CN113419020A - 糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质 - Google Patents
糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质 Download PDFInfo
- Publication number
- CN113419020A CN113419020A CN202110731456.5A CN202110731456A CN113419020A CN 113419020 A CN113419020 A CN 113419020A CN 202110731456 A CN202110731456 A CN 202110731456A CN 113419020 A CN113419020 A CN 113419020A
- Authority
- CN
- China
- Prior art keywords
- peak
- glycosylated hemoglobin
- curve
- hemoglobin
- glycated hemoglobin
- 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
- 102000017011 Glycated Hemoglobin A Human genes 0.000 title claims abstract description 147
- 108091005995 glycated hemoglobin Proteins 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 45
- 108010014663 Glycated Hemoglobin A Proteins 0.000 claims abstract description 70
- 238000004811 liquid chromatography Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 60
- 239000002245 particle Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims 1
- 239000008280 blood Substances 0.000 abstract description 2
- 210000004369 blood Anatomy 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010044267 Abnormal Hemoglobins Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000001042 affinity chromatography Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
- G01N30/8631—Peaks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明适用于生物分析技术领域，提供了糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质；一种糖化血红蛋白重叠峰识别方法包括：获取糖化血红蛋白液相色谱曲线图；在所述曲线图上选取重叠的波峰段；在所述波峰上分别选取若干个样本点，所述样本点包括所述糖化血红蛋白波峰的峰值点；构造所述糖化血红蛋白波峰的分布曲线，将所述峰值点带入所述分布曲线中得到带有未知参数的糖化血红蛋白曲线函数，用所述糖化血红蛋白曲线函数构造出关于所述未知参数的最优函数；根据所述样本点求解所述最优函数；本发明可快速识别并完整描绘糖化血红蛋白重叠的部分，提高血糖检测和分析的精确度。
Description
技术领域
本发明属于生物分析技术领域，尤其涉及一种糖化血红蛋白重叠峰识别方法。
背景技术
糖尿病是常见的内分泌代谢障碍性疾病。糖化血红蛋白（HbA1c）能够反映人体内8－12周内的平均血糖水平，是评价长期血糖控制的金指标，也是指导临床调整和治疗糖尿病方案的重要依据。检测HbA1c的方法主要有：高效液相色谱法、电泳法、免疫法和亲和层析法。其中国际公认的金标法（高效液相色谱法）测定糖化血红蛋白具有准确度高、精密度好，异常血红蛋白和衍生物的干扰小等特点。
一般情形下，用液相色谱曲线自动识别糖峰，不同的糖峰有不同的出峰时间和波峰值区间。但在实际操作中，不同糖化血红蛋白峰会相互重叠，导致糖化血红蛋白曲线不能清楚、完整地描绘出单一糖化血红蛋白的特征。
发明内容
本发明实施例的目的在于提供一种糖化血红蛋白重叠峰识别方法，旨在解决糖化血红蛋白峰重叠的问题。
本发明实施例是这样实现的，一种糖化血红蛋白重叠峰识别方法，所述方法包括：
获取糖化血红蛋白液相色谱曲线图；
在所述曲线图上选取波峰段，所述波峰段包括两个相互重叠的糖化血红蛋白波峰；
