CN114501263A - 生物活性分子含量的检测方法、装置和电子设备 - Google Patents
生物活性分子含量的检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114501263A CN114501263A CN202111590358.0A CN202111590358A CN114501263A CN 114501263 A CN114501263 A CN 114501263A CN 202111590358 A CN202111590358 A CN 202111590358A CN 114501263 A CN114501263 A CN 114501263A
- Authority
- CN
- China
- Prior art keywords
- sound
- training sample
- piezoelectric sensor
- neural network
- network model
- 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
Links
- 230000000975 bioactive effect Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 121
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 201000010099 disease Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 238000007877 drug screening Methods 0.000 abstract description 9
- 230000036541 health Effects 0.000 abstract description 9
- 239000010408 film Substances 0.000 description 49
- 239000002033 PVDF binder Substances 0.000 description 32
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 32
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 27
- 229910052710 silicon Inorganic materials 0.000 description 27
- 239000010703 silicon Substances 0.000 description 27
- 238000005520 cutting process Methods 0.000 description 17
- 239000010409 thin film Substances 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 229910052451 lead zirconate titanate Inorganic materials 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012795 verification Methods 0.000 description 10
- 102000039446 nucleic acids Human genes 0.000 description 8
- 108020004707 nucleic acids Proteins 0.000 description 8
- 150000007523 nucleic acids Chemical class 0.000 description 8
- 102000004169 proteins and genes Human genes 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000919 ceramic Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 239000013078 crystal Substances 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- HFGPZNIAWCZYJU-UHFFFAOYSA-N lead zirconate titanate Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[Ti+4].[Zr+4].[Pb+2] HFGPZNIAWCZYJU-UHFFFAOYSA-N 0.000 description 5
- BITYAPCSNKJESK-UHFFFAOYSA-N potassiosodium Chemical compound [Na].[K] BITYAPCSNKJESK-UHFFFAOYSA-N 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 108091005461 Nucleic proteins Proteins 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R17/00—Piezoelectric transducers; Electrostrictive transducers
-
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R2201/00—Details of transducers, loudspeakers or microphones covered by H04R1/00 but not provided for in any of its subgroups
- H04R2201/003—Mems transducers or their use
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本公开提供生物活性分子含量的检测方法、装置和电子设备,涉及检测技术领域,解决了现有技术中疾病诊断、药物筛选和健康评估的效率较低的问题。该方法包括:采集待分析的振动声音;振动声音为在压电传感器的表面附着有生物活性分子时,发声装置控制压电传感器以目标频率振动所产生的;将振动声音输入至神经网络模型中,确定振动声音对应的生物活性分子的实际质量。
Description
技术领域
本公开涉及检测技术领域,尤其涉及生物活性分子含量的检测方法、装置和电子设备。
背景技术
目前,在疾病诊断、药物筛选和健康评估中,通过对核酸和蛋白质进行检测,可以很好地完成对疾病诊断、药物筛选和健康评估。然而,现有技术中,并没有系统地给出如何对核酸和蛋白质进行检查,导致疾病诊断、药物筛选和健康评估的效率较低。
发明内容
本公开提供生物活性分子含量的检测方法、装置和电子设备,解决了现有技术中疾病诊断、药物筛选和健康评估的效率较低的问题。
为了解决上述技术问题,本公开实施例采用如下技术方案:
第一方面、本公开提供的生物活性分子含量的检测方法,包括:获取压电传感器的表面附着有第一质量的生物活性分子的情况下,发声装置控制压电传感器以不同的目标频率振动所产生的训练样本声音;其中,每个训练样本声音对应一个时域信号,发声装置包括压电传感器;按照快速傅立叶变换FFT对训练样本声音进行处理,确定每个训练样本声音对应的频域信号;将每个训练样本声音对应的时域信号和频域信号,以及每个训练样本声音一一对应的第一质量,输入至神经网络模型中;基于目标损失函数,确定神经网络模型输出的对训练样本声音的预测质量与训练样本声音一一对应的第一质量是否匹配;当预测质量与训练样本声音一一对应的第一质量不匹配时,反复循环地迭代更新神经网络模型的网络参数,直至预测质量与训练样本声音一一对应的第一质量的匹配率大于或等于预设阈值时,得到神经网络模型;采集待分析的振动声音;振动声音为在压电传感器的表面附着有生物活性分子时,发声装置控制压电传感器以目标频率振动所产生的;将振动声音输入至神经网络模型中,确定振动声音对应的生物活性分子的实际质量。
一种可实施的方式中,目标频率大于或等于20Hz,并且目标频率小于或等于20000Hz。
一种可实施的方式中,压电传感器的表面可附着生物活性分子。
一种可实施的方式中,压电传感器包括由有机的压电薄膜聚偏氟乙烯PVDF形成的压电传感器,或者,压电传感器包括由无机压电薄膜铌酸钾钠KNN基于微机电系统硅基MEMS形成的压电传感器,或者,压电传感器包括由压电陶瓷或单晶锆钛酸铅PZT形成的压电传感器中的任一项。
一种可实施的方式中,神经网络模型包括卷积神经网络CNN模型和循环神经网络RNN模型中的一项或者多项。
第二方面、本公开提供的生物活性分子含量的检测装置,包括:获取单元,用于获取压电传感器的表面附着有第一质量的生物活性分子的情况下,发声装置控制压电传感器以不同的目标频率振动所产生的训练样本声音;其中,每个训练样本声音对应一个时域信号,发声装置包括压电传感器;处理单元,用于按照快速傅立叶变换FFT对获取单元获取的训练样本声音进行处理,确定每个训练样本声音对应的频域信号;处理单元,还用于将每个训练样本声音对应的时域信号和频域信号,以及每个训练样本声音一一对应的第一质量,输入至神经网络模型中;处理单元,还用于基于目标损失函数,确定神经网络模型输出的对训练样本声音的预测质量与训练样本声音一一对应的第一质量是否匹配;处理单元,还用于当预测质量与训练样本声音一一对应的第一质量不匹配时,反复循环地迭代更新神经网络模型的网络参数,直至预测质量与训练样本声音一一对应的第一质量的匹配率大于或等于预设阈值时,得到神经网络模型;采集单元,用于采集待分析的振动声音;振动声音为在压电传感器的表面附着有生物活性分子时,发声装置控制压电传感器以目标频率振动所产生的;处理单元,还用于将采集单元采集的振动声音输入至神经网络模型中,确定振动声音对应的生物活性分子的实际质量。
一种可实施的方式中,目标频率大于或等于20Hz,并且目标频率小于或等于20000Hz。
一种可实施的方式中,压电传感器的表面可附着生物活性分子。
一种可实施的方式中,压电传感器包括由有机的压电薄膜聚偏氟乙烯PVDF形成的压电传感器,或者,压电传感器包括由无机压电薄膜铌酸钾钠KNN基于微机电系统硅基MEMS形成的压电传感器,或者,压电传感器包括由压电陶瓷或单晶锆钛酸铅PZT形成的压电传感器中的任一项。
一种可实施的方式中,神经网络模型包括卷积神经网络CNN模型和循环神经网络RNN模型中的一项或者多项。
第三方面、本公开提供一种生物活性分子的检测系统,包括安装有压电传感器的发声装置和电子设备,发声装置用于在压电传感器的表面附着生物活性分子时,控制压电传感器以目标频率振动从而产生待分析的振动声音,电子设备用于采集发声装置发出的待分析的振动声音,电子设备用于执行第一方面提供的任一项的生物活性分子含量的检测方法。
第四方面、本公开提供一种计算机存储介质,包括指令,当其在计算机上运行时,使得计算机执行第一方面提供的任一项的生物活性分子含量的检测方法。
第五方面、本公开提供一种电子设备,包括:通信接口、处理器、存储器、总线;存储器用于存储计算机执行指令,处理器与存储器通过总线连接,当电子设备运行时,处理器执行存储器存储的计算机执行指令,以使电子设备执行第一方面提供的任一项的生物活性分子含量的检测方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的生物活性分子含量的检测方法,通过预先配置好的神经网络模型,可以对采集的待分析的振动声音进行分析,从而可以确定该振动声音的对应的生物活性分子的质量。如此,在采集到由安装有压电传感器的发声装置,在压电传感器的表面附着有不同质量的待分析的生物活性分子时,控制压电传感器以目标频率振动所产生的振动声音时,可以将该振动声音输入至预先配置好的神经网络模型中,确定振动声音对应的生物活性分子的质量。这样可以快速地对需要检测的生物活性分子进行检测,如该生物活性分子为核酸或者蛋白质时,可以采用本公开实施例提供的生物活性分子含量的检测方法,确定出该核酸或者蛋白质的含量,降低了核酸或者蛋白质的检测时间,如此可以提高疾病诊断、药物筛选和健康评估的效率,解决了现有技术中疾病诊断、药物筛选和健康评估的效率较低的问题。
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。
为了更清楚地说明本公开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附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种生物活性分子含量的检测方法应用的场景示意图;
图2为本公开实施例提供的一种生物活性分子含量的检测方法的流程示意图;
图3为本公开实施例提供的一种生物活性分子含量的检测方法中对获取的原始声音数据进行预处理的流程示意图;
图4为本公开实施例提供的一种生物活性分子含量的检测方法中卷积神经网络模型的结构示意图;
图5为本公开实施例提供的一种生物活性分子含量的检测方法中循环神经网络的结构示意图;
图6为本公开实施例提供的一种电子设备的结构示意图之一;
图7为本公开实施例提供的一种电子设备的结构示意图之一;
图8为本公开实施例提供的一种生物活性分子含量的检测方法的计算机程序产品的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1为本发明实施例提供的场景示意图,包括安装有压电传感器的发声装置1和电子设备2。其中,发声装置1用于控制压电传感器以目标频率发生振动,以产生待分析的振动声音。电子设备2用于采集发声装置1发出的待分析的振动声音,并将该振动声音输入至预先配置好的神经网络模型中,以确定检测结果。一种情况下,压电传感器的表面未附着有待分析的生物活性分子,此时发声装置1在控制压电传感器以目标频率发振动时,产生待分析的振动声音(如称为振动声音1)。电子设备2在采集到发声装置1发出的振动声音1后,通过将振动声音1输入至预先配置好的神经网络模型中,此时神经网络模型输出的检查结果为压电传感器的表面未附着生物活性分子。另一种情况下,压电传感器的表面附着有不同质量的待分析的生物活性分子,此时发声装置1在控制压电传感器以目标频率发振动时,产生待分析的振动声音(如称为振动声音2)。电子设备2在采集到发声装置1发出的振动声音2后,通过将振动声音2输入至预先配置好的神经网络模型中,此时神经网络模型输出的检查结果为压电传感器的表面附着有生物活性分子,并且生物活性分子的质量为N。其中,N大于0。
其中,压电传感器由压电材料制成,其表面可结合生物活性分子。如此,压电传感器在受到外电场作用下产生形变(通常将这一现象称为逆压电效应)并发生振动。如此,压电传感器的表面附着有生物活性分子时,压电传感器表面产生质量负载,从而当压电传感器发生振动时,压电传感器的振动状态会较之前发生改变,而这些变化会反映在压电传感器的振动声音中,这样就可以将生物信号转换为振动声音信号。
具体的,压电材料的上表面及下表面正对镀有导电膜区域,导电膜区域包括压电材料的工作电极以及与压电材料工作区电极相连接的电极导通区域。
