对应的非线性回归模型；使用多目标优化方法同时搜索性能指标的Pareto非支配最优解，获得WSES设计结果；根据所述WSES设计结果对所述可穿戴可拉伸电化学传感器进行优化设计。本发明提供的设计方法能够兼顾其它设计参数和拉伸强度之间的关系，使得处于非支配地位的最优个体们能够充分反映不同拉伸强度对WSES性能的影响，保证了在不同拉伸强度下的性能最优，这解决了现有WSES设计方法对拉伸强度的鲁棒性不足问题。

Description

一种提升可穿戴可拉伸电化学传感器检测性能的设计方法
技术领域
本发明涉及电化学传感器领域，尤其涉及一种提升可穿戴可拉伸电化学传感器检测性能的设计方法。
背景技术
近年来，可穿戴电化学传感器(Wearable Electrochemical Sensor，WES)备受关注并且取得长足发展。包含了丰富临床相关生物标志物的汗液是最适合于连续监测的生物体液之一，传统的丝网印刷电极(Screen-Printed Electrode,SPE)汗液传感器基于纺织物衬底，限制了皮肤可检测的区域，对纺织物材料种类的选取也有着较为苛刻的要求，这两种因素会极大地影响汗液检测性能，限制了传感器的灵活性。耐用性和稳定性是另外两种挑战，因而基于聚合物(Polymeric)衬底成为WES新的研究。最新的技术之一是使用三维中空结构的氧化石墨烯-碳纳米管(3D Reduced Graphene Oxide-Carbon Nanotube,3D rGO-CNT)，它的优点在于：1、由于它具有较大的表面积，所以能增强传感器的电荷传输能力，进而加快传感器的反应速度，增强传感器的整体性能。2、它的疏水特性(Hydrophobicity)进一步增强了传感器的长期稳定性。3、使用特定的离子载体(Ionophore)作为离子选择性膜(Ion Selective Membrane,ISM)能让只有目标离子通过同时隔绝其它干扰离子，可以进一步提高传感器的灵敏度、检测范围和可靠性。
由于采用新的衬底可以承受更大范围的拉伸程度，新的汗液传感器设计进一步发展为可穿戴可拉伸电化学传感器(Wearable and Stretchable Electrochemical Sensor，WSES)。整体设计难度大为增加，由于不同拉伸程度的引入，即使固定了传感器的各设计参数，也会导致传感器性能的较大波动，因而设计工程师很难发现最优或者接近最优的设计方案。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种提升可穿戴可拉伸电化学传感器检测性能的设计方法，旨在解决现有WSES设计方法对拉伸强度的鲁棒性不足的问题。
本发明的技术方案如下：
一种提升可穿戴可拉伸电化学传感器检测性能的设计方法，其中，包括步骤：
使用正交化试验设计取得设计参数矩阵内插组合，通过电化学实验得到WSES在不同拉伸强度下的性能指标；
根据所述性能指标建立与每个性能指标对应的非线性回归模型；
使用多目标优化方法同时搜索性能指标的Pareto非支配最优解，获得WSES设计结果；
根据所述WSES设计结果对所述可穿戴可拉伸电化学传感器进行优化设计。
所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其中，所述使用正交化试验设计取得离散程度可变、泛化能力更强的设计参数矩阵内插组合，通过电化学实验得到WSES在不同拉伸强度下的性能指标的步骤包括：
设定WSES的设计参数，构成N维设计参数矢量X＝[x1，x2，…，xn，…，xN]，xn∈X，设定M维性能指标矢量Y＝[y1，y2，…，ym，…，yM]，ym∈Y；
根据ODE设计，计算设计参数的内插组合，构成设计参数矩阵X＝{X1，X2，…，Xk，…，XK}；
采用WSES进行实验，获得任意设计参数组合Xk∈X所对应的性能指标矢量Yk，生成性能指标矩阵Y＝{Y1，Y2，…，Yk，…，YK}；
对于任意设计参数矢量Xk，使用不同拉伸强度l，l∈[1，L]，L为最大拉伸强度，通过WSES实验生成不同拉伸强度性能指标矩阵其中ykm，l表示采用第k组设计参数，在拉伸强度l条件下获得的第m个性能指标。