在每一个所述糖化血红蛋白波峰上分别选取若干个样本点，所述样本点包括所述糖化血红蛋白波峰的峰值点；
构造所述糖化血红蛋白波峰的分布曲线，将所述峰值点带入所述分布曲线中得到带有未知参数的糖化血红蛋白曲线函数，用所述糖化血红蛋白曲线函数构造出关于所述未知参数的最优函数；
根据所述样本点求解所述最优函数，得到所述未知参数，解出两条所述糖化血红蛋白曲线函数。
本发明实施例的另一目的在于一种糖化血红蛋白重叠峰识别装置，所述识别装置包括接收模块、分析模块和存储模块；
接收模块，用于接收糖化血红蛋白处理设备传来的数据信息；
分析模块，从所述接收模块上获取数据，构造出带有未知参数的糖化血红蛋白曲线函数，解出所述未知参数得到所述糖化血红蛋白曲线函数；从所述存储模块上提取数据，将数据发送给输出设备；
存储模块，用于存储所述分析模块处理得到的数据结果。
本发明实施例的另一目的在于一种糖化血红蛋白重叠峰识别系统，所述识别装置包括：
糖化血红蛋白处理设备，用液相色谱法处理待测糖化血红蛋白样本，得到糖化血红蛋白液相色谱曲线图；
计算机设备，用于执行所述糖化血红蛋白重叠峰识别方法；
输出设备，用于接收所述分析模块的信号指令，输出所述糖化血红蛋白曲线函数，得到所述糖化血红蛋白曲线重叠部分的具体图形。
本发明实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行本发明上述实施例的糖化血红蛋白重叠峰识别方法的步骤。
本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行本发明上述实施例的糖化血红蛋白重叠峰识别方法的步骤。
本发明实施例提供的一种糖化血红蛋白重叠峰识别方法，通过构造糖化血红蛋白曲线函数的最优函数，并利用在糖化血红蛋白波峰上选取的样本点，解出最优函数中的未知参数，得到两条完整的糖化血红蛋白曲线，解决了在样本检测中产生的糖化血红蛋白峰重叠的问题，提高了液相色谱法识别糖化血红蛋白峰的精确度和完整度，有利于进一步的数据分析。
附图说明
图1为本发明实施例提供的糖化血红蛋白重叠峰识别方法的应用环境图；
图2为本发明实施例提供的糖化血红蛋白重叠峰识别方法的流程图；
图3为本发明实施例提供的糖化血红蛋重叠峰曲线图；
图4为图2中步骤S204的具体步骤流程图；
图5为根据粒子群算法求解未知参数的步骤流程图；
图6为图2中步骤S208的具体步骤流程图；
图7为图2中步骤S210的具体步骤流程图；
图8为本发明实施例提供的拟合糖化血糖蛋白峰重叠曲线图；
图9为本发明实施例提供的糖化血红蛋白重叠峰识别装置的结构框图；
图10为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的糖化血红蛋白峰识别方法的应用环境图，在该应用环境中，包括糖化血红蛋白处理设备100、计算机设备200和输出设备300。
糖化血红蛋白处理设备100可以是糖化血红蛋白分析仪，仪器可全分离测定糖化血红蛋白及血蛋白的变异体和亚型，用液相色谱法处理待测糖化血红蛋白样本，得到糖化血红蛋白液相色谱曲线图。
计算机设备200可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
输出设备300可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。糖化血红蛋白处理设备100、计算机设备200和输出设备300可以通过网络进行连接，本发明在此不做限制。
如图2和3所示，在一个实施例中，提出了一种糖化血红蛋白峰识别方法，本实施例主要以该方法应用于上述图1中的计算机设备200来举例说明。一种糖化血红蛋白峰识别方法，具体可以包括步骤S202~S210；
步骤S202，获取糖化血红蛋白液相色谱曲线图。
在本发明的实施例中，获取糖化血红蛋白液相色谱曲线图可以是计算机设备200向糖化血红蛋白处理设备100发送请求，然后糖化血红蛋白处理设备100将糖化血红蛋白液相色谱曲线图返回给计算机设备200；也可以是糖化血红蛋白处理设备100将得到糖化血红蛋白液相色谱曲线图直接发送给计算机设备200。
步骤S204，在所述曲线图上选取波峰段，所述波峰段包括两个相互重叠的糖化血红蛋白波峰。
在本发明的实施例中，如图3所示，波峰段当中包含两条糖化血红蛋白曲线重叠的部分，并且波峰段还含两条糖化血红蛋白曲线的峰值点。对于波峰段内的糖化血红蛋白波峰大于两个的情况，本发明可选取相邻的糖化血红蛋白波峰作为指定的波峰区间。
步骤S206，在每一个所述糖化血红蛋白波峰上分别选取若干个样本点，所述样本点包括所述糖化血红蛋白波峰的峰值点。
在本发明的实施例中，选取样本点的方法可以是随机抽样、固定选样或等距选样，所选取样本点的不少于5个。
步骤S208，构造所述糖化血红蛋白波峰的分布曲线，将所述峰值点带入所述分布曲线中得到带有未知参数的糖化血红蛋白曲线函数，用所述糖化血红蛋白曲线函数构造出关于所述未知参数的最优函数。
