CN113449804A - 血液类别的确定方法及相关设备 - Google Patents

血液类别的确定方法及相关设备 Download PDF

Info

Publication number
CN113449804A
CN113449804A CN202110780948.3A CN202110780948A CN113449804A CN 113449804 A CN113449804 A CN 113449804A CN 202110780948 A CN202110780948 A CN 202110780948A CN 113449804 A CN113449804 A CN 113449804A
Authority
CN
China
Prior art keywords
periodic
characteristic
classification
determining
feature
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
CN202110780948.3A
Other languages
English (en)
Other versions
CN113449804B (zh
Inventor
张平
贾丹迪
高强
郑萌萌
路洪艳
张永政
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.)
Qufu Normal University
Original Assignee
Qufu Normal University
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 Qufu Normal University filed Critical Qufu Normal University
Priority to CN202110780948.3A priority Critical patent/CN113449804B/zh
Publication of CN113449804A publication Critical patent/CN113449804A/zh
Application granted granted Critical
Publication of CN113449804B publication Critical patent/CN113449804B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供一种血液类别的确定方法及相关设备。该方法包括：获取待测血液样本的光谱图所对应的第一周期特征，并基于第一滤波器组对所述第一周期特征进行滤波得到第二周期特征；根据所述第二周期特征以及权重矩阵确定第三周期特征，其中，所述第一滤波器组内的滤波器的带宽与分类模型的分类效果值为负相关关系和/或所述权重矩阵内的权重与所述分类效果值为正相关关系，所述分类模型用于对目标周期特征进行预测得到分类效果值，所述目标周期特征为舍弃部分周期特征分量的周期特征，且所述目标周期特征经过滤波器组滤波；根据所述第三周期特征以及所述分类模型确定所述待测血液样本的类别。本发明的方法，提高了血液样本的鉴别准确性。