上述示例,是以发声装置1单独设置于电子设备2之外进行说明的。在其他的一些示例中,发声装置1还可以设置于电子设备2上。如此,用户可以更加便捷地进行生物活性分子含量的检测。
电子设备2用于采集发声装置1发出的待分析的振动声音。可选的,所述电子设备2可以为各种具有通信功能的手持设备、可穿戴设备、计算机,本发明实施例对此不作任何限定。例如,手持设备可以是智能手机。可穿戴设备可以是智能手环。计算机可以是个人数字助理(personal digital assistant,PDA)电脑、平板型电脑以及膝上型电脑(laptopcomputer)。
下面以发声装置1单独设置于电子设备2之外,并且执行本公开实施例的执行主体为电子设备2为例,对本发明实施例提供的生物活性分子含量的检测方法行示例性的说明。
图2是根据一示例性实施例示出的一种生物活性分子含量的检测方法的流程图,如图2所示,生物活性分子含量的检测方法应用于电子设备2中,该方法包括以下S11-S17。
S11、电子设备2获取压电传感器的表面附着有第一质量的生物活性分子的情况下,发声装置1控制压电传感器以不同的目标频率振动所产生的训练样本声音。其中,每个训练样本声音对应一个时域信号,发声装置包括压电传感器。
在一些示例中,采集的训练样本声音的波形随着时间的变化而变化,这样可以将每个训练样本声音对应的波形称之为时域信号。电子设备2中设置有声音传感器(如称为麦克风),用来采集发声装置1发出的待分析的振动声音。如:麦克风中内置一个对声音敏感的电容式驻极体话筒。电子设备2在采集发声装置1发出的待分析的振动声音时,该振动声音会使得电子设备2上的电容式驻极体话筒内的驻极体薄膜振动,导致电容的变化,而产生与之对应变化的微小电压。这一电压随后被转化成0-5V的电压,如此,电子设备2可以采集到发声装置11发出的待分析的振动声音。
在一些示例中,生物活性分子可以通过物理或者化学的方式附着在压电传感器的表面。在生物活性分子附着在压电传感器的表面后,若发声装置1控制压电传感器以共振频率发生振动时,压电传感器由于表面的质量负载,其振动状态会较之前发生改变,这些变化会反映在压电传感器的振动声音中。此时,电子设备2采集的待分析的声音中就包含了该振动声音的变化。由于不同质量的生物活性分子发生振动时,所产生的振动声音存在差异,因此可以通过振动声音,识别出生物活性分子的质量。
具体的,压电传感器利用逆压电效应工作,发声装置通过对压电传感器表面的压电薄膜的上下电极施加交流电压,并通过调节电压幅值和频率参数来控制压电传感器的谐振频率在可闻声波范围内(20Hz~20kHz)。
具体的,为了采集到足够的训练样本声音,通过在n个压电传感器的每个压电传感器的表面附着一定质量的生物活性分子。然后,发声装置1控制压电传感器以目标频率发生振动,电子设备2通过采集每个压电传感器在T时间范围内的振动声音,共形成n×T时长的原始声音数据。其中,电子设备2可以布置于发声装置1周围的任意位置,一般为了保证采集的声音信号质量,距离不宜太远。如:距离等于20㎝。其中,n为大于或等于0的整数,T大于或等于0。
在一些示例中,由于采集的原始声音数据一般不直接用于神经网络模型训练,因此,需要对原始声音数据进行预处理:如:先对原始声音数据进行切割,形成B份一定长度的切割声音数据,每份的时间长度t等于之后,对切割声音数据进行标记,将切割声音数据和压电传感器表面附着的生物活性分子的质量一一对应。之后,采用快速傅立叶变换(fast Fourier transform,FFT)对切割声音数据中的频域信号进行提取,并将时域信号和提取的频域信号组合成为2维数据信号。最后,对处理后的切割声音数据进行分组,分组后的切割声音数据包括训练样本声音、验证样本声音和测试样本声音。其中,训练样本声音占切割声音数据的比例为B×a%,验证样本声音占切割声音数据的比例为B×b%,测试样本声音占切割声音数据的比例为B×c%,a、b和c三者均为大于或等于0,且小于或等于1,a+b+c=1。
示例性的,a可以为60%,b可以为20%,c可以为20%。
S12、电子设备2按照快速傅立叶变换(fast Fourier transform,FFT)对训练样本声音进行处理,确定每个训练样本声音对应的频域信号。
S13、电子设备2将每个训练样本声音对应的时域信号和频域信号,以及每个训练样本声音一一对应的第一质量,输入至神经网络模型中。
在一些示例中,将S12得到的每个训练样本声音对应的时域信号和频域信号输入到神经网络模型中进行迭代训练;训练神经网络模型前需要设定训练参数。其中,训练参数至少包括指定求解器类型、最大迭代次数、最小批训练大小、学习速率和训练的处理器类型。其中,指定求解器类型是指训练神经网络模型的求解器,如该求解器为引入动量的随机梯度下降(Stochastic Gradient Descent with momentum,SGDM)求解器,或者求解器为自适应矩估计(adaptive moment estimation,ADAM)求解器。迭代是指训练神经网络算法完全通过整个训练数据集,最大迭代次数为迭代的数量;最小批训练大小,是指同时在处理器上处理的训练数据集的子集;学习速率是控制训练速度快慢的主要参数。一般情况下学习速率越低,训练结果的匹配率越高,但神经网络模型的训练时间会更长。训练的处理器类型是指训练所运行的处理器环境,一般为中央处理器(central processing unit,CPU)、图形处理器(graphics processing unit,GPU)或自适应。
在设定好神经网络模型的训练参数后,训练样本声音输入至神经网络模型中,进行训练。并通过将验证样本声音输入至神经网络模型中,对得到的神经网络模型的预测结果进行检测,以保证神经网络模型的匹配率。其中,匹配率等于神经网络模型的预测质量与训练样本声音一一对应的第一质量相同的次数,与该训练样本声音输入至神经网络模型进行预测的次数的比值。如,训练样本声音输入至神经网络模型进行预测的次数为100次,神经网络模型的预测质量与训练样本声音一一对应的第一质量相同的次数为95次,则匹配率为95%。
S14、电子设备2基于目标损失函数,确定神经网络模型输出的对训练样本声音的预测质量与训练样本声音一一对应的第一质量是否匹配。
S15、电子设备2当预测质量与训练样本声音一一对应的第一质量不匹配时,反复循环地迭代更新神经网络模型的网络参数,直至预测质量与训练样本声音一一对应的第一质量的匹配率大于或等于预设阈值时,得到神经网络模型。
一些示例中,为了验证神经网络模型的匹配率,通过将测试样本声音输入至训练好的神经网络模型中,如此可以对训练好的神经网络模型的匹配率进行评估。神经网络模型经过若干次迭代后匹配率不再提高,若此时匹配率未达到预期值,需要重新执行S14和/或S15,调整神经网络模型的网络参数(如:配置参数或训练参数)重新进行迭代训练;当匹配率大于或等于预设阈值时,停止训练并导出神经网络模型;导出的神经网络模型则可以用于压电生物传感器的声学传感检测。
S16、电子设备2采集待分析的振动声音。振动声音为在压电传感器的表面附着有生物活性分子时,发声装置控制压电传感器以目标频率振动所产生的。
具体的,为了保证检测的准确性,电子设备2在实际使用过程中采集振动声音的环境与电子设备2在S11中采集训练样本声音的相同,如此可以最大程度地保证神经网络模型的输出结果的准确性。
S17、电子设备2将振动声音输入至神经网络模型中,确定振动声音对应的生物活性分子的实际质量。
本公开实施例提供的生物活性分子含量的检测方法,电子设备2通过预先配置好的神经网络模型,可以对采集的待分析的振动声音进行分析,从而可以确定该振动声音的对应的生物活性分子的质量。如此,在采集到由安装有压电传感器的发声装置,在压电传感器的表面附着有不同质量的待分析的生物活性分子时,控制压电传感器以目标频率振动所产生的振动声音时,电子设备2可以将该振动声音输入至预先配置好的神经
