CN111537576A - 脑内神经化学物质检测方法 - Google Patents
脑内神经化学物质检测方法 Download PDFInfo
- Publication number
- CN111537576A CN111537576A CN202010299525.5A CN202010299525A CN111537576A CN 111537576 A CN111537576 A CN 111537576A CN 202010299525 A CN202010299525 A CN 202010299525A CN 111537576 A CN111537576 A CN 111537576A
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- model
- data
- volt
- 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
Images
Classifications
-
- 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
- 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
- G01N27/28—Electrolytic cell components
- G01N27/30—Electrodes, e.g. test electrodes; Half-cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了脑内神经化学物质检测方法,其特征在于,包括:以碳纤维微电极作为工作电极,通过快速扫描伏安法分别在不同神经化学物质标准溶液中进行体外伏安测试;构建并训练人工神经网络模型或加载已有人工神经网络模型进行迁移学习;使用快速扫描伏安法对神经化学信号进行活体原位分析;根据待测物电化学伏安特性提取特征电位下快速扫描伏安数据电流值;对提取的电流值进行归一化,构建数据集;将数据集代入人工神经网络模型,并将模型输出结果换算为浓度计算值。本发明的脑内神经化学物质检测方法能够同时准确对多种物质变化定量分析,具有良好的抗干扰能力,可以实现长时间体内原位记录,具有较好的应用前景。
Description
技术领域
本发明涉及生物化学领域。具体地,本发明涉及脑内神经化学物质检测方法。
背景技术
随着脑科学研究的发展,脑内神经化学信号的原位精准分析逐渐受到神经科学和分析化学等领域的高度关注。电化学分析方法通常具有灵敏度高、选择性好、时空分辨率高等优点,适用于活体原位分析。然而,活体生理环境复杂,一方面,在分析过程中经常遇到不同神经化学物质干扰的问题,导致待测物浓度分析不准确。另一方面,许多生理、病理过程涉及多种神经化学物质的同时变化,如何实现同一位点多种神经化学物质同时记录也是活体原位电化学分析方法所面临的挑战。
快速扫描循环伏安法(Fast scan cyclic voltammetry,FSCV)是一种近几十年不断发展完善的一种原位电化学分析方法。该方法具有很高的时空分辨率,可以在微米级空间尺度上实现毫秒级的快速分析。同时,还可以根据不同物质氧化还原过程对电极伏安曲线峰形影响的差异实现对不同待测物的定性区分,具有多种物质同时分析的潜力。
目前,快速扫描伏安法已广泛应用于短时间内多巴胺等神经化学信号快速变化过程的原位实时分析。然而,由于脑内神经化学环境复杂,许多生理、病理活动过程中伴随着多种神经生理物质变化。维生素C、多巴胺等具有电化学活性的神经生理物质以及离子浓度等化学环境的变化都会对伏安曲线造成影响。最终导致多种因素产生的电流响应相互交叠,难以进行区分和精准定量。因此,急需发展一种适用于快速扫描伏安技术的数据分析方法,实现对复杂伏安数据的提取分析。
发明内容
本发明旨在至少在一定程度上解决现有技术存在的技术问题。为此,本发明提出了脑内神经化学物质检测方法能够同时准确对多种物质变化定量分析,具有良好的抗干扰能力,可以实现长时间体内原位记录,具有较好的应用前景。
