CN112861986A - 一种基于卷积神经网络的血脂亚组分含量检测方法 - Google Patents

一种基于卷积神经网络的血脂亚组分含量检测方法 Download PDF

Info

Publication number
CN112861986A
CN112861986A CN202110229606.2A CN202110229606A CN112861986A CN 112861986 A CN112861986 A CN 112861986A CN 202110229606 A CN202110229606 A CN 202110229606A CN 112861986 A CN112861986 A CN 112861986A
Authority
CN
China
Prior art keywords
fluorescent protein
neural network
subcomponent
blood fat
protein signal
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.)
Granted
Application number
CN202110229606.2A
Other languages
English (en)
Other versions
CN112861986B (zh
Inventor
韦怡婷
凌永权
刘庆
胡铃越
赵楷龙
林堉欣
陈丹妮
郭海瑞
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110229606.2A priority Critical patent/CN112861986B/zh
Publication of CN112861986A publication Critical patent/CN112861986A/zh
Application granted granted Critical
Publication of CN112861986B publication Critical patent/CN112861986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01N21/6402—Atomic fluorescence; Laser induced fluorescence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种基于卷积神经网络的血脂亚组分含量检测方法，首先制备血清样品，对各血脂亚组分进行分离分析；接着利用基于激光诱导的荧光检测法收集各血脂亚组分对应的荧光蛋白电信号；然后利用经验模式分解对荧光蛋白信号进行去噪处理；再搭建卷积神经网络结构；选择包含荧光蛋白信号及其对应血脂亚组分具体数值的已有数据集；然后基于荧光蛋白信号的特征设计对应神经网络的滤波器，同时将网络结构中最后一层全连接层的输出设置为对于输入荧光蛋白信号对应的血脂亚组分具体数值估计，完成卷积神经网络的结构设计后，利用训练集进行网络训练；最后通过训练好的神经网络模型进行血脂亚组分含量检测，得到检测结果。本发明具有较高的检测精度。