网络模型中,确定振动声音对应的生物活性分子的质量。这样电子设备2可以快速地对需要检测的生物活性分子进行检测,如该生物活性分子为核酸或者蛋白质时,可以采用本公开实施例提供的生物活性分子含量的检测方法,确定出该核酸或者蛋白质的含量,降低了核酸或者蛋白质的检测时间,可以提高疾病诊断、药物筛选和健康评估的效率,解决了现有技术中疾病诊断、药物筛选和健康评估的效率较低的问题。
一种可实施的方式中,目标频率大于或等于20Hz,并且目标频率小于或等于20000Hz。
在一些示例中,目标频率等于该压电传感器系统的固有频率时,目标频率可以称为谐振频率,从而可以保证得到的待分析的振动声音的准确性。
一种可实施的方式中,压电传感器的表面可以附着生物活性分子,如压电传感器可以为由有机压电薄膜聚偏氟乙烯PVDF形成的压电传感器,或者,压电传感器包括由无机压电薄膜铌酸钾钠KNN基于微机电系统硅基MEMS形成的压电传感器,或者,压电传感器包括由压电陶瓷或单晶锆钛酸铅PZT形成的压电传感器。
上述示例是以压电传感器包括由有机压电薄膜聚偏氟乙烯PVDF形成的压电传感器,或者,压电传感器包括由无机压电薄膜铌酸钾钠KNN基于微机电系统硅基MEMS形成的压电传感器,或者,压电传感器包括由压电陶瓷或单晶锆钛酸铅PZT形成的压电传感器为例进行说明的,当然其他能够实现PVDF有机压电薄膜形成的压电传感器、或者,KNN无机压电薄膜基于微机电系统硅基MEMS形成的压电传感器、或者PZT压电陶瓷或单晶形成的压电传感中任一种功能的压电传感器也适用于本发明,此处不做限定。
一种可实施的方式中,神经网络模型包括卷积神经网络(Convolutional NeuralNetworks,CNN)模型和循环神经网络(Recurrent Neural Network,RNN)模型中的一项或者多项。
一些示例中,神经网络模型可以基于CNN,或者RNN等进行搭建。其中,神经网络模型至少包括信号输入层、卷积网络层、丢弃层、全连接层、归一化指数函数(Normalizedexponential function,Softmax)层和分类输出层。或者,神经网络模型至少包括信号输入层、循环网络层、丢弃层、全连接层和分类输出层。其中,信号输入层,用于将目标声音输入至神经网络模型中,目标声音包括训练样本声音、验证样本声音和测试样本声音中的任一项;卷积网络层或循环网络层,用于学习目标声音的高维特征信息(如:频率、响度、音调、音色等),可以采用多层堆叠,一般层数越多,网络越复杂,可学习的参数越多,网络的训练时间越长,训练后的网络模型效果越好;丢弃层,用于提高神经网络模型的泛化能力;全连接层,用于综合前边网络层(包括:输入层、卷积网络层、丢弃层)提取到的高维特征信息;Softmax层,用于对神经网络模型的输出结果进行归一化处理;分类输出层,用于将神经网络模型处理后的数据输出为压电传感器的表面附着的生物活性分子的质量。
示例性的,以基于PVDF有机压电薄膜生物传感器的声学检测模型的构建CNN模型为例,具体的实现过程如下:
(1)CNN模型的训练
步骤1、PVDF有机压电薄膜生物传感器的标定。
设定该PVDF有机压电薄膜生物传感器的生物活性分子的质量的检测下限为M1,生物活性分子的质量每次按照m增加,设定PVDF有机压电薄膜生物传感器的生物活性分子的质量的检测上限为M9=M1+8m,则声学传感检测模型的检测区分数量
步骤2、PVDF有机压电薄膜生物传感器工作发出的振动声音。
PVDF有机压电薄膜生物传感器利用逆压电效应工作,通过对PVDF有机压电薄膜生物传感器上的压电薄膜的上电极和下电极之间施加交流电压,并通过调节施加在PVDF有机压电薄膜生物传感器上的压电薄膜的上电极和下电极两端的电压幅值和频率参数,以控制压PVDF有机压电薄膜生物传感器的谐振频率在可闻声波范围内(20Hz~20kHz)。优选的,谐振频率可以为10kHz。
步骤3、PVDF有机压电薄膜生物传感器的声音信号采集及预处理。
预先配置8个PVDF有机压电薄膜生物传感器,并在每个PVDF有机压电薄膜生物传感器的表面上附着一种生物活性分子,每个PVDF有机压电薄膜生物传感器的表面上附着的生物活性分子的质量均不相同,用音频采集装置(如:电子设备2或拾音器,采样频率设定为48kHz,)采集每个PVDF有机压电薄膜生物传感器在振动时发出的预设时长的振动声音,如预设时长为60秒。这样,就可以得到总时长为8×60=480秒的原始声音数据。音频采集装置可以布置于PVDF有机压电薄膜生物传感器周围的任意位置,为了保证采集的声音信号质量,音频采集装置距离PVDF有机压电薄膜生物传感器20厘米处。之后,采用如图3所示的流程对获取的原始声音数据进行预处理:
S2、对切割后的振动声音与该振动声音对应的压电传感器的表面附着的生物活性分子的质量进行标记。如:切割后的振动声音为时间长度为0.1秒的振动声音,压电传感器为PVDF有机压电薄膜生物传感器,如此可以对得到的每个切割后的振动声音,与其对应的PVDF有机压电薄膜生物传感器的表面附着的生物活性分子的质量进行标记。
S3、采用FFT对切割后的振动声音进行处理,以得到每个振动声音对应的频域信号。如,切割后的振动声音为时间长度为0.1秒的振动声音,此时可以采用FFT对提取到的每个时间长度为0.1秒的振动声音进行处理,以得到对应的频域信号,进而将振动声音中的时域信号与频域信号组合成为2维数据信号。
S4、对得到的切割后的振动声音进行分组,以得到训练数据集、验证数据集和测试数据集。如,得到的切割后的振动声音包括4800份,每份振动声音的时间长度为0.1秒,如此对得到的时间长度为0.1秒的振动声音进行分组,以得到训练数据集、验证数据集和测试数据集。其中,训练数据集中包含的时间长度为0.1秒的振动声音的总数为4800×60%=2880,验证数据集中包含的时间长度为0.1秒的振动声音的总数为4800×20%=960,测试数据集中包含的时间长度为0.1秒的振动声音的总数为4800×20%=960。
步骤4:创建和配置CNN模型。
如图4所示,CNN模型由八个不同的层组成。其中第一层为信号输入层,该层将声音数据输入至CNN模型中。设定本层的输入参数为(2×4800),括号中参数2是指声音数据的时域信号与频域信号组合成为2维数据信号,参数4800为音频采集装置的采样率48000Hz和每份数据长度0.1秒相乘计算值。第二层为卷积网络层1,用于辨识不同故障类型的特征,设定本层的卷积核大小为16,池化大小为2。第三层为卷积网络层2,用于辨识不同故障类型的特征,设定本层的卷积核大小为24,池化大小为2。第四层为卷积网络层3,用于辨识不同故障类型的特征,设定本层的卷积核大小为32,池化大小为2。第五层为一个丢弃层,该层用于提高网络模型的泛化能力,设定丢弃率为20%;第六~八层为一个全连接层、一个softmax函数层和一个分类输出层,用于将前面网络输出为8种压电生物传感器携带的生物量信息。
步骤5:训练CNN模型。
指定网络的求解器为SGDM求解器;设置最大训练迭代数为40;指定最小批训练大小为64;设置初始学习率为0.02,每经过10次训练迭代学习率下降10%;指定训练处理器类型为图形处理器(graphics processing unit,GPU)。将步骤3中的2维数据信号输入到CNN模型中进行迭代训练;随着CNN模型训练的进行,匹配率不断提高,目标损失函数(Loss)不断降低,表明CNN模型的检测能力越来越强。
步骤6、检查CNN模型的匹配率并调整。
利用测试数据集对训练好的CNN模型进行匹配率评估;本实施例中设定匹配率需大于或等于预设阈值,如预设阈值为95%。若匹配率小于95%,需要返回到步骤4和/或步骤5,调整CNN模型的配置或训练参数重新进行迭代训练;当匹配率大于或等于95%时,停止训练并导出CNN模型;导出的CNN模型即为本公开实施例提供的神经网络模型。