Description

血液类别的确定方法及相关设备
技术领域
本发明涉及机器学习技术，尤其涉及一种血液类别的确定方法及相关设备。
背景技术
血液样本的有效甄别在进出口检验检疫、刑事侦检、野生动物保护等领域有着重要的应用意义。传统的血液制品鉴别方法基于氧化还原反应或特异性蛋白检验来实现，在甄别过程中易对血液制品造成不可逆转的破坏。
现有技术中，通过光谱技术分析散射光谱特征以得到血液中物质分子振动、转动的信息，且可进一步判断血液中物质的组成。光谱技术甄别血液样本具有零污染、无需或极少的前期处理、非接触、所需样品量少、测试快速等诸多特点，为血液制品的快速无损鉴别提供了可能。
但光谱技术分析血液是通过理论模型进行分析，理论模型多为线性模型，然而受仪器的杂散光、环境温度和探测器的非线性响应等因素影响，光谱对物质的响应并不完全是线性的，导致血液类别的鉴别准确性较低。
发明内容
本发明提供一种血液类别的确定方法及相关设备，用以解决血液类别的鉴别准确性较低的问题。
一方面，本发明提供一种血液类别的确定方法，包括：
获取待测血液样本的光谱图所对应的第一周期特征，并基于第一滤波器组对所述第一周期特征的频域进行滤波得到第二周期特征；
根据所述第二周期特征以及权重矩阵确定第三周期特征，其中，所述第一滤波器组内的滤波器的带宽与分类模型的分类效果值为负相关关系和/或所述权重矩阵内的权重与所述分类效果值为正相关关系，所述分类模型用于对目标周期特征进行预测得到分类效果值，所述目标周期特征为舍弃部分周期特征分量的周期特征，且所述目标周期特征经过第一滤波器组滤波；
根据所述第三周期特征以及所述分类模型确定所述待测血液样本的类别。
在一实施例中，所述基于滤波器组对所述第一周期特征的进行滤波得到第二周期特征的步骤之前，还包括：
获取训练血液样本的光谱图所对应的第四周期特征，并使用带宽线性增加的第二滤波器组对所述第四周期特征的进行滤波得到第五周期特征；
依次舍弃所述第五周期特征中的每个周期特征分量得到各个第六周期特征；
将各个所述第六周期特征输入所述分类模型，得到每个所述第六周期特征对应的分类效果值；
根据各个所述分类效果值调整目标参数，所述目标参数包括所述第二滤波器组内滤波器的带宽以及所述权重矩阵内的权重的至少一个，调整带宽的所述第二滤波器组为所述第一滤波器组。
在一实施例中，所述将各个所述第六周期特征输入所述分类模型，得到每个所述第六周期特征对应的分类效果值的步骤包括：
将各个所述第六周期特征依次输入所述分类模型，得到分类模型基于所述第六周期特征的分类准确率；
根据所述分类准确率确定所述第六周期特征对应的分类效果值，其中，所述分类准确率与所述分类效果值为负相关关系。
在一实施例中，所述根据各个所述分类效果值调整所述目标参数的步骤包括：
根据各个所述分类效果值，确定周期特征分量对血液类别预测的影响曲线；
根据所述影响曲线调整所述目标参数。
在一实施例中，所述根据各个所述分类效果值调整所述目标参数的步骤之后，还包括：
采用所述第一滤波器组对所述第二周期特征的频域进行滤波得到第七周期特征；
根据所述第七周期特征以及权重矩阵确定第八周期特征；
根据各个所述第八周期特征对所述分类模型进行训练。
在一实施例中，所述获取待测血液样本的光谱图所对应的第一周期特征的步骤包括：
获取所述待测血液样本的拉曼光谱图，并根据所述拉曼光谱图确定一维序列；
根据所述一维序列获取二维周期特性谱图，并根据所述二维周期特性谱图确定第一周期特征。
在一实施例中，所述根据所述第二周期特征以及权重矩阵确定第三周期特征的步骤包括：
根据所述第二周期特征以及权重矩阵确定哈达玛积；
根据所述哈达玛积确定所述第三周期特征。
另一方面，本发明还提供一种血液类别的确定装置，包括：
获取模块，用于获取待测血液样本的光谱图所对应的第一周期特征，并基于第一滤波器组对所述第一周期特征的频域进行滤波得到第二周期特征；
确定模块，用于根据所述第二周期特征以及权重矩阵确定第三周期特征，其中，所述第一滤波器组内的滤波器的带宽与分类模型的分类效果值为负相关关系和/或所述权重矩阵内的权重与所述分类效果值为正相关关系，所述分类模型用于对目标周期特征进行预测得到分类效果值，所述目标周期特征为舍弃部分周期特征分量的周期特征，且所述目标周期特征经过第一滤波器组滤波；
所述确定模块，还用于根据所述第三周期特征以及所述分类模型确定所述待测血液样本的类别。
另一方面，本发明还提供一种血液类别的确定设备，所述血液类别的确定设备包括：滤波器组、存储器和处理器；
所述滤波器组用于对光谱图的周期特征的频域进行滤波；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上所述的血液类别的确定方法。
另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上所述的血液类别的确定方法。
另一方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的血液类别的确定方法。