在本发明的实施例中，所构造的分布曲线可采用高斯分布或者t分布。由于在实际中采样的数据不会太多，若使用高斯分布曲线可能会有很大的偏差，因此本发明选择一类处理小样本的数据分布t分布。由数理统计理论可知，当样本点取得足够多的时候，t分布就趋近于高斯分布。所以，采用t分布会有更大的样本选择空间，比选择高斯分布更具有合理性。
步骤S210，根据所述样本点求解所述最优函数，得到所述未知参数，解出两条所述糖化血红蛋白曲线函数。
在本发明的实施例中，根据样本点求解最优函数就是根据样本点拟合函数图像，画出完整的糖化血红蛋白曲线函数的图像。
在一个实施例中，如图4所示，步骤S204具体可以包括以下步骤：
步骤S302，在所述液相色谱曲线上指定一个区间。
步骤S304 ，搜索所述区间上波峰的个数。
步骤S306，若波峰个数为0或者1，移动区间位置，进一步检索波峰个数；若指定区间长度内的波峰个数全为0或者1，扩大区间的范围，返回步骤S304，进一步检索波峰个数；当区间长度等于所述曲线图横轴长度极限且波峰个数为0或者1，终止算法。
步骤S308，若波峰个数大于2，缩小区间检索范围，进一步检索波峰个数，直至波峰个数等于2。
步骤S310，若波峰个数等于2，停止检索，将两个峰值点之间的区间确定为波峰段。
在本发明实施例中，通过移动区间、扩大区间和缩小区间的检索方法确定相邻两个波峰的位置，选取让所确定的搜索区间内置包括2个波峰，即在该指定区间内只能搜索到2个峰值点。将2个峰值点之间的区间确定为波峰段，也就是用于样本选取的波峰区间。上述确定波峰区间的方法快速有效。
在一个实施例中，如图5所示，步骤S210具体可以包括以下步骤：
步骤S402，在二维空间上根据所述样本点得到若干个粒子。
步骤S404，计算每个所述粒子的适应度值，搜索得到所述粒子的个体极值，根据所述个体极值找出整个粒子群的全局极值。
步骤S406，解出所述粒子在所述个体极值和全局极值条件下的所述未知参数。
在本发明实施例中，粒子群优化算法通过群体中个体之间的协作和信息共享来不断更新个体极值和粒子群的全局极值，从而容易求解最优函数。其优势在于简单容易实现，不需要设置过多的调节参数。
在一个实施例中，如图6所示，步骤S208具体可以包括以下步骤：
步骤S502，在第一糖化血红蛋白波峰上选取
个第一样本点
，以及1个第一峰值点
；在第二糖化血红蛋白波峰上选取
个第二样本点
，以及1个第二峰值点
。
步骤S504，用t分布构造所述糖化血红蛋白波峰的分布曲线，得到带有未知参数k的分布函数，
其中：
为伽马函数；
为所述糖化血红蛋白曲线函数与横轴t所围成的面积；
为所述峰值点在横轴t上的位置。
步骤S506，将所述峰值点带入上述公式得到
其中：
为所述糖化血红蛋白波峰的峰高。
步骤S508，根据上述公式构造出关于所述未知参数k的最优函数
其中：
为关于t和所述未知参数k的最小值函数。
在本发明实施例中，将峰值点
带入步骤S504的公式中，得到
将以上得到的
带入步骤S504的公式中得到步骤S506的公式。本发明实施例最终得到含有未知参数的k的最小值函数，通过求解这个最小值函数即可得到糖化血红蛋白曲线函数。求解糖化血红蛋白曲线函数的方法可以是直接将样本点带入最小值函数直接求得，也可以是采用曲线拟合的方式求得上述函数。
在一个实施例中，如图7和8所示，步骤S210具体可以包括以下步骤
步骤S602，在二维空间上选取m个粒子，
，给予每个粒子初始位置
，初始速度为
，将所述个体极值记为
，将所述全局极值记为
。
步骤S604，根据以下数学表达式确定所述粒子变化的位置和速度，
其中：惯性权重
在区间
；
为设置的参数；加速度系数
为常数；
为最大迭代次数。在SPO算法中，使用的参数的具体值一般为：惯性权重
为0.2～0.9；
为0～1；粒子群的粒子数量为10~100；最大迭代次数介于300到1000之间，初始速度是10%～20%，初始位置为样本点的坐标。
步骤S606，根据更新的所述粒子的速度
，更新所述个体极值
：若
，则得到个体极值
，得到m个粒子的k值，记为
；否则
，返回上述公式，继续迭代更新所述粒子的速度和位置；所述
指代
。
步骤S608，更新所述全局极值
：若
，则
；否则
。
步骤S610，若
，迭代结束；反之，则返回上述公式，继续迭代更新所述粒子的速度和位置，直达满足条件
为止。
步骤S612，解出所述未知参数
。
在本发明实施例中，根据从波峰区间上采集的样本点，在二维空间上选取的m个粒子，利用粒子群体中的个体对信息的共享带迭代个体极值和全局极值。由于某一粒子其初始位置和初始速度发生变化，该粒子的个体极值和粒子群的全局极值都会发生变化，整个粒子群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。该算法具有实现容易、精度高、收敛快的优点。
在一个实施例中，步骤S210中解得未知参数的方法可以是：
将所述第一样本点记为
和所述第二样本点
分别带入关于所述未知参数k的最优函数，解出两个所述未知参数k，得到两条所述糖化血红蛋白曲线函数。
在本发明实施例中，当样本容量小时，将样本点带入方程直接求解也可以得到方程的解，无需采用额外的算法。
