CN112534241A - 检测介质中的分析物 - Google Patents

检测介质中的分析物 Download PDF

Info

Publication number
CN112534241A
CN112534241A CN201980051192.XA CN201980051192A CN112534241A CN 112534241 A CN112534241 A CN 112534241A CN 201980051192 A CN201980051192 A CN 201980051192A CN 112534241 A CN112534241 A CN 112534241A
Authority
CN
China
Prior art keywords
medium
sample
processor
target
data
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
CN201980051192.XA
Other languages
English (en)
Inventor
L·法尔扎拉诺
A·M·史密斯-莫里茨
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.)
Aobu Xyz Co ltd
Original Assignee
Aobu Xyz Co ltd
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 Aobu Xyz Co ltd filed Critical Aobu Xyz Co ltd
Publication of CN112534241A publication Critical patent/CN112534241A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • 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
    • G01N33/18—Water
    • G01N33/1886—Water using probes, e.g. submersible probes, buoys
    • 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
    • G01N2021/6417—Spectrofluorimetric devices
    • G01N2021/6421—Measuring at two or more wavelengths
    • 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
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N2021/6463—Optics
    • G01N2021/6471—Special filters, filter wheel
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G01N21/8507—Probe photometers, i.e. with optical measuring part dipped into fluid sample
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/02—Mechanical
    • G01N2201/022—Casings
    • G01N2201/0221—Portable; cableless; compact; hand-held
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/062—LED's
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明一般涉及检测介质中的分析物。在某些方面，本发明提供了用于检测介质中的分析物的系统和方法，该系统包括一个或多个发光二极管和多个半导体光电检测器，每个发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作。该系统被配置为使得每个半导体光电检测器仅检测该介质中该受激分析物的发射光的子集。在一些示例中，本发明的系统和方法包括发光二极管和用于检测非特异性污染物是否存在的半导体光电检测器。

