CN115343348A - 一种目标物浓度的检测方法、装置、设备及存储介质 - Google Patents
一种目标物浓度的检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115343348A CN115343348A CN202210780570.1A CN202210780570A CN115343348A CN 115343348 A CN115343348 A CN 115343348A CN 202210780570 A CN202210780570 A CN 202210780570A CN 115343348 A CN115343348 A CN 115343348A
- Authority
- CN
- China
- Prior art keywords
- enzyme
- solution
- neural network
- network model
- concentration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 82
- 230000004044 response Effects 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000000243 solution Substances 0.000 description 74
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 24
- 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 23
- 239000008103 glucose Substances 0.000 description 23
- 239000011259 mixed solution Substances 0.000 description 19
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 102000004190 Enzymes Human genes 0.000 description 15
- 108090000790 Enzymes Proteins 0.000 description 15
- 239000013076 target substance Substances 0.000 description 13
- 235000014655 lactic acid Nutrition 0.000 description 12
- 239000004310 lactic acid Substances 0.000 description 12
- 239000010931 gold Substances 0.000 description 11
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 7
- 229910052697 platinum Inorganic materials 0.000 description 7
- 229910052751 metal Inorganic materials 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 229910052759 nickel Inorganic materials 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 238000006555 catalytic reaction Methods 0.000 description 4
- 239000012621 metal-organic framework Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000002041 carbon nanotube Substances 0.000 description 3
- 229910021393 carbon nanotube Inorganic materials 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
- 238000002484 cyclic voltammetry Methods 0.000 description 3
- 229910021389 graphene Inorganic materials 0.000 description 3
- 229910001092 metal group alloy Inorganic materials 0.000 description 3
- 229910044991 metal oxide Inorganic materials 0.000 description 3
- 150000004706 metal oxides Chemical class 0.000 description 3
- 239000002086 nanomaterial Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000835 electrochemical detection Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000012085 test solution Substances 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000000970 chrono-amperometry Methods 0.000 description 1
