CN111462908B - 体质检测模型的构建方法、体质检测方法及相关设备 - Google Patents

体质检测模型的构建方法、体质检测方法及相关设备 Download PDF

Info

Publication number
CN111462908B
CN111462908B CN202010230902.XA CN202010230902A CN111462908B CN 111462908 B CN111462908 B CN 111462908B CN 202010230902 A CN202010230902 A CN 202010230902A CN 111462908 B CN111462908 B CN 111462908B
Authority
CN
China
Prior art keywords
sample
constitution
raman spectrum
principal component
detection model
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
Application number
CN202010230902.XA
Other languages
English (en)
Other versions
CN111462908A (zh
Inventor
陈朴
于燕波
沈起兵
李淑娟
刘同方
张国文
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.)
Spacenter Space Science And Technology Institute
China Astronaut Research and Training Center
Original Assignee
Spacenter Space Science And Technology Institute
China Astronaut Research and Training Center
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 Spacenter Space Science And Technology Institute, China Astronaut Research and Training Center filed Critical Spacenter Space Science And Technology Institute
Priority to CN202010230902.XA priority Critical patent/CN111462908B/zh
Publication of CN111462908A publication Critical patent/CN111462908A/zh
Application granted granted Critical
Publication of CN111462908B publication Critical patent/CN111462908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本申请适用于计算机技术领域，提供了体质检测模型的构建方法、体质检测方法及相关设备，体质检测模型的构建方法包括：获取样本的主成分对应的拉曼光谱，标记样本所对应的体质类型，将样本的主成分对应的拉曼光谱以及样本所对应的体质类型，作为训练数据；采用机器学习算法，利用训练数据对分类模型进行训练，得到体质检测模型，其中，体质检测模型以样本的主成分对应的拉曼光谱为输入，以样本所对应的体质类型为输出。将样本的主成分对应的拉曼光谱输入体质检测模型，即可得到该样本对应的体质类型，从而帮助用户快速获取自身的体质类型。