本发明提供的血液类别的确定方法及相关设备，先获取待测血样样本的光谱图所对应的第一周期特征，基于滤波器组对第一周期特征的频域进行滤波得到第二周期特征，再根据第二周期特征以及权重矩阵确定第三周期特征，最后根据第三周期特征以及分类模型确定待测血液样本的类别。一方面，本发明中滤波器组内滤波器的带宽通过分类模型的分类效果值设置，分类效果值是分类模型通过对舍弃部分周期特征分量且经过滤波组滤波的周期特征进行预测得到，也即分类效果值表征分类模型对完成滤波的剩余周期进行预测得到的血液鉴别准确性，而分类效果值与带宽负正相关关系，使得滤波器组设置较小的滤波器带宽以提高周期特征中鉴别准确性较高的周期部分的分辨率，且设置较大的滤波器带宽以降低周期特征中鉴别准确性较低的周期部分的分辨率，进而使得滤波器组提取的周期特征能够提高分类模型对血液样本的鉴别准确性。另一方面，本发明中权重矩阵中权重通过分类效果值设置，而分类效果值与权重为正相关关系，使得周期特征中鉴别准确性较高的周期部分的权重设置较大，且周期特征中鉴别准确性较低的周期部分的权重设置较小，进而使得分类模型着重对周期特征中准确性较高的周期部分进行预测，提高了血液样本的鉴别准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明血液类别的确定方法第一实施例的流程示意图；
图2为本发明血液类别的确定方法的实现结构示意图；
图3为本发明血液类别的确定方法第二实施例的流程示意图；
图4为本发明血液类别的确定方法第三实施例中步骤60的细化流程示意图；
图5为本发明血液类别的确定方法第四实施例的流程示意图；
图6为本发明血液类别的确定装置的一结构示意图；
图7为本发明血液类别的确定装置的另一结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
首先对本发明所涉及的名词进行解释：
滤波器组：是由N个滤波器构成的，滤波器可以为三角滤波器；
分类效果值：是指分类模型对目标周期特征进行预测所得到的数值评估结果，表征分类模型对血液鉴别的准确性，也即分类模型输出的血液样本的概率值或者分类结果的评估分值；
目标周期特征：是指舍弃部分周期特征分量的周期特征，且舍弃周期特征分量的周期特征经过滤波器组滤波；
分类模型：是指对血液样本的光谱图所对应的周期特征进行预测的模型，该模型可为卷积神经网络模型，也即为CNN(Convolutional Neural Network，卷积神经网络)模型；
光谱图：通过对血液样本进行光谱分析得到吗，光谱图可为拉曼光谱图，也即通过拉曼光谱技术对血液样本进行分析得到拉曼光谱图。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
参照图1，图1为本发明血液类别的确定方法的第一实施例，血液类别的确定方法包括以下步骤：
步骤10，获取待测血液样本的光谱图所对应的第一周期特征，并基于第一滤波器组对第一周期特征的频域进行滤波得到第二周期特征。
在本实施例中，执行主体为血液类别的确定装置，为了便于描述，以下采用装置指代血液类别的确定装置。装置中设置有滤波器组，滤波器由多个带宽线性增加的滤波器组成。
装置先获取待测血液样本的光谱图所对应的第一周期特征，第一周期特征可以表示为
Figure BDA0003156937120000051
其中sik为第k个周期特征分量。装置可以通过外部设备传输的光谱图分析数据得到第一周期特征。
此外，第一周期特征也可由装置直接获取。装置对待测血液样本进行拉曼光谱分析得到拉曼光谱图，通过拉曼光谱图得到一维序列，再基于一维序列获取二维周期特征谱图，最后通过二维周期特征谱图确定第一周期特征。
具体的，拉曼光谱视为一组强度随波长变化的一维序列Xi＝[x1，x2，x3，…，xn]。装置采用短时傅里叶变换方法对一维序列Xi＝[x1，x2，x3，…，xn]进行分解，具体公式如下：
STFTi(τ，f)＝∑Xi(λ)w(τ-λ)e-j2πfλ
Si＝|STFTi(τ，f)|2
其中，Xi(λ)为一维序列，w(λ)为窗函数。Si为一维序列Xi对应的二维周期特征谱图。也即第一周期特征可表示为
Figure BDA0003156937120000061
其中sij为周期分量j∈[1，K]，Si大小为K×T。
装置在得到第一周期特征后，装置再采用第一滤波器组对第一周期特征的频域进行滤波(频域滤波即为频率域滤波)，滤波后所得到的周期特征定义为第二周期特征。第一周期特征滤波为第二周期特征后，周期分量数由K个减少至N个，也即第一周期特征为
Figure BDA0003156937120000062
需要说明的是，周期特征的周期特征分量对应的中心周期即为滤波器组的滤波器的中心周期fc。
步骤20，根据第二周期特征以及权重矩阵确定第三周期特征，其中，滤波器组内的滤波器的带宽与分类模型的分类效果值为负相关关系和/或权重矩阵内的权重与分类效果值为正相关关系，分类模型用于对目标周期特征进行预测得到分类效果值，目标周期特征为舍弃部分周期特征分量的周期特征，且目标周期特征经过第一滤波器组滤波。
装置中设置有权重矩阵，权重矩阵由多个权重组成，权重矩阵可表示为
Figure BDA0003156937120000063
Figure BDA0003156937120000064
周期特征包括有多个周期特征分量，周期特征分量在权重矩阵中有对应的权重。此外，装置中还设有分类模型，分类模型用于预测血液样本的类别。在本实施例，权重矩阵内的权重可通过分类模型的分类效果值设置。具体的，装置得到滤波后的周期特征后，在该周期特征中依次舍弃部分的周期特征分配得到各个目标周期特征，再将各个目标周期特征输入至分类模型得到分类模型输出的数值，可以用该数值与周期特征的人工标注的数值进行比对，从而得到目标周期特征所对应的分类效果值，分类效果值越大，则分类模型对目标周期特征的预测准确性越高。而目标周期特征是舍弃了部分的周期特征分量，若是目标周期特征对应的分类效果值越高，则表示周期特征中剩余的周期部分能够对分类模型的预测准确性有所提高，因此，需要提高剩余的周期部分的权重，并减小舍弃的周期部分的权重。基于此原因，将权重矩阵中的权重与分类模型的分类效果值设置为正相关关系，也即分类效果值越高，权重越大，分类效果值越小，则权重越小。
