CN115468941A - 基于轨迹优化的荧光免疫层析试条检测系统及方法 - Google Patents
基于轨迹优化的荧光免疫层析试条检测系统及方法 Download PDFInfo
- Publication number
- CN115468941A CN115468941A CN202211168423.5A CN202211168423A CN115468941A CN 115468941 A CN115468941 A CN 115468941A CN 202211168423 A CN202211168423 A CN 202211168423A CN 115468941 A CN115468941 A CN 115468941A
- Authority
- CN
- China
- Prior art keywords
- signal
- detection
- excitation light
- fluorescence
- optical fiber
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000012360 testing method Methods 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims description 12
- 230000005284 excitation Effects 0.000 claims abstract description 49
- 239000013307 optical fiber Substances 0.000 claims abstract description 42
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 9
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 9
- 239000010703 silicon Substances 0.000 claims abstract description 9
- 239000000835 fiber Substances 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 238000003908 quality control method Methods 0.000 claims description 33
- 238000003317 immunochromatography Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 241000270295 Serpentes Species 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000002073 fluorescence micrograph Methods 0.000 claims description 4
- 238000003556 assay Methods 0.000 claims description 3
- 238000001506 fluorescence spectroscopy Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 3
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 102000016752 1-Alkyl-2-acetylglycerophosphocholine Esterase Human genes 0.000 description 1
- 108010024976 Asparaginase Proteins 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- 108700028909 Serum Amyloid A Proteins 0.000 description 1
- 102000054727 Serum Amyloid A Human genes 0.000 description 1
- 102100036859 Troponin I, cardiac muscle Human genes 0.000 description 1
- 101710128251 Troponin I, cardiac muscle Proteins 0.000 description 1
- 239000002115 aflatoxin B1 Substances 0.000 description 1
- OQIQSTLJSLGHID-WNWIJWBNSA-N aflatoxin B1 Chemical compound C=1([C@@H]2C=CO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O OQIQSTLJSLGHID-WNWIJWBNSA-N 0.000 description 1