- 238000004769 chrono-potentiometry Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001903 differential pulse voltammetry Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- -1 lactic acid Chemical class 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000003950 stripping voltammetry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/4161—Systems measuring the voltage and using a constant current supply, e.g. chronopotentiometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/48—Systems using polarography, i.e. measuring changes in current under a slowly-varying voltage
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本申请属于无酶传感技术领域,尤其涉及一种目标物浓度的检测方法、装置、设备及存储介质。本申请提供的目标物浓度的检测方法,能够较为准确地检测出待测溶液中各个目标物的浓度,实现高精度检测。该方法包括获取M个无酶传感器分别检测到的待测溶液的响应电流,其中,每个无酶传感器用于检测相同或者不同的目标物,M≥1且为整数;通过神经网络模型,根据M个无酶传感器分别检测到响应电流,确定待测溶液中的N种目标物的种类和浓度,N≤M且为整数。
Description
技术领域
本申请属于无酶传感技术领域,尤其涉及一种目标物浓度的检测方法、装置、设备及存储介质。
背景技术
电化学无酶传感器(简称无酶传感器)低成本、高灵敏度和宽检测范围的优势,使得其在电化学生物传感器领域得到了广泛应用。通常情况下,无酶传感器被用于检测待测溶液中目标物的浓度。
无酶传感器上设置有无酶传感器电极(简称无酶电极),不同的无酶电极对不同的目标物具有选择性,可以理解为,不同的无酶电极能够在其表面与不同的目标物产生催化反应,促使不同的目标物分解为带电粒子,使待测溶液产生响应电流。无酶传感器通过对比响应电流和预设的电流强度与目标物浓度的对应关系,即可确定待测溶液中的目标物的浓度。但是该对应关系通常是基于仅包括单一目标物且浓度已知的溶液检测得到的,换而言之,该对应关系是单一目标物溶液的浓度和响应电流的对应关系。由于无酶电极的选择性较差(即无酶电极在其表面还会与其他非目标物产生催化反应,促使其他非目标物分解产生带电粒子,从而影响响应电流的准确性),因此,当无酶传感器用于检测混合溶液时,其检测到的响应电流是不准确的,进而使得基于该响应电流和预设的电流强度与目标物浓度的对应关系确定的目标物浓度也是不准确的。
发明内容
有鉴于此,本申请实施例提供了一种目标物浓度的检测方法、装置、设备及存储介质,以解决现有技术中的针对混合溶液中目标物浓度进行检测时测量结果不准确的问题。
本申请实施例的第一方面提供了一种目标物浓度的检测方法,该方法包括:获取M个无酶传感器分别检测到的待测溶液的响应电流,其中,每个无酶传感器用于检测相同或者不同的目标物,M≥1且为整数;通过神经网络模型,根据M个无酶传感器分别检测到响应电流,确定待测溶液中的N种目标物的种类和浓度,N≤M且为整数。
结合第一方面,在第一方面的第一种可能实现方式中,神经网络模型是根据混合训练溶液,或者单一训练溶液和混合训练溶液中不同目标物的种类、浓度和响应电流的对应关系训练得到的。其中,单一训练溶液是指包括一种目标物的训练溶液,混合训练溶液是指至少包括一种目标物的训练溶液。
结合第一方面,在第一方面的第二种可能实现方式中,神经网络模型是通过以下方式训练的:获取训练数据集,训练数据集包括不同目标物的种类、浓度和电流强度的对应关系;对训练数据集进行预处理;根据预处理后的训练数据集,确定神经网络模型的模型参数;根据神经网络模型的模型参数和训练数据集,对神经网络模型进行训练。
结合第一方面,在第一方面的第三种可能实现方式中,模型参数包括输入层的数量m和输出层的数量n,其中,输入层的数量m等于用于采集训练数据的无酶传感器的数量;输出层的数量n等于训练数据集中目标物种类的数量。
结合第一方面,在第一方面的第四种可能实现方式中,模型参数还包括隐藏层的数量k,隐藏层的数量k是根据输入层的数量m和输出层的数量n确定的。
结合第一方面,在第一方面的第五种可能实现方式中,模型参数还包括激活函数,激活函数包括双曲正切S型传输函数和S型传输函数。
结合第一方面,在第一方面的第六种可能实现方式中,对训练数据集进行预处理,包括:对训练数据集进行归一化处理,或者去均值处理。
本申请实施例的第二方面提供了一种目标物浓度的检测装置,该装置包括:获取单元,用于获取M个无酶传感器分别检测到的待测溶液的响应电流,其中,个无酶传感器用于检测相同或者不同的目标物,M≥1且为整数;确定单元,用于通过神经网络模型,根据M个无酶传感器分别检测到响应电流,确定待测溶液中的N种目标物的种类和浓度,N≤M且为整数。