本发明提出了一种脑内神经化学物质检测方法。根据本发明的实施例,所述方法包括:(1)以碳纤维微电极作为工作电极,通过快速扫描伏安法分别在不同神经化学物质标准溶液中进行体外伏安测试;(2)构建并训练人工神经网络模型或加载已有人工神经网络模型进行迁移学习;(3)使用快速扫描伏安法对神经化学信号进行活体原位分析;(4)根据待测物电化学伏安特性提取特征电位下快速扫描伏安数据电流值;(5)对提取的电流值进行归一化,构建数据集;(6)将所述数据集代入步骤(2)所得人工神经网络模型,并将模型输出结果换算为浓度计算值。由此,根据本发明实施例的方法采用人工神经网络模型对脑内待测物信号变化进行检测,能够同时准确对多种物质变化定量分析,具有良好的抗干扰能力,可以实现长时间体内原位记录,具有较好的应用前景。
根据本发明的实施例,上述脑内神经化学物质检测方法还可以具有下列附加技术特征:
根据本发明的实施例,步骤(1)包括:以碳纤维微电极作为工作电极,以Ag/AgCl微参比电极作为对电极构成两电极体系,将所述工作电极和微参比电极依次在含有不同神经化学物质的梯度溶液中进行体外伏安测试,得到不同物质不同浓度下对应的标准伏安图。采用上述工作电极和微参比电极可以准确地对不同物质不同浓度进行伏安分析,从而获得准确的标准伏安图,提高后续构建模型的准确性。具体地,碳纤维微电极可以采用CN201911075622.X的方法制备,以提供电化学性质稳定、可重现的微电极。
根据本发明的实施例,所述神经化学物质选自下列至少之一的物质浓度变化:多巴胺、肾上腺素、去甲肾上腺素、5-羟色胺、维生素C、过氧化氢和氧气。由此,采用本发明的方法可以准确测定上述物质浓度变化。
根据本发明的实施例,步骤(2)中,针对首次检测的化学物质,构建并训练人工神经网络模型;针对已有人工神经网络模型,当检测的化学物质相同且采用与所述已有人工神经网络模型构建时所用碳纤维电极不同的新碳纤维电极进行检测时,对所述已有人工神经网络模型进行迁移学习。当采用新碳纤维电极进行检测时,无需重新构建新模型,可以利用已有人工神经网络模型进行迁移学习,从而减少工作量,提高分析效率。
根据本发明的实施例,所述构建并训练人工神经网络模型是通过下列方式进行的:(2-1-1)读取步骤(1)所得体外伏安测试数据并进行背景扣除;(2-1-2)提取快速扫描伏安数据特征电位下的电流值;(2-1-3)将提取数据归一化构建数据集;(2-1-4)构建人工神经网络候选模型;(2-1-5)将所述数据集分为训练集和测试集,使用所述训练集训练所述人工神经网络候选模型,使用测试集评估人工神经网络候选模型的训练效果;当所述人工神经网络候选模型对测试集计算结果与真实值的均方差满足要求,则通过评估,所述人工神经网络候选模型即为目的模型;当所述人工神经网络候选模型对测试集计算结果与真实值的均方差不满足要求,则调整网络参数重新构建模型并重复步骤(2-1-5)直至满足要求;或增加特征电位提取对应电流值,并重复步骤(2-1-3)~(2-1-5)直至满足要求;或增加不同所述标准溶液的数量或增加快速扫描伏安测试数据,并重复步骤(2-1-1)~(2-1-5)直至满足要求。由此,可以准确地对脑内神经信号变化实现记录分析。
需要说明的是,本发明所采用的术语“网络参数”是指人工神经网络模型中设置的参数,例如网络隐层层数以及每层人工神经元数量等。
根据本发明的实施例,当所述计算结果与真实值的均方差随训练过程不再减小且所述均方差值不大于10-3是满足要求的指示。发明人发现,当计算结果与真实值的均方差不大于10-3,可以推断出计算结果接近真实值,从而结束模型分析,得到最终结果。
根据本发明的实施例,所述迁移学习是通过下列方式进行的:(2-2-1)读取利用新碳纤维电极进行步骤(1)的操作,得到体外伏安测试数据并进行背景扣除;(2-2-2)提取快速扫描伏安数据特征电位下的电流值;(2-2-3)将提取数据归一化构建数据集;(2-2-4)加载已有人工神经网络模型;(2-2-5)将所述数据集分为训练集和测试集,使用所述训练集训练所述人工神经网络候选模型,使用测试集评估人工神经网络候选模型的训练效果;当所述人工神经网络候选模型对测试集计算结果与真实值的均方差满足要求,则通过评估,所述人工神经网络候选模型即为目的模型;当所述人工神经网络候选模型对测试集计算结果与真实值的均方差不满足要求,则调整网络参数重新构建模型并重复步骤(2-2-5)直至满足要求;或增加特征电位提取对应电流值,并重复步骤(2-2-3)~(2-2-5)直至满足要求;或增加不同所述标准溶液的数量或增加快速扫描伏安测试数据,并重复步骤(2-2-1)~(2-2-5)直至满足要求。由此,当采用新碳纤维电极进行检测时,无需重新构建新模型,可以利用已有人工神经网络模型进行迁移学习,从而减少工作量,提高分析效率。