- 229930020125 aflatoxin-B1 Natural products 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- STJMRWALKKWQGH-UHFFFAOYSA-N clenbuterol Chemical compound CC(C)(C)NCC(O)C1=CC(Cl)=C(N)C(Cl)=C1 STJMRWALKKWQGH-UHFFFAOYSA-N 0.000 description 1
- 229960001117 clenbuterol Drugs 0.000 description 1
- UREBDLICKHMUKA-CXSFZGCWSA-N dexamethasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(F)[C@@H]1[C@@H]1C[C@@H](C)[C@@](C(=O)CO)(O)[C@@]1(C)C[C@@H]2O UREBDLICKHMUKA-CXSFZGCWSA-N 0.000 description 1
- 229960003957 dexamethasone Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001917 fluorescence detection Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229960003387 progesterone Drugs 0.000 description 1
- 239000000186 progesterone Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Biology (AREA)
- Hematology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Urology & Nephrology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biotechnology (AREA)
- Medicinal Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Food Science & Technology (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种基于轨迹优化的荧光免疫层析试条检测系统,包括控制系统、激发光源1、激发光源2、CCD图像传感器、硅光电二极管、接收光纤、激发光纤和X、Y两轴移动平台;所述激发光光纤和接收光光纤采用Y型光纤,接收光纤纤芯与激发光纤纤芯数量相同且平均对称分布;所述激发光源2设于激发光纤顶部,由控制系统控制激发光强度;所述硅光电二极管设于接收光纤顶部,将接收光纤获取的光电信号传送至控制系统;所述控制系统通过步进电机控制X、Y两轴移动平台移动;所述激发光源1和CCD图像传感器与控制系统连接;所述激发光源1经过匀光处理后照射试条激发荧光,CCD图像传感器采集试条图像。本发明实现多试条和任意试条位置高效检测。
Description
技术领域
本发明涉及荧光免疫层析检测技术领域,具体涉及一种基于轨迹优化的荧光免疫层析试条检测系统及方法。
背景技术
荧光免疫层析技术是在免疫层析技术(immunochromatography As say,ICA)的基础上,加入了荧光检测技术的检测方法,通过以荧光标记物作为示踪剂标记,通过光学仪器检测待测样本,来直接或间接获取待测物质的信息。荧光免疫层析技术作为一种快速定量的检测方法,广泛应用于临床检测、环境检测、食品安全等重要领域,其检测技术的研究具有重要意义。
目前荧光免疫层析技术的临床可测定的物质包括C反应蛋白、心肌肌钙蛋白I、血清淀粉样蛋白A、细胞股价蛋白4、脂蛋白相关磷脂酶A2、孕酮等。在食品安全的检测物质包括瘦肉精、黄曲霉素B1、地塞米松等。
荧光免疫层析检测技术是基于抗原抗体的特异性荧光反应的一种新型膜检测技术,目前的荧光免疫层析技术主要通过光电检测和图像检测两种方式。在图像检测方法中,主要通过分析荧光图像的灰度值,并利用相关算法来获得检测结果,相较于光电检测方式,检测精度相对较低。而光电检测方式是利用光电探测器对荧光信号进行检测,并通过光密度(OD)值的分析来获得结果。但光电检测方法对试条测试线和质控线的定位要求高,且由于电机运行所需时间限制了该方法的检测速度。
发明内容
有鉴于此,本发明的目的在于提供一种基于轨迹优化的荧光免疫层析试条检测系统及方法,实现多试条和任意试条位置高效检测。
为实现上述目的,本发明采用如下技术方案:
一种基于轨迹优化的荧光免疫层析试条检测系统,包括控制系统、激发光源1、激发光源2、CCD图像传感器、硅光电二极管、接收光纤、激发光纤和X、Y两轴移动平台;所述激发光光纤和接收光光纤采用Y型光纤,接收光纤纤芯与激发光纤纤芯数量相同且平均对称分布;所述激发光源2设于激发光纤顶部,由控制系统控制激发光强度;所述硅光电二极管设于接收光纤顶部,将接收光纤获取的光电信号传送至控制系统;所述控制系统通过步进电机控制X、Y两轴移动平台移动;所述激发光源1和CCD图像传感器与控制系统连接;所述激发光源1经过匀光处理后照射试条激发荧光,CCD图像传感器采集试条图像。