如图9所示，在一个实施例中，提供了一种糖化血红蛋白重叠峰识别装置，该糖化血红蛋白重叠峰识别装置可以集成于上述的计算机设备200中，所述识别装置包括接收模块210、分析模块220和存储模块230；
接收模块210，用于接收糖化血红蛋白处理设备100传来的数据信息；
分析模块220，从所述接收模块210上获取数据，构造出带有未知参数的糖化血红蛋白曲线函数，解出所述未知参数得到所述糖化血红蛋白曲线函数；从所述存储模块230上提取数据，将数据发送给输出设备300；
存储模块230，用于存储所述分析模块220处理得到的数据结果。
如图1所示，在一个实施例中，提供了一种糖化血红蛋白重叠峰识别系统，所述系统包括：
糖化血红蛋白处理设备100，用液相色谱法处理待测糖化血红蛋白样本，得到糖化血红蛋白液相色谱曲线图；
计算机设备200，用于执行所述糖化血红蛋白识别方法；
输出设备300，用于接收分析模块220的信号指令，输出所述糖化血红蛋白曲线函数，得到所述糖化血红蛋白曲线重叠部分的具体图形。
图10示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的计算机设备200。如图10所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现糖化血红蛋白重叠峰识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行糖化血红蛋白重叠峰识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图 10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的糖化血红蛋白重叠峰识别装置可以实现为一种计算机程序的形式，计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该糖化血红蛋白重叠峰识别装置的各个程序模块，比如，图9所示的接收模块210、分析模块220和存储模块230。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的糖化血红蛋白重叠峰识别方法中的步骤。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取糖化血红蛋白液相色谱曲线图；
在所述曲线图上选取波峰段，所述波峰段包括两个相互重叠的糖化血红蛋白波峰；
在每一个所述糖化血红蛋白波峰上分别选取若干个样本点，所述样本点包括所述糖化血红蛋白波峰的峰值点；
构造所述糖化血红蛋白波峰的分布曲线，将所述峰值点带入所述分布曲线中得到带有未知参数的糖化血红蛋白曲线函数，用所述糖化血红蛋白曲线函数构造出关于所述未知参数的最优函数；
根据所述样本点求解所述最优函数，得到所述未知参数，解出两条所述糖化血红蛋白曲线函数。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取糖化血红蛋白液相色谱曲线图；
在所述曲线图上选取波峰段，所述波峰段包括两个相互重叠的糖化血红蛋白波峰；
在每一个所述糖化血红蛋白波峰上分别选取若干个样本点，所述样本点包括所述糖化血红蛋白波峰的峰值点；
构造所述糖化血红蛋白波峰的分布曲线，将所述峰值点带入所述分布曲线中得到带有未知参数的糖化血红蛋白曲线函数，用所述糖化血红蛋白曲线函数构造出关于所述未知参数的最优函数；
根据所述样本点求解所述最优函数，得到所述未知参数，解出两条所述糖化血红蛋白曲线函数。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种糖化血红蛋白重叠峰识别方法，其特征在于，所述方法包括：
获取糖化血红蛋白液相色谱曲线图；
在所述曲线图上选取波峰段，所述波峰段包括两个相互重叠的糖化血红蛋白波峰；
在每一个所述糖化血红蛋白波峰上分别选取若干个样本点，所述样本点包括所述糖化血红蛋白波峰的峰值点；
构造所述糖化血红蛋白波峰的分布曲线，将所述峰值点带入所述分布曲线中得到带有未知参数的糖化血红蛋白曲线函数，用所述糖化血红蛋白曲线函数构造出关于所述未知参数的最优函数；
根据所述样本点求解所述最优函数，得到所述未知参数，解出两条所述糖化血红蛋白曲线函数。
2.根据权利要求1所述的方法，其特征在于，选取所述波峰段的方法包括：
在所述液相色谱曲线上指定一个区间；
搜索所述区间上波峰的个数；
若波峰个数为0或者1，移动区间位置，进一步检索波峰个数；若指定区间长度内的波峰个数全为0或者1，扩大区间的范围，返回上一步骤，进一步检索波峰个数；当区间长度等于所述曲线图横轴长度极限且波峰个数为0或者1，终止算法；
若波峰个数大于2，缩小区间检索范围，进一步检索波峰个数，直至波峰个数等于2；
若波峰个数等于2，停止检索，将两个峰值点之间的区间确定为波峰段。
3.根据权利要求1所述的方法，其特征在于，将所述样本点带入粒子群算法，求解所述最优函数，得到所述未知参数，其求解方法包括：
在二维空间上根据所述样本点得到若干个粒子；