滤波器组中滤波器的带宽大小决定分类模型对滤波后的周期特征中周期特征分量的分辨率，基于上述分类效果值的原理，将预测准确性较高的周期部分的滤波器带宽设置的较小，以提高周期特征中预测准确性较高的周期部分的分辨率，且将预测准确性较低的周期部分的滤波器带宽设置的较大，以降低周期特征中预测准确性较低的周期部分的分辨率。分类效果值越高，则分类模型的预测准确性较低，因此，装置可将滤波器的带宽与分类效果值设置为负相关关系。
提高预测准确性较高的周期部分的分比率或者权重，能够提高分类模型对血液类别的鉴别准确性。故，装置将滤波器组内的滤波器的带宽与分类模型的分类效果值设置为负相关关系、将述权重矩阵内的权重与分类模型的分类效果值设置为正相关关系、或者、将滤波器组内的滤波器的带宽以及权重矩阵中权重均与分类模型的分类效果值设置为正相关关系。
装置在得到第二周期特征后，根据第二周期特征以及权重矩阵即可确定第三周期特征。具体的，装置基于权重矩阵W对第二周期特征
Figure BDA0003156937120000071
赋权，及求取W与
Figure BDA0003156937120000072
的哈达玛积得到第三周期特征
Figure BDA0003156937120000076
Figure BDA0003156937120000074
步骤30，根据第三周期特征以及分类模型确定待测血液样本的类别。
装置将第三周期特征输入至分类模型，分类模型输出数值，即可基于该数值确定待测血液样本的类别。例如，分类模型输出的数值包括0和1,0表示血液样本为A类动物，而1表示血液样本不为A类动物；若是分类模型输出的数值为0，即可确定血液样本为A类动物，若分类模型输出的数值为1，即可确定血液样本不为A类动物。
分类模型可为CNN模型，CNN模型结构如图2中所示，由两层卷积层以及softma构成，一层卷积层为全连接层，另一层卷积层为输出层。CNN模型仅有第一层卷积加入最大池化。CNN模型的损失函数使用交叉熵，计算公式如下：
Figure BDA0003156937120000075
其中，m为样本数量，p(Xi)为样本Xi对应的标记真实概率分布，q(Xi)为预测概率分布。
继续参照图2，血液样本的确定方法分为两大部分，第一部分为图2中下半部分的虚线框，也即光谱图Xi＝[x1，x2，x3，…，xn]通过STFT(short-time Fourier transform，短时傅里叶变换)变换、滤波器组(滤波器组即为图2中的FilterBank)的滤波、以及权重矩阵W得到第三周期特征；第二部分即为第三周期特征输入分类模型，分类模型的内部结构参照图2中的上半部分的虚线框内的部件。
由于滤波器的带宽与分类模型的分类效果值为负相关关系，使得第二周期特征中预测准确性(分类模型的预测准确性)较高的周期部分的分辨率提高，而第三周期特征通过第二周期特征与权重矩阵得到，因而，第三周期特征中周期特征分量的分辨率等同于第二周期特征中周期特征分量的分辨率，因此，装置所得到第三周期特征中预测准确性较高的周期易于被分类模型识别，提高了血液类别的预测准确性。
另外，由于权重矩阵中的权重与分类效果值为正相关关系，使得第三周期特征中的预测准确性较高的周期部分的权重较高，进而使得分类模型着重对周期特征中准确性较高的周期补充进行预测，提高了血液样本的鉴别准确性。
需要说明的是，周期特征指的是时频特征，而时频特征包括频率特征分量。为了避免时频特征中的频率以及频率特征分量中的频率与拉曼光谱的本身波长(频率)引起名词冲突，本实施例中，将时频特征用周期特征表征，将频率特征分量用周期特征分量表征，且将频率用周期表征。
在本实施例提供的技术方案中，装置先获取待测血样样本的光谱图所对应的第一周期特征，基于滤波器组对第一周期特征的频域进行滤波得到第二周期特征，再根据第二周期特征以及权重矩阵确定第三周期特征，最后根据第三周期特征以及分类模型确定待测血液样本的类别。一方面，本发明中滤波器组内滤波器的带宽通过分类模型的分类效果值设置，分类效果值是分类模型通过对舍弃部分周期特征分量且经过滤波组滤波的周期特征进行预测得到，也即分类效果值表征分类模型对完成滤波的剩余周期进行预测得到的血液鉴别准确性，而分类效果值与带宽负正相关关系，使得滤波器组设置较小的滤波器带宽以提高周期特征中鉴别准确性较高的周期部分的分辨率，且设置较大的滤波器带宽以降低周期特征中鉴别准确性较低的周期部分的分辨率，进而使得滤波器组提取的周期特征能够提高分类模型对血液样本的鉴别准确性。另一方面，本发明中权重矩阵中权重通过分类效果值设置，而分类效果值与权重为正相关关系，使得周期特征中鉴别准确性较高的周期部分的权重设置较大，且周期特征中鉴别准确性较低的周期部分的权重设置较小，进而使得分类模型着重对周期特征中准确性较高的周期部分进行预测，提高了血液样本的鉴别准确性。
参照图3，图3为本发明血液类别确定方法的第二实施例，基于第一实施例，步骤10之前，还包括：
步骤40，获取训练血液样本的光谱图所对应的第四周期特征，并使用带宽线性增加的第二滤波器组对第四周期特征的进行滤波得到第五周期特征。