进一步的,所述控制系统包括微处理器、轨迹优化模块、存储单元、光电检测模块、信号处理模块和图像检测模块。
进一步的,所述图像检测模块获取待测试条图像,并利用基于多阈值的图像分割方法,根据图像的灰度特征将测试线和质控线与背景区分出来,精确提取每根试条测试线和质控线位置,并判断试条有效性;同时划分灰度值区间,根据不同灰度值区间,设置激发光强度。
进一步的,所述轨迹优化模块根据图像获得的每根试条测试线和质控线的位置,通过步进电机控制X、Y两轴移动平台,利用改进的遗传算法对X、Y轴移动平台的路线进行轨迹优化,并在对测试线、质控线检测时,降低步进电机转速,提高检测峰和质控峰的特征信号提取准确度。
进一步的,所述光电检测模块根据测试线强度,利用小波模糊控制反馈调节激发光强度;通过光电二极管将荧光信号转换成电信号,通过AD采集模块采集电信号并将检测数据传送到微处理器中。
进一步的,所述信号处理模块采用OVMD对检测信号进行信号分解,利用蛇优化算法对变分模态分解的分解层数和惩罚因子进行参数优化,最小包络熵作为蛇优化算法的适应度函数,通过迭代找到最佳的分解层数和惩罚因子,利用模糊熵区分有效信号主导部分和噪声信号主导部分,对噪声信号主导部分进行非局部均值去噪,再将去噪后的信号与有效信号主导部分整合,并从整合信号中获取测试峰和质控峰数据进行定量检测曲线拟合,获得检测结果。
一种荧光免疫层析检测方法,包括以下步骤:
步骤S1:多根并排放置的试条在匀光后的激发光源1的照射下激发荧光;
步骤S2:通过CCD图像传感器采集试条图像,并对荧光图像进行图像处理,利用基于多阈值的图像分割方法,根据图像的灰度特征将测试线和质控线从背景中区分出来,精确提取每根试条测试线和质控线位置,并判断试条有效性;
步骤S3:利用改进的遗传算法对移动平台的X、Y轴路线进行轨迹优化;
步骤S4:利用小波模糊控制反馈调节光电检测模块激发光强度;
步骤S5:光电检测模块将荧光信号通过光电二极管转换成电信号;通过AD采集模块进行光电信号采集,并将采集到的荧光信号传送到微处理器;
步骤S6:基于OVMD-SO算法对荧光信号进行分解,采用模糊熵判别噪声信号主导部分并进行去噪处理,并与有效信号主导部分进行整合;
步骤S7:通过对整合后的数据进行寻峰处理和定量检测曲线拟合,得到荧光免疫层析精确检测结果。
进一步的,所述改进的遗传算法,具体为:初始化种群,以各个测试线和质控线坐标为种群位置及种群数,改进的适应度函数为:
其中m,n为测试线、质控线坐标集合中的随机2个;
对种群进行交叉、变异、迭代,直到得到最小适应度种群,即为最佳路径,;通过在对测试线、质控带检测时,降低步进电机转速,提高检测峰和质控峰的特征信号提取准确度。
进一步的,通过变分模态分解将采集的荧光数据进行信号分解,将信号分解成K个有限带宽的模态分量uk(t),每个模态分量IMF的中心频率为wk,
各模态信号带宽的约束条件为:
引入二次惩罚因子α和拉格朗日乘法算子λ(t),将约束性变分问题变为非约束性变分问题;
扩展的拉格朗日表达式如下:
通过蛇优化算法对分解层数K,惩罚因子α进行参数优化;迭代后得到最佳分解层数K和惩罚因子α;分解后得到的各个模态分量,通过模糊熵判别有效信号主导分量和噪声信号主导分量;
FuzzyEn(s,f,F,g)=lnΦs(f,g)-lnΦs+1(f,g)
其中B是以h点为中心的相似区域,L为领域B中包含点的个数,λ是滤波器参数;
将去噪后的信号与有效信号主导部分整合,并进行算法寻峰,提取T、C峰峰面积信息,通过曲线拟合,得到荧光免疫层析检测定量结果。
本发明与现有技术相比具有以下有益效果:
本发明能够实现多试条和任意试条位置高效检测,有效提高荧光免疫层析试条检测效率及质量。
附图说明
图1是本发明控制系统原理图;
图2是本发明装置结构示意图;
图3是本发明一实施例中荧光免疫层析检测方法流程图;
图4是本发明一实施例中荧光免疫层析光电检测系统示意图;
图5是本发明一实施例中小波模糊控制流程图;
图6是本发明一实施例中轨迹优化流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1-6,本发明提供一种基于轨迹优化的荧光免疫层析试条检测系统,包括控制系统、激发光源1、激发光源2、CCD图像传感器、硅光电二极管、接收光纤、激发光纤和X、Y两轴移动平台;所述激发光光纤和接收光光纤采用Y型光纤,接收光纤纤芯与激发光纤纤芯数量相同且平均对称分布;所述激发光源2设于激发光纤顶部,由控制系统控制激发光强度;所述硅光电二极管设于接收光纤顶部,将接收光纤获取的光电信号传送至控制系统;所述控制系统通过步进电机控制X、Y两轴移动平台移动;所述激发光源1和CCD图像传感器与控制系统连接;所述激发光源1经过匀光处理后照射试条激发荧光,CCD图像传感器采集试条图像。
在本实施例中,检测开始时,多根并排放置的试条在匀光后的激发光源1的照射下激发荧光,图像传感器采集试条图像后,关闭激发光源1,对荧光图像进行图像处理,利用基于多阈值的图像分割方法,根据图像的灰度特征将测试线和质控线从背景中区分出来,精确提取每根试条测试线和质控线位置,并判断试条有效性。根据所设置的阈值,测试线灰度值处在不同的阈值区间,实现图像半定量检测。