本申请实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中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如第一方面任一项所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
基于本申请实施例提供的目标物浓度的检测方法、装置、设备及存储介质中,该方法基于训练好的神经网络模型,能够根据多个传感器对含有多种目标物的混合溶液的检测结果,快速准确地给出每种目标物的浓度值。
另外,由于用于训练该神经网络模型的训练数据集中包括目标物所对应的电流强度与目标物浓度的对应关系,因此能够较为准确地检测出待测溶液中各个目标物的浓度,实现高精度检测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的神经网络模型的训练方法的示意性流程图;
图2是本申请实施例提供的单一溶液中葡萄糖浓度与电流强度的对应关系示意图;
图3a是本申请实施例提供的混合溶液中葡萄糖浓度与电流强度的对应关系示意图;
图3b是本申请实施例提供的混合溶液中乳酸浓度与电流强度的对应关系示意图;
图4是本申请实施例提供的一种获取训练数据集至训练神经网络模型的主要过程的示意图;
图5是本申请实施例提供的另一种获取训练数据集至训练神经网络模型的主要过程的示意图;
图6是本申请实施例提供的一种目标物浓度的检测方法的示意性流程图;
图7是本申请实施例提供的目标物浓度的检测过程的场景示意图;
图8是本申请实施例提供的一种目标物浓度的检测装置的示意图;
图9是本申请实施例提供的电子设备的的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
以下结合具体的实施例对本申请提供的技术方案进行详细的解释说明。
电化学无酶传感器(简称无酶传感器)上设置有无酶传感器电极(简称无酶电极)。无酶传感器通过无酶电极,能够检测待测溶液中目标物的响应电流。
无酶电极包括基底和修饰在基底上的无酶材料,不同的无酶电极的基底和/或无酶材料不同。并且,不同的无酶电极用于检测相同或者不同的目标物。示例性的,无酶材料包括但不限于金属、金属合金、金属氧化物、金属纳米材料、金属有机骨架化合物(Metalorganic Frameworks,MOFs)、碳纳米管、石墨烯等的一种或多种。其中,由于每种无酶材料都是具有催化性的且拥有各自的特性,因此,在上述无酶材料中,金属、金属合金、金属氧化物、金属纳米材料、MOFs在制备无酶传感器时可以作为无酶材料单独使用,为了优化碳纳米管、石墨烯材料的催化性能,碳纳米管、石墨烯在制备无酶传感器时需要与前述的金属、金属合金、金属氧化物、金属纳米材料、MOFs复配使用。基底可以是铂Pt或金Au,可选的,也可以进一步选择为碳、金盘/片、铂盘/片等具有良好导电性材料中的一种或多种。
无酶传感器在对待测溶液中目标物的浓度进行检测时,主要通过无酶电极,对目标物的选择性(即避免目标物溶液中其它组分的干扰能力)以及电催化特性(即无酶传感器无酶电极对目标物的响应程度)进行检测。应理解,修饰材料和/或基底材料不同,则无酶电极的选择性以及电催化特性不同。
在进行目标物浓度检测的过程中,不同的无酶电极能够在其表面与不同的目标物产生催化反应,促使不同的目标物分解为带电粒子,使待测溶液产生响应电流。无酶传感器通过对比响应电流和预设的电流强度与目标物浓度的对应关系,即可确定待测溶液中的目标物的浓度。但是该对应关系通常是基于仅包括单一目标物且浓度已知的溶液检测得到的,换而言之,该对应关系是单一目标物溶液的浓度和响应电流的对应关系。由于无酶电极的选择性较差(即无酶电极在其表面还会与其他非目标物产生催化反应,促使其他非目标物分解产生带电粒子,从而影响响应电流的准确性)。例如,在通过葡萄糖无酶传感器检测混合溶液中的葡萄糖浓度时,通常情况下,葡萄糖无酶传感器也会对一些碳水化合物表现出响应,如乳酸等,从而导致检测结果不准确。因此,当无酶传感器用于检测混合溶液时,其检测到的响应电流是不准确的,进而使得基于该响应电流和预设的电流强度与目标物浓度的对应关系确定的目标物浓度也是不准确的。
针对传统无酶传感器在检测待测溶液中目标物的浓度时存在的检测结果不准确的问题,本申请实施例提供了一种目标物浓度的检测方法,该方法基于已训练好的神经网络模型对待测溶液中的目标物浓度进行检测,该神经网络模型是通过训练数据集对其进行训练后得到的,该训练数据集中包括目标物所对应的电流强度与目标物浓度的对应关系,因此能够较为准确地检测出待测溶液中各个目标物的浓度,实现高精度检测。
本申请实施例提供的一种目标物浓度的检测方法,是基于训练好的神经网络模型实现的,在本实施例中,将通过(一)神经网络模型的训练、(二)基于已训练的神经网络模型对待测溶液进行浓度检测等内容,对本申请实施例提供的目标物浓度的检测方法进行解释说明。
需要说明的是,本实施例中提供的(一)神经网络模型的训练方法与(二)基于神经网络模型对待测溶液进行目标物浓度检测方法,可以是同一个电子设备执行的,也可以不同的电子设备执行的。另外,本申请实施例中提供的目标物浓度的检测方法适用于各种类型的神经网络模型,在本实施例中以反向传播(Back-ProPagation,BP)神经网络模型为例进行说明,如果没有做特殊说明,本实施例中出现的神经网络模型均指的是BP神经网络模型。
(一)神经网络模型的训练
图1为本申请实施例提供的神经网络模型的训练方法示意性流程图,参见图1所示,该方法包括以下步骤S101-S105。
S101、电子设备获取训练数据集。
训练数据集包括混合训练溶液,和/或,单一训练溶液和混合训练溶液不同目标物的种类、浓度、电流强度和无酶电极的对应关系。例如,在单一训练溶液中,不同浓度的葡萄糖溶液、响应电流和无酶电极的对应关系;在混合训练溶液中,不同浓度的乳酸溶液、响应电流和无酶电极的对应关系,以及不同浓度的葡萄糖和乳酸混合溶液、响应电流和无酶电极的对应关系等。