Description

检测介质中的分析物
相关申请的交叉引用
本申请要求2018年6月1日提交的美国临时专利申请62/679,609的益处和优先权，其内容以引用方式整体并入本文。
技术领域
本发明一般涉及用于检测介质中的分析物的装置和方法。
背景技术
样品中目标分析物的存在，以及样品中存在的目标分析物的识别和水平，可以提供在许多行业中有价值的信息。例如，对水样品中各种成分(诸如病原体或化学品)以及它们各自的浓度的分析，可以指示是否存在潜在危险水平的某种成分或污染物。在确定针对水源的处理方案时，污染物信息可能会有所帮助。
目前可用的水源中、食品或表面上污染物的检测方法过程复杂、价格昂贵且速度缓慢。检测方法和相关设备通常具有高投资成本并且不便于携带而必须设置在实验室内。除了体积庞大和价格昂贵之外，检测过程可包括普通公众不能进行的几个步骤，诸如过滤、培养、孵育和染色。
此外，检测过程本身可花费数天或数周才能产生结果。那时，较小的污染问题可能演变成重大事件。公共水资源可能受到感染，食品生产线可能受到污染，医院感染可能迅速蔓延。
发明内容
本发明认识到需要用于检测介质(例如水)中的目标分析物(例如污染病原体)的快速、经济、易于使用的检测系统和方法。本发明利用光学技术的进步以及专有光学配置和专有算法和数据库，以提供用于检测各种介质的质量以及对介质中的污染物质/分析物进行识别和定量的系统和方法。在某些实施方案中，本发明的系统和方法为小型、便携式傻瓜检测系统，其可以在数秒内提供结果而不破坏或损坏待检测的介质(即，无损光学扫描)。本发明为水、制药、半导体以及食品和饮料行业提供了对工艺用水和表面的实时生物安全监测。
特别地，本发明利用了介质中的某些分析物在受到紫外光(例如深紫外光(深UV))激发时自发荧光的特性。使用本发明的专有算法和数据库，可以对介质中分析物的独特深UV特征进行识别和定量。如此，本发明使用户经济高效、快速且容易地确保介质和某些表面安全无污染。现在，利用本发明的系统和方法可防止不必要的污染。
例如，在某些实施方案中，本发明提供了小型、便携式傻瓜检测系统，其可以在数秒内检测水质并向用户提供水质检测结果。如此，使用者将不必为了获得污染检测结果而等待24小时至两周或更长时间。在该示例中，本发明检测介质水源或样品中的一系列目标物或分析物。目标分析物的示例包括病原体、氨基酸、激素、工业化学品、生物标记和药物。如此，该示例性实施方案为用于水质和污染检测的体积庞大、耗时的检测方法提供了解决方案。系统还可提供水中的分析物(诸如病原体或污染物)的指示和浓度。本发明的系统可使用户在数秒内而非数小时、数天或数周内得到结果。这将使用户确保他们使用的水安全无污染。
在一个方面，本发明提供了用于检测介质中目标物的系统。该系统包括发光二极管(例如，一个或多个发光二极管)和多个半导体光电检测器，该发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作。任选地，激发光的一个或多个波长可在深UV区之外，例如在340nm处。该系统被配置为使得每个半导体光电检测器仅检测该受激目标物的发射光的子集。激发光可在深UV区内，而发射光可在UV区诸如UVA和UVB区内。在一个优选实施方案中，发射光在300nm-400nm的检测范围内。
在某些实施方案中，每个半导体光电检测器仅检测受激目标物的发射光的子集的系统配置包括每个半导体光电检测器具有应用到其上的不同滤波器或光栅元件以分离该受激目标物的该发射光，使得该每个半导体光电测器仅检测该受激目标物的该发射光的该子集。在一个优选实施方案中，系统包括至少六个半导体光电检测器。在示例性实施方案中，多个半导体光电检测器为雪崩光电二极管检测器或硅传感器。
在一个实施方案中，系统还包括处理器，该处理器被配置为处理从多个半导体光电检测器接收的数据。该处理器可集成到该系统中。该处理器可远离该系统。该处理器可为计算机、智能电话或微控制器。
在某些实施方案中，本发明的系统为便携式、手持式傻瓜系统。
在另一方面，本发明涉及提供关于介质的信息的方法。该方法可包括提供包括发光二极管和多个半导体光电检测器的系统，该发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作。任选地，激发光的一个或多个波长可在深UV区之外，例如在340nm处。该系统可被配置为使得每个半导体光电检测器仅检测该受激目标物的发射光的子集。可将包括一种或多种目标分析物的介质暴露于来自该系统的该发光二极管的深UV光谱中的至少一个单波长，从而激发该介质中的目标分析物。该方法还可包括经由该系统的所述多个半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据；以及处理该发射光数据，从而提供关于该介质的信息。
在某些实施方案中，介质可选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。在一个实施方案中，目标分析物可选自由微生物、生物分子和化学品组成的组。在一个优选实施方案中，介质为水，目标分析物为一种或多种病原体。
在一个实施方案中，方法在地球大气条件下执行。在某些实施方案中，方法在地球大气条件之外执行。在一个实施方案中，处理发射光数据可包括识别介质中是否存在一种或多种目标分析物。处理该发射光数据还可包括识别该介质中的所述一种或多种目标分析物。处理该发射光数据还可包括对该介质中的所述一种或多种目标分析物进行定量。
在某些实施方案中，本发明涉及用于检测水源中目标物的系统。该系统包括发光二极管和半导体光电检测器，该发光二极管在用于激发水源中目标物的深紫外(UV)范围内的单波长下工作，该半导体光电检测器检测该受激目标物的发射光，并且在检测水平超过阈值时提供示值读数。该系统设置在尺寸和构造被设计成与饮用玻璃杯的顶部配合的壳体中。在一些实施方案中，壳体的整体构造为圆锥形。在一些实施方案中，壳体包括多个部件，所述多个部件包括基座或三脚架。系统为便携式、手持式傻瓜系统。阈值检测水平为总微生物负荷或生物负荷。发射光在300nm-400nm的检测范围内。
半导体光电检测器为雪崩光电二极管检测器或硅传感器。该系统还包括处理器，该处理器被配置为处理从该半导体光电检测器接收的数据。该处理器集成到该系统中。该处理器远离该系统。该处理器为计算机、智能电话或微控制器。
在某些实施方案中，本发明涉及用于检测水源中目标物的系统。该系统包括发光二极管和半导体光电检测器，该发光二极管在用于激发水源中目标物的深紫外(UV)范围内的单波长下工作，该半导体光电检测器检测该受激目标物的发射光，并且在检测水平超过阈值时提供示值读数。该系统被配置为与该水源串联。
阈值检测水平为总微生物负荷或生物负荷。发射光在300nm-400nm的检测范围内。半导体光电检测器为雪崩光电二极管检测器或硅传感器。
该系统还包括处理器，该处理器被配置为处理从该半导体光电检测器接收的数据。该处理器集成到该系统中。该处理器远离该系统。该处理器为计算机、智能电话或微控制器。
在某些实施方案中，本发明涉及提供关于介质的信息的方法。该方法包括提供包括发光二极管和半导体光电检测器的系统，该发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作，该半导体光电检测器检测该受激目标物的发射光，该系统被配置为与该介质串联。
该方法还包括将包括一种或多种目标分析物的介质暴露于来自该系统的该发光二极管的该深UV光谱中的至少一个单波长，从而激发该介质中的该目标分析物；经由该半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据；以及在该发射光数据超过阈值检测水平时输出读数，从而提供关于该介质的信息。该方法还包括在图形用户接口上显示处理步骤的结果。
处理该发射光数据包括识别该介质中是否存在一种或多种目标分析物。处理该发射光数据还包括识别该介质中的所述一种或多种目标分析物。处理该发射光数据还包括对该介质中的所述一种或多种目标分析物进行定量。
该介质选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。方法可在地球大气条件下执行。方法可在地球大气条件之外执行。
在一些实施方案中，阈值检测水平为总微生物负荷或生物负荷。目标分析物选自由微生物、生物分子和化学品组成的组。在一些实施方案中，介质为水，目标分析物为一种或多种病原体。
在某些实施方案中，本发明涉及提供关于介质的信息的方法。该方法包括提供包括发光二极管和多个半导体光电检测器的系统，该发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作，该半导体光电检测器检测该受激目标物的发射光，该系统设置在尺寸和构造被设计成与饮用玻璃杯的顶部配合的壳体中。在一些实施方案中，壳体的整体构造为圆锥形。在某些实施方案中，壳体包括多个部件，所述多个部件包括基座或三脚架。方法包括将包括一种或多种目标分析物的介质暴露于来自系统的发光二极管的深UV光谱中的至少一个单波长，从而激发该介质中的该目标分析物。该方法包括经由半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据。该方法还包括在该发射光数据超过阈值检测水平时输出读数，从而提供关于该介质的信息。在一些实施方案中，方法还包括在图形用户接口上显示处理步骤的结果。
在一些实施方案中，阈值检测水平为总微生物负荷或生物负荷。介质可选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。目标分析物可选自由微生物、生物分子和化学品。在一些示例中，介质为水，目标分析物为一种或多种病原体组成的组。方法可在地球大气条件下执行。方法可在地球大气条件之外执行。
在一个实施方案中，处理发射光数据包括识别介质中是否存在一种或多种目标分析物。处理该发射光数据还包括识别该介质中的所述一种或多种目标分析物。处理该发射光数据还包括对该介质中的所述一种或多种目标分析物进行定量。
此外，本发明的某些实施方案使用发射光数据来确定总微生物负荷和生物负荷测量值。本发明包括将分别在深紫外(UV)光谱内的一个或多个波长的光引入包括生物物质的介质，从而激发该介质中的该生物物质。经由一个或多个半导体光电检测器检测该受激生物物质的发射光，从而产生深UV发射光数据。分析该深UV发射光数据是否存在指示该生物物质的深UV光谱特征，其中该深UV光谱特征的存在指示该介质包括生物物质。激发光可在深UV区内，而发射光可在UV区诸如UVA和UVB区内。
发射光数据可用于确定总微生物负荷。微生物负荷为污染物体或生物的微生物的数量和类型，诸如非特异性生物污染和微生物污染。总微生物负荷指示样品中存在的微生物。可针对指示微生物的深UV光谱特征分析发射光数据。可针对指示微生物的存在和数量的深UV光谱特征分析发射光数据。例如，分析可包括将UV光谱特征与在各种介质上或介质中不同数量和类型的微生物的UV光谱特征库进行比较。本发明的系统可在检测到指示微生物的UV光谱特征之后指示样品中的总微生物负荷。
在某些实施方案中，本发明用于检测总微生物负荷(TML)。本发明是一种补充大肠杆菌或大肠菌群检测随机抽检的水安全实时监测指示器。例如，WHO和EPA水传播疾病的初步筛选方法未检测到非大肠菌群或原生动物病原体，诸如沙门氏菌、隐孢子虫、贾第虫和李斯特菌等。本发明可用于检测给定样品中存在的所有微生物，以便即使在无法指定微生物的情况下也可洞察通常检测不到的微生物。因此，本发明在当前方法中增加了智能补充层，诸如指示何时实际进行大肠菌群检测。
发射光数据可用于确定生物负荷，或表面上或液体中存活的细菌数量。通常，生物负荷为指未灭菌表面上的微生物数量。可针对指示微生物的存在和数量的深UV光谱特征分析发射光数据。例如，分析可包括将UV光谱特征与在各种介质上或介质中不同数量和类型的微生物的UV光谱特征库进行比较。本发明的系统可在检测到指示微生物的存在或数量的UV光谱特征之后指示样品中的生物负荷。
在某些实施方案中，方法还可包括在图形用户接口上显示处理步骤的结果。
在一个方面，本发明涉及用于分析样品介质的系统。该系统包括处理器，该处理器耦合到非暂态存储器，该处理器被配置为使该系统接收与样品介质相关联的样品数据，其中该样品数据包括该样品介质的来源的识别以及包括一种或多种分析物的该样品介质的光谱数据。将该样品数据与包括多个参考光谱的参考数据集进行比较，其中所述多个参考光谱中的每一个参考光谱包括与已识别的介质相关联的光谱图，该已识别的介质包括该已识别的介质中已识别水平的一种或多种已识别的分析物。本发明的系统确定该样品数据是否与所述多个参考光谱中的一个参考光谱匹配。
在某些实施方案中，当处理器确定样品数据与多个参考光谱中的一个参考光谱匹配时，该处理器可被进一步配置为基于样品介质中的一种或多种分析物的识别以及该样品介质中的所述一种或多种分析物的水平，生成该样品介质的样品介质质量评分。该处理器可被进一步配置为将该样品介质质量评分输出到用户接口。
在一个实施方案中，当处理器确定样品数据与参考数据集中的多个参考光谱中的任何一个参考光谱都不匹配时，该处理器可被进一步配置为将该样品数据与该参考数据集中所述参考光谱中的一个或多个参考光谱中的已识别的污染物进行比较；以及确定该样品数据是否与所述多个参考光谱中的一个或多个参考光谱中的已识别的污染物匹配，其中一次或多次匹配识别该样品介质中的一种或多种污染物。
在某些实施方案中，处理器可被进一步配置为对样品介质中的一种或多种污染物中的至少一种污染物进行定量。该处理器可被进一步配置为将该样品介质中的所述一种或多种污染物的识别和定量输出到用户接口。该处理器可被进一步配置为将该样品介质质量评分输出到用户接口。该用户接口可集成到包括该处理器的该系统中。该用户接口可远离包括该处理器的该系统。
在某些方面，本发明涉及用于分析样品的系统。该系统可包括用于激发包括一种或多种分析物的样品介质的激发源。该系统还可包括用于接收包括所述一种或多种分析物的该样品介质的光谱数据的检测器，以及与该样品可操作地相关联的处理器。该处理器可耦合到非暂态存储器，该处理器被配置为使该系统接收与该样品介质相关联的样品数据。该样品数据可包括该样品介质的来源的识别以及包括所述一种或多种分析物的该样品介质的光谱数据。可将该样品数据与包括多个参考光谱的参考数据集进行比较，其中所述多个参考光谱中的每一个参考光谱包括与已识别的介质相关联的光谱图，该已识别的介质包括该已识别的介质中已识别水平的一种或多种已识别的分析物。本发明的系统还可确定该样品数据是否与所述多个参考光谱中的一个参考光谱匹配。
在本发明的实施方案中，处理器和用户接口可集成到系统中。该处理器和/或该用户接口可远离该系统和/或远离彼此。该用户接口可集成到包括该处理器的该系统中。该用户接口可远离包括该处理器的该系统。该处理器可为任何合适的装置，例如计算机、智能电话或微控制器。
在本发明的实施方案中，包括一个或多个分析物的样品介质的光谱数据可以是深紫外(UV)光谱数据，并且第一多个第一参考光谱中的每一个参考光谱都可以是深紫外(UV)参考光谱。
在本发明的实施方案中，本发明的系统可为便携式、手持式傻瓜系统，其使消费者易于使用。
附图说明
图1示出了本发明的扫描仪或检测器。
图2示出了根据本申请的OLED显示器扫描仪或检测器的侧视图和顶视图。
图3示出了扫描仪或检测器的尺寸。
图4示出了样品结果的显示器。
图5示出了外源(诸如智能电话)的用户接口。
图6示出了本发明的迷你实验室实施方案。
图7示出了本发明的迷你实验室实施方案。
图8示出了本发明的楔形件实施方案。
图9示出了使用小样品杯的实施方案。
图10示出了使用大样品的实施方案。
图11示出了使用检测器作为马桶适配器的实施方案。
图12示出了使用检测器作为水槽适配器的实施方案。
图13示出了在线检测器的实施方案。
图14示出了在线检测器探针的实施方案。
图15示出了离线远距检测器的实施方案。
图16示出了根据本发明的目标物列表或数据库的实施方案。
图17示出了有噪声和无噪声时的检测限。
图18示出了滤出微生物的特征。
图19示出了水质标度。
图20示出了根据试验板设置的硬件规格的实施方案。
图21示出了联苯的参考校准目标。
图22示出了本发明的系统框图。
图23示出了本发明的定时概念。
图24示出了本发明中使用的算法的实施方案。
图25示出了自来水和纯水的EEM。
图26示出了自来水中的细菌光谱特征。
图27示出了水果和蔬菜农药扫描。
图28示出了用户、云和区块链以及检测器和处理器之间的生态系统和通信。
图29示出了在使用区块链的实施方案中如何保护数据。
图30示出了污染源上游和下游的监测设备。
图31示出了细菌和氨基酸特征的激发-发射矩阵(EEM)光谱的马氏距离图。
图32示出了革兰氏阳性和革兰氏阴性细菌种类的谱的聚类。
图33示出了洁净蒸馏水的荧光。
图34示出了受污染的餐厅用水的荧光。
图35示出了氨基酸和微生物的荧光特征。
图36比较了当前技术与本发明(Orb)的改进。
图37示出了浓度曲线。
图38示出了细菌混合物的解卷积。
图39示出了预测的R2相对于实际成分的表。