步骤50，依次舍弃第五周期特征中的每个周期特征分量得到各个第六周期特征。
步骤60，将各个第六周期特征输入分类模型，得到每个第六周期特征对应的分类效果值。
步骤70，根据各个分类效果值调整目标参数，目标参数包括第二滤波器组内滤波器的带宽以及权重矩阵内的权重的至少一个，调整带宽的第二滤波器组为第一滤波器组。
在本实施例中，再需要进行血液样本的预测时，先要调整装置的目标参数，也即使得分类模型能够提高对血液类别的准确性。目标参数包括第二滤波器组内滤波器的带宽以及权重矩阵内的权重的至少一个。
具体的，有多个用于调整目标参数的血样样本，此类血液样本标准有类别，定义为训练血液样本。训练血液样本可通过(Xi，yi)表示，训练血液样本所属类别为yi，且
Figure BDA0003156937120000091
Figure BDA0003156937120000092
训练集，也即将多个训练血液样本分为训练集、验证集以及测试集。训练集、验证集以及测试集中训练血液样本的比例可以为6:2:2，训练集、验证集以及测试集分别用于分类模型的训练、分类模型的参数调整和分类模型的性能评估，且训练集能够用于调整装置的目标参数。
装置先获取训练血液样本的光谱图所对应的第四周期特征，并基于带宽线性增加滤波器组对第四周期特征的频域进行滤波得到第五周期特征。第四周期特征的获取方式与第一周期特征的获取方式相同，且第五周期特征与第二周期特征的获取方式相同，在此不再进行赘述。需要说明的是，对第四周期特征进行滤波的第二滤波器组是未调整带宽的，在此定义为滤波器组FB0。
装置依次舍弃第五周期特征中的每个周期特征分量，从而得到各个第六周期特征。例如，第五周期特征
Figure BDA0003156937120000093
第五周期特征
Figure BDA0003156937120000094
舍弃周期特征分量
Figure BDA0003156937120000095
得到第六周期特征
Figure BDA0003156937120000096
因而第五周期特征可以通过依次舍弃每个周期特征分量得到各个第六周期特征。第六周期特征即为目标周期特征。
装置将每个第六周期特征输入至分类模型中，即可基于分类模型输出的数值确定每个第六周期特征对应的分类效果值。
装置得到每个第六周期特征对应的分类效果值，即可确定每个舍弃的周期特征分量应该设置的分辨率以及权重的大小。具体的，分类效果值与滤波器的带宽为正相关关系，也即将用于对预测效果较大的剩余周期部分进行滤波的带宽设置较大，舍弃的周期部分进行滤波的带宽设置的较小。另外，分类效果值与权重矩阵中的权重为正相关关系，则将预测效果较大的剩余周期部分所对应的权重设置较大，且将舍弃的周期部分对应的权重设置的较小。装置可以同时基于分类效果值同时调整带宽以及权重，或者可以在两者之间择一调整。
在完成对滤波器的带宽调整和/或权重矩阵的权重调整，装置即可进行血液类别的确定了。需要说明的是，装置可以事先调整目标参数，也即目标参数的调整在步骤10之前；装置也可以实时进行调整，也即装置在获取第一周期特征后，触发目标参数的调整，目标参数调整后，再获取第二周期特征，且基于第二周期特征以及权重矩阵得到第三周期特征，最后通过第三周期特征与分类模型确定待测血液样本的类别。第二周期特征是通过带宽调整后的滤波器组FB1得到。
在本实施例提供的技术方案中，在需鉴别血液样本的类别之前，装置通过训练血液样本得到第四周期特征，并采用滤波器组对第四周期特征进行滤波得到第五周期特征，再依次舍弃第五周期特征中的每个周期特征分量得到各个第六周期特征，装置再将每个第六周期特征输入分类模型得到分类效果值，从而基于分类效果值调整滤波器的带宽以及权重矩阵的权重，以提高分类模型对血液类别的鉴别准确性。
参照图4，图4为本发明血液类别的确定方法的第三实施例，基于第二实施例，步骤60包括：
步骤61，将各个第六周期特征依次输入分类模型，得到分类模型基于第六周期特征的分类准确率。
步骤62，根据分类准确率确定第六周期特征对应的分类效果值，其中，分类准确率值与分类效果值为负相关关系。
在本实施例中，第六周期特征输入分类模型后，分类模型输出的数值为舍弃的周期特征分量在验证集上的分类准确率H，H反应舍弃的周期特征分量对分类模型预测准确性影响的大小。H越小，则反映分类模型对舍弃该周期特征分量后的周期特征预测效果越好，舍弃的周期特征分量的影响也越小，因此，可以通过H确定第四周期特征分类效果值，也即分类准确率与分类效果值为负相关关系，分类准确率越小，则分类效果值越大。分类准确率＝分类正确样本数/总样本数
从而通过各个分类效果值调整目标参数，具体的，对于影响性大的周期(周期即为舍弃的周期特征分量)，减小其对应三角滤波器带宽；对于影响性小的周期，增加其对应三角滤波器带宽；对于影响性大的周期，为其赋予更高权重；对于影响性小的周期，为其赋予更低权重。
此外，装置可以通过不同周期特征分量的影响性规律调整目标参数。不同周期特征分量即为视为依次舍弃的周期特征分量，也即影响性规律可以通过各个分类效果值进行表征。具体的，可以将每个周期特征分量对应的分类效果值进行描点，从而得到周期特征分量对血液类别预测的影响曲线，影响曲线即可用于表征同周期特征分量的影响性规律。通过影响曲线即可确定目标参数与周期之间的关系，通过该关系即可调整目标参数。该关系可以通过公式表征，装置将周期代入公式，即可得到调整后的目标参数。