在本实施例中,训练数据集是通过无酶电极分别为Ni(OH)2/Pt、NiO/Pt和Ni(OH)2/Au三种无酶电极的无酶传感器;目标物溶液分别为单一的葡萄糖溶液、以及葡萄糖和乳酸的混合溶液进行数据采集得到的。无酶电极通过电化学检测方法得到目标物溶液中目标物对于该无酶电极的响应电流。
在一些实施例中,上述电化学方法包括循环伏安法、计时电流法、计时电位法、差分脉冲伏安法、溶出伏安法等电化学检测方法中的一种或多种。
例如,通过设置有Ni(OH)2/Pt无酶电极的无酶传感器,对葡萄糖溶液通过循环伏安法进行检测,得到该葡萄糖溶液中葡萄糖对于该Ni(OH)2/Pt无酶电极的响应电流,然后再调整葡萄糖溶液的浓度,得到葡萄糖溶液中不同葡萄糖浓度与电流强度的对应关系,在一个示例中,如图2所示。再例如,通过设置有Ni(OH)2/Au无酶电极的无酶传感器,对葡萄糖和乳酸的混合溶液通过循环伏安法进行检测,得到该混合溶液中葡萄糖对于该Ni(OH)2/Au无酶电极的响应电流,以及该混合溶液中乳酸对于该Ni(OH)2/Au无酶电极的响应电流,然后再分别调整该混合溶液中葡萄糖以及乳酸的浓度,进而得到混合溶液中葡萄糖浓度与电流强度的对应关系(参见图3a中所示),以及,乳酸浓度与电流强度的对应关系(参见图3b中所示)。其中,图2、图3a以及图3b中横坐标表示目标物浓度(毫摩尔每升,mM),纵坐标表示电流强度(微安,μA)。
电子设备以上述检测完成的目标物浓度与检测电流强度的对应关系的训练数据作为神经网络模型的训练数据集。
S102,电子设备对训练数据集进行预处理。
可选的,电子设备通常需要对建立好的训练数据集进行预处理,在本实施例中,预处理包括归一化处理和去均值处理等。其中,通过归一化处理可以消除训练数据集中奇异样本数据导致的不良影响,加快神经网络模型梯度下降求最优解的速度,且有利于提高神经网络模型的精度。其中,归一化处理的目的是保证所有的维度上数据都在一个变化幅度上。通常有两种方法可以实现归一化。一个是在数据都去均值之后,每个维度上的数据都除以这个维度上数据的标准差。另外一种方式是除以数据绝对值最大值,以保证所有的数据归一化后都在-1到1之间。
S103、电子设备根据预处理后的训练数据集,确定神经网络模型的模型参数。
在本实施例中,神经网络模型的模型参数包括输入层的数量、隐藏层的数量、输出层的数量以及激活函数。
本实施实例中,神经网络模型的输入层、隐藏层和输出层的数量根据无酶传感器的数量和目标物的种类数确定。在一个示例中,输入层的数量m等于用于采集训练数据的无酶传感器的数量。输出层的数量n等于目标物种类的数量。无酶传感器的数量需要大于目标物的种类数,以保证最终模型的适用性。隐藏层的数量k可以根据经验公式或者,确定,其中,表示向上取整,表示向下取整,a通常取1-10之间的整数。
在一些实施例中,神经网络模型的激活函数通常以双曲正切S型传输函数(tansig函数)和S型传输函数(logsig函数)作为神经网络模型的激活函数。
S104、电子设备根据神经网络模型的模型参数和预处理后的训练数据集,对神经网络模型进行训练。
在本实施例中,电子设备在确定神经网络模型的模型参数后,按照神经网络规则算法以及训练目标,结合训练数据集对神经网络模型进行训练。
示例性的,电子设备可以将预处理后的训练数据集后输入神经网络模型,设定神经网络模型隐藏层的激活函数为tansig函数,输出层的激活函数为logsig函数。神经网络模型训练函数为梯度下降函数(traingdx函数),神经网络模型性能函数为均方误差函数(mse函数),隐层神经元数初设为6。设定神经网络模型参数:神经网络模型迭代次数epochs为5000次,期望误差goal为0.00000001,学习速率lr为0.01。设定完参数后,开始训练神经网络模型。该神经网络模型通过预设次数的重复学习达到期望误差后则完成学习。在本实施例中,神经网络模型的训练过程完成后,即完成了在神经网络模型中预设训练目标物溶液中电流强度与目标物浓度的对应关系的过程。
在本申请提供的神经网络模型的训练方法的一个实施例中,图4示出了电子设备从获取训练数据集至训练神经网络模型的主要过程。具体包括:电子设备以设置有Ni(OH)2/Pt、NiO/Pt和Ni(OH)2/Au三种无酶电极的无酶传感器分别对训练目标物溶液为葡萄糖和乳酸的单一或者混合溶液进行检测,得到的各个无酶电极与目标物浓度的对应关系为训练数据集;然后对该训练数据集进行预处理;对预处理完成后的训练数据集,以输入层为无酶电极的响应电流I1,I2,I3,隐藏层为1~n,输出层为目标物的浓度O1,O2对神经网络模型进行训练。同样的,图5中所示的也是电子设备从获取训练数据集至训练神经网络模型的主要过程,最终在神经网络模型的输出层输出的x,y即为各个目标物的浓度值。
S105、电子设备基于已知目标物浓度和种类的混合溶液对训练完成的神经网络模型进行验证。
需要说明的是,在本实施例中,在训练神经网络模型时所选择的训练目标物浓度、目标物种类以及无酶传感器的数量,即确定了所训练的神经网络模型在后期进行待测溶液中目标物浓度检测时的应用条件。比如,若训练数据集中采用的无酶传感器包括设置有Ni(OH)2/Pt、NiO/Pt和Ni(OH)2/Au三种无酶电极的无酶传感器,目标物的种类分别为葡萄糖和乳酸,目标物浓度的范围选择为1-100,则在后期通过训练好的神经网络模型进行待测溶液中目标物浓度检测时,神经网络模型只能识别出无酶电极为Ni(OH)2/Pt、NiO/Pt和Ni(OH)2/Au的无酶传感器,对于目标物为葡萄糖和乳酸,在其浓度范围是1-100的浓度值。