(2)声学传感检测模型的推理
将音频采集装置采集的附着有未知质量的生物活性分子的PVDF有机压电薄膜生物传感器的振动声音并导入到经过训练的CNN模型中。从而可以确定在该PVDF有机压电薄膜生物传感器的表面附着的生物活性分子的质量。
具体的,CNN模型可以部署在边缘端嵌入式ARM(Advanced RISC Machines)处理器中,也可以部署在云平台服务器上,通过客户端或者浏览器进行访问。
在其他的一些示例中,以基于硅基MEMS的KNN压电薄膜生物传感器的声学检测模型构建RNN模型,具体的实现过程如下:
(1)RNN模型的训练
步骤1、基于硅基MEMS的KNN压电薄膜生物传感器的标定。
设定基于硅基MEMS的KNN压电薄膜生物传感器的生物活性分子的质量的检测下限为M1,生物活性分子的质量每次按照m增加,设定基于硅基MEMS的KNN压电薄膜生物传感器的生物活性分子的质量的检测上限为M101=M1+100m,则基于硅基MEMS的KNN压电薄膜生物传感器的检测区分数量
步骤2、基于硅基MEMS的KNN压电薄膜生物传感器工作发出的振动声音。
基于硅基MEMS的KNN压电薄膜生物传感器利用逆压电效应工作,通过对基于硅基MEMS的KNN压电薄膜生物传感器上的压电薄膜得上电极和下电极二者施加交流电压,并通过调节施加在基于硅基MEMS的KNN压电薄膜生物传感器上的压电薄膜的上电极和下电极两端的电压幅值和频率参数,以控制基于硅基MEMS的KNN压电薄膜生物传感器的谐振频率在可闻声波范围内(20Hz~20kHz)。优选的,谐振频率可以为10kHz。
步骤3、基于硅基MEMS的KNN压电薄膜生物传感器的声音信号采集及预处理。
预先配置100个基于硅基MEMS的KNN压电薄膜生物传感器,并在每个基于硅基MEMS的KNN压电薄膜生物传感器的标识上附着一种生物活性分子,每个基于硅基MEMS的KNN压电薄膜生物传感器的表面上附着的生物活性分子的质量均不相同,用音频采集装置(电子设备2或拾音器,采样频率设定为24kHz,)采集每个基于硅基MEMS的KNN压电薄膜生物传感器在振动时发出的预设时长的振动声音,如预设时长为60秒。这样,就可以得到总时长为100×60=6000秒的原始声音数据。音频采集装置可以布置于基于硅基MEMS的KNN压电薄膜生物传感器周围的任意位置,为了保证采集的声音信号质量,音频采集装置距离基于硅基MEMS的KNN压电薄膜生物传感器20厘米处。之后,采用如图3所示的流程对采集的原始声音数据先进行预处理;
S2、对切割后的振动声音与该振动声音对应的压电传感器的表面附着的生物活性分子的质量进行标记。切割后的振动声音为时间长度为0.1秒的振动声音,压电传感器为基于硅基MEMS的KNN压电薄膜生物传感器,如此可以对得到的每个时间长度为0.1秒的振动声音,与其对应的基于硅基MEMS的KNN压电薄膜生物传感器的表面附着的生物活性分子的质量进行标记。
S3、采用FFT对切割后的振动声音进行处理,以得到每个振动声音对应的频域信号。如:切割后的振动声音为时间长度为0.1秒的振动声音,此时可以采用FFT对提取到的每个时间长度为0.1秒的振动声音进行处理,以得到对应的频域信号,进而将振动声音中的时域信号与频域信号组合成为2维数据信号。
S4、对得到的切割后的振动声音进行分组,以得到训练数据集、验证数据集和测试数据集。如,得到的切割后的振动声音包括60000份,每份振动声音的时间长度为0.1秒,如此对得到的时间长度为0.1秒的振动声音进行分组,以得到训练数据集、验证数据集和测试数据集。其中,训练数据集中包含的时间长度为0.1秒的振动声音的总数为60000×60%=36000作为模型的训练数据,验证数据集中包含的时间长度为0.1秒的振动声音的总数为60000×20%=12000,测试数据集中包含的时间长度为0.1秒的振动声音的总数为60000×20%=12000。
步骤4:创建和配置RNN模型。
如图5所示,RNN模型由七个不同的层组成。其中第一层为信号输入层,该层将声音数据输入至RNN模型中。设定本层的输入参数为(2×2400),括号中参数2是指声音数据的时域信号与频域信号组合成为2维数据信号,参数2400为音频采集装置的采样率24000Hz和每份数据长度0.1秒相乘计算。第二层为循环网络层1,用于辨识不同故障类型的特征,设定本层为一个包含128个隐藏单元的长短期记忆人工神经网络(Long Short-Term Memory,LSTM)。第三层为循环网络层2,用于辨识不同故障类型的特征,设定本层为一个包含64个隐藏单元的双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)。第四层为一个丢弃层,该层用于提高网络模型的泛化能力,设定丢弃率为30%;第五~七层为一个全连接层、一个softmax函数层和一个分类输出层,用于将前面网络输出为8种压电生物传感器携带的生物量信息。
步骤5:训练RNN模型。
指定网络的求解器为ADAM;设置最大训练迭代数为80;指定最小批训练大小为64;设置初始学习率为0.1,每经过10次训练迭代学习率下降10%;指定训练处理器类型为图形处理器(GPU)。将步骤3中的2维数据信号输入到深度学习网络模型中进行迭代训练;随着深度学习网络训练的进行,匹配率不断提高,目标损失函数(Loss)不断降低,表明RNN模型的检测能力越来越强。
步骤6、检查RNN模型的匹配率并调整。
利用测试数据集对训练好的RNN模型进行匹配率评估;本实施例中设定匹配率需大于或等于预设阈值,如预设阈值为98%。若匹配率小于98%,需要返回到步骤4和/或步骤5,调整RNN模型的配置或训练参数重新进行迭代训练;当匹配率大于或等于98%时,停止训练并导出RNN模型;导出的RNN模型即为本公开实施例提供的神经网络模型。
(2)声学传感检测模型的推理
将音频采集装置采集的附着有未知质量的生物活性分子的基于硅基MEMS的KNN压电薄膜生物传感器的振动声音并导入到经过训练的CNN模型中,从而可以确定在该基于硅基MEMS的KNN压电薄膜生物传感器的表面附着的生物活性分子的质量。
具体的,RNN模型可以部署在边缘端嵌入式ARM处理器中,也可以部署在云平台服务器上,通过客户端或者浏览器进行访问。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对电子设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
如图6所示,本发明的实施例提供一种电子设备10的结构示意图。电子设备10包括获取单元101,处理单元102和采集单元103。
获取单元101,用于获取压电传感器的表面附着有第一质量的生物活性分子的情况下,发声装置控制压电传感器以不同的目标频率振动所产生的训练样本声音;其中,每个训练样本声音对应一个时域信号,发声装置包括压电传感器;处理单元102,用于按照快速傅立叶变换FFT对获取单元101获取的训练样本声音进行处理,确定每个训练样本声音对应的频域信号;处理单元102,还用于将每个训练样本声音对应的时域信号和频域信号,以及每个训练样本声音一一对应的第一质量,输入至神经网络模型中;处理单元102,还用于基于目标损失函数,确定神经网络模型输出的对训练样本声音的预测质量与训练样本声音一一对应的第一质量是否匹配;处理单元102,还用于当预测质量与训练样本声音一一对应的第一质量不匹配时,反复循环地迭代更新神经网络模型的网络参数,直至预测质量与训练样本声音一一对应的第一质量的匹配率大于或等于预设阈值时,得到神经网络模型;采集单元103,用于采集待分析的振动声音;振动声音为在压电传感器的表面附着有生物活性分子时,发声装置控制压电传感器以目标频率振动所产生的;处理单元102,还用于将采集单元103采集的振动声音输入至神经网络模型中,确定振动声音对应的生物活性分子的实际质量。