Description

体质检测模型的构建方法、体质检测方法及相关设备
技术领域
本申请属于计算机技术领域，尤其涉及体质检测模型的构建方法、体质检测方法及相关设备。
背景技术
现有的体质检测方法一般需要医生根据人体的表观状态，结合经验和知识进行判定，用户需要经过繁琐的过程才能了解自身的体质类型。
发明内容
有鉴于此，本申请实施例提供了体质检测模型的构建方法、体质检测方法及相关设备，以帮助用户快速获取自身的体质类型。
本申请实施例的第一方面提供了一种体质检测模型的构建方法，包括：
获取样本的主成分对应的拉曼光谱，标记所述样本所对应的体质类型，将所述样本的主成分对应的拉曼光谱以及所述样本所对应的体质类型，作为训练数据；
采用机器学习算法，利用所述训练数据对分类模型进行训练，得到体质检测模型，其中，所述体质检测模型以样本的主成分对应的拉曼光谱为输入，以样本所对应的体质类型为输出。
在一种可能的实现方式中，所述获取样本的主成分对应的拉曼光谱，包括：
根据所述样本的质谱测试数据确定样本的主成分；
根据所述样本的主成分和所述样本的拉曼光谱确定样本的主成分对应的拉曼光谱。
在一种可能的实现方式中，所述根据所述样本的质谱测试数据确定样本的主成分，包括：
对所述样本的质谱测试数据进行预处理；
根据预处理后的质谱测试数据建立主成分分析模型；
根据所述主成分分析模型确定样本的主成分。
在一种可能的实现方式中，所述体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质。
本申请实施例的第二方面提供了一种体质检测方法，包括：
获取待测样本的主成分对应的拉曼光谱；
根据所述待测样本的主成分对应的拉曼光谱和体质检测模型，确定与所述待测样本对应的体质类型，其中，所述体质检测模型是执行上述第一方面所述的体质检测模型的构建方法构建得到的。
本申请实施例的第三方面提供了一种体质检测模型的构建装置，包括：
标记模块，用于获取样本的主成分对应的拉曼光谱，标记所述样本所对应的体质类型，将所述样本的主成分对应的拉曼光谱以及所述样本所对应的体质类型，作为训练样本；
训练模块，用于采用机器学习算法，利用所述训练样本对分类模型进行训练，得到体质检测模型，其中，所述体质检测模型以样本的主成分对应的拉曼光谱为输入，以样本所对应的体质类型为输出。
在一种可能的实现方式中，所述标记模块包括：
第一确定单元，用于根据所述样本的质谱测试数据确定样本的主成分；
第二确定单元，用于根据所述样本的主成分和所述样本的拉曼光谱确定样本的主成分对应的拉曼光谱。
在一种可能的实现方式中，所述第一确定单元具体用于：
对所述样本的质谱测试数据进行预处理；
根据预处理后的质谱测试数据建立主成分分析模型；
根据所述主成分分析模型确定样本的主成分。
在一种可能的实现方式中，所述体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质。
本申请实施例的第四方面提供了一种体质检测装置，包括：
获取模块，用于获取待测样本的主成分对应的拉曼光谱；
分类模块，用于根据所述待测样本的主成分对应的拉曼光谱和体质检测模型，确定与所述待测样本对应的体质类型，其中，所述体质检测模型是执行上述第一方面所述的体质检测模型的构建方法构建得到的。
本申请实施例的第五方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的体质检测模型的构建方法或者如上述第二方面所述的体质检测方法。
本申请实施例的第六方面提供了一种体质检测系统，包括质谱仪、拉曼光谱仪以及上述第五方面所述的终端设备。
本申请实施例的第七方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的体质检测模型的构建方法或者如上述第二方面所述的体质检测方法。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的体质检测模型的构建方法或者如上述第二方面所述的体质检测方法。
本申请实施例与现有技术相比存在的有益效果是：通过将样本的主成分对应的拉曼光谱以及样本对应的体质类型，作为训练样本，采用机器学习算法，对分类模型进行训练，得到体质检测模型，将样本的主成分对应的拉曼光谱输入体质检测模型，即可得到该样本对应的体质类型，从而帮助用户快速获取自身的体质类型。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的体质检测系统的示意图；
图2是本申请实施例提供的体质检测模型的构建方法的流程示意图；
图3是本申请实施例提供的体质检测方法的流程示意图；
图4是本申请实施例提供的体质检测模型的构建装置的示意图；
图5是本申请实施例提供的体质检测装置的示意图；
图6是本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本申请实施例提供的体质检测模型的构建方法以及体质检测方法应用于体质检测系统，如图1所示，本申请实施例提供的体质检测系统包括质谱仪1、拉曼光谱仪2和终端设备3。质谱仪1用于对样本进行检测，得到样本的质谱测试数据，拉曼光谱仪2用于对样本进行检测，得到样本的拉曼光谱，终端设备用于根据样本的质谱测试数据得到样本的主成分，再根据样本的主成分和样本的拉曼光谱得到样本主成分对应的拉曼光谱。其中，样本可以为尿液或者血液等。终端设备根据样本对应的体质类型对样本进行标记，将样本的主成分对应的拉曼光谱以及样本所对应的体质类型作为训练数据，采用机器学习的算法，利用训练数据对分类模型进行训练，得到以样本的主成分对应的拉曼光谱作为输入，样本所对应的体质类型为输出的体质检测模型。其中，体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质，分类模型为K-最近邻模型。将待测样本的主成分对应的拉曼光谱输入体质检测模型，即可输出待测样本对应的体质类型，用户可以快速了解自身的体质类型，且由于体质检测模型是采用机器学习的算法训练得到的，重复率和准确率较高。
下面对本申请实施例提供的体质检测模型的构建方法进行描述，请参阅附图2，本申请实施例提供的体质检测模型的构建方法包括：
S101：获取样本的主成分对应的拉曼光谱，标记所述样本所对应的体质类型，将所述样本的主成分对应的拉曼光谱以及所述样本所对应的体质类型，作为训练数据。