在本实施例提供的技术方案中，装置将第六周期特征输入分类模型，得到第六周期特征对应的分类准确率值，从而根据分类准确率值准确的确定第六周期特征对应的分类效果值。
参照图5，图5为本发明血液类别的确定方法的第四实施例，基于第二或第三实施例，步骤70之后，还包括：
步骤80，采用第一滤波器组对第四周期特征的频域进行滤波得到第七周期特征。
步骤90，根据第七周期特征以及权重矩阵确定第八周期特征。
步骤100，根据各个第八周期特征对分类模型进行训练。
在本实施例中，对目标参数进行调整后，也需要对分类模型中神经网络参数进行相应的调整。具体的，装置获取各个第四周期特征，并采用调整带宽后的第二滤波器组对第四周期特征进行频域滤波得到各个第七周期特征；装置再基于第七周期特征与调整权重的权重矩阵得到第八周期特征，最后通过各个第八周期特征对分类模型进行训练。
训练完毕后的分类模型即可用于对待测血液样本的类别确定，也即在步骤100之后，执行步骤10。当然，装置也可即时训练分类模型，也即在得到第一周期特征且调整目标参数后，再训练分类模型。
需要说明的是，本实施例采用测试集中的血液样本评估分类模型的性能，采用准确率Acc作为评估标准，具体参照表-1：
表1
Figure BDA0003156937120000121
其中，Original FB表示未进行带宽调整的原始滤波器组，分类模型对原始滤波器组所提取的周期特征进行预测的准确性为0.791；New FB表示进行带宽调整的新滤波器组，分类模型对新滤波器组所提取的周期特征进行预测的准确性为0.804；New FB&W表示既对带宽进行调整也进行权重调整，分类模型对周期特征的预测准确性为0.811。
图6是根据一示例性实施例示出的一种血液类别的确定装置的框图，该装置可以是计算机，平板设备，服务器等。
血液类别的确定装置600可以包括：处理器61，例如CPU，存储器62以及滤波器组63。本领域技术人员可以理解，图6中示出的结构并不构成对血液类别的确定装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。存储器62可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。滤波器组63由多个带宽线性增加的滤波器组成，滤波器可为三角滤波器。
处理器62可以调用存储器62内存储的计算机程序，以完成上述的血液类型的确定方法的全部或部分步骤
一种非临时性计算机可读存储介质，当该存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行上述血液类别的确定方法。
一种计算机程序产品，包括计算机程序，当该计算机程序由终端设备的处理器执行时，使得终端设备能够执行上述血液类别的确定方法。
参照图7，本发明还提供一种血液类别的确定装置700，包括：
获取模块701，用于获取待测血液样本的光谱图所对应的第一周期特征，并基于第一滤波器组对第一周期特征的频域进行滤波得到第二周期特征；
确定模块702，用于根据第二周期特征以及权重矩阵确定第三周期特征，其中，第一滤波器组内的滤波器的带宽与分类模型的分类效果值为负相关关系和/或权重矩阵内的权重与分类效果值为正相关关系，分类模型用于对目标周期特征进行预测得到分类效果值，目标周期特征为舍弃部分周期特征分量的周期特征，且目标周期特征经过第一滤波器组滤波；
确定模块702，还用于根据第三周期特征以及分类模型确定待测血液样本的类别。
在一实施例中，血液类别的确定装置700，包括：
获取模块701，用于获取训练血液样本的光谱图所对应的第四周期特征，并使用带宽线性增加的第二滤波器组对第四周期特征的进行滤波得到第五周期特征；
删除模块，用于依次舍弃第五周期特征中的每个周期特征分量得到各个第六周期特征；
输入模块，用于将各个第六周期特征输入分类模型，得到每个第六周期特征对应的分类效果值；
调整模块，用于根据各个分类效果值调整目标参数，目标参数包括第二滤波器组内滤波器的带宽以及权重矩阵内的权重的至少一个，调整带宽的第二滤波器组为第一滤波器组。
在一实施例中，血液类别的确定装置700，包括：
输入模块，用于将各个第六周期特征依次输入分类模型，得到分类模型基于第六周期特征的分类准确率；
确定模块702，用于根据分类准确率确定第六周期特征对应的分类效果值，其中，分类准确率与分类效果值为负相关关系。
在一实施例中，血液类别的确定装置700，包括：
确定模块702，用于根据各个分类效果值，确定周期特征分量对血液类别预测的影响曲线；
调整模块，用于根据影响曲线调整目标参数。
在一实施例中，血液类别的确定装置700，包括：
滤波模块，用于采用第一滤波器组对第二周期特征的频域进行滤波得到第七周期特征；
确定模块702，用于根据第七周期特征以及权重矩阵确定第八周期特征；
训练模块，用于根据各个第八周期特征对分类模型进行训练。
在一实施例中，血液类别的确定装置700，包括：
获取模块701，用于获取待测血液样本的拉曼光谱图，并根据拉曼光谱图确定一维序列；
确定模块702，用于根据一维序列获取二维周期特征谱图，并根据二维周期特征谱图确定第一周期特征。
在一实施例中，血液类别的确定装置700，包括：
确定模块702，用于根据第二周期特征以及权重矩阵确定哈达玛积；
确定模块702，用于根据哈达玛积确定第三周期特征。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (11)