图40示出了大肠杆菌在高压灭菌后存活(活的)以及证实未存活(死的)时的光谱图。
图41示出了不同细菌种类的在高压灭菌后存活(活的)以及证实未存活(死的)时的发射光中心波长。
图42示出了预测的R2相对于实际存活力的表。
图43示出了使用本发明(Orb)和EPA批准的方法(大肠菌群/大肠杆菌)检测的不同来源。
图44示出了本发明检测方法的概要，其中将来源与沙门氏菌掺杂，使用本发明以及批准的金标准EPA方法检测污染物。
图45示出了使用本发明(Orb)的检测与金标准检测的比较结果。
图46示出了迄今为止检测能力的选择。
具体实施方式
具有某些化学结构的各种化合物在用紫外光激发时可以产生强的自发荧光或“天然”荧光。对于一些令人感兴趣的化合物，诸如已被识别为内分泌干扰物的增塑剂以及在细菌细胞中发现的氨基酸来说，这种荧光会非常强。通过利用这种现象，可将检测装置与相对便宜且坚固的部件组装在一起，这些部件使用的技术使最终设备非侵入性、便携且易于消费者使用。总之，这种技术的理想应用是对介质中的一种或多种分析物进行检测、识别和定量，例如病原体和水、生物流体和表面中的其他污染物/分析物，特别在当前EPA/FDA批准的方法涉及实验室检测时。
本发明允许数秒内出检测结果。在某些实施方案中，本发明的设备是便携式的，并且实现了非接触分析。不需要制剂或试剂，本发明可检测多种污染物。本发明可检测介质诸如水中的目标物，并且还可检测表面诸如铝和不锈钢表面上的目标物。本发明为水、制药、半导体以及食品和饮料行业提供了对工艺用水和表面的实时生物安全监测。
硬件
随着更便宜且更强大的紫外发光二极管(UV LED)和灵敏检测器的出现，本发明可用于以便携、无需试剂、非侵入性的方式高精确度地识别特定分子。
在一个方面，本发明提供了用于检测介质中目标物的系统。该系统包括发光二极管和多个半导体光电检测器，该发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作。该系统被配置为使得每个半导体光电检测器仅检测该受激目标物的发射光的子集。在一个优选实施方案中，发射光在300nm-400nm的检测范围内。深UV是280nm以下的紫外光，或240nm-280nm范围内的紫外光。自发荧光是当生物结构在吸收光或经紫外光激发后产生的“天然”荧光或光发射。在本发明中，病原体或污染物在经深紫外光激发或吸收深紫外光之后自发荧光。然后通过多个检测器在300nm-400nm的范围内检测自发荧光的发射光。
在某些实施方案中，每个半导体光电检测器仅检测受激目标物的发射光的子集的系统配置包括每个半导体光电检测器具有应用到其上的不同滤波器或光栅元件以分离该受激目标物的该发射光，使得该每个半导体光电测器仅检测该受激目标物的该发射光的该子集。在一个优选实施方案中，系统包括至少六个半导体光电检测器。在一个实施方案中，多个半导体光电检测器为雪崩光电二极管检测器或硅传感器。
在一个实施方案中，系统还包括处理器，该处理器被配置为处理从多个半导体光电检测器接收的数据。该处理器可集成到该系统中。该处理器可远离该系统。该处理器可为计算机、智能电话或微控制器。
在某些实施方案中，本发明的系统为便携式、手持式傻瓜系统。
在某些实施方案中，本发明涉及用于检测水源中目标物的系统。该系统包括发光二极管和半导体光电检测器，该发光二极管在用于激发水源中目标物的深紫外(UV)范围内的单波长下工作，该半导体光电检测器检测该受激目标物的发射光，并且在检测水平超过阈值时提供示值读数。该系统设置在尺寸和构造被设计成与饮用玻璃杯的顶部配合的壳体中。在一些实施方案中，壳体的整体构造为圆锥形。在一些实施方案中，壳体包括多个部件，所述多个部件包括基座或三脚架。系统为便携式、手持式傻瓜系统。阈值检测水平为总微生物负荷或生物负荷。发射光在300nm-400nm的检测范围内。
半导体光电检测器为雪崩光电二极管检测器或硅传感器。该系统还包括处理器，该处理器被配置为处理从该半导体光电检测器接收的数据。该处理器集成到该系统中。该处理器远离该系统。该处理器为计算机、智能电话或微控制器。
在某些实施方案中，本发明涉及用于检测水源中目标物的系统。该系统包括发光二极管和半导体光电检测器，该发光二极管在用于激发水源中目标物的深紫外(UV)范围内的单波长下工作，该半导体光电检测器检测该受激目标物的发射光，并且在检测水平超过阈值时提供示值读数。该系统被配置为与该水源串联。
阈值检测水平为总微生物负荷或生物负荷。发射光在300nm-400nm的检测范围内。半导体光电检测器为雪崩光电二极管检测器或硅传感器。
该系统还包括处理器，该处理器被配置为处理从该半导体光电检测器接收的数据。该处理器集成到该系统中。该处理器远离该系统。该处理器为计算机、智能电话或微控制器。
在某些实施方案中，本发明涉及提供关于介质的信息的方法。该方法包括提供包括发光二极管和半导体光电检测器的系统，该发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作，该半导体光电检测器检测该受激目标物的发射光，该系统被配置为与该介质串联。
该方法还包括将包括一种或多种目标分析物的介质暴露于来自该系统的该发光二极管的该深UV光谱中的至少一个单波长，从而激发该介质中的该目标分析物；经由该半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据；以及在该发射光数据超过阈值检测水平时输出读数，从而提供关于该介质的信息。该方法还包括在图形用户接口上显示处理步骤的结果。
处理该发射光数据包括识别该介质中是否存在一种或多种目标分析物。处理该发射光数据还包括识别该介质中的所述一种或多种目标分析物。处理该发射光数据还包括对该介质中的所述一种或多种目标分析物进行定量。
该介质选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。方法可在地球大气条件下执行。方法可在地球大气条件之外执行。
在一些实施方案中，阈值检测水平为总微生物负荷或生物负荷。目标分析物选自由微生物、生物分子和化学品组成的组。在一些实施方案中，介质为水，目标分析物为一种或多种病原体。
在某些实施方案中，本发明涉及提供关于介质的信息的方法。该方法包括提供包括发光二极管和半导体光电检测器的系统，该发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作，该半导体光电检测器检测该受激目标物的发射光，该系统设置在尺寸和构造被设计成与饮用玻璃杯的顶部配合的壳体中。在一些实施方案中，壳体的整体构造为圆锥形。在某些实施方案中，壳体包括多个部件，所述多个部件包括基座或三脚架。方法包括将包括一种或多种目标分析物的介质暴露于来自系统的发光二极管的深UV光谱中的至少一个单波长，从而激发该介质中的该目标分析物。该方法包括经由半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据。该方法还包括在该发射光数据超过阈值检测水平时输出读数，从而提供关于该介质的信息。在一些实施方案中，方法还包括在图形用户接口上显示处理步骤的结果。
在一些实施方案中，阈值检测水平为总微生物负荷或生物负荷。介质可选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。目标分析物可选自由微生物、生物分子和化学品组成的组。在一些示例中，介质为水，目标分析物为一种或多种病原体。方法可在地球大气条件下执行。方法可在地球大气条件之外执行。
在一个实施方案中，处理发射光数据包括识别介质中是否存在一种或多种目标分析物。处理该发射光数据还包括识别该介质中的所述一种或多种目标分析物。处理该发射光数据还包括对该介质中的所述一种或多种目标分析物进行定量。
在某些实施方案中，本发明涉及用于确定介质包括生物物质的系统。该系统包括具有内置显示器的壳体，该壳体的尺寸和构造被设计成与饮用玻璃杯的顶部配合。在某些实施方案中，壳体的整体构造为圆锥形。在一些实施方案中，壳体具有包括基座或三脚架的多个部件。
系统包括设置在该壳体中的一个或多个激发源，每个激发源在用于激发介质中生物物质的深紫外(UV)范围内工作。该系统还包括含有半导体光电检测器的一个或多个检测器，所述一个或多个检测器设置在该壳体中。该系统被配置为使得半导体光电检测器检测受激生物物质的发射光并且在内置显示器上显示读数，其中该读数取决于该发射光是否超过阈值检测水平。发射光在300nm-400nm的检测范围内。系统为便携式、手持式傻瓜系统。
该系统还包括处理器，该处理器被配置为处理从该半导体光电检测器接收的数据。在某些实施方案中，处理器集成到系统中。在一些实施方案中，处理器远离系统。该处理器可为计算机、智能电话或微控制器。
阈值检测水平可为生物负荷或总微生物负荷。生物物质可为病原体，系统可被配置为使得半导体光电检测器仅检测受激病原体的发射光子集，以产生指示介质中病原体存在的深UV光谱特征。
在一个实施方案中，本发明涉及用于确定介质包括生物物质的系统。该系统包括一个或多个激发源，每个激发源在用于激发介质中生物物质的深紫外(UV)范围内工作。该系统包括含有半导体光电检测器的一个或多个检测器。在本发明的实施方案中，发射光在300nm-400nm的检测范围内。
系统还包括壳体、设置在该壳体中的一个或多个激发源和一个或多个检测器以及可操作地与该壳体联接的适配器，该适配器被配置为可释放地附接到介质的供应源。在某些实施方案中，壳体的整体构造为圆锥形。在一些实施方案中，壳体具有包括基座或三脚架的多个部件。系统被配置为使得半导体光电检测器检测受激生物物质的发射光并且输出读数，该读数取决于该发射光是否超过阈值检测水平。在一些实施方案中，适配器可释放地附接到管道。在一些实施方案中，适配器为用于水龙头的水龙头安装件。
系统还包括处理器，该处理器被配置为处理从该半导体光电检测器接收的数据。在某些实施方案中，处理器集成到系统中。在一些实施方案中，处理器远离系统。该处理器可为计算机、智能电话或微控制器。
阈值检测水平可为生物负荷或总微生物负荷。生物物质可为病原体，系统可被配置为使得半导体光电检测器仅检测受激病原体的发射光子集，以产生指示介质中病原体存在的深UV光谱特征。
在一个实施方案中，本发明涉及用于确定介质包括生物物质的系统。该系统包括一个或多个激发源，每个激发源在用于激发介质中生物物质的深紫外(UV)范围内工作。该系统包括含有半导体光电检测器的一个或多个检测器。在本发明的实施方案中，发射光在300nm-400nm的检测范围内。
系统还包括壳体、设置在该壳体中的一个或多个激发源和一个或多个检测器以及可操作地与该壳体联接的适配器，该适配器被配置为可释放地附接到介质的供应源。系统被配置为使得半导体光电检测器检测受激生物物质的发射光并且输出读数，该读数取决于该发射光是否超过阈值检测水平。
在某些实施方案中，壳体的整体构造为圆锥形。在一些实施方案中，壳体具有包括基座或三脚架的多个部件。在一些实施方案中，适配器可释放地附接到管道。在一些实施方案中，适配器为用于水龙头的水龙头安装件。
系统还包括处理器，该处理器被配置为处理从该半导体光电检测器接收的数据。在某些实施方案中，处理器集成到系统中。在一些实施方案中，处理器远离系统。该处理器可为计算机、智能电话或微控制器。
阈值检测水平可为生物负荷或总微生物负荷。生物物质可为病原体，系统可被配置为使得半导体光电检测器仅检测受激病原体的发射光子集，以产生指示介质中病原体存在的深UV光谱特征。
在一个实施方案中，本发明涉及用于确定介质包括生物物质的方法。该方法包括将分别在深紫外(UV)光谱内的一个或多个波长的光引入包括生物物质的介质，从而激发该介质中的该生物物质。该方法包括经由一个或多个半导体光电检测器检测受激生物物质的发射光，每个半导体光电检测器在用于激发该介质中的该生物物质的深紫外(UV)范围内工作，从而产生深UV发射光数据。该方法还包括分析该深UV发射光数据是否存在指示该生物物质的深UV光谱特征，其中该深UV光谱特征的存在指示该介质包括生物物质。
在一个实施方案中，发射光在300nm-400nm的检测范围内。一个或多个半导体光电检测器为雪崩光电二极管检测器或硅传感器。
在某些方面，介质选自由生物流体、水、铝表面、不锈钢表面和金属表面组成的组。在一些示例中，生物物质为病原体。在一些情况下，生物物质为病原体，介质为水。方法可在地球大气条件下执行。方法可在地球大气条件之外执行。
在一个实施方案中，本发明涉及识别介质中病原体的方法。该方法包括将一个或多个波长的光引入包括病原体和非病原体生物物质的介质中，从而激发该介质中的该病原体和该非病原体生物物质；以及使用包括半导体光电检测器的一个或多个检测器检测发射光，该半导体光电检测器检测不同波长的发射光，以便检测该病原体的独特光谱特征，并且将其与该非病原体生物物质的光谱特征区分开，由此识别该介质中的该病原体。该方法还包括确定该介质中该病原体的量。该方法还包括生成该介质的质量值。
在一些实施方案中，非病原体生物物质为蛋白质。在一些实施方案中，病原体为活病原体。在某些示例中，病原体的独特光谱特征是活病原体的独特光谱特征。在一些示例中，检测活病原体的独特光谱特征，并将其与死病原体的光谱特征区分开。
在某些实施方案中，介质选由自生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。一个或多个波长的光在深紫外(UV)范围内。在300nm-400nm的范围内检测发射光。
在一个实施方案中，本发明涉及识别介质中多种病原体的方法。该方法包括将一个或多个波长的光引入包括多种病原体和一种非病原体生物物质的介质中，从而激发该介质中的所述多种病原体和该非病原体生物物质；以及使用包括半导体光电检测器的一个或多个检测器检测发射光，该半导体光电检测器检测不同波长的发射光，以便检测所述多种病原体中的每一种病原体的独特光谱特征，并且将所述多种病原体中的每一种病原体的独特光谱特征彼此区分开，并且与该非病原体生物物质的光谱特征区分开，由此识别该介质中的所述多种病原体的每一种病原体。该方法还包括确定该介质中所述多种病原体中的每一种病原体的量。该方法还包括生成该介质的质量值。
在某些实施方案中，非病原体生物物质为氨基酸。在某些实施方案中，多种病原体中的至少一种病原体为活病原体。病原体的独特光谱特征可为活病原体的独特光谱特征。在一些情况下，检测活病原体的独特光谱特征，并将其与死病原体的光谱特征区分开。
在某些实施方案中，介质选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。一个或多个波长的光在深紫外(UV)范围内。在300nm-400nm的范围内检测发射光。如图22所示，系统框图描述了受UV LED照射的样品目标物。N个检测器中的检测器1检测来自样品目标物的信号，并将该信号发送到放大器和模数(模拟到数字)转换器，放大并转换为数字的。然后，信号到达门控脉冲控制器，接着转到主控。主控可为任何合适的手段，优选地，可为膝上型计算机、蜂窝电话或微控制器和处理软件。主控与本发明的光谱库和校准标准通信。主控可经由低功耗蓝牙、智能电话和个人计算机发送结果。主控还与脉冲选择通信，选择振幅、持续时间和重复频率(1Hz-10Hz)。脉冲选择与输入到UV LED的LED脉冲电源通信。脉冲选择还与检测器定时门控通信，定时控制环境和信号。滤光轮可任选地布置在样品目标物和N个检测器中的检测器1之间。
本发明的定时概念在图23中示出。额定全周期为1Hz至5Hz，LED占空比小于3％。在零时间基准点，LED和检测器关断。一旦LED和检测器开启，LED上升/下降应小于5μs，其中0至满或满至0作为选项。环境和信号测量的时长相同。
本文进一步讨论和例示了多个系统配置，并且本领域技术人员将理解，这些配置是本发明的示例性和非限制性实施方案。在一个具体的示例性实施方案中，本发明使用单波长激发光和在300nm-400nm范围内的六(6)通道检测对某些目标物进行识别和定量。这涉及表征这些目标物的光谱特性。在某些实施方案中，本发明使用单通道检测或1通道检测。单通道检测可指示是否存在生物物质或微生物。
为了确定使用天然荧光检测低浓度的潜在目标物的可行性，构建了筛选方案以确定识别可能目标物的各种标准。建立测光标准以关联各种检测方案(分光光度计/各种检测器/各种光学布局)，这些方案不具有商业用途。这允许根据硬件参数(PMT/Si检测器)确定可能的检测限(以百万分之一(ppm)/十亿分之一为单位)。可确定潜在目标物(示例性目标物参见图16)。解决和克服的潜在挑战包括环境因素(pH、盐、温度)和在比以前报告的更低浓度下的淬灭。
基于自来水中的单个目标物的浓度研究来建立模型。通过人工添加噪声并确定检测限来检测模型的鲁棒性。基于实际数据创建模拟引擎以生成初始硬件参数(带通、优化的激光激发信号/噪声等)并检测初始定量算法的鲁棒性。能够检测并定量实验室制备样品中低至0.023ppm的BPA，用优化的激光激发和带通进行交叉验证。算法开发的关键发现是能够构建用于新样品定量的库。内部的校准库可对类似环境的水中低至0.023ppm的BPA进行定量(图17)。