在光电检测处理中,根据图像获得的每根试条定位测试线和质控线位置,微处理器通过控制PWM的脉冲频率驱动步进电机控制移动平台的X轴及Y轴移动,利用改进的遗传算法对移动平台的X、Y轴路线进行轨迹优化。通过对图像的处理,获得测试线灰度值半定量强度,根据测试线强度,利用小波模糊控制反馈调节光电检测模块激发光强度。通过小波分解进行模糊化处理,将测试线荧光半定量信号分解成多个荧光特征信号,并根据灰度值与激发光源2发光强度的对应关系建立模糊控制控制规则和模糊关系,利用神经网络算法对设置的样本进行自学习,通过学习后的知识作为规则库对模糊化后的信号进行模糊推理,得到模糊控制信号,解模糊化后转换为明确的控制讯号输送给控制对象,调节激发光源2的光强。光电检测模块将荧光信号通过光电二极管转换成电信号。通过AD采集模块进行光电信号采集,并将采集到的数据传送到计算机。
假设图像灰度值为{x1、x2、x3、x4},对应激发光强度为{y1、y2、y3、y4},图像灰度值小波分解后的特征信号为{E1、E2、E3、E4},则建立的模糊规则下表所示:
在荧光信号的处理中,计算机将采集到的数据进行OVMD分解,利用蛇优化算法对分解层数和惩罚因子进行参数优化,最小包络熵作为蛇优化算法的适应度函数,通过迭代找到最佳的分解层数和惩罚因子,并利用模糊熵区分有效信号主导部分和噪声信号主导部分。对噪声信号主导部分进行一维非局部均值去噪,并与有效信号主导部分进行整合。通过对整合后的数据进行寻峰处理和定量检测曲线拟合,得到荧光免疫层析精确检测结果。
优选的,在本实施例中,根据图像获得的每根试条定位测试线和质控线位置,微处理器通过控制PWM的触发频率驱动步进电机控制移动平台的X轴及Y轴移动,利用改进的遗传算法对移动平台的X、Y轴路线进行轨迹优化,首先初始化种群,以各个测试线和质控线坐标为种群位置及种群数,改进的适应度函数为:
其中m,n为测试线、质控线坐标集合中的随机2个。
对种群进行交叉、变异、迭代,直到得到最小适应度种群,即为最佳路径,算法流程如图6所示。它能有效提高多试条的检测效率和电机使用寿命。通过在对测试线、质控带检测时,降低步进电机转速,提高检测峰和质控峰的特征信号提取准确度。
在本实施例中,优选的,通过变分模态分解(VMD)将采集的荧光数据进行信号分解,将信号分解成K个有限带宽的模态分量uk(t),每个模态分量IMF的中心频率为wk。
各模态信号带宽的约束条件为:
引入二次惩罚因子α和拉格朗日乘法算子λ(t),将约束性变分问题变为非约束性变分问题。扩展的拉格朗日表达式如下:
通过蛇优化算法(SO)对分解层数K,惩罚因子α进行参数优化。迭代后得到最佳分解层数K和惩罚因子α。分解后得到的各个模态分量,通过模糊熵判别有效信号主导分量和噪声信号主导分量。
FuzzyEn(s,f,F,g)=lnΦs(f,g)-lnΦs+1(f,g)
两组数据越相近则熵值越小,越远则熵值越大。熵值大,复杂程度越高,则为噪声信号主导分量。
其中B是以h点为中心的相似区域,L为领域B中包含点的个数,λ是滤波器参数。
将去噪后的信号与有效信号主导部分整合,并进行算法寻峰,提取T、C峰峰面积信息,通过曲线拟合,得到荧光免疫层析检测定量结果。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (9)
1.一种基于轨迹优化的荧光免疫层析试条检测系统,其特征在于,包括控制系统、
激发光源1、激发光源2、CCD图像传感器、硅光电二极管、接收光纤、激发光纤和X、Y两轴移动平台;所述激发光光纤和接收光光纤采用Y型光纤,接收光纤纤芯与激发光纤纤芯数量相同且平均对称分布;所述激发光源2设于激发光纤顶部,由控制系统控制激发光强度;所述硅光电二极管设于接收光纤顶部,将接收光纤获取的光电信号传送至控制系统;所述控制系统通过步进电机控制X、Y两轴移动平台移动;所述激发光源1和CCD图像传感器与控制系统连接;所述激发光源1经过匀光处理后照射试条激发荧光,CCD图像传感器采集试条图像。
2.根据权利要求1所述的基于轨迹优化的荧光免疫层析试条检测系统,其特征在于,所述控制系统包括微处理器、轨迹优化模块、存储单元、光电检测模块、信号处理模块和图像检测模块。
3.根据权利要求2所述的基于轨迹优化的荧光免疫层析试条检测系统,其特征在于,所述图像检测模块获取待测试条图像,并利用基于多阈值的图像分割方法,根据图像的灰度特征将测试线T和质控线C与背景区分出来,精确提取每根试条测试线和质控线位置,并判断试条有效性;同时划分灰度值区间,根据不同灰度值区间,设置激发光源2发光亮度。
4.根据权利要求2所述的基于轨迹优化的荧光免疫层析试条检测系统,其特征在于,所述轨迹优化模块根据图像获得的每根试条测试线和质控线的位置,通过步进电机控制X、Y两轴移动平台移动,利用改进的遗传算法对X、Y轴移动平台的路线进行轨迹优化,并在对测试线、质控线检测时,降低步进电机转速,提高检测峰和质控峰的特征信号提取准确度。
5.根据权利要求2所述的基于轨迹优化的荧光免疫层析试条检测系统,其特征在于,所述光电检测模块根据测试线灰度值强度,利用小波模糊控制反馈调节激发光强度;通过光电二极管将荧光信号转换成电信号,通过AD采集模块采集电信号并将检测数据传送到微处理器中。