Description

一种基于卷积神经网络的血脂亚组分含量检测方法
技术领域
本发明涉及血脂亚组分含量检测的技术领域，尤其涉及到一种基于卷积神经网络的血脂亚组分含量检测方法。
背景技术
血脂异常表现为人体内脂蛋白的代谢异常，主要包括总胆固醇和低密度脂蛋白胆固醇、甘油三酯升高和/或高密度脂蛋白胆固醇降低等。血脂异常是导致动脉粥样硬化的重要因素之一，是冠心病和缺血性脑卒中的独立危险因素。在我国血脂异常的发生率高，还有逐渐上升的趋势，这与我国人民的生活水平明显提高、饮食习惯发生改变等原因有密切关系。
2016年《中国成人血脂异常防治指南》推荐甘油三酯(TG)、总胆固醇(TC)、高密度脂蛋白胆固醇(HDL-C)和低密度脂蛋白胆固醇(LDL-C)检测为血脂基本筛查指标，并将LDL-C作为动脉粥样硬化性心血管疾病(ASCVD)和糖尿病预警、用药指导和降脂监测工作中最为核心的检测指标。然而，研究发现LDL-C水平仅能解释50％的ASCVD，脂蛋白电泳发现，血脂中低密度脂蛋白(LDL)和高密度脂蛋白(HDL)等常规血脂指标仍能细分为多种亚组分。相同LDL-C浓度下，其包含的血脂亚组分具有差异。因此，进一步研究血脂亚组分的特征将有助于评估ASCVD风险，并有可能成为干预的靶标。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于卷积神经网络的血脂亚组分含量检测方法，能更好地解决因信号受到周围噪声的影响而影响检测结果精确度的问题；另外，采用深度学习的方法，能进一步地提高血脂亚组分含量的检测精确性。
为实现上述目的，本发明所提供的技术方案为：
一种基于卷积神经网络的血脂亚组分含量检测方法，包括以下步骤：
S1、制备血清样品，利用微流控电泳仪将各血脂亚组分进行分离分析；
S2、利用基于激光诱导的荧光检测法收集各血脂亚组分对应的荧光蛋白电信号；
S3、以荧光蛋白信号为处理对象，利用经验模式分解的方法对信号进行去噪处理；
S4、选择卷积神经网络结构，确定网络初始化参数，结合Tensorflow深度学习框架，调用已有网络层函数，搭建深层网络结构；
S5、选择包含去噪后的荧光蛋白信号及其对应血脂亚组分具体数值的已有数据集，并对其进行数据预处理；所述经过数据预处理后的数据集作为模型的输入；
S6、选择荧光蛋白信号的波峰位置、峰强度、峰宽、峰面积信息作为特征，在神经网络结构中设计对应特征的不同滤波器，同时将网络结构中最后一层全连接层的输出设置为对于输入荧光蛋白信号对应的血脂亚组分具体数值估计；所述滤波器完成对荧光蛋白信号对应特征的提取；
S7、完成卷积神经网络的结构设计后，利用训练集进行网络训练；
S8、通过训练好的神经网络模型进行血脂亚组分含量检测，得到检测结果。
进一步地，所述步骤S1中，微流控电泳仪完成样品的进样与分离依托具备微米尺度通道的微流控芯片，微流控芯片设四个储液池：样品池、样品废液池、缓冲液池以及缓冲废液池，在缓冲液池和缓冲废液池之间有一个荧光蛋白信号检测点；利用电泳方式，在芯片分离通道中，设计一个检测点，根据各个带电粒子迁移速度不同，到达该检测点的时间不一样，从而分析出样品中血脂的各亚组分；同时通过微流控芯片控制模块，在电渗流和电泳的共同作用下，样品沿着芯片通道向所带电荷相反的电极端移动，实现样品中血脂各亚组分的分离。
进一步地，当荧光蛋白信号到达检测口时，利用光电倍增管将微弱光信号转换成光电子并获得倍增效应，即得到的荧光蛋白信号表示射出的光电子移动产生的电压或者电流与时间的关系，以此荧光蛋白信号作为分析和处理的对象，获取血脂各亚组分的信息。
进一步地，所述步骤S3以荧光蛋白信号为处理对象，利用经验模式分解的方法对信号进行去噪处理的具体过程如下：
S3-1、给定序列x[n]，n＝0,...,N-1，初始化r0[n]＝x[n],n＝0,...,N-1,i＝1；N为常数；
S3-2、计算第i个固有模式函数ci[n]：
1)初始化d0[n]＝ri-1[n],n＝0,...,N-1,j＝1；
2)确定dj-1[n]的所有局部最大值和最小值；
3)通过插值函数生成dj-1[n]的上下包络，通常使用三次样条插值，将上插值函数和下插值函数表示为ej-1，u[n]和ej-1，l[n]；