确定将微生物学彼此分离并与氨基酸特征分离的带通配置。某些激发光使用六(6)通道检测将不同的微生物菌株彼此分离并与原始氨基酸特征分离(图18)。
可用天然自发荧光的单激发光和六(6)通道检测辨别水质。各种硬件配置提供水质信息。可由水实验室验证水质的最终确定(图19)。
在某些实施方案中，硬件规格包括以下LED和检测器的示例。作为示例性实施方案，LED选自连续模式-100mA～1mW和脉冲模式，4Hz，2％占空比(5ms开)。采用Thor Lab电源和Rigol脉冲发生器，最大驱动电流为约350mA。
作为示例性实施方案，检测器选自Hamamatsu S12698-01光电二极管、HamamatsuMPPC和STS-UV Ocean光纤耦合光谱仪(图20)。
该配置利用了前表面检测，其中LED光源(278nm)聚焦在比色皿支架上，检测器组件放置在与入射光束成大约35度的位置以收集荧光。采用这种配置，确定乙醇中标准联苯的所得荧光输出为绝对值(uW/纳焦耳)。因此，计算了预期发现作为感兴趣目标物的函数的信号范围(图21)。硅检测器是合适的，优选的检测器可为MPPC(APD)。在1mW(100mA)时，10^2CFU(细菌的菌落形成单位)样品在300nm-400nm范围内产生约3pW的荧光。可进一步优化角度依赖性。
在某些实施方案中，可使用光栅系统代替滤光器，光的分割和过滤方式会略有改变。使用光栅选项可检测到更多感兴趣的波长。
算法和软件
本发明还在目标分析物的检测、识别和定量中使用算法。算法的初始目标筛选包括确定目标物是否在感兴趣的区域(例如水中)发荧光，荧光是否足够强(例如达到EPA/FDA限制)，以及是否可以实验性地创建指示实际场景的目标物污染的样品。
然后基于荧光光谱进行识别、分类和定量。这需要基于实验导出数据的模型。模型中的数据与实际场景相关联并指示实际场景，以便确保模型的鲁棒性和高置信水平。例如，荧光可以基于温度/pH/盐/其他分子相互作用而变化，并且本发明的模型考虑了各种条件(即，仅自来水、仅池水等)。
在本发明的一个实施方案中，算法可由识别介质来源的用户使用。然后可以扫描样品并将其与来源的内部数据库比较。如果来源在“阈值”内，则可报告水质值。如果来源在“阈值”之外，则可将来源标识为异常值。然后，可将来源与污染物的内部数据库进行比较，内部数据库与污染物和化学品库中的样品通信。如果识别出污染物，则可对污染物进一步定量。
图24示出了本发明中使用的算法的实施方案。用户识别介质来源。扫描样品。然后将样品与确定的来源比较，此步骤使用的是内部来源库。如果样品未检测为异常值，则报告水质值。如果样品检测为异常值，则将样品与污染物库进行比较，这会用到各种来源的污染物库。如果存在单一污染物分类，则使用污染物的内部浓度研究开始定量。如果不存在单一污染物分类，则考虑是否可将光谱分解成各种成分。如果未识别出已知污染物，则输出水质值。如果已识别出已知污染物，则确定定量是否在误差范围内。如果定量在误差范围内，则识别污染物的浓度。如果定量不在误差范围内，则仅识别污染物。
各种已知的统计模式识别方法可以与本发明结合使用。例如，可使用以下统计方法、训练集、机器学习技术和与已知光谱的比较。
本发明方法的一个重要特征是使用荧光或吸收光谱分析非均匀样品的能力。当给定特定波长时，荧光显微镜测量特定化合物的荧光。如此，到达检测器的波长是与用于照射样品的波长不同的波长。荧光化合物可以吸收特定波长的光并发射更高波长的光，其中化合物会损失一些能量到周围环境中。吸收光谱测量样品吸收特定波长的光的量。它通常用于测量样品中化合物的浓度。如此，吸收的光越多，样品中化合物的浓度越高。
分析荧光或吸收光谱的方法基于混合物中的每种元素具有其自身光谱并且每种元素具有特定的吸收系数的原理。然后，本发明的方法将浓度与吸收相关联。特别地，可以根据化合物的吸收系数来确定化合物的浓度。就最基本的意义而言，这种关系可以由Beer定律说明：
A＝εbc，
其中A是吸光度，c是浓度(mol/L；M)，b是光程长度，ε是摩尔吸光系数(或消光系数)。摩尔吸光系数是物质的特征，其表示在特定波长下吸收了多少光。
在测量非均匀混合物的荧光或吸收的同时测量每种元素的吸收系数值的总和。因此，为了确定浓度，需要确定元素的所有光谱的线性组合。然后，分析考虑了元素彼此之间的相互作用。然后，分析说明了尽管每个元素具有不同的光谱，但它们的吸光度可以相同的事实。例如，一种元素可以1mM存在，另一种元素也可以1mM存在，两者都可以比混合物的总值或信号小1000倍。
在一个实施方案中，可以用解卷积确定浓度。解卷积是一种基于算法的过程，用于反转卷积对记录数据的影响。参见，例如O'Haver T.“信号处理简介—反卷积”(“Intro toSignal Processing—Deconvolution”)，马里兰大学学院市分校，检索日期2016年9月13日，其内容以引用方式整体并入本文。通常，解卷积的目的是找到以下形式的卷积方程的解：f*g＝h，其中，h是某个记录值，f是期望值，但是在记录之前已经与某个其他值g进行了卷积。函数g可表示两个元素之间的相互作用。如果g已知，则可以执行确定性解卷积。然而，如果g事先未知，则需要使用例如统计估计来估计g。在实际实践中，情况通常更接近于：(f*g)+ε＝h，其中ε是已经进入记录值的噪声。信噪比越低，解卷积值的估计将越差。
根据本公开的用于解卷积数据的方法包括使用例如主成分分析(PCA)。PCA是一种统计过程，其通过将数据转换为概括数据特征的新变量集(主成分)来减少数据集的维数。参见例如，Jolliffe,1986,主成分分析(Principal Component Analysis),Springer,纽约。PCA使用正交变换将一组可能相关变量的观测值转换成一组被称为主成分的线性不相关变量的值。主成分的数量小于或等于原始变量的数量。该变换以这样的方式定义，即第一主成分具有最大可能的方差(即，尽可能多地考虑数据中的可变性)，并且每个后续成分在其与先前成分正交的约束下依次具有最大可能的方差。所得向量为不相关的正交基集。PCA对原始变量的相对缩放敏感。前几个主成分(“PC”)捕获数据集中的大部分变化。相反，通常假设后几个PC仅捕获数据中的残余“噪声”。下文将针对数据分析中数据库的使用更详细地讨论PCA。还应当理解，可以使用本领域已知的其他统计分析方法，诸如下文更详细讨论的那些。下文还描述示例性分析。
在本发明中，可报告目标分析物的存在及其浓度。在某些实施方案中，本发明的方法可以包括使用计算机系统(下文更详细地描述)生成包括确定目标分析物的存在及其浓度的报告。计算机系统可执行以下步骤中的一个或多个步骤：分析样品以提供由单个检测器接收的关于一种或多种目标分析物的光谱数据，检索已知的光谱和浓度数据，将已知的数据应用于由检测器接收的光谱数据，以及生成包括一种或多种目标分析物的浓度的报告。报告可发送到输出设备，诸如显示监视器或打印机。
将荧光或吸收光谱转换成浓度读数
通常以样品中不同分析物的浓度报告样品分析结果。本公开提供了一种方法，其中通过将光谱数据与包括已与目标分析物的浓度水平相关联的已知光谱的数据库进行比较，可以将该光谱数据转换成目标分析物的浓度。因为本发明的方法可包括使用在光束穿过样品之后接收该光束的单个检测器，所以光谱数据可包括总吸收或荧光数据。可选地，可使用多于一个检测器，例如包括多达至少六个或更多个检测器。通常，当将光谱数据转换成浓度时，对样品的“训练集”执行仔细测量。然后为最终用于评估未知浓度的各个成分构建数学多变量模型。
在某些实施方案中，数据库将含有来自训练集的化学成分和光谱数据。训练集可以包括化学成分和光谱特性已知的多个样品。可以通过本领域已知的任何方法，例如化学成分分析仪(CCA)来确定化学成分数据。可以通过本领域已知的任何方法，包括本文所述的装置和方法来确定光谱特性。
使用获得的光谱数据，可以确定成分(例如血浆的元素)的浓度。该信息汇编在数据库中，并且可以确定各种成分/元素的吸收或荧光/浓度曲线并包含各种成分/元素的吸收或荧光/浓度曲线在数据库中。
汇编数据库后，就可以确定非均匀样品中的一种或多种目标分析物的浓度。这是通过将根据本公开获得的光谱数据与包括已与目标分析物的浓度水平相关联的已知光谱的数据库进行比较来完成的。
本公开的这个方面尤其适于使用计算机来实现。计算机或CPU能够将目标分析物的光谱数据与参考光谱数据进行比较，从而提供目标分析物的浓度。这样的系统通常包括中央处理单元(CPU)和耦合到CPU的存储器。存储器存储指令，使当CPU执行这些指令时，CPU接受由检测器获得的光谱数据作为输入。执行的指令还使计算机提供目标分析物的浓度，作为将样品数据输入到在已知光谱数据的参考集上训练的算法或模式识别平台中的结果。
在某些实施方案中，参考集存储在与计算机分离的远程位置，并且计算机通过网络通信以访问参考集，以便确定浓度。在其他实施方案中，参考集本地存储在计算机中，并且计算机访问计算机中的参考集以便进行确定。
模式识别平台可以基于任何适当的模式识别方法，该模式识别方法能够接收代表被分析样品的光谱数据的输入数据，并且提供样品中目标分析物的浓度作为输出。用已知光谱数据的参考集的训练数据以及各种分析物的浓度来训练模式识别程序。在一些实施方案中，具有已知浓度和光谱数据的检测样品可用于检测使用训练数据获得的平台识别平台的准确度。
各种已知的统计模式识别方法可以与本公开的方法结合使用。合适的统计方法包括但不限于主成分分析(PCA)、逻辑回归、序数逻辑回归、线性或二次判别分析、聚类、最近邻分类器分析和Cox比例处理。本文提供了使用各种统计方法来实现特定模式识别平台的非限制性示例。
在一些实施方案中，模式识别平台基于回归模型，优选逻辑回归模型。本发明的一些实施方案提供了处理多类别(多分类)响应的逻辑回归模型的泛化。这些实施方案可用于区分三种或更多种元素。这样的回归模型使用同时引用所有类别对的多类别logit模型，并且描述一个类别而非另一个类别中的响应几率。一旦模型为某个(J—1)类别对指定了logit，其余类别对就是冗余的。参见例如，Agresti,分类数据分析简介(An Introductionto Categorical Data Analysis),John Wiley&Sons,Inc.,1996,纽约,第8章，其以引用方式并入本文。
线性判别分析(LDA)尝试基于某些光谱特性，根据样品的元素成分对样品进行分类。换句话说，LDA检测测量的光谱数据是否预测分类。LDA通常需要连续自变量和二分类因变量。在本公开中，跨训练群体中多种元素的选择波长的光谱数据充当必要的连续自变量。训练群体的每种元素的浓度充当二分类因变量。
LDA通过使用分组信息来寻求使组间方差与组内方差之比最大化的变量的线性组合。隐含地，LDA使用的线性权重取决于例如两种不同元素之间的波长的光谱数据如何分离以及光谱数据如何与其他波长的光谱数据相关联。例如，可通过本发明所述的多个波长中的K个波长，将LDA应用于训练样品中N个成员(例如元素)的数据矩阵。然后，将训练群体的每个成员的线性判别式作图。理想地，表示第一子组(例如，第一元素)的训练群体的那些成员将聚类到线性判别式值的一个范围中，而表示第二子组(例如，第二元素)的训练群体的那些成员将聚类到线性判别式值的第二范围中。当判别式值的簇之间的间隔较大时，认为LDA是比较成功的。关于线性判别分析的更多信息，参见Duda,模式分类(PatternClassification),第二版,2001,John Wiley&Sons,Inc；以及Hastie,2001,统计学习要素(The Elements of Statistical Learning),Springer,纽约；Venables&Ripley,1997,带有s-plus的现代应用统计(Modem Applied Statistics with s-plus),Springer,纽约。
二次判别分析(QDA)采用与LDA相同的输入参数并返回相同的结果。QDA使用二次方程而不是线性方程来产生结果。LDA和QDA是可互换的，并且使用哪个是支持分析的软件的偏好和/或可用性的问题。逻辑回归采用与LDA和QDA相同的输入参数并返回相同的结果。
在本公开的一些实施方案中，使用决策树使用选定波长集的光谱数据对元素进行分类。决策树算法属于监督学习算法类。决策树的目的是从实际的示例数据中导出一个分类器(一颗树)。这颗树可用于对尚未用于导出决策树的未见示例进行分类(确定未知成分的样品中的元素)。从训练数据导出决策树。一个示例包含不同属性的值以及该示例所属的类。在一个实施方案中，训练数据为来自跨训练群体(例如，各种元素)的多个波长的光谱数据。
通常，存在多种不同的决策树算法，其中许多描述于Duda,模式分类(PatternClassification),第二版,2001,John Wiley&Sons,Inc.中。决策树算法通常需要考虑特征处理、杂质测量、停止标准和剪枝。特定的决策树算法包括但不限于分类和回归树(CART)、多变量决策树、ID3和C4.5。
在一种方法中，当使用决策树的示例性实施方案时，将跨训练群体的代表性数量个波长的光谱数据标准化，使其具有零平均和单位方差。将训练群体的成员(例如，元素)随机划分成训练集和检测集。例如，在一个实施方案中，训练群体三分之二的成员置于训练集中，而训练群体三分之一的成员置于检测集中。将代表性数量个波长的光谱数据用于构建决策树。然后，确定决策树正确分类检测集中的成员的能力。在一些实施方案中，对于给定数量个波长，执行若干次此计算。在计算的每次迭代中，将训练群体的成员随机分配到训练集和检测集。然后，取性状组合的质量作为决策树计算的每次此迭代的平均值。
在一些实施方案中，使用跨代表性数量个波长的光谱数据来聚类训练集。例如，考虑使用十个波长的情况。训练群体的每个成员m(例如元素)将具有这十个波长中的每个波长的吸收或荧光/浓度值。训练群体中的成员m的这些值定义了向量：
X1m X2m X3m X4m X5m X6m X7m X8m X9m X10m
其中Xim是元素m中第i个波长的荧光或吸光度/浓度。如果训练集中有m种元素，则i个波长的选择将定义m个向量。跨训练组显示相似吸收或荧光/浓度曲线的训练群体的那些成员将倾向于聚类在一起。当向量聚类在训练群体中发现的性状组(元素)中时，本发明的波长的特定组合被认为是本公开的此方面中的良好分类器。例如，如果训练群体包括两种不同的元素，则聚类分类器将群体聚类成两个组，其中每个组唯一地表示任一元素。
聚类描述于Duda and Hart,模式分类和场景分析(Pattern Classification andScene Analysis),1973,John Wiley&Sons,Inc.,纽约中的第211-256页。如Duda的第6.7节所述，聚类问题被描述为在数据集中找到自然分组的一个问题。为了识别自然分组，解决了两个问题。首先，确定测量两个样品之间的相似性(或不相似性)的方法。该度量(相似性度量)用于确保一个簇中的样品彼此之间比它们与其他簇中的样品之间更相似。其次，确定用于使用相似性度量将数据划分成簇的机制。
在Duda的第6.7节中讨论了相似性度量，其中陈述了开始聚类研究的一种方式是定义距离函数并计算数据集中所有样品对之间的距离矩阵。如果距离是相似性的良好度量，则在相同簇中的样品之间的距离将显著小于在不同簇中的样品之间的距离。然而，如Duda的第215页所述，聚类不需要使用距离度量。例如，非度量相似性函数s(x,x')可以用于比较两个向量x和x'。通常，s(x,x')是对称函数，当x和x'在某种程度上“相似”时，其值较大。在Duda的第216中提供了非度量相似性函数s(x,x')的示例。
一旦选择了用于测量数据集中的点之间的“相似性”或“不相似性”的方法，聚类就需要测量数据任何分区的聚类质量的准则函数。将求准则函数极值的数据集分区用于聚类数据。参见Duda的第217页。在Duda的第6.8节中讨论了准则函数。
最近，Duda et al.,模式分类(Pattern Classification),第二版,John Wiley&Sons,Inc.纽约已经出版。第537-563页详细描述了聚类。有关聚类技术的更多信息，参见Kaufman和Rousseeuw,1990,在数据中寻找群体：聚类分析入门(Finding Groups in Data:An Introduction to Cluster Analysis),Wiley,纽约,纽约州；Everitt,1993,聚类分析(第3版)(Cluster analysis(3d ed.)),Wiley,纽约,纽约州；以及Backer,1995,聚类分析中的计算机辅助推理(Computer-Assisted Reasoning in Cluster Analysis),PrenticeHall,上萨德尔河(Upper Saddle River),新泽西州。可用于本发明的特定示例性聚类技术包括但不限于层次聚类(使用最近邻算法、最远邻算法、均链接算法、质心算法或平方和算法的凝聚聚类)、k均值聚类、模糊k均值聚类算法和Jarvis-Patrick聚类。