所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其中，所述性能指标包括检测范围、线性度、稳定性和电阻抗光谱。
所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其中，根据所述性能指标建立与每个性能指标对应的非线性回归模型的步骤包括：
对于第m个性能指标，设计参数矢量Xk和不同拉伸强度性能指标矢量
Figure BDA0002102768990000031
构成回归数据对
Figure BDA0002102768990000032
综合k从1到K的所有设计参数组合，得到第m个性能指标的回归训练数据集Φm＝{Φ1m,Φ2m,…,Φkm,…ΦKm}，重复回归训练过程，直到形成所有M个性能指标的回归训练数据集Φ＝{Φ1,Φ2,…,Φm,…ΦM}；
对于任意Φm，使用非线性回归模型中的支持向量机或者极限学习机估计出回归模型Rm，重复这过程直到估计出所有M个性能指标的回归模型；
集成所有性能指标的回归模型构成多模型集合R＝{R1，R2，…，Rm，…RM}。
所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其中，所述使用多目标优化方法同时搜索性能指标的Pareto非支配最优解，获得WSES设计结果的步骤包括：
初始化迭代计数器g＝0，设最大迭代次数G，初始化Pareto非支配集合PND为空集；
初始化用于多目标优化的进化种群ps，其中每个个体为N+1维矢量|ps|是进化种群的个体数量；
计算
Figure BDA0002102768990000034
对应的性能指标；
使用非支配排序遗传算法II更新进化种群ps；
计算ps及PND中所有个体的位置关系以及Pareto前端，选择其中处于非支配地位的个体，更新为新的PND；
更新g＝g+1，若g＜G，则返回计算
Figure BDA0002102768990000035
对应的性能指标的步骤；若g≥G，则结束更新，此时PND中每个个体都成为Pareto前端上的优化设计。
所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其中，所述
Figure BDA0002102768990000036
每维的取值为
Figure BDA0002102768990000041
其中rand(a,b)表示返回[a,b]范围内服从均匀分布的随机数，max(xn)和min(xn)分别表示第n个设计参数的最大值和最小值，Lmax表示WSES能够承受的最大拉伸强度。
所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其中，所述计算
Figure BDA0002102768990000042
对应的性能指标包括步骤：
初始化计数器m＝0，初始化其性能指标的M维矢量
Figure BDA0002102768990000043
为空；
应用回归模型Rm，估计出当前输入时的输出
Figure BDA0002102768990000045
更新m＝m+1，若m＜M，则重新应用回归模型Rm，估计出当前输入
Figure BDA0002102768990000046
时的输出
Figure BDA0002102768990000047
直至m≥M时，使用非支配排序遗传算法II更新进化种群ps。
有益效果：本发明提供的提升可穿戴可拉伸电化学传感器检测性能的设计方法，通过以拉伸强度作为进化个体的第N+1维变量参与了整个多目标优化过程，这能够兼顾其它设计参数和拉伸强度之间的关系，使得处于非支配地位的最优个体们能够充分反映不同拉伸强度对WSES性能的影响，保证了在不同拉伸强度下的性能最优，这解决了现有WSES设计方法对拉伸强度的鲁棒性不足问题。
附图说明
图1为本发明一种WSES的结构示意图。
图2为本发明三维中空结构的氧化石墨烯-碳纳米管结构示意图。
图3为本发明一种提升可穿戴可拉伸电化学传感器检测性能的设计方法较佳实施例的流程图。
图4为本发明建立不同拉伸强度下多性能指标模型流程图。
图5为本发明设计参数矩阵X(N×K维)示意图。
图6为本发明性能指标矩阵Y(M×K维)示意图。
图7为本发明不同拉伸强度多性能指标矩阵