1.一种血液类别的确定方法，其特征在于，包括：
获取待测血液样本的光谱图所对应的第一周期特征，并基于第一滤波器组对所述第一周期特征的频域进行滤波得到第二周期特征；
根据所述第二周期特征以及权重矩阵确定第三周期特征，其中，所述第一滤波器组内的滤波器的带宽与分类模型的分类效果值为负相关关系和/或所述权重矩阵内的权重与所述分类效果值为正相关关系，所述分类模型用于对目标周期特征进行预测得到分类效果值，所述目标周期特征为舍弃部分周期特征分量的周期特征，且所述目标周期特征经过第一滤波器组滤波；
根据所述第三周期特征以及所述分类模型确定所述待测血液样本的类别。
2.根据权利要求1所述的血液类别的确定方法，其特征在于，所述基于滤波器组对所述第一周期特征的进行滤波得到第二周期特征的步骤之前，还包括：
获取训练血液样本的光谱图所对应的第四周期特征，并使用带宽线性增加的第二滤波器组对所述第四周期特征的进行滤波得到第五周期特征；
依次舍弃所述第五周期特征中的每个周期特征分量得到各个第六周期特征；
将各个所述第六周期特征输入所述分类模型，得到每个所述第六周期特征对应的分类效果值；
根据各个所述分类效果值调整目标参数，所述目标参数包括所述第二滤波器组内滤波器的带宽以及所述权重矩阵内的权重的至少一个，调整带宽的所述第二滤波器组为所述第一滤波器组。
3.根据权利要求2所述的血液类别的确定方法，其特征在于，所述将各个所述第六周期特征输入所述分类模型，得到每个所述第六周期特征对应的分类效果值的步骤包括：
将各个所述第六周期特征依次输入所述分类模型，得到分类模型基于所述第六周期特征的分类准确率；
根据所述分类准确率确定所述第六周期特征对应的分类效果值，其中，所述分类准确率与所述分类效果值为负相关关系。
4.根据权利要求2所述的血液类别的确定方法，其特征在于，所述根据各个所述分类效果值调整所述目标参数的步骤包括：
根据各个所述分类效果值，确定周期特征分量对血液类别预测的影响曲线；
根据所述影响曲线调整所述目标参数。
5.根据权利要求2所述的血液类别的确定方法，其特征在于，所述根据各个所述分类效果值调整所述目标参数的步骤之后，还包括：
采用所述第一滤波器组对所述第二周期特征的频域进行滤波得到第七周期特征；
根据所述第七周期特征以及权重矩阵确定第八周期特征；
根据各个所述第八周期特征对所述分类模型进行训练。
6.根据权利要求1-5任一项所述的血液类别的确定方法，其特征在于，所述获取待测血液样本的光谱图所对应的第一周期特征的步骤包括：
获取所述待测血液样本的拉曼光谱图，并根据所述拉曼光谱图确定一维序列；
根据所述一维序列获取二维周期特性谱图，并根据所述二维周期特性谱图确定第一周期特征。
7.根据权利要求1-5任一项所述的血液类别的确定方法，其特征在于，所述根据所述第二周期特征以及权重矩阵确定第三周期特征的步骤包括：
根据所述第二周期特征以及权重矩阵确定哈达玛积；
根据所述哈达玛积确定所述第三周期特征。
8.一种血液类别的确定装置，其特征在于，包括：
获取模块，用于获取待测血液样本的光谱图所对应的第一周期特征，并基于第一滤波器组对所述第一周期特征的频域进行滤波得到第二周期特征；
确定模块，用于根据所述第二周期特征以及权重矩阵确定第三周期特征，其中，所述第一滤波器组内的滤波器的带宽与分类模型的分类效果值为负相关关系和/或所述权重矩阵内的权重与所述分类效果值为正相关关系，所述分类模型用于对目标周期特征进行预测得到分类效果值，所述目标周期特征为舍弃部分周期特征分量的周期特征，且所述目标周期特征经过第一滤波器组滤波；
所述确定模块，还用于根据所述第三周期特征以及所述分类模型确定所述待测血液样本的类别。
9.一种血液类别的确定设备，其特征在于，所述血液类别的确定设备包括：滤波器组、存储器和处理器；
所述滤波器组用于对光谱图的周期特征的频域进行滤波；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行根据权利要求1至7任一项所述的血液类别的确定方法。
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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现根据权利要求1至7任一项所述的血液类别的确定方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述的血液类别的确定方法。
CN202110780948.3A 2021-07-09 2021-07-09 血液类别的确定方法及相关设备 Active CN113449804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110780948.3A CN113449804B (zh) 2021-07-09 2021-07-09 血液类别的确定方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110780948.3A CN113449804B (zh) 2021-07-09 2021-07-09 血液类别的确定方法及相关设备