在一些实施方案中，模式识别平台基于PCA，如上文所简述。在这种方法中，可以与上述用于聚类相同的方式来选择用于选定波长集的向量。事实上，可以将向量集视为矩阵，在该向量集中每个向量表示来自训练群体的特定成员(例如，元素)的选择波长的光谱数据。在一些实施方案中，该矩阵以单体定性二元描述的Free-Wilson法表示(Kubinyi,1990,药物设计理论方法和应用中的3D QSAR(3D QSAR in drug design theory methods andapplications),Pergamon出版社(Pergamon Press),牛津,第589-638页)，并且使用PCA在最大压缩空间中分布，使得第一主成分(PC)捕获最大数量的可能方差信息，第二主成分(PC)捕获第二大数量的所有方差信息，依次类推，直到矩阵中的所有方差信息都已被考虑。
然后，将向量中的每一者(其中每个向量表示训练群体的成员)作图。可能作许多不同类型的图。在一些实施方案中，绘制一维图。在该一维图中，将来自波长中的每一者的第一主成分的值作图。在这种形式的图中，期望第一组的成员(例如，血浆中的第一元素)将在第一主成分值的一个范围内聚类，并且第二组的成员(例如，血浆中的第二元素)将在第一主成分值的第二范围内聚类。
在一个示例中，训练群体包括两组：第一元素和第二元素。使用本公开的选择波长的光谱数据跨整个训练群体数据集来计算第一主成分。然后，将训练集的每个成员作图为第一主成分的值的函数。在该示例中，训练群体中第一主成分为正的那些成员是第一元素，而训练群体中第一主成分为负的那些成员是第二元素。
在一些实施方案中，针对多于一个主成分将训练群体的成员作图。例如，在一些实施方案中，将训练群体的成员作图在二维图上，其中第一维是第一主成分，第二维是第二主成分。在这种二维图中，期望在训练群体中表示的每个子组的成员将聚类到离散的组中。例如，二维图中的第一成员簇将表示第一元素，二维图中的第二成员簇将表示第二元素，等。
在一些实施方案中，针对多于两个主成分将训练群体的成员作图，并且确定训练群体的成员是否聚类到各自唯一地表示在训练群体中发现的子组的组中。在一些实施方案中，主成分分析通过使用R mva软件包(Anderson,1973,应用程序的聚类分析(ClusterAnalysis for applications),学术出版社(Academic Press),纽约1973；Gordon,分类(Classification),第二版,Chapman and Hall,CRC,1999.)执行。主成分分析还描述于Duda,模式分类(Pattern Classification),第二版,2001,John Wiley&Sons,Inc。
模式识别平台可以基于另一种统计方法，即最近邻分类器。最近邻分类器基于存储，并且不需要拟合模型。给定查询点x0，识别在距离上最接近x0的k个训练点x(r)，r,…,k，然后使用这k个最近邻对点x0分类。可随机断开关系。在一些实施方案中，使用特征空间中的欧氏距离确定距离为：
d(i)＝||x(i)-xo||。
通常，当使用最近邻算法时，将用于计算线性判别式的表达式数据标准化，使其具有零均值和方差1。在本公开中，将训练群体的成员随机划分成训练集和检测集。例如，在一个实施方案中，训练群体三分之二的成员置于训练集中，而训练群体三分之一的成员置于检测集中。轮廓表示将检测集成员作图到其中的特征空间。接下来，计算训练集正确表征检测集成员的能力。在一些实施方案中，对于设定数量个波长，执行若干次最近邻计算。在计算的每次迭代中，将训练群体的成员随机分配到训练集和检测集。然后，取设定数量个波长的光谱数据的质量作为最近邻计算的每次此迭代的平均值。
可以改进最近邻规则以处理不相等的类先验、差分误分类成本和特征选择的问题。这些改进中的许多改进包括对近邻的某种加权投票形式。关于最近邻分析的更多信息，参见Duda,模式分类(Pattern Classification),第二版,2001,John Wiley&Sons,Inc；以及Hastie,2001,统计学习要素(The Elements of Statistical Learning),Springer,纽约。
上述模式分类和统计技术仅为可用于构建分类模型的模型类型的示例。应当理解，根据本公开可以使用任何统计方法。此外，也可以使用上述这些的组合。关于其他统计方法及其实施的进一步细节描述于美国专利申请第11/134,688号，其以引用方式整体并入本文。
计算机实现
其他实施方案也在本发明的范围和精神内。例如，由于软件的性质，可以使用软件、硬件、固件、硬接线或这些中的任何组合来实现上述函数。实现函数的特征部也可以物理地位于各种位置，包括分布成使得函数的部分在不同的物理位置处实现。本发明的步骤可使用专用医学成像硬件、通用计算机或两者来执行。如本领域技术人员将认识到的，作为执行本发明方法的必需品和最适品，本发明的计算机系统或机器包括一个或多个处理器(例如，中央处理单元(CPU)、图形处理单元(GPU)或两者)、主存储器和静态存储器，它们经由总线彼此通信。计算机设备通常包括耦合到处理器并可经由输入/输出设备操作的存储器。
示例性输入/输出设备包括视频显示单元(例如，液晶显示器(LCD)或阴极射线管(CRT))。本发明的计算机系统或机器还可包括字母数字输入设备(例如，键盘)、光标控制设备(例如，鼠标)、磁盘驱动单元、信号生成设备(例如，扬声器)、触摸屏、加速度计、麦克风、蜂窝射频天线和网络接口设备，该网络接口设备可以是例如网络接口卡(NIC)、Wi-Fi卡或蜂窝调制解调器。
本发明的存储器可包括机器可读介质，在该机器可读介质上存储了一个或多个指令集(例如，软件)、数据或两者，体现本文所述的方法或函数中的任何一种或多种。在由计算机系统执行期间，软件还可完全或至少部分地驻留在主存储器和/或处理器内，主存储器和处理器也构成机器可读介质。软件还可以经由网络接口设备通过网络进行传输或接收。
虽然在示例性实施方案中，机器可读介质可以是单个介质，但术语“机器可读介质”应当被理解为包括存储一个或多个指令集的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。术语“机器可读介质”还应被理解为包括能够存储、编码或承载由机器执行的指令集并且使机器执行本发明的任何方法的任何介质。因此，术语“机器可读介质”应当被理解为包括但不限于固态存储器(例如，用户身份模块(SIM)卡、安全数字卡(SD卡)、微SD卡或固态驱动器(SSD))、光学和磁性介质以及任何其他有形存储介质。优选地，计算机存储器是有形的非暂态介质，诸如前述的任何一种，并且可通过总线可操作地耦合到处理器。本发明的方法包括将数据写入存储器—即，物理地变换计算机存储器中粒子的排布，使得变换后的有形介质表示有形物理对象—例如，患者血管中的动脉斑块。
如本文所用，除非另外指明，否则词语“或”是指“和或或”，有时视为或称为“和/或”。
如本文的任何实施方案所用，术语“模块”可指被配置为执行任何上述操作的软件、固件和/或电路。软件可体现为记录在非暂态计算机可读存储介质上的软件包、代码、指令、指令集和/或数据。固件可体现为在存储器设备中硬编码(例如，非易失性)的代码、指令或指令集和/或数据。
如本文的任何实施方案所用，“电路”可包括例如单个或任何组合的硬接线电路、可编程电路，诸如包括一个或多个单独指令处理核心的计算机处理器、状态机电路和/或存储由可编程电路执行的指令的固件。这些模块可共同地或单独地体现为形成较大系统(例如集成电路(IC)、片上系统(SoC)、台式计算机、膝上型计算机、平板计算机、服务器、智能电话等)的一部分的电路。
本文所述的任何操作可在包括一个或多个存储介质的系统中实现，这些存储介质在其上单独地或组合地存储了在由一个或多个处理器执行时执行方法的指令。此处，处理器可包括例如服务器CPU、移动设备CPU和/或其他可编程电路。此外，目的在于，本文所述的操作可跨多个物理设备(诸如在多于一个不同物理位置处的处理结构)分布。
存储介质可以包括任何类型的有形介质，例如，任何类型的磁盘，包括硬盘、软盘、光盘、只读光盘(CD-ROM)、可重写光盘(CD-RW)和磁光盘；半导体设备，诸如只读存储器(ROM)、随机存取存储器(RAM)诸如动态和静态RAM、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、闪存、固态盘(SSD)、磁卡或光卡；或适合于存储电子指令的任何类型的介质。其他实施方案可实现为由可编程控制设备执行的软件模块。存储介质可为非暂态的。
如本文所述，可使用硬件元件、软件元件或其任何组合来实现各种实施方案。硬件元件的示例可包括处理器、微处理器、电路、电路元件(例如，晶体管、电阻器、电容器、电感器等)、集成电路、专用集成电路(ASIC)、可编程逻辑器件(PLD)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、逻辑门、寄存器、半导体器件、芯片、微芯片、芯片集等。
使用方法
在某些方面，本发明涉及提供关于介质的信息的方法。该方法包括提供包括发光二极管和多个半导体光电检测器的系统，该发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作。该系统可被配置为使得每个半导体光电检测器仅检测该受激目标物的发射光的子集。可将包括一种或多种目标分析物的介质暴露于来自该系统的该发光二极管的深UV光谱中的至少一个单波长，从而激发该介质中的目标分析物。该方法还可包括经由该系统的所述多个半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据；以及处理该发射光数据，从而提供关于该介质的信息。
在某些实施方案中，介质可选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。在一个实施方案中，目标分析物可选自由微生物、生物分子和化学品组成的组。在一个优选实施方案中，介质为水，目标分析物为一种或多种病原体。
在一个实施方案中，处理发射光数据可包括识别介质中是否存在一种或多种目标分析物。处理该发射光数据还可包括识别该介质中的所述一种或多种目标分析物。处理该发射光数据还可包括对该介质中的所述一种或多种目标分析物进行定量。
在某些实施方案中，方法还可包括在图形用户接口上显示处理步骤的结果。
此外，本发明的某些实施方案使用发射光数据来确定总微生物负荷和生物负荷测量值。本发明包括将分别在深紫外(UV)光谱内的一个或多个波长的光引入包括生物物质的介质，从而激发该介质中的该生物物质。经由一个或多个半导体光电检测器检测该受激生物物质的发射光，从而产生深UV发射光数据。分析该深UV发射光数据是否存在指示该生物物质的深UV光谱特征，其中该深UV光谱特征的存在指示该介质包括生物物质。激发光可在深UV区内，而发射光可在UV区诸如UVA和UVB区内。
发射光数据可用于确定总微生物负荷。微生物负荷为污染物体或生物的微生物的数量和类型，诸如非特异性生物污染和微生物污染。总微生物负荷指示样品中存在的微生物。可针对指示微生物的深UV光谱特征分析发射光数据。可针对指示微生物的存在和数量的深UV光谱特征分析发射光数据。例如，分析可包括将UV光谱特征与在各种介质上或介质中不同数量和类型的微生物的UV光谱特征库进行比较。本发明的系统可在检测到指示微生物的UV光谱特征之后指示样品中的总微生物负荷。
发射光数据可用于确定生物负荷，或表面上或液体中存活的细菌数量。通常，生物负荷为指未灭菌表面上的微生物数量。可针对指示微生物的存在和数量的深UV光谱特征分析发射光数据。例如，分析可包括将UV光谱特征与在各种介质上或介质中不同数量和类型的微生物的UV光谱特征库进行比较。本发明的系统可在检测到指示微生物的存在或数量的UV光谱特征之后指示样品中的生物负荷。
在一些实施方案中，本发明提供了使用目标阈值进行检测的不同检测器和滤波器配置。例如，第一种配置使用单个检测器来确定目标(诸如非特异性污染物)是否存在。这种单个检测器实施方案可包括便携式检测器，诸如在旅行时使用的检测器。另一种配置使用两个检测器来确定和区分微生物和普通生物目标物的存在。为了指定混合物或样品中目标物的某些菌株，本发明的配置使用七个检测器。另一种配置使用七个或更多个检测器来区分目标物的死的和活的指定菌株。
作为非限制性示例，目标物可选自细菌、真菌、蛋白质、细胞、病毒、核酸、受体、配体、激素、药物、化学物质或本领域已知的任何分子。例如，目标物可选自苯并咪唑、1-萘酚、卡巴呋喃、双酚A、甲萘威-d7、萘、对二甲苯、色氨酸、菲、酪氨酸、乙基雌二醇、残杀威、布洛芬、β-雌二醇、邻苯二甲酸二甲酯、毒死蜱、乙苯、邻苯二甲酸二丁酯、苯并[a]芘、苯、联苯、3,5,6-三氯-2-吡啶醇、双酚S、咪唑、氢化可的松、甲苯、甲草胺、阿特拉津、QB3自来水、邻苯二甲酸二正辛酯、对乙酰氨基酚、雌激素酮、草甘膦、铅、邻苯二甲酸二(2-乙基己)酯、克拉霉素、三卤甲烷、邻苯二甲酸二异癸酯、苯丙氨酸、七氯、睾酮、狄氏剂、Tozaphenel、艾氏剂、DTT、皮质醇和异狄氏剂。
在某些实施方案中，目标物为病原体，或病原性细菌或真菌。病原体为一种引起其宿主的疾病或病症的生物制剂，诸如微生物(例如细菌或原生动物)。在其他实施方案中，目标物为革兰氏阳性或革兰氏阴性细菌。
示例性的真菌种类包括来自假丝酵母属、曲霉属和隐球菌属的种类。在具体的实施方案中，特定的真菌种类包括白色念珠菌、光滑念珠菌、近平滑念珠菌、热带念珠菌、克柔念珠菌、新型隐球菌和格特隐球菌。
示例性的细菌包括埃希氏菌属、李斯特菌属、梭菌属、肠杆菌科、分枝杆菌属、志贺氏菌属、疏螺旋体属、弯曲杆菌属、芽孢杆菌属、沙门氏菌属、肠球菌属、链球菌属(诸如肺炎球菌)、不动杆菌属、寡养单胞菌属、假单胞菌属、奈瑟氏菌属和嗜血杆菌属及其组合的细菌。方法也可用于检测mecA基因，mecA基因是与抗生素抗性相关联的细菌基因。
病原体检测和识别
本发明允许病原体检测和识别。现有技术仅提供了关于是否存在生物材料的是或否的指示。根据本发明，带通配置允许将微生物学彼此分离，并与氨基酸标记分离。例如，在六通道检测中使用的激发光可以将不同的微生物菌株彼此分离，并与原始氨基酸特征分离。由于通道的分离，在没有氨基酸的情况下分离细菌特征的能力是可能的。
将与三种病原体相关联的独特特征用于本发明。通过将已知氨基酸与病原体特征结合，确定了在没有重叠部分的范围内检测的配置(图18)。如图18所示，当比较病原体1、病原体2和病原体3的激发光时，存在重叠区域和非重叠区域。例如，在特定的激发光下观察到重叠区域。非重叠区域指示每种病原体的独特特征。通过使用深UV范围内的分离通道，可检测将细菌和其他病原体彼此区分的发射光，从而允许识别细菌。如果信号不能被分离，细菌和其他病原体就不能被区分，并且仅存在样品中是否存在生物物质的指示。
为了分离微生物目标物，使用细菌和氨基酸特征激发-发射矩阵(EEM)光谱实现马氏距离(参见图31)。细菌特征和氨基酸特征示出于图31中。将EEM特征归一化并分为六个通道。马氏距离分析寻找细菌和氨基酸之间的最大差异。指示的波长将微生物与氨基酸特征分离。
作为一个示例，本发明可用于检测自来水中是否存在金黄色葡萄球菌。用户可输入要检测的介质来源，例如自来水。然后，通过本发明的装置扫描样品(例如自来水)。通过将扫描的自来水样品的光谱与已知来源的已知光谱的数据库进行比较来处理结果。如果样品的光谱在已知来源的阈值内，则输出介质质量(例如自来水的水质)。然而，如果样品不在阈值内，则将样品的光谱与污染物的数据库进行比较。例如，污染物的数据库包括各种来源的各种细菌和化学成分浓度不同的实验室生产的样品。
如果样品的光谱在来自污染物数据库的污染源的阈值内，则可以识别污染物。例如，可将自来水样品与已知细菌污染物(例如金黄色葡萄球菌)的数据库条目匹配。然后，将自来水样品识别为具有金黄色葡萄球菌污染物。
可基于来自污染物浓度研究的计算对污染物进一步定量。例如，将基于自来水样品中金黄色葡萄球菌的浓度研究来确定自来水样品中金黄色葡萄球菌的浓度。自来水示例中的扫描结果将指示作为污染物的金黄色葡萄球菌的存在以及自来水样品中金黄色葡萄球菌的浓度。
水分析
本发明的系统和方法适用于许多不同类型的介质和表面，如本申请中已经提到的。特别感兴趣的领域是水分析和水质。如此，本发明提供了可以在不同的水源和水类型，诸如水龙头、瓶子和井水内以及在铝和不锈钢表面上检测的一系列目标物。目标污染物可选自由病原体、氨基酸、激素、工业化学品、药物和生物标记组成的组。在一个实施方案中，可分析尿液和唾液基质用于人生物标记分析。在某些实施方案中，为了进行更深入的水分析，用户可请求收集工具包，EPA认证的设施将通过电子邮件向他们发送完整的、易于理解的报告。本发明的定量可对产生更清洁的河流和水源具有积极影响。
例如，本发明的设备可用于在工业和制造过程中监测和检测水质。本发明的设备可用于(诸如在发展中国家)提供自来水销售的售水机中的水质检测。公用事业供应商可使用本发明的设备来确保提供给客户的水质。类似地，业主可使用本发明的设备来监测和检测建筑物内的水质，诸如以确保租户使用安全的水。本发明的设备还可用于食品和饮料工业、制药工业和医疗行业。