4)将ej-1，u[n]和ej-1，l[n]的局部均值表示为mj-1[n]，并将其定义为mj-1[n]＝0.5*(ej-1，u[n]+ej-1，l[n])；
5)应用移位运算符，即dj[n]＝dj-1[n]-mj-1[n]；
6)如果∑|mj-1[n]/dj-1[n]|2＜ε，ε为常数，则定义ci[n]＝dj[n]并转到步骤S3-3；否则，设置j＝j+1并转到步骤2)；
S3-3、定义ri[n]＝ri-1[n]-ci[n]；
S3-4、如果ri[n]是固有函数或者单调函数，则分解完成；否则，设置i＝i+1并返回步骤S3-2；
综合上述步骤完成荧光蛋白信号的去噪处理。
进一步地，所所述步骤S4以AlexNet为基础结构，在AlexNet原有的结构基础上进行进一步的设计，具体为：
在输入层之后，设计总共五层卷积层，每一层中以Relu作为激活函数，同时在前两层以及最后一层卷积层进行池化，以进行特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；具体池化方法选用最大池化，避免平均池化的模糊化效果；再进行三层全连接层的设计，在前两层全连接层中引入dropout操作，来随机删除神经网络中的部分神经元，以解决可能出现的过拟合问题。
进一步地，所述步骤S5选择包含荧光蛋白信号及其对应血脂亚组分具体数值的已有数据集，并对其进行数据预处理，具体为：
将预处理后的数据集进行划分，其中70％作为训练集，30％作为测试集；经过数据预处理后的数据集作为模型的输入，将数据集中的荧光蛋白信号以矩阵的形式输入神经网络结构，其在神经网络中以向量或者矩阵的形式进行传播。
与现有技术相比，本方案原理如下：
本方案首先制备血清样品，利用微流控电泳仪将各血脂亚组分进行分离分析；接着利用基于激光诱导的荧光检测法收集各血脂亚组分对应的荧光蛋白电信号；然后利用经验模式分解对荧光蛋白信号进行去噪处理；再结合Tensorflow深度学习框架，确定网络初始化参数，搭建卷积神经网络结构；选择包含荧光蛋白信号及其对应血脂亚组分具体数值的已有数据集，将经过数据预处理的数据集作为模型的输入，然后基于荧光蛋白信号的特征设计对应神经网络的滤波器，同时将网络结构中最后一层全连接层的输出设置为对于输入荧光蛋白信号对应的血脂亚组分具体数值估计，完成卷积神经网络的结构设计后，利用训练集进行网络训练；最后通过训练好的神经网络模型进行血脂亚组分含量检测，得到检测结果。
相比于现有技术，本发明的优势主要有以下两点：首先信号去噪的效果更好，能够尽量避免噪声对于检测结果的影响；第二，采用深度学习的方法，能够进一步提高血脂亚组分含量检测的精确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于卷积神经网络的血脂亚组分含量检测方法的原理流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本发明实施例所述的一种基于卷积神经网络的血脂亚组分含量检测方法，包括以下步骤：
S1、制备血清样品，利用微流控电泳仪将各血脂亚组分进行分离分析；
在本实施例中，微流控电泳仪完成样品的进样与分离需要依托于一块具备微米尺度通道的微流控芯片，微流控芯片有四个储液池：样品池(S)、样品废液池(SW)、缓冲液池(B)以及缓冲废液池(BW)，在B和BW之间有一个荧光蛋白信号检测点；利用电泳方式，在芯片分离通道中，设计一个检测点，根据各个带电粒子迁移速度不同，到达该检测点的时间不一样，从而可以分析出样品中血脂的各亚组分。同时通过微流控芯片控制模块，在电渗流和电泳的共同作用下，样品沿着芯片通道向所带电荷相反的电极端移动，实现样品中血脂各亚组分的分离。
S2、利用基于激光诱导的荧光检测法收集各血脂亚组分对应的荧光蛋白电信号；
在本实施例中，当荧光蛋白信号到达检测口时，利用光电倍增管将微弱光信号转换成光电子并获得倍增效应，即得到的荧光蛋白信号表示射出的光电子移动产生的电压或者电流与时间的关系，以此荧光蛋白信号作为分析和处理的对象，获取血脂各亚组分的信息。
S3、以荧光蛋白信号为处理对象，利用经验模式分解的方法对信号进行去噪处理，具体过程如下：