计算每个所述粒子的适应度值，搜索得到所述粒子的个体极值，根据所述个体极值找出整个粒子群的全局极值；
解出所述粒子在所述个体极值和全局极值条件下的所述未知参数。
4.根据权利要求3所述的方法，其特征在于，构造关于所述未知参数的所述最优函数的方法包括：
在第一糖化血红蛋白波峰上选取n1个第一样本点
以及1个第一峰值点
在第二糖化血红蛋白波峰上选取n2个第二样本点
以及1个第二峰值点
用t分布构造所述糖化血红蛋白波峰的分布曲线，得到带有未知参数k的分布函数，
其中：T(t)为伽马函数；Θ为所述糖化血红蛋白曲线函数与横轴t所围成的面积；tmax为所述峰值点在横轴t上的位置；
将所述峰值点带入上述公式得到
其中：hmax为所述糖化血红蛋白波峰的峰高；
根据上述公式构造出关于所述未知参数k的最优函数
其中：mint Q(t)为关于t和所述未知参数k的最小值函数。
5.根据权利要求4所述的方法，其特征在于，根据粒子群算法迭代得到所述未知参数的方法包括：
在二维空间上选取m个粒子，m＝n1，n2，给予每个粒子初始位置θ，初始速度为
将所述个体极值记为pbestk，将所述全局极值记为Gbestk；
根据以下数学表达式确定所述粒子变化的位置和速度，
其中：惯性权重w在区间(wmin，wmax)；wmin、wmax为设置的参数；加速度系数c1、c2为常数；maxite为最大迭代次数；
根据更新的所述粒子的速度
更新所述个体极值pbestk：若fitnessk+1<fitnessk，则得到个体极值pbestk+1＝θk+1，得到m个粒子的k值，记为ki，i＝1，2，…，m；否则pbestk+1＝pbestk，返回上述公式，继续迭代更新所述粒子的速度和位置；所述fitness指代Q(t)；
更新所述全局极值Gbestk：若
则
否则Gbestk+1＝Gbestk；
若k≥maxite，迭代结束；反之，则返回上述公式，继续迭代更新所述粒子的速度和位置，直达满足条件k≥maxite为止；
解出所述未知参数
6.根据权利要求4所述的方法，其特征在于，将所述第一样本点记为
和所述第二样本点
分别带入关于所述未知参数k的最优函数，解出两个所述未知参数k，得到两条所述糖化血红蛋白曲线函数。
7.一种糖化血红蛋白重叠峰识别装置，其特征在于，所述识别装置包括接收模块、分析模块和存储模块；
接收模块，用于接收糖化血红蛋白处理设备传来的数据信息；
分析模块，从所述接收模块上获取数据，构造出带有未知参数的糖化血红蛋白曲线函数，解出所述未知参数得到所述糖化血红蛋白曲线函数；从所述存储模块上提取数据，将数据发送给输出设备；
存储模块，用于存储所述分析模块处理得到的数据结果。
8.一种糖化血红蛋白重叠峰识别系统，其特征在于，所述系统包括：
糖化血红蛋白处理设备，用液相色谱法处理待测糖化血红蛋白样本，得到糖化血红蛋白液相色谱曲线图；
计算机设备，用于执行权利要求1所述的方法；
输出设备，用于接收分析模块的信号指令，输出所述糖化血红蛋白曲线函数，得到所述糖化血红蛋白曲线重叠部分的具体图形。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述糖化血红蛋白重叠峰识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述糖化血红蛋白重叠峰识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110731456.5A CN113419020A (zh) | 2021-06-30 | 2021-06-30 | 糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110731456.5A CN113419020A (zh) | 2021-06-30 | 2021-06-30 | 糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113419020A true CN113419020A (zh) | 2021-09-21 |
Family
ID=77717230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110731456.5A Pending CN113419020A (zh) | 2021-06-30 | 2021-06-30 | 糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113419020A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002367A (zh) * | 2021-10-15 | 2022-02-01 | 无锡博慧斯生物医药科技有限公司 | 一种高效液相糖化血红蛋白色谱峰面积的算法 |