在一种可能的实现方式中，采用拉曼光谱仪对样本进行检测，得到样本的拉曼光谱。具体地，采用DXRTM显微拉曼光谱仪，将780nm激光光源安装到光源位置，依次打开总电源、激光器、光栅、聚光灯和仪器控制软件。预热30min后，进行校正。校正通过后将贴有光滑铝箔纸的载玻片放入载物台调焦，直到视野中出现清晰的铝箔表面。设置滤光器为光栅，曝光时间3.00s，曝光次数20，背景曝光次数512，激光功率24.0mW，孔径大小选为50孔光栅，400线/mm，以获取准确的光谱数据。打开预扫描窗口，微调整载物台上下左右的距离，使最大光谱信号强度超过800。开始光谱扫描30次，将载玻片取出，用双面胶将装有样本的小瓶固定到载玻片上，放入载物台，调节载物台的坐标直到最大光谱信号强度超过800，扫描样品30次，若得到重复率较高的扫描光谱，将其中一次的扫描光谱作为样本的拉曼光谱。
对同一份样本，采用质谱仪对样本进行检测，得到样本的质谱测试数据，根据样本的质谱测试数据确定样本的主成分。具体地，采用DIONEX UltiMate3000超高液相色谱-Orbitrap质谱联用仪，色谱条件为：色谱柱：Hypersil GOLD UHPLC色谱柱(150mm×2.1mm×1.9μm)；柱温：(40±1)℃；样品盘温度：(4±0.5)℃；流动相：A为0.1％甲酸水(V/V)，B为0.1％甲酸乙腈(V/V)；线性梯度洗脱程序为：0～6min、5％～15％B，6～9min、15％～30％B，9～12min、30％～40％B，12～15min、40％～90％B，15～18min、90％～90％B，18～18.1min、90％～5％B，18.1～20min、5％～5％B；流速0.3mL/min；进样量10μL。质谱条件为：扫描模式选用Full MS/dd-MS2，电喷雾离子源；使用高纯氮气(纯度>99.5％)，鞘气流速为35arb，辅气流速为15arb，吹扫气流速为0arb；喷雾电压为3.5kV，碰撞池采用梯度碰撞能量：25％，35％，55％；毛细管温度为320℃，离子透镜电压频率为50，辅气热源温度为350℃；正/负离子扫描模式，质荷比扫描范围分两段：50～750和750～1 500；二级质谱采用动态排除TopN＝5。
以样本是尿液为例，样本的主成分表示样本对应的特征代谢物。尿液采集后分装于2mL的离心管中，每份1.5mL。分装后的尿样在4℃下11187r/min离心10min，转移上清液于2mL离心管中。取每个尿样1mL涡旋混匀后等分为若干份，每份1.5mL，作为质控样本。然后将质控样本分配到每批样本中，每批不少于4个质控样本。取尿液上清200uL加入800uL的超纯水后，采用DIONEX UltiMate 3000超高液相色谱-Orbitrap质谱联用仪，依次进行正离子模式分析和负离子模式分析，得到样本的质谱测试数据。对得到的样本的质谱测试数据进行预处理，包括对数据进行标准化化后处理以及去除误差较大的数据，例如，降低信号强度差异较大指标间的数量级差，排除相对标准差小于30％的指标。根据预处理后的质谱测试数据建立主成分分析模型，根据主成分分析模型确定出样本的主成分。其中，主成分分析模型可以是采用无监督算法得到的无监督主成分判别分析模型，也可以是采用有监督算法得到的有监督的偏最小二乘判别分析模型。
得到样本的主成分后，根据样本的主成分，从拉曼光谱中选取与每种主成分对应的拉曼光谱的特征峰，得到样本的主成分对应的拉曼光谱。再根据每个样本对应的体质类型对样本进行标记，将样本的主成分对应的拉曼光谱以及对应的标记，作为训练数据。其中，体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质。
S102：采用机器学习算法，利用所述训练数据对分类模型进行训练，得到体质检测模型，其中，所述体质检测模型以样本的主成分对应的拉曼光谱为输入，以样本所对应的体质类型为输出。
具体的，将训练数据中的样本主成分对应的拉曼光谱输入分类模型，根据分类模型输出的体质类型与样本所标记的体质类型优化分类模型的参数，直到分类模型输出的体质类型与样本所标记的体质类型的差异在预设范围内，得到分类模型的最优参数，根据分类模型的最优参数生成体质检测模型。其中，分类模型可以是K-最近邻模型，具有较高的预测精度。
上述实施例中，通过对样本的体质类型进行标记，将样本的主成分对应的拉曼光谱以及样本的体质类型作为训练数据，利用训练数据对分类模型进行训练，得到以样本的主成分对应的拉曼光谱为输入，以样本所对应的体质类型为输出的体质检测模型。将样本的主成分对应的拉曼光谱输入体质检测模型，即可获取用户的体质类型，从而帮助用户快速获取自身的体质类型，且具有较高的预测精度。
如图3所示，本申请实施例提供的体质检测方法包括：
S201：获取待测样本的主成分对应的拉曼光谱。
具体的，采用拉曼光谱仪对待测样本进行检测，例如，采用上述实施例中的DXRTM显微拉曼光谱仪的检测方法，得到待测样本的拉曼光谱。采用质谱仪对待测样本进行检测，例如，采用上述实施例中的DIONEX UltiMate 3000超高液相色谱-Orbitrap质谱联用仪的检测方法，得到待测样本的质谱测试数据，根据待测样本的质谱测试数据确定待测样本的主成分。根据待测样本的主成分从待测样本的拉曼光谱中确定出与每种主成分对应的拉曼光谱特征峰，即待测样本的主成分对应的拉曼光谱。
S202：根据所述待测样本的主成分对应的拉曼光谱和体质检测模型，确定与所述待测样本对应的体质类型，其中，所述体质检测模型是执行上述实施例提供的体质检测模型的构建方法构建得到的。
具体地，将待测样本的主成分对应的拉曼光谱输入体质检测模型，输出待测样本对应的体质类型。
上述实施例中，通过获取获取待测样本的主成分对应的拉曼光谱，根据待测样本的主成分对应的拉曼光谱和体质检测模型，确定与待测样本对应的体质类型，提高体质类型的检测效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的体质检测模型的构建方法，图4示出了本申请实施例提供的体质检测模型的构建装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图4所示，本申请实施例提供的体质检测模型的构建装置包括，
标记模块10，用于获取样本的主成分对应的拉曼光谱，标记所述样本所对应的体质类型，将所述样本的主成分对应的拉曼光谱以及所述样本所对应的体质类型，作为训练样本；
训练模块20，用于采用机器学习算法，利用所述训练样本对分类模型进行训练，得到体质检测模型，其中，所述体质检测模型以样本的主成分对应的拉曼光谱为输入，以样本所对应的体质类型为输出。
在一种可能的实现方式中，所述标记模块10包括：
第一确定单元，用于根据所述样本的质谱测试数据确定样本的主成分；
第二确定单元，用于根据所述样本的主成分和所述样本的拉曼光谱确定样本的主成分对应的拉曼光谱。
在一种可能的实现方式中，所述第一确定单元具体用于：