6.根据权利要求2所述的基于轨迹优化的荧光免疫层析试条检测系统,其特征在于,所述信号处理模块采用最优变分模态分解OVMD对检测信号进行信号分解,利用蛇优化算法SO对变分模态分解的分解层数和惩罚因子进行参数优化,最小包络熵作为蛇优化算法的适应度函数,通过迭代找到最佳的分解层数和惩罚因子,利用模糊熵区分有效信号主导部分和噪声信号主导部分,对噪声信号主导部分进行非局部均值去噪,再将去噪后的信号与有效信号主导部分整合,并从整合信号中获取测试峰和质控峰数据进行定量检测曲线拟合,获得检测结果。
7.根据权利要求1-6任一所述的检测系统的荧光免疫层析检测方法,其特征在于,包括以下步骤:
步骤S1:多根并排放置的试条在匀光后的激发光源1的照射下激发荧光;
步骤S2:通过CCD图像传感器采集试条图像,并对荧光图像进行图像处理,利用基于多阈值的图像分割方法,根据图像的灰度特征将测试线和质控线从背景中区分出来,精确提取每根试条测试线和质控线位置,并判断试条有效性;
步骤S3:利用改进的遗传算法对移动平台的X、Y轴路线进行轨迹优化;
步骤S4:利用小波模糊控制反馈调节光电检测模块激发光强度;
步骤S5:光电检测模块将荧光信号通过光电二极管转换成电信号;通过AD采集模块进行光电信号采集,并将采集到的荧光信号传送到微处理器;
步骤S6:基于OVMD-SO算法对荧光信号进行分解,采用模糊熵判别噪声信号主导部分并进行去噪处理,并与有效信号主导部分进行整合;
步骤S7:通过对整合后的数据进行寻峰处理和定量检测曲线拟合,得到荧光免疫层析精确检测结果。
9.根据权利要求7所述的荧光免疫层析检测方法,其特征在于,所述步骤S6具体为:通过变分模态分解将采集的荧光数据进行信号分解,将信号分解成K个有限带宽的模态分量uk(t),每个模态分量IMF的中心频率为wk,
各模态信号带宽的约束条件为:
引入二次惩罚因子α和拉格朗日乘法算子λ(t),将约束性变分问题变为非约束性变分问题;
扩展的拉格朗日表达式如下:
通过蛇优化算法对分解层数K,惩罚因子α进行参数优化;迭代后得到最佳分解层数K和惩罚因子α;分解后得到的各个模态分量,通过模糊熵判别有效信号主导分量和噪声信号主导分量;
FuzzyEn(s,f,F,g)=lnΦs(f,g)-lnΦs+1(f,g)
其中B是以h点为中心的相似区域,L为领域B中包含点的个数,λ是滤波器参数;
将去噪后的信号与有效信号主导部分整合,并进行算法寻峰,提取T、C峰峰面积信息,通过曲线拟合,得到荧光免疫层析检测定量结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211168423.5A CN115468941A (zh) | 2022-09-24 | 2022-09-24 | 基于轨迹优化的荧光免疫层析试条检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211168423.5A CN115468941A (zh) | 2022-09-24 | 2022-09-24 | 基于轨迹优化的荧光免疫层析试条检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115468941A true CN115468941A (zh) | 2022-12-13 |
Family
ID=84334242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211168423.5A Pending CN115468941A (zh) | 2022-09-24 | 2022-09-24 | 基于轨迹优化的荧光免疫层析试条检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115468941A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101514962A (zh) * | 2009-03-31 | 2009-08-26 | 东北电力大学 | 荧光标记免疫试纸条检测器 |
CN104931472A (zh) * | 2015-06-10 | 2015-09-23 | 东北电力大学 | 连续式多波长激发荧光标记免疫试纸条检测仪 |
CN106168578A (zh) * | 2016-06-14 | 2016-11-30 | 福州大学 | 基于mtk平台的金免疫层析试条图像检测方法 |
CN107228942A (zh) * | 2017-08-01 | 2017-10-03 | 福州大学 | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 |
WO2018058525A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳市检验检疫科学研究院 | 一种荧光免疫层析定量分析仪器及方法 |
CN109298172A (zh) * | 2018-11-29 | 2019-02-01 | 福州大学 | 基于Scheduler和IP核的免疫层析定量检测系统及方法 |
-
2022
- 2022-09-24 CN CN202211168423.5A patent/CN115468941A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101514962A (zh) * | 2009-03-31 | 2009-08-26 | 东北电力大学 | 荧光标记免疫试纸条检测器 |