| CN114431856A (zh) * | 2022-01-28 | 2022-05-06 | 上海乾康医疗设备股份有限公司 | 一种神经反馈康复训练系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0694696A (ja) * | 1992-09-17 | 1994-04-08 | Hitachi Ltd | クロマトグラム解析方法及びクロマトグラフ装置 |
| JPH09264889A (ja) * | 1996-03-28 | 1997-10-07 | Tosoh Corp | 液体クロマトグラフィーを用いた糖化ヘモグロビン測定装置のデータ処理方法 |
| CN1690713A (zh) * | 2004-04-23 | 2005-11-02 | 霍夫曼-拉罗奇有限公司 | 对样本进行分析以提供表征数据的方法、系统和指令程序 |
| CN1712955A (zh) * | 2004-06-25 | 2005-12-28 | 中国科学院大连化学物理研究所 | 一种精确测定色谱峰形参数和重叠峰面积的方法 |
| US20070211928A1 (en) * | 2005-11-10 | 2007-09-13 | Rosetta Inpharmatics Llc | Discover biological features using composite images |
| CN105067732A (zh) * | 2015-07-07 | 2015-11-18 | 天津大学 | 基于二阶高斯函数拟合的色谱重叠峰定量方法 |
| WO2017046988A1 (en) * | 2015-09-18 | 2017-03-23 | Sony Corporation | Information processing apparatus, information processing method, and information processing system |
| CN107076712A (zh) * | 2014-09-03 | 2017-08-18 | 株式会社岛津制作所 | 色谱数据处理方法以及装置 |
| US20180259440A1 (en) * | 2015-09-18 | 2018-09-13 | Sony Corporation | Information processing apparatus, information processing method, and information processing system |
| CN108982732A (zh) * | 2018-08-23 | 2018-12-11 | 西南科技大学 | 一种高效液相糖化血红蛋白色谱峰面积识别方法 |
| CN109100441A (zh) * | 2018-08-23 | 2018-12-28 | 西南科技大学 | 一种液相色谱曲线去除脉冲干扰的方法 |
| CN109560575A (zh) * | 2019-01-14 | 2019-04-02 | 武汉大学 | 一种基于鲁棒分散因子的能源互联网能量优化方法 |
| CN110568494A (zh) * | 2019-09-12 | 2019-12-13 | 电子科技大学 | 基于广义极值分布的叠前非高斯avo反演方法 |
| US20200110064A1 (en) * | 2017-05-08 | 2020-04-09 | Shimadzu Corporation | Chromatograph mass spectrometry data processing device and chromatograph mass spectrometry data processing program |
| CN111337606A (zh) * | 2020-03-19 | 2020-06-26 | 南通乐尔环保科技有限公司 | 一种应用于色谱分析的重叠峰处理办法及装置 |
| CN112444589A (zh) * | 2020-12-04 | 2021-03-05 | 深圳普门科技股份有限公司 | 色谱峰检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-06-30 CN CN202110731456.5A patent/CN113419020A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0694696A (ja) * | 1992-09-17 | 1994-04-08 | Hitachi Ltd | クロマトグラム解析方法及びクロマトグラフ装置 |
| JPH09264889A (ja) * | 1996-03-28 | 1997-10-07 | Tosoh Corp | 液体クロマトグラフィーを用いた糖化ヘモグロビン測定装置のデータ処理方法 |
| CN1690713A (zh) * | 2004-04-23 | 2005-11-02 | 霍夫曼-拉罗奇有限公司 | 对样本进行分析以提供表征数据的方法、系统和指令程序 |