一种可实施的方式中,目标频率大于或等于20Hz,并且目标频率小于或等于20000Hz。
一种可实施的方式中,压电传感器的表面可附着生物活性分子。
一种可实施的方式中,压电传感器包括由有机压电薄膜聚偏氟乙烯PVDF形成的压电传感器,或者,压电传感器包括由无机压电薄膜铌酸钾钠KNN基于微机电系统硅基MEMS形成的压电传感器,或者,压电传感器包括由压电陶瓷或单晶锆钛酸铅PZT形成的压电传感器中的任一项。
一种可实施的方式中,神经网络模型包括卷积神经网络CNN模型和循环神经网络RNN模型中的一项或者多项。
其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,其作用在此不再赘述。
当然,本发明实施例提供的电子设备10包括但不限于上述模块,例如电子设备10还可以包括存储单元104。存储单元104可以用于存储该写电子设备10的程序代码,还可以用于存储写电子设备10在运行过程中生成的数据,如写请求中的数据等。
图7为本发明实施例提供的一种电子设备10的结构示意图,如图7所示,该电子设备10可以包括:至少一个处理器51、存储器52、通信接口53和通信总线54。
下面结合图7对电子设备10的各个构成部件进行具体的介绍:
其中,处理器51是电子设备10的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器51是一个中央处理器(Central Processing Unit,CPU),也可以是特定集成电路(Application Specific Integrated Circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个DSP,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)。
在具体的实现中,作为一种实施例,处理器51可以包括一个或多个CPU,例如图7中所示的CPU0和CPU1。且,作为一种实施例,电子设备10可以包括多个处理器,例如图7中所示的处理器51和处理器55。这些处理器中的每一个可以是一个单核处理器(Single-CPU),也可以是一个多核处理器(Multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器52可以是只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器52可以是独立存在,通过通信总线54与处理器51相连接。存储器52也可以和处理器51集成在一起。
在具体的实现中,存储器52,用于存储本发明中的数据和执行本发明的软件程序。处理器51可以通过运行或执行存储在存储器52内的软件程序,以及调用存储在存储器52内的数据,执行空调器的各种功能。
通信接口53,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如无线接入网(Radio Access Network,RAN),无线局域网(Wireless Local Area Networks,WLAN)、终端、云端等。通信接口53可以包括采集单元103和获取单元101,以实现接收功能。
通信总线54,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
作为一个示例,结合图6,电子设备10中的获取单元101实现的功能与图7中的通信接口53的功能相同,处理单元102实现的功能与图7中的处理器51的功能相同,采集单元103实现的功能与图7中的通信接口53的功能相同,存储单元104实现的功能与图7中的存储器52的功能相同。
本发明另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行上述方法实施例所示的方法。
在一些实施例中,所公开的方法可以实施为以机器可读格式被编码在计算机可读存储介质上的或者被编码在其它非瞬时性介质或者制品上的计算机程序指令。
图8示意性地示出本发明实施例提供的计算机程序产品的概念性局部视图,所述计算机程序产品包括用于在计算设备上执行计算机进程的计算机程序。
在一个实施例中,计算机程序产品是使用信号承载介质410来提供的。所述信号承载介质410可以包括一个或多个程序指令,其当被一个或多个处理器运行时可以提供以上针对图2描述的功能或者部分功能。因此,例如,参考图2中所示的实施例,S11-S17的一个或多个特征可以由与信号承载介质410相关联的一个或多个指令来承担。此外,图8中的程序指令也描述示例指令。
在一些示例中,信号承载介质410可以包含计算机可读介质411,诸如但不限于,硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等等。
在一些实施方式中,信号承载介质410可以包含计算机可记录介质412,诸如但不限于,存储器、读/写(R/W)CD、R/W DVD、等等。
在一些实施方式中,信号承载介质410可以包含通信介质413,诸如但不限于,数字和/或模拟通信介质(例如,光纤电缆、波导、有线通信链路、无线通信链路、等等)。
信号承载介质410可以由无线形式的通信介质413(例如,遵守IEEE 802.41标准或者其它传输协议的无线通信介质)来传达。一个或多个程序指令可以是,例如,计算机可执行指令或者逻辑实施指令。
在一些示例中,诸如针对图2描述的写数据装置可以被配置为,响应于通过计算机可读介质411、计算机可记录介质412、和/或通信介质413中的一个或多个程序指令,提供各种操作、功能、或者动作。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.生物活性分子含量的检测方法,其特征在于,包括:
获取压电传感器的表面附着有第一质量的生物活性分子的情况下,发声装置控制所述压电传感器以不同的目标频率振动所产生的训练样本声音;其中,每个训练样本声音对应一个时域信号,所述发声装置包括所述压电传感器;
按照快速傅立叶变换FFT对所述训练样本声音进行处理,确定每个所述训练样本声音对应的频域信号;
将每个所述训练样本声音对应的时域信号和频域信号,以及每个所述训练样本声音一一对应的第一质量,输入至神经网络模型中;
基于目标损失函数,确定所述神经网络模型输出的对所述训练样本声音的预测质量与所述训练样本声音一一对应的第一质量是否匹配;
当所述预测质量与所述训练样本声音一一对应的第一质量不匹配时,反复循环地迭代更新所述神经网络模型的网络参数,直至所述预测质量与所述训练样本声音一一对应的第一质量的匹配率大于或等于预设阈值时,得到所述神经网络模型;
采集待分析的振动声音;所述振动声音为在所述压电传感器的表面附着有生物活性分子时,所述发声装置控制所述压电传感器以目标频率振动所产生的;
将所述振动声音输入至所述神经网络模型中,确定所述振动声音对应的生物活性分子的实际质量。
2.根据权利要求1所述的生物活性分子含量的检测方法,其特征在于,所述目标频率大于或等于20Hz,并且所述目标频率小于或等于20000Hz。
3.根据权利要求1所述的生物活性分子含量的检测方法,其特征在于,所述压电传感器的表面可附着生物活性分子。
4.根据权利要求1-3任一项所述的生物活性分子含量的检测方法,其特征在于,所述神经网络模型包括卷积神经网络CNN模型和循环神经网络RNN模型中的一项或者多项。
5.生物活性分子含量的检测装置,其特征在于,包括:
获取单元,用于获取压电传感器的表面附着有第一质量的生物活性分子的情况下,发声装置控制所述压电传感器以不同的目标频率振动所产生的训练样本声音;其中,每个训练样本声音对应一个时域信号,所述发声装置包括所述压电传感器;
处理单元,用于按照快速傅立叶变换FFT对所述获取单元获取的所述训练样本声音进行处理,确定每个所述训练样本声音对应的频域信号;
所述处理单元,还用于将每个所述训练样本声音对应的时域信号和频域信号,以及每个所述训练样本声音一一对应的第一质量,输入至神经网络模型中;
所述处理单元,还用于基于目标损失函数,确定所述神经网络模型输出的对所述训练样本声音的预测质量与所述训练样本声音一一对应的第一质量是否匹配;
所述处理单元,还用于当所述预测质量与所述训练样本声音一一对应的第一质量不匹配时,反复循环地迭代更新所述神经网络模型的网络参数,直至所述预测质量与所述训练样本声音一一对应的第一质量的匹配率大于或等于预设阈值时,得到所述神经网络模型;
采集单元,用于采集待分析的振动声音;所述振动声音为在所述压电传感器的表面附着有生物活性分子时,所述发声装置控制所述压电传感器以目标频率振动所产生的;
所述处理单元,还用于将所述采集单元采集的所述振动声音输入至所述神经网络模型中,确定所述振动声音对应的生物活性分子的实际质量。
6.一种生物活性分子的检测系统,其特征在于,包括安装有压电传感器的发声装置和电子设备,所述发声装置用于在所述压电传感器的表面附着有生物活性分子时,控制所述压电传感器以目标频率振动从而产生待分析的振动声音,所述电子设备用于采集所述发声装置发出的所述待分析的振动声音,并执行权利要求1-4任一项所述的生物活性分子含量的检测方法。
7.一种计算机存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上述权利要求1-4任一项所述的生物活性分子含量的检测方法。
8.一种电子设备,包括:通信接口、处理器、存储器、总线;存储器用于存储计算机执行指令,处理器与存储器通过总线连接,当电子设备运行时,处理器执行存储器存储的计算机执行指令,以使电子设备执行如上述权利要求1-4任一项所述的生物活性分子含量的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590358.0A CN114501263B (zh) | 2021-12-23 | 2021-12-23 | 生物活性分子含量的检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590358.0A CN114501263B (zh) | 2021-12-23 | 2021-12-23 | 生物活性分子含量的检测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114501263A true CN114501263A (zh) | 2022-05-13 |
CN114501263B CN114501263B (zh) | 2023-06-06 |
Family
ID=81494278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111590358.0A Active CN114501263B (zh) | 2021-12-23 | 2021-12-23 | 生物活性分子含量的检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114501263B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005274164A (ja) * | 2004-03-23 | 2005-10-06 | Citizen Watch Co Ltd | バイオセンサー装置 |
WO2009014830A1 (en) * | 2007-06-18 | 2009-01-29 | Drexel University | Detection of nucleic acids using a cantilever sensor |
US20100075347A1 (en) * | 2006-08-18 | 2010-03-25 | Dasaratha Sridhar V | Methods of detection using acousto-mechanical detection systems |
US20150119263A1 (en) * | 2011-08-31 | 2015-04-30 | The Trustees Of The University Of Pennsylvania | Carbon nanotube biosensors and related methods |
CN109374729A (zh) * | 2018-09-25 | 2019-02-22 | 深圳大学 | 一种声学微质量传感器及检测方法 |
US20190170631A1 (en) * | 2016-09-20 | 2019-06-06 | Sensor Kinesis Corporation | Surface Acoustic Wave Biosensor Employing an Analog Front End and DNA Encoded Libraries to Improved Limit of Detection (LOD) with Exemplary Apparatus of the Same |
US20200309737A1 (en) * | 2019-03-28 | 2020-10-01 | Sensor Kinesis Corp. | Detection of Cardiac Troponin or Biological Markers via Shear Horizontal Surface Acoustic Wave Biosensor using a Wet-Dry Bioanalytical Technique |
WO2021138570A1 (en) * | 2019-12-31 | 2021-07-08 | University Of Oregon | Magnetoelastic microcarriers and monitoring system |
CN113396457A (zh) * | 2018-11-29 | 2021-09-14 | 珍纳瑞公司 | 用于生物物理建模和响应预测的系统、方法和装置 |
CN113474841A (zh) * | 2019-02-22 | 2021-10-01 | 3M创新有限公司 | 使用核酸扩增测定的靶生物体的机器学习量化 |
-
2021
- 2021-12-23 CN CN202111590358.0A patent/CN114501263B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005274164A (ja) * | 2004-03-23 | 2005-10-06 | Citizen Watch Co Ltd | バイオセンサー装置 |
US20100075347A1 (en) * | 2006-08-18 | 2010-03-25 | Dasaratha Sridhar V | Methods of detection using acousto-mechanical detection systems |
WO2009014830A1 (en) * | 2007-06-18 | 2009-01-29 | Drexel University | Detection of nucleic acids using a cantilever sensor |