Figure BDA0002102768990000051
(M×K×L维)示意图。
图8为本发明第m个性能指标的回归训练数据对
Figure BDA0002102768990000052
(不同拉伸强度条件下)构建示意图。
图9为本发明多目标优化设计流程图。
具体实施方式
本发明提供一种提升可穿戴可拉伸电化学传感器检测性能的设计方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
图1和图2分别为典型的WSES结构示意图和三维中空结构的氧化石墨烯-碳纳米管结构示意图，其中REM为参比电极膜(Reference Electrode Membrane)，PU为聚胺酯(Polyurethane)，PDMS为聚二甲基硅氧烷(Poly-dimethylsiloxane)，PU和PDMS固化后材质很软，适合作柔性材料。Nonactin是一种离子载体(ionophore)，可逆地结合离子的化学物质，可将目标离子传输穿过介质膜，Nonactin专门用于氨离子的传输，聚胺酯，二辛基癸二酸酯(Bis-ethylhexyl,Sebacate,DOS)和四氢呋喃(Tetra Hydofuran，THF)是作为离子选择性膜的基体聚合物，增塑剂和溶剂使用。所述WSES在设计过程涉及多个参数的设置，主要如表1所示。
表1主要设计参数
Figure BDA0002102768990000061
在本实施例中，WSES的主要性能指标包括：1、检测范围：人体汗液氨离子浓度正常范围为10-4-10-3M,检测范围一般会要求在10-6-1M。2、灵敏度：对氨离子浓度从10-6M到1M的变化取以10为底的对数，对应产生的电压越高表示灵敏度越大，一般斜率为59mv/log[NH4+]。3、线性度：在不同拉伸强度下(0％-40％)，传感器保持氨离子浓度从10-4M到1M都能得到较好的线性响应；同时电极电位随离子活度的变化符合具有线性特性的Nerstian方程。4、稳定度：当氨离子浓度从10-4M到0.1M变化多个周期时，电压输出能保持稳定的相应周期性变化；稳定程度还受皮肤温度的影响，在运动的不同阶段，人体皮肤表面温度会从20°左右到37°之间变化，这会较大地影响氨离子浓度，从而体现在电压的不一致。5、电阻抗光谱。、
现有以3D rGO-CNT为代表的WSES设计技术存在以下缺点：
第一、设计过程最重要的设计参数调整过程过分依赖设计工程师的经验，若工程师能力不足，则最终形成的各项性能指标将不可避免下降；即使设计工程师拥有丰富经验，“调整-验证”过程需要反复多次进行，需要设计工程师全程参与，直到各项性能指标得到满足，这非常耗时耗力，最终结果也无法保证为理论最优值。
第二、设计关键和难度在于引入了不同的拉伸强度。在某种拉伸强度下获得了最优的一组设计参数，当拉伸强度发生变化时WSES的各项性能指标可能会发生较大干扰甚至急剧恶化，所以同一组设计参数很难兼顾所有拉伸强度，容易造成WSES整体性能不佳。同时，对于不同拉伸强度，需要增加相应实验次数，导致成本和时间都急剧上升。不同拉伸强度与性能指标的变化呈非线性关系，采用简单的线性回归模型无法保证性能预测与仿真的准确性，导致分析难度高，泛化性能不足。
第三、采用传统的计算智能优化方法来优化WSES的设计，可以避免设计工程师的全程参与，部分实现自动化设计，但会遇到下列问题：1、计算智能基于进化种群的反复迭代，每次迭代均需要种群所有进化个体的适应度函数值，该适应度函数值的计算离不开WSES的性能指标值，必须通过图1的设备经过一定时间的电化学实验完成。由于主要设计参数如何影响性能指标的机理尚不明确，目前这样的实验尚无软件仿真实现。如何主要设计参数的细小变化，都会导致新的实验和重新测量新的性能指标。在计算智能的反复迭代可能重复进行逾数万次，完成这个数量级的电化学实验是完全不现实的。2、传统计算智能方法大多以单目标优化为主，而WSES具有多个性能指标，并且这些性能指标往往互相冲突。若仅用单目标优化，难以同时改进多个性能指标，导致整体性能不佳；若使用多目标优化，计算复杂度将显著增加，并且导致完全不合理的实验次数。
基于现有WSES在设计上所存在的上述问题，本发明实施例提供了一种提升可穿戴可拉伸电化学传感器检测性能的设计方法，其中，如图3所示，包括步骤：