根据本发明的实施例,当所述计算结果与真实值的均方差随训练过程不再减小且所述均方差值不大于10-3是满足要求的指示。发明人发现,当计算结果与真实值的均方差不大于10-3,可以推断出计算结果接近真实值,从而结束模型分析,得到最终结果。
根据本发明的实施例,所述人工神经网络模型为BP神经网络,网络输入层每个单元对应一个特征电位下归一化的电流值,网络隐藏层不少于2层,输出层每个单元对应一个预测变量。
根据本发明的实施例,步骤(4)包括:根据不同待测物与干扰物的伏安特性,选取各待测物之间以及各待测物与干扰物之间具有明显电流差异的一系列电位作为特征电位,提取所述特征电位下快速扫描伏安数据中正扫及反扫电流数据。由此,可以用于准确地构建人工神经网络模型。在一些实施例中,对于多巴胺等单胺类递质选取其氧化峰和还原峰电位作为特征电位;对于维生素C、过氧化氢选取具有较大氧化电流的氧化电位作为特征电位;对于氧气选取具有较大还原电流的还原电位作为特征电位;对于pH选取碳醌式结构的氧化、还原电位作为特征电位;对于离子浓度选取电位扫描折返处附近的电位作为特征电位。
根据本发明实施例的脑内神经化学物质检测方法还可以具有下列优点:
(1)本发明中,使用人工神经网络模型算法实现快速扫描循环伏安数据分析计算。该方法可以实现在抗坏血酸、多巴胺、离子浓度等多种神经化学物质或化学环境变化时,解算对应物质浓度。从而有效解决了多种物质变化时的相互干扰问题,并实现了多种物质的同时分析。相对于其它线性回归模型,人工神经网络模型具有更高的灵活性,可以逼近更复杂的函数关系,更适用于复杂生理、病理过程中活体原位分析数据处理。
(2)快速扫描伏安分析过程中,除了不同神经化学物质伏安波形相互叠加干扰以外,测量过程中还会随着电极-溶液界面的不断变化发生背景电流漂移,限制快速扫描伏安法的长时间分析记录。本发明所述方法输入的体外标准溶液测试数据中,除包含待测物的伏安特性信息以外,也包含电极背景电流漂移信息。因此,本专利所述方法对于一定程度的电极背景电流漂移影响也具有良好的抗干扰能力,使得快速扫描伏安法能够实现更长时间的体内原位记录。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明所述人工神经网络模型迁移学习流程示意图;
图2A为实施例1提供的碳纤维电极在人工脑脊液中快速扫描伏安图;
图2B为实施例1提供的碳纤维电极在含有不同浓度维生素C的人工脑脊液中扣除背景后的快速扫描伏安图;
图2C为实施例1提供的碳纤维电极在含有不同浓度多巴胺的人工脑脊液中扣除背景后的快速扫描伏安图;
图2D为实施例1提供的碳纤维电极在含有不同浓度氯化钠溶液中扣除背景后的快速扫描伏安图;
图3A为实施例1提供的体外维生素C标准溶液快速扫描伏安测试数据中提取的特征电位下电流-时间曲线;
图3B为实施例1提供的经人工神经网络计算的体外维生素C标准溶液快速扫描伏安测试过程中维生素C、多巴胺及离子浓度变化计算图;
图3C为实施例1提供的体外多巴胺标准溶液快速扫描伏安测试数据中提取的特征电位下电流-时间曲线;
图3D为实施例1提供的经人工神经网络模型计算的体外多巴胺标准溶液快速扫描伏安测试过程中维生素C、多巴胺及离子浓度变化计算图;
图3E为实施例1提供的体外离子(氯化钠)标准溶液快速扫描伏安测试数据中提取的特征电位下电流-时间曲线;
图3F为实施例1提供的经人工神经网络模型计算的体外离子浓度标准溶液快速扫描伏安测试过程中维生素C、多巴胺及离子浓度变化计算图;
图4A为实施例2提供的活体原位快速扫描伏安测试数据中提取的特征电位下电流-时间曲线;
图4B为实施例2提供的经人工神经网络模型计算的活体原位快速扫描伏安测试过程中维生素C、多巴胺及离子浓度变化计算图;
图4C为实施例2提供的对照组活体原位快速扫描伏安测试数据中提取的特征电位下电流-时间曲线;
图4D为实施例2提供的经人工神经网络模型计算的对照组活体原位快速扫描伏安测试过程中维生素C、多巴胺及离子浓度变化计算图。
具体实施方式
下面将结合实施例对本发明的方案进行解释。本领域技术人员将会理解,下面的实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件的,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者,均为可以通过市购获得的常规产品。