Publications (2)

Publication Number Publication Date
CN113449804A true CN113449804A (zh) 2021-09-28
CN113449804B CN113449804B (zh) 2023-03-10

Family

ID=77815924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110780948.3A Active CN113449804B (zh) 2021-07-09 2021-07-09 血液类别的确定方法及相关设备

Country Status (1)

Country Link
CN (1) CN113449804B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115101149A (zh) * 2022-06-30 2022-09-23 曲阜师范大学 材料微观结构总能量预测方法
CN115101149B (zh) * 2022-06-30 2024-05-24 曲阜师范大学 材料微观结构总能量预测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1366177A (zh) * 2000-12-28 2002-08-28 株式会社拜奥克斯 血糖分光光度测定仪及其测定方法
CN1957360A (zh) * 2003-12-11 2007-05-02 光谱辨识公司 根据生物统计测量来估计个人特性的方法和系统
US20070231921A1 (en) * 2006-03-31 2007-10-04 Heinrich Roder Method and system for determining whether a drug will be effective on a patient with a disease
US20120193525A1 (en) * 2011-01-28 2012-08-02 Biodesix, Inc. Predictive test for selection of metastatic breast cancer patients for hormonal and combination therapy
CN105467109A (zh) * 2014-09-26 2016-04-06 希森美康株式会社 血液分析装置以及血液分析方法
CN105606577A (zh) * 2011-06-24 2016-05-25 贝克顿·迪金森公司 吸收光谱扫描流动血细胞计数
CN106355212A (zh) * 2016-10-28 2017-01-25 哈尔滨工业大学 基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法
CN107991270A (zh) * 2017-12-28 2018-05-04 中国科学院苏州生物医学工程技术研究所 基于相干反斯托克斯拉曼光谱的血液种属鉴别系统
CN108738338A (zh) * 2016-01-28 2018-11-02 西门子医疗保健诊断公司 用于检测样本中的干扰物的方法和装置
CN112836730A (zh) * 2021-01-20 2021-05-25 国家卫生健康委科学技术研究所 用于用户妊娠状态分类的方法、装置、电子设备及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1366177A (zh) * 2000-12-28 2002-08-28 株式会社拜奥克斯 血糖分光光度测定仪及其测定方法
CN1957360A (zh) * 2003-12-11 2007-05-02 光谱辨识公司 根据生物统计测量来估计个人特性的方法和系统
US20070231921A1 (en) * 2006-03-31 2007-10-04 Heinrich Roder Method and system for determining whether a drug will be effective on a patient with a disease
US20120193525A1 (en) * 2011-01-28 2012-08-02 Biodesix, Inc. Predictive test for selection of metastatic breast cancer patients for hormonal and combination therapy
CN105606577A (zh) * 2011-06-24 2016-05-25 贝克顿·迪金森公司 吸收光谱扫描流动血细胞计数
CN105467109A (zh) * 2014-09-26 2016-04-06 希森美康株式会社 血液分析装置以及血液分析方法
CN108738338A (zh) * 2016-01-28 2018-11-02 西门子医疗保健诊断公司 用于检测样本中的干扰物的方法和装置
CN106355212A (zh) * 2016-10-28 2017-01-25 哈尔滨工业大学 基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法
CN107991270A (zh) * 2017-12-28 2018-05-04 中国科学院苏州生物医学工程技术研究所 基于相干反斯托克斯拉曼光谱的血液种属鉴别系统
CN112836730A (zh) * 2021-01-20 2021-05-25 国家卫生健康委科学技术研究所 用于用户妊娠状态分类的方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115101149A (zh) * 2022-06-30 2022-09-23 曲阜师范大学 材料微观结构总能量预测方法
CN115101149B (zh) * 2022-06-30 2024-05-24 曲阜师范大学 材料微观结构总能量预测方法

Also Published As

Publication number Publication date
CN113449804B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN108254351B (zh) 用于物品查验的拉曼光谱检测方法
JP6091493B2 (ja) 試料に存在する成分を決定するための分光装置と分光法
CN110687072B (zh) 一种基于光谱相似度的校正集和验证集的选择及建模方法
CN112129741B (zh) 绝缘油老化分析方法、装置、计算机设备和存储介质
DE112011100038T5 (de) Verfahren zur Entwicklung von Erkennungsalgorithmen für die laserinduzierte PlasmaEmissionsspektroskopie
US10718713B2 (en) Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program
Zhang et al. Explainability for regression CNN in fetal head circumference estimation from ultrasound images
CN108802002A (zh) 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法
Klimczak et al. Mixture analyses of air-sampled pollen extracts can accurately differentiate pollen taxa
CN110458071A (zh) 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
CN113449804B (zh) 血液类别的确定方法及相关设备
CN107247033B (zh) 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法
CN116858822A (zh) 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法
RU2279065C1 (ru) Способ обработки сигналов мультисенсорного анализатора типа "электронный нос"
CN116610990A (zh) 一种基于特征空间差异化的断路器隐患识别方法及装置
JP6280910B2 (ja) 分光システムの性能を測定するための方法
CN116399836A (zh) 基于交替梯度下降算法的串扰荧光光谱分解方法
Chen et al. Application of EMD-AR and MTS for hydraulic pump fault diagnosis
CN110632024B (zh) 一种基于红外光谱的定量分析方法、装置、设备以及存储介质
CN115326396A (zh) 一种轴承故障的诊断方法及装置
CN113030060A (zh) 基于卷积神经网络的毒品拉曼光谱识别方法
CN111504908A (zh) 一种基于光声光谱的岩石类型识别方法及系统
CN115290628B (zh) 一种汽油的质量分析方法
CN113740294B (zh) 基于近红外建模的汽油/柴油检测分析方法及装置
CN111222455B (zh) 波长的选择方法、装置、计算设备及计算机存储介质

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