S10、使用正交化试验设计取得设计参数矩阵内插组合，通过电化学实验得到WSES在不同拉伸强度下的性能指标；
S20、根据所述性能指标建立与每个性能指标对应的非线性回归模型；
S30、使用多目标优化方法同时搜索性能指标的Pareto非支配最优解，获得WSES设计结果；
S40、根据所述WSES设计结果对所述可穿戴可拉伸电化学传感器进行优化设计。
本实施例以拉伸强度作为进化个体的第N+1维变量参与了整个多目标优化过程，这能够兼顾其它设计参数和拉伸强度之间的关系，使得处于非支配地位的最优个体们能够充分反映不同拉伸强度对WSES性能的影响，保证了在不同拉伸强度下的性能最优，这解决了现有WSES设计方法对拉伸强度的鲁棒性不足问题。
在一些实施方式中，如图4所示，所述使用正交化试验设计取得离散程度可变、泛化能力更强的设计参数矩阵内插组合，通过电化学实验得到WSES在不同拉伸强度下的性能指标，以及根据所述性能指标建立与每个性能指标对应的非线性回归模型的步骤具体包括：
设定WSES的设计参数，构成N维设计参数矢量X＝[x1，x2，…，xn，…，xN]，xn∈X，所述设计参数可从上述表1中选取，作为举例，所述设计参数包括电沉积电压、电沉积时间、REM的用量、PVB的用量、甲醇氯化钠的用量、PU的用量、PDMS的用量、以及ISM的用量等，但不限于此；
设定M维性能指标矢量Y＝[y1，y2，…，ym，…，yM]，ym∈Y，作为举例，所述性能指标包括检测范围、线性度、稳定性、电阻抗光谱、灵敏度等具体数值，但不限于此；
根据ODE设计，计算设计参数的内插组合，构成设计参数矩阵，X＝{X1，X2，…，Xk，…，XK}，如图5所示，对于图5矩阵中的第n个参数，从x1n到xkn，参数的离散程度需要根据经验进行合理设定。考虑到实验次数应该控制在合理范围内，K取值不应过大，一般控制在K＜10；
使用图1所示的设备，采用WSES进行实验，获得任意设计参数组合Xk∈X所对应的性能指标矢量Yk，生成性能指标矩阵Y＝{Y1，Y2，…，Yk，…，YK}如图6所示。
对于任意设计参数矢量Xk，使用不同拉伸强度l，l∈[1，L]，L为最大拉伸强度，通过WSES实验生成不同拉伸强度性能指标矩阵
Figure BDA0002102768990000081
如图7所示，其中ykm，l表示采用第k组设计参数，在拉伸强度l条件下获得的第m个性能指标；
对于第m个性能指标，设计参数矢量Xk和不同拉伸强度性能指标矢量
Figure BDA0002102768990000092
构成回归数据对
Figure BDA0002102768990000093
如图8所示，综合k从1到K的所有设计参数组合，得到第m个性能指标的回归训练数据集Φm＝{Φ1m,Φ2m,…,Φkm,…ΦKm}，重复回归训练过程，直到形成所有M个性能指标的回归训练数据集Φ＝{Φ1,Φ2,…,Φm,…ΦM}；对于任意Φm，使用非线性回归模型中的支持向量机或者极限学习机估计出回归模型Rm，重复这过程直到估计出所有M个性能指标的回归模型；集成所有性能指标的回归模型构成多模型集合R＝{R1，R2，…，Rm，…RM}。
在本实施例中，除了最初的L种拉伸强度、K组N维设计参数(总计N×K×L个)需要手工设定和对应的电化学实验，整个设计过程已经交给计算机自动实现。实验次数完全可以控制在合理范围内，一般情况下，拉伸强度可选0％、10％、20％、30％和40％共5种，即L＝5；设计参数选择8种，即N＝8；不同设计参数取5组，即K＝5，此时实验次数仅为200次。因为采用非线性回归模型估算出WSES的多性能指标，使得该模型可以仿真不同拉伸强度变化间距为1％或者更小，避免将L设定为40，显著降低了实验次数；同时该模型在K组不同设计参数之间仿真出远超过K组的内插参数，这两种由回归模型带来的仿真性能提升显著减少了实验以及人力设备成本。高效的非线性回归模型保证了性能估计的准确性，有效减少甚至避免了设计偏差。
在一些实施方式中，如图9所示，所述步骤S30、使用多目标优化方法同时搜索性能指标的Pareto非支配最优解，获得WSES设计结果，具体包括：