自来水中存在细菌污染。如果水是纯水，则在进行EEM时将不显示荧光(图25)。自来水在与分解生物物质相关的区域中具有残留特征。然而，病原体诸如细菌和各种其他目标物在由圆圈标记的区域中发荧光(图26)。
例如，本发明可以用于检测水质。用户可输入要检测的水源，例如瓶装水、来自特定地点的自来水或井水。然后，通过本发明的装置扫描水样品(例如瓶装水)。通过将扫描的水样品的光谱与已知来源的已知光谱的数据库进行比较来处理结果。如果样品的光谱在已知来源的阈值内，则输出水质。然而，如果样品不在阈值内，则将样品的光谱与污染物的数据库进行比较。例如，污染物的数据库包括各种来源的各种细菌和化学成分浓度不同的实验室生产的样品。
如果样品的光谱在来自污染物数据库的污染源的阈值内，则可以识别污染物。例如，可将瓶装水样品与瓶装水中已知大肠杆菌污染物的数据库条目匹配。然后将水样品识别为具有大肠杆菌污染物。
可基于来自污染物浓度研究的计算对污染物进一步定量。例如，将基于水瓶的水样品中大肠杆菌的浓度研究来确定水瓶样品中大肠杆菌的浓度。水瓶示例中的扫描结果将指示作为污染物的大肠杆菌的存在以及水瓶样品中大肠杆菌的浓度。
食品
本发明可有助于将全球农业用地转变为有机认证超过1％。通过使用本发明的检测，可促进安全和环境实践。意识可推动市场提高效率高效和创新，并且可为其他技术创造新的市场。
在一个示例中，在消费者信号中，消费者可通过对其食品和水进行分子洞察而获得主动权。消费者的兴趣可鼓励零售商投资本发明的检测技术。零售商可诸如通过分销商、加工商/供应商或种植者/水源来推动整个食品和水供应链的采用。
在一个实施方案中，本发明的光谱数据库可对希望赢得顾客信任的零售商有价值。在一个实施方案中，本发明可成为分子扫描中的标准。在一个实施方案中，本发明可创建特定于商店的扫描技术。在一个实施方案中，可按月或按年付费访问本发明的数据库。在一个实施方案中，本发明可在消费者知识和对更清洁的产品的需求的基础上在整个供应链中获利。零售店可依靠这种清洁供应链信誉，并且可被鼓励使本发明在商店中以及供应商各处一体化。
水果和蔬菜农药扫描示出于图27。
例如，本发明可用于检测水果或蔬菜上是否存在农药。用户可输入要检测的介质来源，例如水果或蔬菜。然后，通过本发明的装置扫描样品(例如苹果)。通过将扫描的苹果样品的光谱与已知来源的已知光谱的数据库进行比较来处理结果。如果样品的光谱在已知来源的阈值内，则输出介质质量。然而，如果样品不在阈值内，则将样品的光谱与污染物的数据库进行比较。例如，污染物的数据库包括各种来源的各种细菌和化学成分浓度不同的实验室生产的样品。
如果样品的光谱在来自污染物数据库的污染源的阈值内，则可以识别污染物。例如，可将苹果样品与已知农药污染物(例如啶嘧黄隆)的数据库条目匹配。然后将苹果样品识别为具有啶嘧黄隆污染物。
可基于来自污染物浓度研究的计算对污染物进一步定量。例如，将基于苹果的类似样品中啶嘧磺隆的浓度研究来确定苹果样品中啶嘧磺隆的浓度。苹果示例中的扫描结果将指示作为污染物的啶嘧磺隆的存在以及苹果样品中啶嘧磺隆的浓度。
本发明的实施方案可以用于检测食品上的污染物。作为一个示例，本发明可用于检测水果和蔬菜上的农药。例如，本发明可以用于检测羽衣甘蓝叶上的农药。作为一个示例，本发明可用于检测肉和鱼表面上的细菌增加量，以确定其是否新鲜。
在一个实施方案中，本发明可用于监测生鲜产品清洁(诸如由食品生产商和供应商完成的清洁)过程的洗涤水质量，可以给出污染事件的早期指示。例如，检测的来源可以包括直接来自水槽的井水、水龙头处的井水、具有杀虫剂的第一次洗涤水、来自产品的直接径流、工艺管线末端的废水或来自塑料筐洗涤的水。作为另一个示例，本发明可由个体使用，个体清洁长叶莴苣头，然后扫描捕获的水以获得长叶莴苣健康水平或安全水平指示。
医疗
本发明可有助于减少医院获得性感染。每年，有170万患者在医院感染。令人震惊的是，每25名患者中就有1人导致约99,000人死亡，而这些死亡与患者入院时的病情无关。美国的医院获得性感染每年导致超过380亿美元的额外成本。这种不必要的污染可能是由于医院中的表面未消毒造成的。利用本发明，可以在表面诸如不锈钢和铝上检测目标分析物。这些表面普遍存在于医院环境中。
例如，本发明可用于检测医院中表面上是否存在金黄色葡萄球菌。用户可输入要检测的介质来源，例如铝表面。然后，通过本发明的设备扫描样品(例如铝表面)。通过将扫描的铝表面样品的光谱与已知来源的已知光谱的数据库进行比较来处理结果。如果样品的光谱在已知来源的阈值内，则输出介质质量。然而，如果样品不在阈值内，则将样品的光谱与污染物的数据库进行比较。例如，污染物的数据库包括各种来源的各种细菌和化学成分浓度不同的实验室生产的样品。
如果样品的光谱在来自污染物数据库的污染源的阈值内，则可以识别污染物。例如，可将铝表面样品与已知细菌污染物(例如金黄色葡萄球菌)的数据库条目匹配。然后将铝表面样品识别为具有金黄色葡萄球菌污染物。
可基于来自污染物浓度研究的计算对污染物进一步定量。例如，将基于铝表面样品中金黄色葡萄球菌的浓度研究来确定铝表面样品中金黄色葡萄球菌的浓度。铝表面示例中的扫描结果将指示作为污染物的金黄色葡萄球菌的存在以及铝表面样品中金黄色葡萄球菌的浓度。
区块链
在某些实施方案中，可使用区块链技术。区块链是一种数字化、分散式交易和数据管理技术，诸如在Yli-Huumo et al,区块链技术的最新研究在哪里？—系统综述(Where IsCurrent Research on Blockchain Technology？—A Systematic Review),PLOS ONE,2016中所述，其内容并入本文。数据完整性和认证是区块链环境中的关键问题。有必要在发送和验证数据时，不对其进行修改或篡改。个人密钥可为认证元素。智能电话可用作第二认证因素。通过使用本发明中的区块链，可将样品数据与数据库共享，并且可避免对该样品数据的篡改。
区块链的使用可涉及定量的水、定量的食品和农业、定量的环境以及定量的健康家庭诊断。在本发明的生态系统中，产品、数据和人交互(图28)。此外，云和区块链提供了关键环境和人类健康标记的智能光谱数据库。生物/分子“特征”库的价值和实用性随着用户的每次扫描而增加。消费者社区也很重要，可以鼓励用户发现他们周围的分子领域。这些消费者可获得对其个人和环境健康的洞察，同时强化本发明的产品数据性能。
在某些实施方案中，可在区块链上保护数据，该区块链可以是关键环境和人类健康标记的第一全球智能数据库(图29)。用户可(使用RES令牌)选择写入到区块链的内容。扫描的数据是私有的，并且默认为散列。数据是不可变的，任何人都不能擦除或更改。为了查看数据，需要仅用户具有的“查看键”。所有数据可标记地理位置并且加上时间戳。如果数据写入区块链并且可用于分析(待决的SEC规则)，则用户可获得RES令牌。
在一个实施方案中，可以将带有时间戳、标记有地理位置并且加密的数据写入区块链。本发明的监测设备可设置在点源污染源之前和之后(图30)。这将建立无法操纵或删除的实时验证数据的保护网络。
在一个实施方案中，消费者可扫描整个食品的污染物。消费者可扫描生物流体的健康标记。在一个实施方案中，政府机构可监控公共水道。在一个实施方案中，超市可以监控种植者和供应商。在一个实施方案中，食品和饮料加工商可扫描水和表面。在一个实施方案中，医院可扫描设施。
大气条件
在具体的实施方案中，本发明可在不同的大气条件下使用。优选地，本发明在地球大气条件下使用。本发明可在其他大气条件下使用。作为非限制性示例，本发明可以用于检测空间站、火箭、火星上或水下的介质中的目标分析物。
革兰氏阳性/革兰氏阴性细菌的检测
在某些实施方案中，本发明用于区分革兰氏/阳性和革兰氏/阴性细菌之间的差异。在非限制性研究中，本发明用于六种细菌菌株。用于非限制性研究的革兰氏阳性和革兰氏阴性细菌种类包括威氏李斯特菌、斯氏李斯特菌、表皮葡萄球菌、产气克雷伯氏菌、恶臭假单胞菌、肠杆菌和大肠杆菌。图32示出了革兰氏阳性和革兰氏阴性细菌种类的谱的聚类。
实施例
实施例1
图1示出了本发明的扫描仪或检测器。设备小且便携。设备包括指示器，其可以是OLED显示器。设备还包括透镜和检测器以及扫描按钮。可选地，在设备上可存在微型抓握纹理。
实施例2
图2示出了根据本申请的OLED显示器扫描仪或检测器的侧视图和顶视图。在某些实施方案中，显示器可为电子墨水显示屏。显示屏可为设备的用户接口，系统的所有部件都包括在检测器设备中。设备小且便携。设备还易于使用，可从位于设备一侧的简单扫描按钮看出。
实施例3
图3示出了扫描仪或检测器的尺寸。测量设备的顶部或显示屏的直径可为76mm。测量设备的扫描侧或含有检测器和透镜侧的直径可为45mm。设备的厚度可为35mm。
实施例4
图4示出了样品结果的显示器。显示屏可具有简单、易读的特征。例如，勾可指样品已清洁，而X可指样品被污染。
实施例5
图5示出了外源的用户接口。用户接口可在智能电话上。这种实施方案不同于将用户接口集成在检测器设备本身中。用户接口还可在其他合适的装置上，诸如外部膝上型计算机或平板电脑。
实施例6
在某些实施方案中，本发明的检测器可用于迷你实验室设置中。如图6所示，迷你实验室可具有壳体、检测器和样品片板。如图7所示，迷你实验室可具有壳体、检测器和样品杯。可将样品置于样品片板或样品杯上，然后插入到迷你实验室壳体中。可将检测器安装在壳体内以在扫描时稳定检测器。
实施例7
在某些实施方案中，本发明的检测器可用于楔形设置中。如图8所示，楔形件可以不同的角度与任何表面配合。楔形件可使用壳(水槽、马桶、隔板、墙壁)。楔形件的背面可包括VHB胶带层以牢固地粘附到任何类型的表面。
实施例8
在某些实施方案中，本发明的系统包括具有多个部件的壳体，并且部件中的一个是基座或三脚架。在这样的实施方案中，本发明的检测器可用于三脚架设置中。如图9所示，检测器可用于检测小样品杯中的样品。如图10所示，检测器可用于检测大样品杯中的样品。三脚架设置可在扫描时稳定检测器。
实施例9
如图11所示，检测器可用作马桶适配器。马桶适配器系统可用于分析抽水马桶内的尿液。例如，适配器可检测尿液内的异常或疾病。测量可包括高蛋白质含量和尿道感染(UTI)。此外，设备可以用作疾病和健康标记的预警系统。例如，设备可用于疾病检测，因为某些癌症可改变UV区域中尿液的光谱特征。作为另一个示例，设备可用于检测排卵周期的激素和妊娠标记，诸如hCG。用户可通过智能电话通知知晓检测结果。
实施例10
如图12所示，检测器可用作水槽适配器。这可使用户在其环境中，例如在家庭、医院环境或工作环境中获知水质。人们整天频繁地使用水槽。如果在水槽的水源中存在污染物，则可能增加安全问题。通过在通向水槽水龙头的管道上安装检测器，用户有机会在使用水槽中的水之前检测水源。此外，用户可选择更频繁地获得样品数据，或者设置检测器以在指定时间段扫描水源来监测水质。
实施例11
图13示出了在线检测器的实施方案。在线检测器可用于任何供水源的任何适当检测。例如，在一个实施方案中，在线检测器耦合到水源，诸如管道。在一些情况下，检测器安装到管道附件，诸如2英寸管道附件或T形接管配件。设备提供了对管道内液体的检测。在一些示例中，类似于实施例10，设备耦合到水槽的管道，并且检测通向水槽水龙头的液体中的生物负荷或总微生物负荷。在线实施方案提供了具有检测窗口的低轮廓，用于设备的非中断安装和拆卸。
实施例12
图14示出了在线检测器探针的实施方案。如图14所示，探针插入管道中，探针的一部分设置在管道内，用于检测流经管道的液体中的生物负荷或总微生物负荷。该在线检测器探针可用于任何供水源的任何适当检测。在一个非限制性示例中，探针可用于工业环境中以监测水质，特别是在没有水槽或管线端点或者在制造过程的特定封闭部分中应当监测水质的情况下。在另一个非限制性示例中，探针可用于建筑物诸如旅馆中，以监测建筑物中提供的水质。
实施例13
图15示出了离线远距检测器，诸如水龙头附件的实施方案。设备监测来自安装在管线上的水龙头的水质，但是设备本身是离线的，或者是脱离管道的。离线远距检测器可用于任何供水源的任何适当检测。提供作为远距检测器的离线设备是非侵入性的，消除了检测器的生物污染，并且使样品读数的精度高。具有不与水接触的水龙头安装件使最终用户在使用地点以及检测地点获得尽可能接近纯的结果。在一个非限制性示例中，离线远距检测器用作住宅环境中的水龙头附件。在另一个非限制性示例中，检测器用作水亭中的水龙头附件。
实施例14
本发明使用深UV自发荧光来检测和识别细菌的各种菌株。当在UV区域中激发时，细菌细胞具有独特的自发荧光特征(参见使用深紫外光-激光诱导的天然荧光进行无标签细菌成像(Label-Free bacterial imaging with Deep-UV-laser induced nativefluorescence),Bhartia,Salas,Hug,Reid,A.Lane,Edwards,Nealson,2010)。已建议将激发发射矩阵(EEM)作为水监测的潜在工具，但是EEM仅进行推断(参见荧光作为循环水系统的潜在监测工具：综述(Fluorescence as a potential monitoring tool for recycledwater systems:A review),Henderson et al.2009)。
受污染的自来水的实际示例
纯水在进行EEM时将不显示荧光特征。然而，细菌和各种其他污染物在由蓝色圆圈标记的区域中发荧光。一些自来水在与溶解的有机物(DOM)相关的区域中显示出残留特征(绿色穿孔圆圈)。该样品取自美国加利福尼亚州马林县的一家餐馆。图33示出了洁净蒸馏水，而图34示出了受污染的餐馆水。
不同生物制品之间发现的独特特征
细胞的荧光图归因于氨基酸特征。不仅每个菌株的氨基酸组成不同，而且它们很可能随细胞的生命周期动态变化(存活>生长>濒死>死亡)。图35示出了氨基酸和微生物的荧光特征。
AI具有先进的天然诱导荧光技术以识别微生物
主要认为细菌的荧光特征来自色氨酸；然而，我们发现大肠杆菌、沙门氏菌、金黄色葡萄球菌、单核细胞增生李斯特菌和其他溶解的有机物(DOM)的特征之间具有明显差异。图36比较了当前技术与本发明(Orb)的改进。
定量能力
相关数据已用于检测本发明针对已知枚举的细菌的分类和定量算法。迄今为止，本发明在识别自来水中的细菌(大肠杆菌、沙门氏菌、金黄色葡萄球菌、李斯特菌)时，具有>98％的准确性，自来水中含有其他发荧光生物污染物对系统构成了挑战。图37示出了浓度曲线。
解卷积研究：指定多种类混合物的单个细菌
利用本发明的细菌特征库，可以分解混合物中的单个细菌种类，并预测每种细菌是否存在及其数量。图38示出了细菌混合物的解卷积。图39示出了预测的R2相对于实际成分的表。
解卷积研究：死细菌相对于活细菌
本发明可准确区分和确定混合物中死细胞相对于活细胞的活菌数量。图40示出了大肠杆菌在高压灭菌后存活(活的)以及证实未存活(死的)时的光谱图。图41示出了不同细菌种类的在高压灭菌后存活(活的)以及证实未存活(死的)时的发射光中心波长。图42示出了预测的R2相对于实际存活力的表。
交叉验证研究：食品加工洗涤水
本发明的目的是预测从北美最大的生鲜产品加工厂之一的各种水中收集的样品中是/否存在大肠杆菌。本发明的算法根据已从我方设施中测量已知病原体而整理的荧光数据库来分类样品。突出显示的区域是本发明(Orb)检测与EPA批准的大肠杆菌检测方法的唯一差异。这可能是由于样品含有无法培养的细菌。图43示出了使用本发明(Orb)和EPA批准的方法(大肠菌群/大肠杆菌)检测的不同来源。
总微生物负荷(TML)可以是补充随机抽检大肠杆菌或大肠菌群检测的水安全性实时监测指标
WHO和EPA水传播疾病的初步筛选方法无法检测非大肠菌群或原生动物病原体，诸如：沙门氏菌、隐孢子虫、贾第虫、李斯特菌等。Orb可以检测给定样品中存在的所有微生物—即使我们无法指定它们—洞察通常未曾检测到的微生物，并为当前方法增加了智能补充层，诸如何时实际进行大肠菌群检测。金标准在24小时后未能检测到病原体，而本发明(Orb)在数秒(例如3秒)内就可检测到。图44示出了本发明检测方法的概要，其中将来源与沙门氏菌掺杂，使用本发明以及批准的金标准EPA方法检测污染物。图45示出了使用本发明(Orb)的检测与金标准检测的比较结果。
目标物库不断扩大
图46示出了迄今为止检测能力的选择。此外，本发明提供了表面扫描、食品扫描和生物流体扫描的附加能力。在表面扫描中，本发明用于扫描不锈钢和铝表面，用于病原体监测和清洁度检验。在食品扫描中，本发明用于监测病原体的食品污染并选择化学品。在生物流体扫描中，本发明用于监测尿液的蛋白质水平和感染。
引用合并
对其他文献，诸如专利、专利申请、专利出版物、期刊、书籍、论文、网络内容的参考和引用贯穿本公开。所有这些文献在此以引用方式整体并入本文用于所有目的。
等同方案
在不脱离本发明的精神或基本特征的情况下，本发明可以其他具体形式实现。因此，上述实施方案在所有方面都应认为是说明性的，而不是对本文所述的发明的限制。因此，本发明的范围由所附权利要求而不是由前述说明书表明，并且因此，在权利要求的等同方案的含义和范围内的所有改变都旨在包含在其中。