US20150119263A1 (en) * | 2011-08-31 | 2015-04-30 | The Trustees Of The University Of Pennsylvania | Carbon nanotube biosensors and related methods |
US20190170631A1 (en) * | 2016-09-20 | 2019-06-06 | Sensor Kinesis Corporation | Surface Acoustic Wave Biosensor Employing an Analog Front End and DNA Encoded Libraries to Improved Limit of Detection (LOD) with Exemplary Apparatus of the Same |
CN109374729A (zh) * | 2018-09-25 | 2019-02-22 | 深圳大学 | 一种声学微质量传感器及检测方法 |
CN113396457A (zh) * | 2018-11-29 | 2021-09-14 | 珍纳瑞公司 | 用于生物物理建模和响应预测的系统、方法和装置 |
CN113474841A (zh) * | 2019-02-22 | 2021-10-01 | 3M创新有限公司 | 使用核酸扩增测定的靶生物体的机器学习量化 |
US20200309737A1 (en) * | 2019-03-28 | 2020-10-01 | Sensor Kinesis Corp. | Detection of Cardiac Troponin or Biological Markers via Shear Horizontal Surface Acoustic Wave Biosensor using a Wet-Dry Bioanalytical Technique |
WO2021138570A1 (en) * | 2019-12-31 | 2021-07-08 | University Of Oregon | Magnetoelastic microcarriers and monitoring system |
Non-Patent Citations (2)
Title |
---|
S. TOMBELLI: "Piezoelectric biosensors for medical applications", 《WOODHEAD PUBLISHING》 * |
邹春阳: "石英晶体微天平(QCM)应用的研究进展", 《浙江农林大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114501263B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549934B (zh) | 一种基于自动集群神经网络芯片组的运算方法和装置 | |
Xin et al. | The use of polyvinylidene fluoride (PVDF) films as sensors for vibration measurement: A brief review | |
Asadnia et al. | Artificial fish skin of self-powered micro-electromechanical systems hair cells for sensing hydrodynamic flow phenomena | |
US10649060B2 (en) | Sound source localization confidence estimation using machine learning | |
Hudspeth | Making an effort to listen: mechanical amplification in the ear | |
CN104049733B (zh) | 自动触觉效果调节系统 | |
EP3444809B1 (en) | Personalized speech recognition method and system | |
CN110146810B (zh) | 一种线性马达测试参数的确定方法及装置 | |
CN112533941A (zh) | 用于空间图卷积的系统和方法及其在药物发现和分子模拟中的应用 | |
Ciaburro et al. | Machine-learning-based methods for acoustic emission testing: a review | |
Faegh et al. | A self-sensing piezoelectric microcantilever biosensor for detection of ultrasmall adsorbed masses: theory and experiments | |
JP2021523430A (ja) | 教師付き機械学習問題用のニューラルネットワークアーキテクチャの選択 | |
CN111124108B (zh) | 模型训练方法、手势控制方法、装置、介质及电子设备 | |
JP7299091B2 (ja) | 音方向探知センサ、及びそれを含む電子装置 | |
Dung et al. | Numerical simulation of output response of PVDF sensor attached on a cantilever beam subjected to impact loading | |
JP2017111789A (ja) | 自動ハプティック設定生成 | |
US20210117781A1 (en) | Method and apparatus with neural network operation | |
Abdul et al. | Sensitivity and directivity analysis of piezoelectric ultrasonic cantilever-based mems hydrophone for underwater applications | |
Zhang et al. | Automatic detection and classification of marmoset vocalizations using deep and recurrent neural networks | |
Kane et al. | Biomechanics of the peafowl’s crest reveals frequencies tuned to social displays | |
CN110809800A (zh) | 预测装置、预测方法、预测程序、学习模型输入数据生成装置和学习模型输入数据生成程序 | |
CN114501263B (zh) | 生物活性分子含量的检测方法、装置和电子设备 | |
CN108595013B (zh) | 握持识别方法、装置、存储介质及电子设备 | |
JP2020092420A (ja) | 音源分離装置及び音源分離方法 | |
US11250852B2 (en) | Generation of trigger recognition models for robot |
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 |