S31、初始化迭代计数器g＝0，设最大迭代次数G，初始化Pareto非支配集合PND为空集；
S32、初始化用于多目标优化的进化种群ps，其中每个个体为N+1维矢量
Figure BDA0002102768990000094
|ps|是进化种群的个体数量，其中，所述
Figure BDA0002102768990000101
每维的取值为
其中rand(a,b)表示返回[a,b]范围内服从均匀分布的随机数，max(xn)和min(xn)分别表示第n个设计参数的最大值和最小值，Lmax表示WSES能够承受的最大拉伸强度；
S33、计算
Figure BDA0002102768990000103
对应的性能指标，其包括步骤：初始化计数器m＝0，初始化其性能指标的M维矢量
Figure BDA0002102768990000104
为空；应用回归模型Rm，估计出当前输入
Figure BDA0002102768990000105
时的输出更新m＝m+1，若m＜M，则重新应用回归模型Rm，估计出当前输入
Figure BDA0002102768990000107
时的输出
Figure BDA0002102768990000108
直至m≥M时，使用非支配排序遗传算法II更新进化种群ps。
S34、使用非支配排序遗传算法II更新进化种群ps；
S35、计算ps及PND中所有个体的位置关系以及Pareto前端，选择其中处于非支配地位的个体，更新为新的PND；
S36、更新g＝g+1，若g＜G，则返回步骤S33；若g≥G，则结束更新，此时PND中每个个体都成为Pareto前端上的优化设计，根据所述WSES设计结果对所述可穿戴可拉伸电化学传感器进行优化设计。
本实施例提供的方法能够实现通过单独运行形成多个Pareto非支配集最优方案，其性能偏重各有不同。若WSES设计要求有所改变，则不必重新实验和模型计算，只需在非支配最优集合中另外选择符合要求的一组设计参数即可。
本实施例提供的方法以适用于检测人体汗液氨离子浓度的传感器，当传感器的材料改变用于检测人体汗液的血糖(glucose)、乳酸(lactate)、钠(Na+)离子或者钾离子(K+)等含量时，本方法同样适用于传感器的优化设计，只需要修改多性能指标矩阵以及不同拉伸强度多性能指标矩阵。
综上所述，本发明提供的提升可穿戴可拉伸电化学传感器检测性能的设计方法，以拉伸强度作为进化个体的第N+1维变量参与了整个多目标优化过程，这能够兼顾其它设计参数和拉伸强度之间的关系，使得处于非支配地位的最优个体们能够充分反映不同拉伸强度对WSES性能的影响，保证了在不同拉伸强度下的性能最优，这解决了现有WSES设计方法对拉伸强度的鲁棒性不足问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种提升可穿戴可拉伸电化学传感器检测性能的设计方法，其特征在于，包括步骤：
使用正交化试验设计取得设计参数矩阵内插组合，通过电化学实验得到WSES在不同拉伸强度下的性能指标；
根据所述性能指标建立与每个性能指标对应的非线性回归模型；
使用多目标优化方法同时搜索性能指标的Pareto非支配最优解，获得WSES设计结果；
根据所述WSES设计结果对所述可穿戴可拉伸电化学传感器进行优化设计。
2.根据权利要求1所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其特征在于，所述使用正交化试验设计取得离散程度可变、泛化能力更强的设计参数矩阵内插组合，通过电化学实验得到WSES在不同拉伸强度下的性能指标的步骤包括：
设定WSES的设计参数，构成N维设计参数矢量X＝[x1，x2，…，xn，…，xN]，xn∈X，设定M维性能指标矢量Y＝[y1，y2，…，ym，…，yM]，ym∈Y；
根据ODE设计，计算设计参数的内插组合，构成设计参数矩阵X＝{X1，X2，…，Xk，…，XK}；
采用WSES进行实验，获得任意设计参数组合Xk∈X所对应的性能指标矢量Yk，生成性能指标矩阵Y＝{Y1，Y2，…，Yk，…，YK}；
对于任意设计参数矢量Xk，使用不同拉伸强度l，l∈[1，L]，L为最大拉伸强度，通过WSES实验生成不同拉伸强度性能指标矩阵
Figure FDA0002102768980000011