实施例1
脑内神经化学物质检测方法流程参见图1,具体如下:
1、按照申请号为CN201911075622.X的发明专利申请所提供的脑神经电化学检测电极制备方法制备碳纤维电极。以碳纤维电极作为工作电极,以Ag/AgCl微参比电极作为对电极构成两电极体系进行体外伏安测试。以碳纤维电极作为工作电极,以Ag/AgCl微参比电极作为对电极构成两电极体系进行体外伏安测试。其中,在人工脑脊液中的快速扫描循环伏安图如图2A所示。在含有不同浓度维生素C的人工脑脊液标准溶液中记录的扣除背景后快速扫描伏安图如图2B所示。在含有不同浓度多巴胺的人工脑脊液标准溶液中记录的扣除背景后快速扫描伏安图如图2C所示。在含有不同浓度氯化钠溶液中记录了的扣除背景后快速扫描伏安图如图2D所示。
根据维生素C、多巴胺及不同盐浓度典型快速扫描伏安曲线特征,选取0.5V和1.0V作为反映三种物质浓度的特征电位,并提取体外测试快速扫描伏安数据中对应电位下正扫及反扫时的电流值。将提取的电流数据归一化构建数据集,构建人工神经网络模型,并代入数据进行训练,当计算结果与真实值的均方差随训练过程不再减小且均方差值不大于10-3时,结束训练,得到用于同时分析快速扫描伏安数据中维生素C、多巴胺以及离子浓度的神经网络模型。其中,该人工神经网络模型为BP神经网络,网络输入层每个单元对应一个特征电位下归一化的电流值,网络隐藏层不少于2层,输出层每个单元对应一个预测变量。
图3A为维生素C标准溶液体外测试数据中提取的电流原始数据,对应浓度为150μmol/L、200μmol/L、250μmol/L、300μmol/L、350μmol/L、400μmol/L、450μmol/L、500μmol/L、550μmol/L。其中,曲线a为1.0V电位下快速扫描伏安数据正扫电流与反扫电流平均值,主要由维生素C电化学氧化电流组成,反映了原始数据中维生素C对伏安曲线的影响。曲线b为0.5V电位下快速扫描伏安数据正扫电流与反扫电流差值,主要由多巴胺电化学氧化电流组成,反映了原始数据中多巴胺对伏安曲线的影响。曲线c为1.0V电位下快速扫描伏安数据正扫电流与反扫电流差值,主要由离子浓度变化造成双电层电容充电电流变化组成,反映了原始数据中离子浓度对伏安曲线的影响。从该图中可以看出,原始数据中直接提取的维生素C氧化电流数据会对多巴胺氧化电流数据产生影响。
图3B为将维生素C标准溶液体外测试数据中特征电位下正扫、反扫电流代入人工神经网络输出的浓度计算图。其中,曲线a为维生素C浓度变化计算结果;曲线b为多巴胺浓度变化计算结果;曲线c为离子浓度变化计算结果。从该图中可以看出,经人工神经网络模型计算后,显著降低了维生素C对多巴胺分析值的干扰问题。
图3C为多巴胺标准溶液体外测试数据中提取的电流原始数据,对应浓度为0μmol/L、2.5μmol/L、5μmol/L、7.5μmol/L、10μmol/L、12.5μmol/L、15μmol/L、17.5μmol/L、20μmol/L。其中,曲线a、b、c的提取方式同图3A,分别反映原始数据中维生素C、多巴胺及离子浓度对伏安曲线的影响。从该图中可以看出,原始数据中直接提取的多巴胺数据可能存在一定的电流漂移问题。
图3D为将多巴胺标准溶液体外测试数据中特征电位下正扫、反扫电流代入人工神经网络模型输出的浓度计算图。其中,曲线a、b、c分别为维生素C、多巴胺及离子浓度变化计算结果。从该图中可以看出,经人工神经网络模型计算后,显著降低了多巴胺分析值的漂移问题。
图3E为不同离子浓度标准溶液体外测试数据中提取的电流原始数据。对应浓度为5mmol/L、15mmol/L、50mmol/L、100mmol/L、200mmol/L。其中,曲线a、b、c的提取方式同图3A,分别反映原始数据中维生素C、多巴胺及离子浓度对伏安曲线的影响。从该图中可以看出,原始数据中直接提取的离子浓度数据可能存在离子浓度对维生素C及多巴胺测量数据的干扰问题,同时,离子浓度与记录电流值之间也不是简单的线性关系。
图3F为不同离子浓度标准溶液体外测试数据中特征电位下正扫、反扫电流代入人工神经网络模型输出的浓度计算图。其中,曲线a、b、c分别为维生素C、多巴胺及离子浓度变化计算结果。从该图中可以看出,经人工神经网络模型计算后,显著降低了离子浓度对维生素C及多巴胺分析值的干扰问题,并得到了精确的离子浓度值。
实施例2