Claims (89)

1.一种用于检测介质中目标物的系统，所述系统包括：
发光二极管，所述发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作；和
多个半导体光电检测器；
其中所述系统被配置为使得每个半导体光电检测器仅检测所述受激目标物的发射光的子集。
2.根据权利要求1所述的系统，其中所述发射光在300nm-400nm的检测范围内。
3.根据权利要求1所述的系统，其中每个半导体光电检测器仅检测所述受激目标物的发射光的子集的所述系统配置包括每个半导体光电检测器具有应用到其上的不同滤光器或光栅元件以分离所述受激目标物的所述发射光，使得所述每个半导体光电检测器仅检测所述受激目标物的所述发射光的所述子集。
4.根据权利要求1所述的系统，其中所述系统包括至少六个半导体光电检测器。
5.根据权利要求1所述的系统，其中所述多个半导体光电检测器为雪崩光电二极管检测器或硅传感器。
6.根据权利要求1所述的系统，还包括处理器，所述处理器被配置为处理从所述多个半导体光电检测器接收的数据。
7.根据权利要求6所述的系统，其中所述处理器集成到所述系统中。
8.根据权利要求6所述的系统，其中所述处理器远离所述系统。
9.根据权利要求6所述的系统，其中所述处理器为计算机、智能电话或微控制器。
10.根据权利要求1所述的系统，其中所述系统为便携式、手持式傻瓜系统。
11.一种提供关于介质的信息的方法，所述方法包括：
提供包括发光二极管和多个半导体光电检测器的系统，所述发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作；其中所述系统被配置为使得每个半导体光电检测器仅检测所述受激目标物的发射光的子集；
将包括一种或多种目标分析物的介质暴露于来自所述系统的所述发光二极管的所述深UV光谱中的至少一个单波长，从而激发所述介质中的所述目标分析物；
经由所述系统的所述多个半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据；以及
处理所述发射光数据，从而提供关于所述介质的信息。
12.根据权利要求11所述的方法，其中所述介质选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。
13.根据权利要求11所述的方法，其中所述目标分析物选自由微生物、生物分子和化学品组成的组。
14.根据权利要求11所述的方法，其中所述介质为水，并且所述目标分析物为一种或多种病原体。
15.根据权利要求11所述的方法，其中所述方法在地球大气条件下执行。
16.根据权利要求11所述的方法，其中所述方法在地球大气条件之外执行。
17.根据权利要求11所述的方法，其中处理所述发射光数据包括识别所述介质中是否存在一种或多种目标分析物。
18.根据权利要求17所述的方法，其中处理所述发射光数据还包括识别所述介质中的所述一种或多种目标分析物。
19.根据权利要求18所述的方法，其中处理所述发射光数据还包括对所述介质中的所述一种或多种目标分析物进行定量。
20.根据权利要求11所述的方法，还包括在图形用户接口上显示所述处理步骤的结果。
21.一种用于分析样品介质的系统，所述系统包括处理器，所述处理器耦合到非暂态存储器，所述处理器被配置为使所述系统：
接收与样品介质相关联的样品数据，其中所述样品数据包括所述样品介质的来源的识别以及包括一种或多种分析物的所述样品介质的光谱数据；
将所述样品数据与包括多个参考光谱的参考数据集进行比较，其中所述多个参考光谱中的每一个参考光谱包括与已识别的介质相关联的光谱图，所述已识别的介质包括所述已识别的介质中已识别水平的一种或多种已识别的分析物；以及
确定所述样品数据是否与所述多个参考光谱中的一个参考光谱匹配。
22.根据权利要求21所述的系统，其中当所述处理器确定所述样品数据与所述多个参考光谱中的一个参考光谱匹配时，所述处理器被进一步配置为：基于所述样品介质中的所述一种或多种分析物的所述识别以及所述样品介质中的所述一种或多种分析物的水平，生成所述样品介质的样品介质质量评分。
23.根据权利要求22所述的系统，其中所述处理器被进一步配置为：将所述样品介质质量评分输出到用户接口。
24.根据权利要求23所述的系统，其中所述用户接口集成到包括所述处理器的所述系统中。
25.根据权利要求23所述的系统，其中所述用户接口远离包括所述处理器的所述系统。
26.根据权利要求21所述的系统，其中当所述处理器确定所述样品数据与所述参考数据集中的所述多个参考光谱中的任何一个参考光谱都不匹配时，所述处理器被进一步配置为：
将所述样品数据与所述参考数据集中所述参考光谱中的一个或多个参考光谱中的已识别的污染物进行比较；以及
确定所述样品数据是否与所述多个参考光谱中的一个或多个参考光谱中的已识别的污染物匹配，其中一次或多次匹配识别所述样品介质中的一种或多种污染物。
27.根据权利要求26所述的系统，其中所述处理器被进一步配置为：对所述样品介质中的所述一种或多种污染物中的至少一种污染物进行定量。
28.根据权利要求27所述的系统，其中所述处理器被进一步配置为：将所述样品介质中的所述一种或多种污染物的识别和定量输出到用户接口。
29.根据权利要求28所述的系统，其中所述处理器被进一步配置为：将所述样品介质质量评分输出到用户接口。
30.根据权利要求29所述的系统，其中所述用户接口集成到包括所述处理器的所述系统中。
31.根据权利要求29所述的系统，其中所述用户接口远离包括所述处理器的所述系统。
32.根据权利要求21所述的系统，其中包括一种或多种分析物的所述样品介质的所述光谱数据是深紫外(UV)光谱数据，并且第一多个第一参考光谱中的每一个参考光谱均为深紫外(UV)参考光谱。
33.一种用于分析样品的系统，所述系统包括：
激发源，所述激发源用于激发包括一种或多种分析物的样品介质；
检测器，所述检测器用于接收包括所述一种或多种分析物的所述样品介质的光谱数据；和
处理器，所述处理器与所述系统可操作地相关联并且耦合到非暂态存储器，所述处理器被配置为使所述系统：
接收与所述样品介质相关联的样品数据，其中所述样品数据包括所述样品介质的来源的识别以及包括所述一种或多种分析物的所述样品介质的所述光谱数据；
将所述样品数据与包括多个参考光谱的参考数据集进行比较，其中所述多个参考光谱中的每一个参考光谱包括与已识别的介质相关联的光谱图，所述已识别的介质包括所述已识别的介质中已识别水平的一种或多种已识别的分析物；以及
确定所述样品数据是否与所述多个参考光谱中的一个参考光谱匹配。
34.根据权利要求33所述的系统，其中当所述处理器确定所述样品数据与所述多个参考光谱中的一个参考光谱匹配时，所述处理器被进一步配置为：基于所述样品介质中的所述一种或多种分析物的所述识别以及所述样品介质中的所述一种或多种分析物的水平，生成所述样品介质的样品介质质量评分。
35.根据权利要求34所述的系统，其中所述处理器被进一步配置为：将所述样品介质质量评分输出到用户接口。
36.根据权利要求35所述的系统，其中所述处理器和所述用户接口集成到所述系统中。
37.根据权利要求35所述的系统，其中所述处理器和/或所述用户接口远离所述系统和/或远离彼此。
38.根据权利要求33所述的系统，其中当所述处理器确定所述样品数据与所述参考数据集中的所述多个参考光谱中的任何一个参考光谱都不匹配时，所述处理器被进一步配置为：
将所述样品数据与所述参考数据集中所述参考光谱中的一个或多个参考光谱中的已识别的污染物进行比较；以及
确定所述样品数据是否与所述多个参考光谱中的一个或多个参考光谱中的已识别的污染物匹配，其中一次或多次匹配识别所述样品介质中的一种或多种污染物。
39.根据权利要求38所述的系统，其中所述处理器被进一步配置为：对所述样品介质中的所述一种或多种污染物中的至少一种污染物进行定量。
40.根据权利要求39所述的系统，其中所述处理器被进一步配置为：将所述样品介质中的所述一种或多种污染物的识别和定量输出到用户接口。
41.根据权利要求40所述的系统，其中所述处理器被进一步配置为：将所述样品介质质量评分输出到用户接口。
42.根据权利要求41所述的系统，其中所述处理器和所述用户接口集成到所述系统中。
43.根据权利要求41所述的系统，其中所述处理器和/或所述用户接口远离所述系统和/或远离彼此。
44.根据权利要求33所述的系统，其中包括一种或多种分析物的所述样品介质的所述光谱数据是深紫外(UV)光谱数据，并且第一多个第一参考光谱中的每一个参考光谱均为深紫外(UV)参考光谱。
45.根据权利要求31所述的系统，其中所述处理器为计算机、智能电话或微控制器。
46.根据权利要求31所述的系统，其中所述系统为便携式、手持式傻瓜系统。
47.一种用于检测水源中目标物的系统，所述系统包括：
发光二极管，所述发光二极管在用于激发水源中目标物的深紫外(UV)范围内的单波长下工作；和
半导体光电检测器，所述半导体光电检测器检测所述受激目标物的发射光并且在检测水平超过阈值时提供示值读数，
其中所述系统设置在尺寸和构造被设计成与饮用玻璃杯的顶部配合的壳体中。
48.根据权利要求47所述的系统，其中所述壳体的整体构造为圆锥形。
49.根据权利要求47所述的系统，其中所述壳体包括多个部件，所述多个部件包括基部或三脚架。
50.根据权利要求47所述的系统，其中所述系统为便携式、手持式傻瓜系统。
51.根据权利要求47所述的系统，其中所述阈值检测水平为总微生物负荷或生物负荷。
52.根据权利要求47所述的系统，其中所述发射光在300nm-400nm的检测范围内。
53.根据权利要求47所述的系统，其中所述半导体光电检测器为雪崩光电二极管检测器或硅传感器。
54.根据权利要求47所述的系统，还包括处理器，所述处理器被配置为处理从所述半导体光电检测器接收的数据。
55.根据权利要求54所述的系统，其中所述处理器集成到所述系统中。
56.根据权利要求54所述的系统，其中所述处理器远离所述系统。
57.根据权利要求54所述的系统，其中所述处理器为计算机、智能电话或微控制器。
58.一种用于检测水源中目标物的系统，所述系统包括：
发光二极管，所述发光二极管在用于激发水源中目标物的深紫外(UV)范围内的单波长下工作；和
半导体光电检测器，所述半导体光电检测器检测所述受激目标物的发射光并且在检测水平超过阈值时提供示值读数，
其中所述系统被配置为与所述水源串联。
59.根据权利要求58所述的系统，其中所述阈值检测水平为总微生物负荷或生物负荷。
60.根据权利要求58所述的系统，其中所述发射光在300nm-400nm的检测范围内。
61.根据权利要求58所述的系统，其中所述半导体光电检测器为雪崩光电二极管检测器或硅传感器。
62.根据权利要求58所述的系统，还包括处理器，所述处理器被配置为处理从所述半导体光电检测器接收的数据。
63.根据权利要求62所述的系统，其中所述处理器集成到所述系统中。
64.根据权利要求62所述的系统，其中所述处理器远离所述系统。
65.根据权利要求62所述的系统，其中所述处理器为计算机、智能电话或微控制器。
66.一种提供关于介质的信息的方法，所述方法包括：
提供包括发光二极管和半导体光电检测器的系统，所述发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作，所述半导体光电检测器检测所述受激目标物的发射光，所述系统被配置为与所述介质串联；
将包括一种或多种目标分析物的介质暴露于来自所述系统的所述发光二极管的所述深UV光谱中的至少一个单波长，从而激发所述介质中的所述目标分析物；
经由所述半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据；以及
在所述发射光数据超过阈值检测水平时输出读数，从而提供关于所述介质的信息。
67.根据权利要求66所述的方法，其中所述阈值检测水平为总微生物负荷或生物负荷。
68.根据权利要求66所述的方法，其中所述介质选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。
69.根据权利要求66所述的方法，其中所述目标分析物选自由微生物、生物分子和化学品组成的组。
70.根据权利要求66所述的方法，其中所述介质为水，并且所述目标分析物为一种或多种病原体。
71.根据权利要求66所述的方法，其中所述方法在地球大气条件下执行。
72.根据权利要求66所述的方法，其中所述方法在地球大气条件之外执行。
73.根据权利要求66所述的方法，其中处理所述发射光数据包括识别所述介质中是否存在一种或多种目标分析物。
74.根据权利要求73所述的方法，其中处理所述发射光数据还包括识别所述介质中的所述一种或多种目标分析物。
75.根据权利要求74所述的方法，其中处理所述发射光数据还包括对所述介质中的所述一种或多种目标分析物进行定量。
76.根据权利要求66所述的方法，还包括在图形用户接口上显示所述处理步骤的结果。
77.一种提供关于介质的信息的方法，所述方法包括：
提供包括发光二极管和半导体光电检测器的系统，所述发光二极管在用于激发介质中目标物的深紫外(UV)范围内的单波长下工作，所述半导体光电检测器检测受激目标物的发射光，所述系统设置在尺寸和构造被设计成与饮用玻璃杯的顶部配合的壳体中；
将包括一种或多种目标分析物的介质暴露于来自所述系统的所述发光二极管的所述深UV光谱中的至少一个单波长，从而激发所述介质中的所述目标分析物；
经由所述半导体光电检测器检测所述受激的一种或多种目标分析物的发射光，从而产生发射光数据；以及
在所述发射光数据超过阈值检测水平时输出读数，从而提供关于所述介质的信息。
78.根据权利要求77所述的方法，其中所述壳体的整体构造为圆锥形。
79.根据权利要求77所述的方法，其中所述壳体包括多个部件，所述多个部件包括基部或三脚架。
80.根据权利要求77所述的方法，其中所述阈值检测水平为总微生物负荷或生物负荷。
81.根据权利要求77所述的方法，其中所述介质选自由生物流体、水、铝表面、不锈钢表面、花岗岩表面、陶瓷表面、塑料表面和金属表面组成的组。
82.根据权利要求77所述的方法，其中所述目标分析物选自由微生物、生物分子和化学品组成的组。
83.根据权利要求77所述的方法，其中所述介质为水，并且所述目标分析物为一种或多种病原体。
84.根据权利要求77所述的方法，其中所述方法在地球大气条件下执行。
85.根据权利要求77所述的方法，其中所述方法在地球大气条件之外执行。
86.根据权利要求77所述的方法，其中处理所述发射光数据包括识别所述介质中是否存在一种或多种目标分析物。
87.根据权利要求86所述的方法，其中处理所述发射光数据还包括识别所述介质中的所述一种或多种目标分析物。
88.根据权利要求87所述的方法，其中处理所述发射光数据还包括对所述介质中的所述一种或多种目标分析物进行定量。
89.根据权利要求77所述的方法，还包括在图形用户接口上显示所述处理步骤的结果。
CN201980051192.XA 2018-06-01 2019-05-31 检测介质中的分析物 Pending CN112534241A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862679609P 2018-06-01 2018-06-01
US62/679,609 2018-06-01
PCT/US2019/035014 WO2019232448A1 (en) 2018-06-01 2019-05-31 Detecting an analyte in a medium