对所述样本的质谱测试数据进行预处理；
根据预处理后的质谱测试数据建立主成分分析模型；
根据所述主成分分析模型确定样本的主成分。
在一种可能的实现方式中，所述体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质。
对应于上文实施例所述的体质检测方法，图5示出了本申请实施例提供的体质检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图5所示，本申请实施例提供的体质检测装置包括，
获取模块30，用于获取待测样本的主成分对应的拉曼光谱；
分类模块40，用于根据所述待测样本的主成分对应的拉曼光谱和体质检测模型，确定与所述待测样本对应的体质类型，其中，所述体质检测模型是执行上述实施例提供的体质检测模型的构建方法构建得到的。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图6是本申请实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备包括：处理器11、存储器12以及存储在所述存储器12中并可在所述处理器11上运行的计算机程序13。所述处理器11执行所述计算机程序13时实现上述体质检测模型的构建方法实施例或者体质检测方法实施例中的步骤，例如图2所示的步骤S101至S102。或者，所述处理器11执行所述计算机程序13时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块10至20的功能。
示例性的，所述计算机程序13可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器11执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序13在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑、医疗设备及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器11、存储器12。本领域技术人员可以理解，图6仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器12可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器12也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器12还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器12用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器12还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种非治疗和/或诊断目的的体质检测方法，其特征在于，包括：
获取待测样本的主成分对应的拉曼光谱；
根据所述待测样本的主成分对应的拉曼光谱和体质检测模型，确定与所述待测样本对应的体质类型，所述体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质；其中，所述体质检测模型通过以下步骤构建得到：
获取样本的主成分对应的拉曼光谱，标记所述样本所对应的体质类型，将所述样本的主成分对应的拉曼光谱以及所述样本所对应的体质类型，作为训练数据；所述获取样本的主成分对应的拉曼光谱具体为：根据所述样本的质谱测试数据利用主成分分析模型得到所述样本的主成分，再根据所述样本的主成分和所述样本的拉曼光谱得到所述样本主成分对应的拉曼光谱；
采用机器学习算法，利用所述训练数据对分类模型进行训练，得到体质检测模型，其中，所述体质检测模型以样本的主成分对应的拉曼光谱为输入，以样本所对应的体质类型为输出。
2.如权利要求1所述的体质检测方法，根据所述样本的质谱测试数据确定样本的主成分，包括：
对所述样本的质谱测试数据进行预处理；
根据预处理后的质谱测试数据建立主成分分析模型；
根据所述主成分分析模型确定样本的主成分。
3.一种体质检测装置，其特征在于，包括：
获取模块，用于获取待测样本的主成分对应的拉曼光谱，具体为：根据所述样本的质谱测试数据利用主成分分析模型得到所述样本的主成分，再根据所述样本的主成分和所述样本的拉曼光谱得到所述样本主成分对应的拉曼光谱；
分类模块，用于根据所述待测样本的主成分对应的拉曼光谱和体质检测模型，确定与所述待测样本对应的体质类型，所述体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质；其中，所述体质检测模型是通过以下装置构建得到：
标记模块，用于获取样本的主成分对应的拉曼光谱，标记所述样本所对应的体质类型，将所述样本的主成分对应的拉曼光谱以及所述样本所对应的体质类型，作为训练数据；所述获取样本的主成分对应的拉曼光谱具体为：根据所述样本的质谱测试数据利用主成分分析模型得到所述样本的主成分，再根据所述样本的主成分和所述样本的拉曼光谱得到所述样本主成分对应的拉曼光谱；
训练模块，用于采用机器学习算法，利用所述训练数据对分类模型进行训练，得到体质检测模型，其中，所述体质检测模型以样本的主成分对应的拉曼光谱为输入，以样本所对应的体质类型为输出。
4.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的体质检测方法。
5.一种体质检测系统，其特征在于，包括质谱仪、拉曼光谱仪以及如权利要求4所述的终端设备。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的体质检测方法。
CN202010230902.XA 2020-03-27 2020-03-27 体质检测模型的构建方法、体质检测方法及相关设备 Active CN111462908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010230902.XA CN111462908B (zh) 2020-03-27 2020-03-27 体质检测模型的构建方法、体质检测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010230902.XA CN111462908B (zh) 2020-03-27 2020-03-27 体质检测模型的构建方法、体质检测方法及相关设备