使用实施例1所述的经过体外测试并成功构建神经网络模型的碳纤维电极进行活体原位测试,将电极植入SD大鼠纹状体脑区同时记录传播性抑制过程中SD大鼠纹状体脑区维生素C、多巴胺以及离子浓度的实时变化。开始记录后1min,在距工作电极1mm位置处局部注射250mmol/L KCl溶液诱发传播性抑制,并持续记录10min。
图4A为SD大鼠传播性抑制模型活体检测数据中提取的电流原始数据。其中,曲线a、b、c的提取方式同图3A,分别反映原始数据中维生素C、多巴胺及离子浓度对伏安曲线的影响。从该图中可以看出,原始数据中直接提取的电流数据具有一定的噪音和相互干扰。
图4B为将SD大鼠传播性抑制模型活体测试数据中特征电位下正扫、反扫电流代入人工神经网络模型输出的浓度计算图。其中,曲线a、b、c分别为维生素C、多巴胺及离子浓度变化计算结果。从该图中可以看出,经人工神经网络模型计算后,噪音和干扰问题有显著改善。
实施例3
使用实施例1所述的经过体外测试并成功构建神经网络模型的碳纤维电极进行活体原位测试。为了验证活体测试结果准确性,将电极植入SD大鼠纹状体脑区同时记录传播性抑制过程中SD大鼠纹状体脑区维生素C、多巴胺以及离子浓度的实时变化。开始记录后1min,在距工作电极1mm位置处局部注射与实施例2等量的人工脑脊液作为空白对照实验,并持续记录10min。
图4C为SD大鼠对照实验数据中提取的电流原始数据。其中,曲线a、b、c的提取方式同图3A,分别反映原始数据中维生素C、多巴胺及离子浓度对伏安曲线的影响。从该图中可以看出,原始数据中存在一定噪音和背景电流漂移。
图4D为将SD大鼠对照实验数据中特征电位下正扫、反扫电流代入人工神经网络输出的浓度计算图。其中,曲线a、b、c分别为维生素C、多巴胺及离子浓度变化计算结果。从该图中可以看出,经人工神经网络模型计算后,噪音和背景漂移问题有明显改善。
结合以上实施例说明本发明提供的基于人工神经网络模型对脑内多种神经化学信号同时分析的方法在活体原位分析测试中有良好的应用效果。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种脑内神经化学物质检测方法,其特征在于,包括:
(1)以碳纤维微电极作为工作电极,通过快速扫描伏安法分别在不同神经化学物质标准溶液中进行体外伏安测试;
(2)构建并训练人工神经网络模型或加载已有人工神经网络模型进行迁移学习;
(3)使用快速扫描伏安法对神经化学信号进行活体原位分析;
(4)根据待测物电化学伏安特性提取特征电位下快速扫描伏安数据电流值;
(5)对提取的电流值进行归一化,构建数据集;
(6)将所述数据集代入步骤(2)所得所述人工神经网络模型,并将模型输出结果换算为浓度计算值。
2.根据权利要求1所述的方法,其特征在于,步骤(1)包括:
以碳纤维微电极作为工作电极,以Ag/AgCl微参比电极作为对电极构成两电极体系,将所述工作电极和微参比电极依次在含有不同神经化学物质的梯度溶液中进行体外伏安测试,得到不同物质不同浓度下对应的标准伏安图。
3.根据权利要求1所述的方法,其特征在于,所述神经化学物质选自下列至少之一的物质浓度变化:多巴胺、肾上腺素、去甲肾上腺素、5-羟色胺、维生素C、过氧化氢和氧气。
4.根据权利要求1所述的方法,其特征在于,步骤(2)中,针对首次检测的化学物质,构建并训练人工神经网络模型;
针对已有人工神经网络模型,当检测的化学物质相同且采用与所述已有人工神经网络模型构建时所用碳纤维电极不同的新碳纤维电极进行检测时,对所述已有人工神经网络模型进行迁移学习。
5.根据权利要求1所述的方法,其特征在于,所述构建并训练人工神经网络模型是通过下列方式进行的:
(2-1-1)读取步骤(1)所得体外伏安测试数据并进行背景扣除;
(2-1-2)提取快速扫描伏安数据特征电位下的电流值;
(2-1-3)将提取数据归一化构建数据集;
(2-1-4)构建人工神经网络候选模型;
(2-1-5)将所述数据集分为训练集和测试集,使用所述训练集训练所述人工神经网络候选模型,使用测试集评估所述人工神经网络候选模型的训练效果;
当所述人工神经网络候选模型对测试集计算结果与真实值的均方差满足要求,则通过评估,所述人工神经网络候选模型即为目的模型;
当所述人工神经网络候选模型对测试集计算结果与真实值的均方差不满足要求,则调整网络参数重新构建模型并重复步骤(2-1-5)直至满足要求;或增加特征电位提取对应电流值,并重复步骤(2-1-3)~(2-1-5)直至满足要求;或增加不同所述标准溶液的数量或增加快速扫描伏安测试数据,并重复步骤(2-1-1)~(2-1-5)直至满足要求。