| CN1712955A (zh) * | 2004-06-25 | 2005-12-28 | 中国科学院大连化学物理研究所 | 一种精确测定色谱峰形参数和重叠峰面积的方法 |
| US20070211928A1 (en) * | 2005-11-10 | 2007-09-13 | Rosetta Inpharmatics Llc | Discover biological features using composite images |
| CN107076712A (zh) * | 2014-09-03 | 2017-08-18 | 株式会社岛津制作所 | 色谱数据处理方法以及装置 |
| CN105067732A (zh) * | 2015-07-07 | 2015-11-18 | 天津大学 | 基于二阶高斯函数拟合的色谱重叠峰定量方法 |
| US20180259440A1 (en) * | 2015-09-18 | 2018-09-13 | Sony Corporation | Information processing apparatus, information processing method, and information processing system |
| WO2017046988A1 (en) * | 2015-09-18 | 2017-03-23 | Sony Corporation | Information processing apparatus, information processing method, and information processing system |
| US20200110064A1 (en) * | 2017-05-08 | 2020-04-09 | Shimadzu Corporation | Chromatograph mass spectrometry data processing device and chromatograph mass spectrometry data processing program |
| CN108982732A (zh) * | 2018-08-23 | 2018-12-11 | 西南科技大学 | 一种高效液相糖化血红蛋白色谱峰面积识别方法 |
| CN109100441A (zh) * | 2018-08-23 | 2018-12-28 | 西南科技大学 | 一种液相色谱曲线去除脉冲干扰的方法 |
| CN109560575A (zh) * | 2019-01-14 | 2019-04-02 | 武汉大学 | 一种基于鲁棒分散因子的能源互联网能量优化方法 |
| CN110568494A (zh) * | 2019-09-12 | 2019-12-13 | 电子科技大学 | 基于广义极值分布的叠前非高斯avo反演方法 |
| CN111337606A (zh) * | 2020-03-19 | 2020-06-26 | 南通乐尔环保科技有限公司 | 一种应用于色谱分析的重叠峰处理办法及装置 |
| CN112444589A (zh) * | 2020-12-04 | 2021-03-05 | 深圳普门科技股份有限公司 | 色谱峰检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| M.C. PIETROGRANDE 等: "Statistical study of peak overlapping in multicomponent chromatograms: importance of the retention pattern", CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS * |
| PAWEŁ WICZLING 等: "Application of Bayesian Multilevel Modeling in the Quantitative Structure−Retention Relationship Studies of Heterogeneous Compounds", ANALYTICAL CHEMISTRY * |
| 黄安贻 等: "基于高斯混合模型的敞开式质谱重叠峰解析方法", 科学技术与工程 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002367A (zh) * | 2021-10-15 | 2022-02-01 | 无锡博慧斯生物医药科技有限公司 | 一种高效液相糖化血红蛋白色谱峰面积的算法 |
| CN114002367B (zh) * | 2021-10-15 | 2023-05-09 | 无锡博慧斯生物医药科技有限公司 | 一种高效液相糖化血红蛋白色谱峰面积的算法 |