其中
Figure FDA0002102768980000012
ykm，l表示采用第k组设计参数，在拉伸强度l条件下获得的第m个性能指标。
3.根据权利要求2所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其特征在于，所述性能指标包括检测范围、线性度、稳定性和电阻抗光谱。
4.根据权利要求2所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其特征在于，根据所述性能指标建立与每个性能指标对应的非线性回归模型的步骤包括：
对于第m个性能指标，设计参数矢量Xk和不同拉伸强度性能指标矢量
Figure FDA0002102768980000021
构成回归数据对
Figure FDA0002102768980000022
综合k从1到K的所有设计参数组合，得到第m个性能指标的回归训练数据集Φm＝{Φ1m,Φ2m,…,Φkm,…ΦKm}，重复回归训练过程，直到形成所有M个性能指标的回归训练数据集Φ＝{Φ1,Φ2,…,Φm,…ΦM}；
对于任意Φm，使用非线性回归模型中的支持向量机或者极限学习机估计出回归模型Rm，重复这过程直到估计出所有M个性能指标的回归模型；
集成所有性能指标的回归模型构成多模型集合R＝{R1，R2，…，Rm，…RM}。
5.根据权利要求1所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其特征在于，所述使用多目标优化方法同时搜索性能指标的Pareto非支配最优解，获得WSES设计结果的步骤包括：
初始化迭代计数器g＝0，设最大迭代次数G，初始化Pareto非支配集合PND为空集；
初始化用于多目标优化的进化种群ps，其中每个个体为N+1维矢量|ps|是进化种群的个体数量；
计算
Figure FDA0002102768980000024
对应的性能指标；
使用非支配排序遗传算法II更新进化种群ps；
计算ps及PND中所有个体的位置关系以及Pareto前端，选择其中处于非支配地位的个体，更新为新的PND；
更新g＝g+1，若g＜G，则返回计算
Figure FDA0002102768980000025
对应的性能指标的步骤；若g≥G，则结束更新，此时PND中每个个体都成为Pareto前端上的优化设计。
6.根据权利要求5所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其特征在于，所述
Figure FDA0002102768980000026
每维的取值为
其中rand(a,b)表示返回[a,b]范围内服从均匀分布的随机数，max(xn)和min(xn)分别表示第n个设计参数的最大值和最小值，Lmax表示WSES能够承受的最大拉伸强度。
7.根据权利要求5所述提升可穿戴可拉伸电化学传感器检测性能的设计方法，其特征在于，所述计算
Figure FDA0002102768980000032
对应的性能指标包括步骤：
初始化计数器m＝0，初始化其性能指标的M维矢量
Figure FDA0002102768980000033
为空；
应用回归模型Rm，估计出当前输入
Figure FDA0002102768980000034
时的输出
Figure FDA0002102768980000035
更新m＝m+1，若m＜M，则重新应用回归模型Rm，估计出当前输入
Figure FDA0002102768980000036
时的输出
Figure FDA0002102768980000037
直至m≥M时，使用非支配排序遗传算法II更新进化种群ps。
CN201980000860.6A 2019-06-19 2019-06-19 一种提升可穿戴可拉伸电化学传感器检测性能的设计方法 Pending CN110799976A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/091799 WO2020252673A1 (zh) 2019-06-19 2019-06-19 一种提升可穿戴可拉伸电化学传感器检测性能的设计方法