6.根据权利要求5所述的方法,其特征在于,当所述计算结果与真实值的均方差随训练过程不再减小且所述均方差值不大于10-3是满足要求的指示。
7.根据权利要求4所述的方法,其特征在于,所述迁移学习是通过下列方式进行的:
(2-2-1)读取利用新碳纤维电极进行步骤(1)的操作,得到体外伏安测试数据并进行背景扣除;
(2-2-2)提取快速扫描伏安数据特征电位下的电流值;
(2-2-3)将提取数据归一化构建数据集;
(2-2-4)加载已有人工神经网络模型;
(2-2-5)将所述数据集分为训练集和测试集,使用所述训练集训练所述人工神经网络候选模型,使用测试集评估所述人工神经网络候选模型的训练效果;
当所述人工神经网络候选模型对测试集计算结果与真实值的均方差满足要求,则通过评估,所述人工神经网络候选模型即为目的模型;
当所述人工神经网络候选模型对测试集计算结果与真实值的均方差不满足要求,则调整网络参数重新构建模型并重复步骤(2-2-5)直至满足要求;或增加特征电位提取对应电流值,并重复步骤(2-2-3)~(2-2-5)直至满足要求;或增加不同所述标准溶液的数量或增加快速扫描伏安测试数据,并重复步骤(2-2-1)~(2-2-5)直至满足要求。
8.根据权利要求7所述的方法,其特征在于,当所述计算结果与真实值的均方差随训练过程不再减小且所述均方差值不大于10-3是满足要求的指示。
9.根据权利要求1所述的方法,其特征在于,所述人工神经网络模型为BP神经网络,网络输入层每个单元对应一个特征电位下归一化的电流值,网络隐藏层不少于2层,输出层每个单元对应一个预测变量。
10.根据权利要求1所述的方法,其特征在于,步骤(4)包括:
根据不同待测物与干扰物的伏安特性,选取各待测物之间以及各待测物与干扰物之间具有明显电流差异的一系列电位作为特征电位,提取所述特征电位下快速扫描伏安数据中正扫及反扫电流数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299525.5A CN111537576A (zh) | 2020-04-16 | 2020-04-16 | 脑内神经化学物质检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299525.5A CN111537576A (zh) | 2020-04-16 | 2020-04-16 | 脑内神经化学物质检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111537576A true CN111537576A (zh) | 2020-08-14 |
Family
ID=71976758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010299525.5A Pending CN111537576A (zh) | 2020-04-16 | 2020-04-16 | 脑内神经化学物质检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111537576A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295704A (zh) * | 2021-12-31 | 2022-04-08 | 杭州电子科技大学 | 一种基于特征参数提取的微浓度梯度溶液电化学测定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349667A (zh) * | 2007-07-16 | 2009-01-21 | 中国科学院化学研究所 | 一种生理活性物质的电化学检测装置及其专用电化学传感器和制备方法 |
CN101581690A (zh) * | 2008-05-15 | 2009-11-18 | 中国科学院化学研究所 | 活体伏安分析的专用电极及其制备方法 |
CN102759554A (zh) * | 2011-04-26 | 2012-10-31 | 电子科技大学 | L-谷氨酸修饰碳纤维微电极的制作及在检测神经递质中的应用 |