在另一些实施例中,当电子设备需要得到识别浓度范围更广,种类更多的目标物时,可以根据实际对训练数据集中的训练数据进行相应调整,以适应神经网络模型中的输入层和输出层,具体实施过程可参见上述实施例中的训练数据获取以及神经网络模型的训练过程,本实施例中不做具体限制。
(二)基于已训练的神经网络模型对待测溶液进行目标物浓度检测
图6为本申请实施例提供的一种目标物浓度的检测方法流程图,参见图6所示,该方法包括以下步骤S601-S602。
S601、电子设备获取M个无酶传感器检测到的待测溶液的响应电流,其中,M≥1且为整数。
待测溶液中的溶质和组分通常是未知的,其可能包括待检测的目标物,也可能不包括。根据待检测的M种目标物的种类,可以使用对应数量和类型的无酶传感器去检测该待测溶液。示例性的,电子设备以NiO/Pt和Ni(OH)2/Au两种无酶电极的无酶传感器(参见图7中a至b部分)分别检测待测溶液中的葡萄糖和乳酸,图7中b部分的WE1、WE2、WE3分别表示不同的无酶电极。
当需要检测待测溶液中的目标物种类以及物浓度时,首先通过多个无酶传感器检测对待测溶液中目标物溶进行传感,得到不同无酶传感器对待测溶液中目标物的响应电流。示例性的,参见图7中的c部分所示,将含有单一组分或者多组分的待测溶液滴加在上述制备的无酶传感器上,得到各个无酶传感器对对应目标物的响应电流。
S602、电子设备将响应电流输入至神经网络模型,得到待测溶液中N种目标物的种类和浓度值,其中,N≤M且为整数。
电子设备基于训练好的神经网络模型,以响应电流作为神经网络模型的输入层数值,即可完成根据多个传感器,对含有N种目标物的混合溶液进行一次检测,然后快速准确地给出每种目标物的浓度值。示例性的,参见图7中的d部分所示,电子设备以获取的各个无酶传感器对待测溶液中目标物的响应电流作为已训练的神经网络模型的输入层,将其输入已训练的神经网络模型中,在该神经网络模型的输出层即可得到待测溶液中的目标物的浓度值。在本实施例中,由于神经网络模型在最初训练时是基于单一目标物溶液和含有多种目标物的混合溶液进行训练的,因此,在最终采用已训练的神经网络模型进行目标物浓度检测时,既可以检测到单一待测溶液中的目标物的浓度值,同时也可以检测含有多种目标物的待测溶液中各个目标物的浓度值。
应理解,本实施例中提供了一种能够通过多个无酶传感器对含有多种目标物的待测溶液进行检测,得到待测溶液中各个目标物的浓度值的方法。而本实施例中提供的神经网络模型在训练时,同样采用含有单一目标物的训练溶液对神经网络模型进行训练,因此,通过该神经网络模型同样可以检测一个无酶传感器对于含有单一目标物的待测溶液中该目标物的浓度。
本实施例中提供的目标物浓度的检测方法,可以实现根据一个或者多个无酶传感器的检测结果。利用训练好的神经网络模型较为准确的检测出单一或者混合溶液中多种目标物的浓度值,提高了无酶传感的选择性,满足对于实际应用中的需求。由于通常情况下,无酶传感器中所检测出的目标物溶液中电流强度与目标物浓度的对应关系为非线性关系,而神经网络优异的非线性处理能力,能够突破线性范围较窄的局限性,帮助整个系统实现更大范围的传感,满足对于生物传感中无酶电极系统的特异性检测,为稳定可靠的检测工作多提供一种选择,具有广泛地应用前景。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
需要说明的是,本实施例中提供的目标物浓度的检测方法,应用于能够建立分析对应关系的各种人工智能工具领域中,比如深度学习、决策树学习、支持向量机、随机森林等人工智能算法中的一种。而不单单仅限于神经网络模型中。具体在应用于深度学习、决策树学习、支持向量机或者随机森林时,关于训练数据集的获取以及目标物浓度与无酶传感器传感电流强度的对应关系的建立可根据具体应用的人工智能工具做适应性的调整,本申请实施例不做具体限制。
图8为本申请实施例提供的一种目标物浓度的检测装置的示意图,如图8所示,该装置包括:获取单元,用于获取M个无酶传感器分别检测到的待测溶液的响应电流,其中,个无酶传感器用于检测相同或者不同的目标物,M≥1且为整数;确定单元,用于通过神经网络模型,根据M个无酶传感器分别检测到响应电流,确定待测溶液中的N种目标物的种类和浓度,N≤M且为整数。
图9是本申请一实施例提供的电子设备的示意图。如图9所示,该实施例的电子设备9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92,例如目标物浓度的检测程序。所述处理器90执行所述计算机程序92时实现上述各个目标物浓度的检测方法实施例中的步骤。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述电子设备9中的执行过程。
所述电子设备9可以是平板电脑、平板电脑、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是电子设备9的示例,并不构成对电子设备9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,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述电子设备9的内部存储单元,例如电子设备9的硬盘或内存。所述存储器91也可以是所述电子设备9的外部存储设备,例如所述电子设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述电子设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备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系统,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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,在本申请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。