Publications (1)

Publication Number Publication Date
CN110799976A true CN110799976A (zh) 2020-02-14

Family

ID=69448486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980000860.6A Pending CN110799976A (zh) 2019-06-19 2019-06-19 一种提升可穿戴可拉伸电化学传感器检测性能的设计方法

Country Status (2)

Country Link
CN (1) CN110799976A (zh)
WO (1) WO2020252673A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114518864A (zh) * 2022-02-17 2022-05-20 中国工程物理研究院电子工程研究所 一种柔性可拉伸光学随机数生成器、制备及使用方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117530504A (zh) * 2023-12-05 2024-02-09 东莞市佳铠精密金属制品有限公司 一种电子烟外壳的制作方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076031A (zh) * 2013-01-04 2013-05-01 青岛大学 一种柔性可拉伸应变式传感器的制备方法
CN104239634A (zh) * 2014-09-12 2014-12-24 深圳市欧克蓝科技有限公司 一种天线设计方法
CN105548318A (zh) * 2016-01-25 2016-05-04 深圳大学 一种可穿戴电化学传感器电极及可穿戴电化学传感器

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
CN103246757A (zh) * 2013-01-15 2013-08-14 河海大学常州校区 一种压缩弹簧的优化设计方法
CN105740212A (zh) * 2016-02-02 2016-07-06 天津大学 一种基于正则化向量自回归模型的传感器异常检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076031A (zh) * 2013-01-04 2013-05-01 青岛大学 一种柔性可拉伸应变式传感器的制备方法
CN104239634A (zh) * 2014-09-12 2014-12-24 深圳市欧克蓝科技有限公司 一种天线设计方法
CN105548318A (zh) * 2016-01-25 2016-05-04 深圳大学 一种可穿戴电化学传感器电极及可穿戴电化学传感器

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114518864A (zh) * 2022-02-17 2022-05-20 中国工程物理研究院电子工程研究所 一种柔性可拉伸光学随机数生成器、制备及使用方法
CN114518864B (zh) * 2022-02-17 2023-04-07 中国工程物理研究院电子工程研究所 一种柔性可拉伸光学随机数生成器、制备及使用方法

Also Published As

Publication number Publication date
WO2020252673A1 (zh) 2020-12-24

Similar Documents

Publication Publication Date Title
CN105243398B (zh) 基于线性判别分析准则的改进卷积神经网络性能的方法
Zylberberg et al. Counterfactual reasoning underlies the learning of priors in decision making
CN109567793B (zh) 一种面向心律不齐分类的ecg信号处理方法
CN107203700B (zh) 一种基于连续血糖监测的方法及装置
KR102142647B1 (ko) 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템
CN110799976A (zh) 一种提升可穿戴可拉伸电化学传感器检测性能的设计方法
CN109325517A (zh) 一种基于Attention的循环神经网络模型的图分类方法
EP3822625B1 (en) Method for measuring concentration of a biometric measurement object by using artificial intelligence deep learning
Song et al. 3D-printed epifluidic electronic skin for machine learning–powered multimodal health surveillance
Televantou et al. Phantom and big-fish-little-pond-effects on academic self-concept and academic achievement: Evidence from English early primary schools
Zhong et al. Deep extended hazard models for survival analysis
Tian et al. Pushing OECTs toward wearable: development of a miniaturized analytical control unit for wireless device characterization
Shao et al. An effective semi-cross-validation model selection method for extreme learning machine with ridge regression
Chiolerio et al. Living wearables: Bacterial reactive glove
Hadjipantelis et al. Function-valued traits in evolution
Zhao et al. Learning cellular objectives from fluxes by inverse optimization
CN114819407A (zh) 湖泊蓝藻水华动态预测方法及装置
Chen et al. Multivariate multiscale fractional order weighted permutation entropy of nonlinear time series
Mi et al. Prediction of accumulated temperature in vegetation period using artificial neural network
CN115985513B (zh) 一种基于多组学癌症分型的数据处理方法、装置及设备
Luo et al. Bayesian hierarchical modeling for signaling pathway inference from single cell interventional data
Zhang et al. CeSpGRN: Inferring cell-specific gene regulatory networks from single cell multi-omics and spatial data
CN116089708A (zh) 农业知识推荐方法及装置
CN112988186B (zh) 异常检测系统的更新方法及装置
Park et al. Regional quantile regression for multiple responses

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