CN105223241A (zh) * | 2015-09-18 | 2016-01-06 | 南京信息工程大学 | 一种湿度传感器的补偿方法 |
CN109406588A (zh) * | 2017-08-17 | 2019-03-01 | 中国农业大学 | 基于离子选择性电极的土壤硝态氮多参数检测方法与仪表 |
WO2019189977A1 (ko) * | 2018-03-28 | 2019-10-03 | 주식회사 아이센스 | 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템 |
-
2020
- 2020-04-16 CN CN202010299525.5A patent/CN111537576A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349667A (zh) * | 2007-07-16 | 2009-01-21 | 中国科学院化学研究所 | 一种生理活性物质的电化学检测装置及其专用电化学传感器和制备方法 |
CN101581690A (zh) * | 2008-05-15 | 2009-11-18 | 中国科学院化学研究所 | 活体伏安分析的专用电极及其制备方法 |
CN102759554A (zh) * | 2011-04-26 | 2012-10-31 | 电子科技大学 | L-谷氨酸修饰碳纤维微电极的制作及在检测神经递质中的应用 |
CN105223241A (zh) * | 2015-09-18 | 2016-01-06 | 南京信息工程大学 | 一种湿度传感器的补偿方法 |
CN109406588A (zh) * | 2017-08-17 | 2019-03-01 | 中国农业大学 | 基于离子选择性电极的土壤硝态氮多参数检测方法与仪表 |
WO2019189977A1 (ko) * | 2018-03-28 | 2019-10-03 | 주식회사 아이센스 | 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295704A (zh) * | 2021-12-31 | 2022-04-08 | 杭州电子科技大学 | 一种基于特征参数提取的微浓度梯度溶液电化学测定方法 |
CN114295704B (zh) * | 2021-12-31 | 2023-11-14 | 杭州电子科技大学 | 一种基于特征参数提取的微浓度梯度溶液电化学测定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kammarchedu et al. | A machine learning-based multimodal electrochemical analytical device based on eMoSx-LIG for multiplexed detection of tyrosine and uric acid in sweat and saliva | |
US20200138344A1 (en) | Electrochemical detection device and method | |
US9572524B2 (en) | Method and apparatus for assay of electrochemical properties | |
US8303787B2 (en) | Method and apparatus for processing electrochemical signals | |
KR102095959B1 (ko) | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 | |
CN102667475B (zh) | 用于测量液体样本中的分析物浓度的方法 | |
CN111537576A (zh) | 脑内神经化学物质检测方法 | |
Uchida et al. | Sweep voltammetry with a semi-circular potential waveform: Electrode kinetics | |
Preethichandra et al. | Electrochemical impedance spectroscopy and its applications in sensor development and measuring battery performance | |