S3-1、给定序列x[n]，n＝0,...,N-1，初始化r0[n]＝x[n],n＝0,...,N-1,i＝1；N为常数；
S3-2、计算第i个固有模式函数ci[n]：
1)初始化d0[n]＝ri-1[n],n＝0,...,N-1,j＝1；
2)确定dj-1[n]的所有局部最大值和最小值；
3)通过插值函数生成dj-1[n]的上下包络，通常使用三次样条插值，将上插值函数和下插值函数表示为ej-1，u[n]和ej-1，l[n]；
4)将ej-1，u[n]和ej-1，l[n]的局部均值表示为mj-1[n]，并将其定义为mj-1[n]＝0.5*(ej-1，u[n]+ej-1，l[n])；
5)应用移位运算符，即dj[n]＝dj-1[n]-mj-1[n]；
6)如果∑|mj-1[n]/dj-1[n]|2＜ε，ε为常数，则定义ci[n]＝dj[n]并转到步骤S3-3；否则，设置j＝j+1并转到步骤2)；
S3-3、定义ri[n]＝ri-1[n]-ci[n]；
S3-4、如果ri[n]是固有函数或者单调函数，则分解完成；否则，设置i＝i+1并返回步骤S3-2。
综合上述步骤完成荧光蛋白信号的去噪处理。
S4、选择卷积神经网络结构，确定网络初始化参数，结合Tensorflow深度学习框架，调用已有网络层函数，搭建深层网络结构；具体为：
在输入层之后，设计总共五层卷积层，每一层中以Relu作为激活函数，同时在前两层以及最后一层卷积层进行池化，以进行特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；具体池化方法选用最大池化，避免平均池化的模糊化效果；再进行三层全连接层的设计，在前两层全连接层中引入dropout操作，来随机删除神经网络中的部分神经元，以解决可能出现的过拟合问题。
S5、选择包含去噪后的荧光蛋白信号及其对应血脂亚组分具体数值的已有数据集，并对其进行数据预处理；所述经过数据预处理后的数据集作为模型的输入；
本步骤中，将预处理后的数据集进行划分，其中70％作为训练集，30％作为测试集；经过数据预处理后的数据集作为模型的输入，将数据集中的荧光蛋白信号以矩阵的形式输入神经网络结构，其在神经网络中以向量或者矩阵的形式进行传播。
S6、选择荧光蛋白信号的波峰位置、峰强度、峰宽、峰面积信息作为特征，在神经网络结构中设计对应特征的不同滤波器，同时将网络结构中最后一层全连接层的输出设置为对于输入荧光蛋白信号对应的血脂亚组分具体数值估计；所述滤波器完成对荧光蛋白信号对应特征的提取；
S7、完成卷积神经网络的结构设计后，利用训练集进行网络训练；
S8、通过训练好的神经网络模型进行血脂亚组分含量检测，得到检测结果。本实施例不但信号去噪的效果更好，能够尽量避免噪声对于检测结果的影响；而且采用深度学习的方法，能够进一步提高血脂亚组分含量检测的精确性。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种基于卷积神经网络的血脂亚组分含量检测方法，其特征在于，包括以下步骤：
S1、制备血清样品，利用微流控电泳仪将各血脂亚组分进行分离分析；
S2、利用基于激光诱导的荧光检测法收集各血脂亚组分对应的荧光蛋白电信号；
S3、以荧光蛋白信号为处理对象，利用经验模式分解的方法对信号进行去噪处理；
S4、选择卷积神经网络结构，确定网络初始化参数，结合Tensorflow深度学习框架，调用已有网络层函数，搭建深层网络结构；
S5、选择包含去噪后的荧光蛋白信号及其对应血脂亚组分具体数值的已有数据集，并对其进行数据预处理；所述经过数据预处理后的数据集作为模型的输入；
S6、选择荧光蛋白信号的波峰位置、峰强度、峰宽、峰面积信息作为特征，在神经网络结构中设计对应特征的不同滤波器，同时将网络结构中最后一层全连接层的输出设置为对于输入荧光蛋白信号对应的血脂亚组分具体数值估计；所述滤波器完成对荧光蛋白信号对应特征的提取；
S7、完成卷积神经网络的结构设计后，利用训练集进行网络训练；
S8、通过训练好的神经网络模型进行血脂亚组分含量检测，得到检测结果。