Publications (2)

Publication Number Publication Date
CN111462908A CN111462908A (zh) 2020-07-28
CN111462908B true CN111462908B (zh) 2023-07-07

Family

ID=71680125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010230902.XA Active CN111462908B (zh) 2020-03-27 2020-03-27 体质检测模型的构建方法、体质检测方法及相关设备

Country Status (1)

Country Link
CN (1) CN111462908B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070111247A1 (en) * 2005-11-17 2007-05-17 Stephens Joel C Systems and methods for the biometric analysis of index founder populations
FR2916849B1 (fr) * 2007-05-29 2010-04-23 Univ Claude Bernard Lyon Procede de teledetection optique de composes dans un milieu
CN102994441A (zh) * 2012-09-19 2013-03-27 上海瀚康生物医药科技有限公司 一种细胞培养基及其制备方法和用途
RU2723139C2 (ru) * 2018-02-16 2020-06-09 Алина Борисовна Тимурзиева Способ дифференциальной диагностики форм хронического тонзиллита с использованием раман-флюоресцентной спектроскопии
CN110554128A (zh) * 2019-09-02 2019-12-10 长春中医药大学 基于代谢组学的人参治疗脾气虚体质潜在标志物代谢通路的研究方法

Also Published As

Publication number Publication date
CN111462908A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
Béthermin et al. The impact of clustering and angular resolution on far-infrared and millimeter continuum observations
Hewett et al. Improved redshifts for SDSS quasar spectra
EP3088872A1 (en) Raman spectroscopy method used for detecting sample in accommodating body
CN109187614B (zh) 基于核磁共振和质谱的代谢组学数据融合方法及其应用
CN105784672A (zh) 一种基于双树复小波算法的毒品检测仪标准化方法
Tabassi et al. IREX II-IQCE:.
CN116295752B (zh) 用于smt上料设备的测试力度控制方法及系统
Radcliffe et al. Multi-source self-calibration: Unveiling the microJy population of compact radio sources
CN111462908B (zh) 体质检测模型的构建方法、体质检测方法及相关设备
Brown et al. A quantitative measure of field illumination
Mingotti et al. Modeling capacitive low-power voltage transformer behavior over temperature and frequency
WO2019196107A1 (zh) 物质成分的检测方法及相关装置和计算机可读存储介质
CN107038665A (zh) 一种输出录取概率的方法、推荐志愿高校的方法及装置
JP2841258B2 (ja) 蛍光ｘ線定性分析方法
CN113358226B (zh) 一种温度测量方法、电子设备及存储介质
Jiao et al. Quantification of components in overlapping peaks from capillary electrophoresis by using continues wavelet transform method
CN110763735B (zh) 溶解性总固体tds检测方法及相关设备
CN113936005A (zh) 一种dna指数计算方法、装置、计算机设备及存储介质
CN108692921B (zh) 摄像模组解析力与镜头解析力核准方法
CN115015131A (zh) 红外光谱训练集样本筛选方法
Wang et al. Micro vision-based measurement of concentricity for both the TO base and active area of an APD chip in optical component packaging
CN205305023U (zh) 一种光学摄像机数字化检测系统
Becker et al. Test and evaluation of new GEMs with an automatic scanner
CN111579526B (zh) 一种表征近红外仪器差异和校正的方法
CN104567664A (zh) 影像量测系统、影像量测系统的使用方法和终端装置

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