| CN114431856A (zh) * | 2022-01-28 | 2022-05-06 | 上海乾康医疗设备股份有限公司 | 一种神经反馈康复训练系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hutchinson et al. | Models and machines: how deep learning will take clinical pharmacology to the next level | |
| US20210319062A1 (en) | Method and apparatus for searching video segment, device, and medium | |
| JP2022532460A (ja) | モデル訓練方法、装置、端末及びプログラム | |
| CN112889042A (zh) | 机器学习中超参数的识别与应用 | |
| Veselkov et al. | BASIS: High-performance bioinformatics platform for processing of large-scale mass spectrometry imaging data in chemically augmented histology | |
| Spelina et al. | Characterization of knock intensity distributions: Part 2: parametric models | |
| Rajaratnam et al. | Influence diagnostics for high-dimensional lasso regression | |
| CN112989146A (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
| US10698914B2 (en) | Query-by-example for finding similar people | |
| Archakov et al. | Recent advances in proteomic profiling of human blood: clinical scope | |
| WO2015148420A1 (en) | User inactivity aware recommendation system | |
| CN112989179B (zh) | 模型训练、多媒体内容推荐方法和装置 | |
| US20150278910A1 (en) | Directed Recommendations | |
| CN113419020A (zh) | 糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质 | |
| US11379757B2 (en) | Methods, systems, and frameworks for data analytics using machine learning | |
| CN110956127A (zh) | 用于生成特征向量的方法、装置、电子设备和介质 | |
| US10891275B2 (en) | Limited data enricher | |
| CN111444833B (zh) | 果实测产方法、装置、计算机设备及存储介质 | |
| AU2021276239A1 (en) | Identifying claim complexity by integrating supervised and unsupervised learning | |
| Yang et al. | Efficient knowledge management for heterogeneous federated continual learning on resource-constrained edge devices | |
| KR102192461B1 (ko) | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 | |
| Shuvo et al. | iQDeep: an integrated web server for protein scoring using multiscale deep learning models | |
| CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
| Yu et al. | Quantile regression for survival data with covariates subject to detection limits | |
| Ventura et al. | A model-independent algorithm to derive Ca2+ fluxes underlying local cytosolic Ca2+ transients |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210921 |