Publications (1)

Publication Number Publication Date
CN112534241A true CN112534241A (zh) 2021-03-19

Family

ID=68696778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980051192.XA Pending CN112534241A (zh) 2018-06-01 2019-05-31 检测介质中的分析物

Country Status (7)

Country Link
US (1) US20210262938A1 (zh)
EP (1) EP3803343A4 (zh)
JP (1) JP2021525894A (zh)
CN (1) CN112534241A (zh)
AU (1) AU2019279025A1 (zh)
CA (1) CA3102240A1 (zh)
WO (1) WO2019232448A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI760206B (zh) * 2021-05-04 2022-04-01 行政院農業委員會農業藥物毒物試驗所 基於光譜圖辨識提供風險值的光學量測方法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置
CN115236006A (zh) * 2022-08-04 2022-10-25 浙江嘉园智能科技有限公司 一种电子河长光谱检测数据的处理方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022167795A1 (en) * 2021-02-03 2022-08-11 Silver Joshua D Viral load tester and applications thereof
GB2603567A (en) * 2021-02-03 2022-08-10 D Silver Joshua Viral load tester and applications thereof
CN117451640B (zh) * 2023-11-03 2024-04-26 成都益清源科技有限公司 一种多波段拟合全光谱水质检测系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080030712A1 (en) * 2006-06-01 2008-02-07 Ecolab Inc. UV fluorometric sensor and method for using the same
US20080179541A1 (en) * 2007-01-29 2008-07-31 General Electric Company Detector System for Unidentified Substances
US20140264077A1 (en) * 2013-03-12 2014-09-18 Ecolab Usa Inc. Fluorometer with multiple detection channels
US9442070B1 (en) * 2004-10-05 2016-09-13 Photon Systems, Inc. Native fluorescence detection methods, devices, and systems for organic compounds
US20170038301A1 (en) * 2015-08-03 2017-02-09 Ysi, Inc. Multi excitation-multi emission fluorometer for multiparameter water quality monitoring
US20180042511A1 (en) * 2016-08-12 2018-02-15 Silanna UV Technologies Pte Ltd Ultraviolet biosensor
US20180217063A1 (en) * 2015-08-01 2018-08-02 Aron Vecht Compact Multi-UV-LED Probe System and Methods of Use Thereof

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6648506B2 (en) * 2001-09-07 2003-11-18 Board Of Trustees Of Michigan State University Fluorescence emission ratio imaging thermography for use in heat transfer analysis
DE60315043T2 (de) * 2002-09-20 2008-04-10 Queen's University At Kingston, Kingston Nachweis biologischer moleküle mittels differentieller aufteilung von enzymsubstraten und -produkten
US20040259270A1 (en) * 2003-06-19 2004-12-23 Wolf David E. System, device and method for exciting a sensor and detecting analyte
JP4108555B2 (ja) * 2003-07-09 2008-06-25 東亜ディーケーケー株式会社 水質測定方法及び装置
US7459713B2 (en) * 2003-08-14 2008-12-02 Microptix Technologies, Llc Integrated sensing system approach for handheld spectral measurements having a disposable sample handling apparatus
US8368034B2 (en) * 2006-06-29 2013-02-05 Cdex, Inc. Substance detection, inspection and classification system using enhanced photoemission spectroscopy
JP2013117421A (ja) * 2011-12-02 2013-06-13 Samsung Techwin Co Ltd 蛍光検出装置及び蛍光検出方法
US8982338B2 (en) * 2012-05-31 2015-03-17 Thermo Scientific Portable Analytical Instruments Inc. Sample analysis
WO2016011534A1 (en) * 2014-07-24 2016-01-28 University Health Network Collection and analysis of data for diagnostic purposes
WO2019221770A2 (en) * 2017-10-06 2019-11-21 Alakai Defense Systems, Inc. Uv lasers and uv raman systems for effective and efficient molecular species identification with raman spectroscopy

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9442070B1 (en) * 2004-10-05 2016-09-13 Photon Systems, Inc. Native fluorescence detection methods, devices, and systems for organic compounds
US20080030712A1 (en) * 2006-06-01 2008-02-07 Ecolab Inc. UV fluorometric sensor and method for using the same
US20080179541A1 (en) * 2007-01-29 2008-07-31 General Electric Company Detector System for Unidentified Substances
US20140264077A1 (en) * 2013-03-12 2014-09-18 Ecolab Usa Inc. Fluorometer with multiple detection channels
US20180217063A1 (en) * 2015-08-01 2018-08-02 Aron Vecht Compact Multi-UV-LED Probe System and Methods of Use Thereof
US20170038301A1 (en) * 2015-08-03 2017-02-09 Ysi, Inc. Multi excitation-multi emission fluorometer for multiparameter water quality monitoring
US20180042511A1 (en) * 2016-08-12 2018-02-15 Silanna UV Technologies Pte Ltd Ultraviolet biosensor

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI760206B (zh) * 2021-05-04 2022-04-01 行政院農業委員會農業藥物毒物試驗所 基於光譜圖辨識提供風險值的光學量測方法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置
CN115236006A (zh) * 2022-08-04 2022-10-25 浙江嘉园智能科技有限公司 一种电子河长光谱检测数据的处理方法及系统
CN115236006B (zh) * 2022-08-04 2023-05-23 浙江嘉园智能科技有限公司 一种电子河长光谱检测数据的处理方法及系统

Also Published As

Publication number Publication date
EP3803343A1 (en) 2021-04-14
EP3803343A4 (en) 2022-01-26
AU2019279025A1 (en) 2021-01-07
US20210262938A1 (en) 2021-08-26
CA3102240A1 (en) 2019-12-05
JP2021525894A (ja) 2021-09-27
WO2019232448A1 (en) 2019-12-05

Similar Documents

Publication Publication Date Title
CN112534241A (zh) 检测介质中的分析物
Zamyadi et al. A review of monitoring technologies for real-time management of cyanobacteria: Recent advances and future direction
Bai et al. Discrimination of human and nonhuman blood by Raman spectroscopy and partial least squares discriminant analysis
ElMasry et al. Freshness estimation of intact frozen fish using fluorescence spectroscopy and chemometrics of excitation–emission matrix
Ryzhikova et al. Multivariate statistical analysis of surface enhanced Raman spectra of human serum for Alzheimer’s disease diagnosis
US9170192B2 (en) Systems and methods for identifying materials utilizing multivariate analysis techniques
Kang et al. Classification of foodborne bacteria using hyperspectral microscope imaging technology coupled with convolutional neural networks
Chen et al. Numerical methods for sedimentary‐ancient‐DNA‐based study on past biodiversity and ecosystem functioning
de Lucia Lobo et al. Reference spectra to classify Amazon water types
Hassoun Exploring the potential of fluorescence spectroscopy for the discrimination between fresh and frozen-thawed muscle foods
Bedell et al. Demonstration of tryptophan-like fluorescence sensor concepts for fecal exposure detection in drinking water in remote and resource constrained settings
Harrison et al. Improved estimates of phytoplankton community composition based on in situ spectral fluorescence: use of ordination and field-derived norm spectra for the bbe FluoroProbe
US20210199588A1 (en) Detection of biological substances
Pampoukis et al. Recent advances and applications of rapid microbial assessment from a food safety perspective
US10452746B2 (en) Quantitative comparison of sample populations using earth mover's distance
US20230121472A1 (en) Detecting an analyte in a medium
Suchwalko et al. Computer-based classification of bacteria species by analysis of their colonies Fresnel diffraction patterns
Raki et al. Combining AI Tools with Non-Destructive Technologies for Crop-Based Food Safety: A Comprehensive Review
Healy et al. Aging Pacific cod (Gadus macrocephalus) from otoliths using Fourier‐transformed near‐infrared spectroscopy
JP5840845B2 (ja) 危害要因定量方法、危害要因定量装置、および、プログラム
Gonzalez-Gonzalez et al. Rapid identification of foodborne pathogens in limited resources settings using a handheld Raman spectroscopy device
Liu et al. Fast detection of diarrhetic shellfish poisoning toxins in mussels using NIR spectroscopy and improved twin support vector machines
Eaton et al. Multidimensional fluorescence fingerprinting for classification of shrimp by location and species
CN103930566B (zh) 用于测定水中生物污染物的系统和方法
EP2569732B1 (en) Identification and/or characterization of a microbial agent using taxonomic hierarchical classification

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