2.根据权利要求1所述的一种基于卷积神经网络的血脂亚组分含量检测方法，其特征在于，所述步骤S1中，微流控电泳仪完成样品的进样与分离依托具备微米尺度通道的微流控芯片，微流控芯片设四个储液池：样品池、样品废液池、缓冲液池以及缓冲废液池，在缓冲液池和缓冲废液池之间有一个荧光蛋白信号检测点；利用电泳方式，在芯片分离通道中，设计一个检测点，根据各个带电粒子迁移速度不同，到达该检测点的时间不一样，从而分析出样品中血脂的各亚组分；同时通过微流控芯片控制模块，在电渗流和电泳的共同作用下，样品沿着芯片通道向所带电荷相反的电极端移动，实现样品中血脂各亚组分的分离。
3.根据权利要求1所述的一种基于卷积神经网络的血脂亚组分含量检测方法，其特征在于，所述步骤S2中，当荧光蛋白信号到达检测口时，利用光电倍增管将微弱光信号转换成光电子并获得倍增效应，即得到的荧光蛋白信号表示射出的光电子移动产生的电压或者电流与时间的关系，以此荧光蛋白信号作为分析和处理的对象，获取血脂各亚组分的信息。
4.根据权利要求1所述的一种基于卷积神经网络的血脂亚组分含量检测方法，其特征在于，所述步骤S3以荧光蛋白信号为处理对象，利用经验模式分解的方法对信号进行去噪处理的具体过程如下：
S3-1、给定序列x[n]，n＝0,...,N-1，初始化r0[n]＝x[n],n＝0,...,N-1,i＝1；N为常数；
S3-2、计算第i个固有模式函数ci[n]：
1)初始化d0[n]＝ri-1[n],n＝0,...,N-1,j＝1；
2)确定dj-1[n]的所有局部最大值和最小值；
3)通过插值函数生成dj-1[n]的上下包络，通常使用三次样条插值，将上插值函数和下插值函数表示为ej-1，u[n]和ej-1，l[n]；
4)将ej-1，u[n]和ej-1，l[n]的局部均值表示为mj-1[n]，并将其定义为mj-1[n]＝0.5*(ej-1，u[n]+ej-1，l[n])；
5)应用移位运算符，即dj[n]＝dj-1[n]-mj-1[n]；
6)如果∑|mj-1[n]/dj-1[n]|2＜ε，ε为常数，则定义ci[n]＝dj[n]并转到步骤S3-3；否则，设置j＝j+1并转到步骤2)；
S3-3、定义ri[n]＝ri-1[n]-ci[n]；
S3-4、如果ri[n]是固有函数或者单调函数，则分解完成；否则，设置i＝i+1并返回步骤S3-2。
5.根据权利要求1所述的一种基于卷积神经网络的血脂亚组分含量检测方法，其特征在于，所述步骤S4以AlexNet为基础结构，在AlexNet原有的结构基础上进行进一步的设计，具体为：
在输入层之后，设计总共五层卷积层，每一层中以Relu作为激活函数，同时在前两层以及最后一层卷积层进行池化，以进行特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；具体池化方法选用最大池化，避免平均池化的模糊化效果；再进行三层全连接层的设计，在前两层全连接层中引入dropout操作，来随机删除神经网络中的部分神经元，以解决可能出现的过拟合问题。
6.根据权利要求1所述的一种基于卷积神经网络的血脂亚组分含量检测方法，其特征在于，所述步骤S5选择包含荧光蛋白信号及其对应血脂亚组分具体数值的已有数据集，并对其进行数据预处理，具体为：
将预处理后的数据集进行划分，其中70％作为训练集，30％作为测试集；经过数据预处理后的数据集作为模型的输入，将数据集中的荧光蛋白信号以矩阵的形式输入神经网络结构，其在神经网络中以向量或者矩阵的形式进行传播。
CN202110229606.2A 2021-03-02 2021-03-02 一种基于卷积神经网络的血脂亚组分含量检测方法 Active CN112861986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110229606.2A CN112861986B (zh) 2021-03-02 2021-03-02 一种基于卷积神经网络的血脂亚组分含量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110229606.2A CN112861986B (zh) 2021-03-02 2021-03-02 一种基于卷积神经网络的血脂亚组分含量检测方法