所述集成的模块/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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种目标物浓度的检测方法,其特征在于,所述方法包括:
获取M个无酶传感器分别检测到的待测溶液的响应电流,其中,每个所述无酶传感器用于检测相同或者不同的目标物,M≥1且为整数;
通过神经网络模型,根据所述M个无酶传感器分别检测到所述响应电流,确定所述待测溶液中的N种所述目标物的种类和浓度,N≤M且为整数。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型是根据混合训练溶液,或者单一训练溶液和混合训练溶液中不同目标物的种类、浓度和响应电流的对应关系训练得到的。
3.根据权利要求2所述的方法,其特征在于,所述神经网络模型是通过以下方式训练的:
获取训练数据集,所述训练数据集包括所述不同目标物的种类、浓度和电流强度的对应关系;
对所述训练数据集进行预处理;
根据所述预处理后的训练数据集,确定所述神经网络模型的模型参数;
根据所述神经网络模型的模型参数和所述训练数据集,对所述神经网络模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述模型参数包括输入层的数量m和输出层的数量n,其中,
所述输入层的数量m等于用于采集所述训练数据的无酶传感器的数量;
所述输出层的数量n等于所述训练数据集中目标物种类的数量。
5.根据权利要求4所述的方法,其特征在于,所述模型参数还包括隐藏层的数量k,所述隐藏层的数量k是根据所述输入层的数量m和所述输出层的数量n确定的。
6.根据权利要求3~5任一项所述的方法,其特征在于,所述模型参数还包括激活函数,所述激活函数包括双曲正切S型传输函数和S型传输函数。
7.根据权利要求3~5任一项所述的方法,其特征在于,所述对所述训练数据集进行预处理,包括:
对所述训练数据集进行归一化处理,或者去均值处理。
8.一种目标物浓度的检测装置,其特征在于,所述装置包括:
获取单元,用于获取M个无酶传感器分别检测到的待测溶液的响应电流,其中,每个所述无酶传感器用于检测相同或者不同的目标物,M≥1且为整数;
确定单元,用于通过神经网络模型,根据所述M个无酶传感器分别检测到所述响应电流,确定所述待测溶液中的N种所述目标物的种类和浓度,N≤M且为整数。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210780570.1A CN115343348A (zh) | 2022-07-04 | 2022-07-04 | 一种目标物浓度的检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210780570.1A CN115343348A (zh) | 2022-07-04 | 2022-07-04 | 一种目标物浓度的检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115343348A true CN115343348A (zh) | 2022-11-15 |
Family
ID=83948438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210780570.1A Pending CN115343348A (zh) | 2022-07-04 | 2022-07-04 | 一种目标物浓度的检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115343348A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000020855A1 (en) * | 1998-10-03 | 2000-04-13 | Cranfield University | Analysis of mixtures |
CN1623090A (zh) * | 2002-04-05 | 2005-06-01 | 纳幕尔杜邦公司 | 气体混合物分析装置 |
JP2006153548A (ja) * | 2004-11-26 | 2006-06-15 | Japan Science & Technology Agency | 被検物質の定量方法 |
JP2006343124A (ja) * | 2005-06-07 | 2006-12-21 | Keio Gijuku | 複数の化学物質の測定方法 |
CN102338765A (zh) * | 2010-12-23 | 2012-02-01 | 深圳大学 | 血糖测试试纸 |
CN106290498A (zh) * | 2016-08-08 | 2017-01-04 | 青岛科技大学 | 基于PEDOT‑rGO‑Ni(OH)2复合纳米材料的无酶葡萄糖传感器电极的制备方法 |
CN108007998A (zh) * | 2017-11-10 | 2018-05-08 | 东北电力大学 | 氧化镍非酶葡萄糖电化学传感器 |
US11068803B1 (en) * | 2020-10-09 | 2021-07-20 | Metre, Inc. | Systems and methods for predicting analyte concentrations via machine learning techniques |