Liu et al. | Semi-empirical treatment of ionophore-assisted ion-transfers in ultrathin membranes coupled to a redox conducting polymer | |
JP6454342B2 (ja) | 分析物の動態および濃度を評価するための動態学的サイクリックボルタンメトリーの使用 | |
Sokolkov | Evolution of the analytical signal in electrochemistry from electrocapillary curve to a digital electrochemical pattern of a multicomponent sample | |
Gonzalez et al. | Analytical approach to the transient and steady-state Cyclic Voltammetry of non-reversible electrode processes. Defining the transition from macro to microelectrodes | |
CN105606670A (zh) | 一种高灵敏检测多环芳烃的电化学方法 | |
Molina et al. | Cyclic reciprocal derivative chronopotentiometry with power time currents applied to electrodes coated with electroactive molecular films. Influence of the reversibility | |
López-Cárdenas et al. | Enhancing the sensitivity of a class of sensors: A data-based engineering approach | |
CN109959688B (zh) | 基于聚l-谷胱甘肽修饰玻碳电极同时检测多巴胺和尿酸的方法 | |
CN106290539A (zh) | 检测溶液中酪氨酸浓度的方法 | |
Jamali et al. | Interpretation of stochastic electrochemical data | |
Patel et al. | Biosensor design and interfacing | |
CN114295704B (zh) | 一种基于特征参数提取的微浓度梯度溶液电化学测定方法 | |
López-Tenés et al. | Application of several multipotential step techniques to the study of multicenter molecules at spherical electrodes of any size | |
Sharma et al. | Multimodal simultaneous amperometry and electrochemical impedance spectroscopy measurement for biosensing applications | |
RU2639494C1 (ru) | Способ изготовления сенсоров для определения концентрации сахаров и гидроксикислот | |
Wonnenberg et al. | Perspective—Advances in Voltammetric Methods for the Measurement of Biomolecules |
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 |
Application publication date: 20200814 |
|
RJ01 | Rejection of invention patent application after publication |