Publications (2)

Publication Number Publication Date
CN112861986A true CN112861986A (zh) 2021-05-28
CN112861986B CN112861986B (zh) 2022-04-22

Family

ID=75990890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110229606.2A Active CN112861986B (zh) 2021-03-02 2021-03-02 一种基于卷积神经网络的血脂亚组分含量检测方法

Country Status (1)

Country Link
CN (1) CN112861986B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020168657A1 (en) * 2001-02-02 2002-11-14 Chen Lan Bo Rare event detection system
US20060218109A1 (en) * 2005-01-14 2006-09-28 Wang Lu-Yong System and method for automatic molecular diagnosis of ALS based on boosting classification
US20090132443A1 (en) * 2007-11-16 2009-05-21 Odilo Mueller Methods and Devices for Analyzing Lipoproteins
US20090316992A1 (en) * 2008-05-19 2009-12-24 Hikari Bio Ab Cumulative time-resolved emission two-dimensional gel electrophoresis
US20160109471A1 (en) * 2014-10-21 2016-04-21 Health Diagnostic Laboratory, Inc. Lipoprotein particle number from measurements of lipoprotein particle phospholipid concentration in lipoprotein particle membrane bilayer
US20180137338A1 (en) * 2016-11-16 2018-05-17 The Governing Council Of The University Of Toronto System and method for classifying and segmenting microscopy images with deep multiple instance learning
US20200326284A1 (en) * 2019-04-11 2020-10-15 Perkinelmer Health Sciences, Inc. Laser Intensity Calibration
CN112001329A (zh) * 2020-08-26 2020-11-27 东莞太力生物工程有限公司 蛋白表达量的预测方法、装置、计算机设备和存储介质
CN112037862A (zh) * 2020-08-26 2020-12-04 东莞太力生物工程有限公司 基于卷积神经网络的细胞筛选方法和装置
CN112309498A (zh) * 2020-12-31 2021-02-02 武汉纽福斯生物科技有限公司 一种基于深度学习和荧光光谱的基因检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020168657A1 (en) * 2001-02-02 2002-11-14 Chen Lan Bo Rare event detection system
US20060218109A1 (en) * 2005-01-14 2006-09-28 Wang Lu-Yong System and method for automatic molecular diagnosis of ALS based on boosting classification
US20090132443A1 (en) * 2007-11-16 2009-05-21 Odilo Mueller Methods and Devices for Analyzing Lipoproteins
US20090316992A1 (en) * 2008-05-19 2009-12-24 Hikari Bio Ab Cumulative time-resolved emission two-dimensional gel electrophoresis
US20160109471A1 (en) * 2014-10-21 2016-04-21 Health Diagnostic Laboratory, Inc. Lipoprotein particle number from measurements of lipoprotein particle phospholipid concentration in lipoprotein particle membrane bilayer
US20180137338A1 (en) * 2016-11-16 2018-05-17 The Governing Council Of The University Of Toronto System and method for classifying and segmenting microscopy images with deep multiple instance learning
US20200326284A1 (en) * 2019-04-11 2020-10-15 Perkinelmer Health Sciences, Inc. Laser Intensity Calibration
CN112001329A (zh) * 2020-08-26 2020-11-27 东莞太力生物工程有限公司 蛋白表达量的预测方法、装置、计算机设备和存储介质
CN112037862A (zh) * 2020-08-26 2020-12-04 东莞太力生物工程有限公司 基于卷积神经网络的细胞筛选方法和装置
CN112309498A (zh) * 2020-12-31 2021-02-02 武汉纽福斯生物科技有限公司 一种基于深度学习和荧光光谱的基因检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王春宇 等: "基于Convolution-LSTM的蛋白质亚细胞定位研究", 《计算机科学与探索》 *
高权新 等: "荧光蛋白的研究进展与应用", 《动物营养学报》 *

Also Published As

Publication number Publication date
CN112861986B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
Herr et al. Integrated microfluidic platform for oral diagnostics
CN100535649C (zh) 三维纳隙网格阵列微电极生物传感芯片
US8306939B2 (en) Examination value predicting device using electrophoresis waveform, prediction method, and predicting program
Hinze Bibliographical cartography of an emerging interdisciplinary discipline: The case of bioelectronics
Li et al. One-dimensional convolutional neural network (1D-CNN) image reconstruction for electrical impedance tomography
Ganapathy et al. CometQ: An automated tool for the detection and quantification of DNA damage using comet assay image analysis
Wee et al. A continuous wavelet transform algorithm for peak detection
JP2001258868A5 (zh)
US20230111151A1 (en) Diagnostic system for hemoglobin analysis
CN112861986B (zh) 一种基于卷积神经网络的血脂亚组分含量检测方法
CN111710423A (zh) 基于回归模型测定心境障碍发病风险概率的方法
Ashley et al. Time‐domain signal averaging to improve microparticles detection and enumeration accuracy in a microfluidic impedance cytometer
Wang et al. A novel planar grounded capacitively coupled contactless conductivity detector for microchip electrophoresis
JP2001510896A (ja) パラプロテインのコンピュータ指示による検出
Youn et al. Fully-automatic deep learning-based analysis for determination of the invasiveness of breast cancer cells in an acoustic trap
CN114152557B (zh) 基于图像分析的血细胞计数方法和系统
CN113791018B (zh) 基于电阻抗信号的单细胞机械本征参数测量系统和方法
Wang et al. Development of microfluidic system enabling high-throughput characterization of multiple biophysical parameters of single cells
US20210187507A1 (en) Sample preliminary screening chip, specimen detecting method, and screening device
Kumari et al. Measuring red blood cell deformability and its heterogeneity using a fast microfluidic device
CN111982985A (zh) 一种离心式微流控芯片电化学检测装置及方法
CN118553429B (zh) 一种代谢性疾病的智能预测模型训练及类别预测方法
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
RU2004126112A (ru) Способ измерения вязко-упругих характеристик клеток биологических объектов, способ дифференциальной диагностики диффузных заболеваний печени алкогольной и вирусной природы и устройство для осуществления указанных способов
CN116956143A (zh) 光谱数据的模型构建及分类检测方法、装置、设备及介质

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