CN113341066A (zh) * | 2021-05-24 | 2021-09-03 | 西南石油大学 | 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 |
CN113533654A (zh) * | 2021-07-21 | 2021-10-22 | 深圳盛方科技有限公司 | 智能气体识别方法、系统、设备及计算机可读存储介质 |
CN113720968A (zh) * | 2021-07-29 | 2021-11-30 | 深圳市天得一环境科技有限公司 | 气体浓度检测方法、装置、系统及存储介质 |
CN113846335A (zh) * | 2021-08-31 | 2021-12-28 | 华南师范大学 | 一种利用铂修饰二氧化钛电极或氧化镍电极增强亚硫酸钠和葡萄糖协同氧化的方法 |
-
2022
- 2022-07-04 CN CN202210780570.1A patent/CN115343348A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000020855A1 (en) * | 1998-10-03 | 2000-04-13 | Cranfield University | Analysis of mixtures |
CN1623090A (zh) * | 2002-04-05 | 2005-06-01 | 纳幕尔杜邦公司 | 气体混合物分析装置 |
JP2006153548A (ja) * | 2004-11-26 | 2006-06-15 | Japan Science & Technology Agency | 被検物質の定量方法 |
JP2006343124A (ja) * | 2005-06-07 | 2006-12-21 | Keio Gijuku | 複数の化学物質の測定方法 |
CN102338765A (zh) * | 2010-12-23 | 2012-02-01 | 深圳大学 | 血糖测试试纸 |
CN106290498A (zh) * | 2016-08-08 | 2017-01-04 | 青岛科技大学 | 基于PEDOT‑rGO‑Ni(OH)2复合纳米材料的无酶葡萄糖传感器电极的制备方法 |
CN108007998A (zh) * | 2017-11-10 | 2018-05-08 | 东北电力大学 | 氧化镍非酶葡萄糖电化学传感器 |
US11068803B1 (en) * | 2020-10-09 | 2021-07-20 | Metre, Inc. | Systems and methods for predicting analyte concentrations via machine learning techniques |
CN113341066A (zh) * | 2021-05-24 | 2021-09-03 | 西南石油大学 | 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 |
CN113533654A (zh) * | 2021-07-21 | 2021-10-22 | 深圳盛方科技有限公司 | 智能气体识别方法、系统、设备及计算机可读存储介质 |
CN113720968A (zh) * | 2021-07-29 | 2021-11-30 | 深圳市天得一环境科技有限公司 | 气体浓度检测方法、装置、系统及存储介质 |
CN113846335A (zh) * | 2021-08-31 | 2021-12-28 | 华南师范大学 | 一种利用铂修饰二氧化钛电极或氧化镍电极增强亚硫酸钠和葡萄糖协同氧化的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gamboa et al. | Validation of the rapid detection approach for enhancing the electronic nose systems performance, using different deep learning models and support vector machines | |
Yan et al. | Calibration transfer and drift compensation of e-noses via coupled task learning | |
De Carvalho et al. | Simultaneous determination of phenol isomers in binary mixtures by differential pulse voltammetry using carbon fibre electrode and neural network with pruning as a multivariate calibration tool | |
Bondarenko | Analysis of large experimental datasets in electrochemical impedance spectroscopy | |
Puthongkham et al. | Machine learning and chemometrics for electrochemical sensors: moving forward to the future of analytical chemistry | |