CN104931472A (zh) * | 2015-06-10 | 2015-09-23 | 东北电力大学 | 连续式多波长激发荧光标记免疫试纸条检测仪 |
CN106168578A (zh) * | 2016-06-14 | 2016-11-30 | 福州大学 | 基于mtk平台的金免疫层析试条图像检测方法 |
WO2018058525A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳市检验检疫科学研究院 | 一种荧光免疫层析定量分析仪器及方法 |
CN107228942A (zh) * | 2017-08-01 | 2017-10-03 | 福州大学 | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 |
CN109298172A (zh) * | 2018-11-29 | 2019-02-01 | 福州大学 | 基于Scheduler和IP核的免疫层析定量检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
刘婷婷;屈渲婷;: "荧光免疫层析试条定量检测仪的研制", 现代电子技术, no. 15, 1 August 2013 (2013-08-01), pages 103 - 106 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190346362A1 (en) | Method and apparatus for automated whole blood sample analyses from microscopy images | |
US5287272A (en) | Automated cytological specimen classification system and method | |
EP0479977B1 (en) | Automated cytological specimen classification system and method | |
US6327377B1 (en) | Automated cytological specimen classification system and method | |
US5625705A (en) | Intensity texture based classification system and method | |
CN110160980B (zh) | 样本吸光度变化率的分析方法、分析装置及光学检测系统 | |
JPWO2017073737A1 (ja) | 分析装置 | |
JP2019504996A (ja) | 試料内のアーチファクトを分類する方法と装置 | |
US20100195896A1 (en) | Method and apparatus for detecting pattern defects | |
JPH0658928A (ja) | 粒子分析装置 | |
CN109376773A (zh) | 基于深度学习的裂纹检测方法 | |
JP2023511760A (ja) | 蛍光フローサイトメータデータを分類するための方法およびシステム | |
EP3241181B1 (en) | Vessel analysis in multiplexed images | |
CN109297949B (zh) | 显微影像结合透射拉曼光谱的肿瘤细胞检测方法及装置 | |
CN112345759B (zh) | 一种用于荧光强度峰检测的方法 | |
CN105300954A (zh) | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 | |
CN116612472B (zh) | 基于图像的单分子免疫阵列分析仪及其方法 | |
CN113313109A (zh) | 一种荧光免疫层析试纸的半定量分析方法 | |
CN115468941A (zh) | 基于轨迹优化的荧光免疫层析试条检测系统及方法 | |
EP0251281A2 (en) | Automatic cell sample classifying apparatus | |
Decaestecker et al. | Methodological aspects of using decision trees to characterise leiomyomatous tumors | |
CN116519661A (zh) | 一种基于卷积神经网络的大米识别检测方法 | |
CN114152557A (zh) | 基于图像分析的血细胞计数方法和系统 | |
EP1301894B1 (en) | Multi-neural net imaging apparatus and method | |
Hergenröder et al. | 2.2 Virus Detection |
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 |