Gundry et al. | Recent advances and future perspectives for automated parameterisation, Bayesian inference and machine learning in voltammetry | |
JP7125493B2 (ja) | 人工神経網ディープラーニング技法を活用した測定物分析方法、装置、学習方法およびシステム | |
Attia et al. | Statistical learning for accurate and interpretable battery lifetime prediction | |
Chen et al. | Machine learning in fundamental electrochemistry: Recent advances and future opportunities | |
Goldammer et al. | Determination of the distribution of relaxation times by means of pulse evaluation for offline and online diagnosis of lithium-ion batteries | |
Bogdan et al. | Estimation of diffusion coefficients from voltammetric signals by support vector and gaussian process regression | |
Hamar et al. | State-of-health estimation using a neural network trained on vehicle data | |
Kalinowski et al. | Efficiency of linear and non-linear classifiers for gas identification from electrocatalytic gas sensor | |
Weaver et al. | Unsupervised classification of voltammetric data beyond principal component analysis | |
Gundry et al. | Inclusion of multiple cycling of potential in the deep neural network classification of voltammetric reaction mechanisms | |
CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
Singh et al. | Hybrid modeling of lithium-ion battery: Physics-informed neural network for battery state estimation | |
CN113740381B (zh) | 一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法 | |
Li et al. | State of health assessment for lithium-ion batteries using incremental energy analysis and bidirectional long short-term memory | |
CN113159273B (zh) | 一种神经网络的训练方法及相关设备 | |
Hediyeh-zadeh et al. | MSImpute: imputation of label-free mass spectrometry peptides by low-rank approximation | |
Zhou et al. | A data-driven LiFePO4 battery capacity estimation method based on cloud charging data from electric vehicles | |
Głowacz et al. | Comparison of various data analysis techniques applied for the classification of oligopeptides and amino acids by voltammetric electronic tongue | |
Kundu et al. | The e‐tongue‐based classification and authentication of mineral water samples using cross‐correlation‐based PCA and Sammon's nonlinear mapping | |
Zamboni et al. | An evolutionary computation approach for the online/on-board identification of PEM fuel cell impedance parameters with a diagnostic perspective |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221115 |
|
RJ01 | Rejection of invention patent application after publication |