CN116912783B - 核酸检测平台的状态监控方法及系统 - Google Patents
核酸检测平台的状态监控方法及系统 Download PDFInfo
- Publication number
- CN116912783B CN116912783B CN202311182935.1A CN202311182935A CN116912783B CN 116912783 B CN116912783 B CN 116912783B CN 202311182935 A CN202311182935 A CN 202311182935A CN 116912783 B CN116912783 B CN 116912783B
- Authority
- CN
- China
- Prior art keywords
- data
- image
- nucleic acid
- processing
- generate
- 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.)
- Active
Links
- 150000007523 nucleic acids Chemical class 0.000 title claims abstract description 244
- 238000001514 detection method Methods 0.000 title claims abstract description 204
- 108020004707 nucleic acids Proteins 0.000 title claims abstract description 164
- 102000039446 nucleic acids Human genes 0.000 title claims abstract description 164
- 238000012544 monitoring process Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 236
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 76
- 108091028043 Nucleic acid sequence Proteins 0.000 claims abstract description 68
- 230000009467 reduction Effects 0.000 claims abstract description 61
- 238000013507 mapping Methods 0.000 claims abstract description 59
- 238000005516 engineering process Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000000547 structure data Methods 0.000 claims abstract description 18
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 105
- 238000001228 spectrum Methods 0.000 claims description 83
- 230000036391 respiratory frequency Effects 0.000 claims description 52
- 238000006243 chemical reaction Methods 0.000 claims description 50
- 230000000241 respiratory effect Effects 0.000 claims description 41
- 230000036387 respiratory rate Effects 0.000 claims description 41
- 238000004458 analytical method Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000003909 pattern recognition Methods 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 17
- 238000012300 Sequence Analysis Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 238000003706 image smoothing Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012905 input function Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 38
- 238000010586 diagram Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 16
- 230000001276 controlling effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000000513 principal component analysis Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- OPTASPLRGRRNAP-UHFFFAOYSA-N cytosine Chemical compound NC=1C=CNC(=O)N=1 OPTASPLRGRRNAP-UHFFFAOYSA-N 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- UYTPUPDQBNUYGX-UHFFFAOYSA-N guanine Chemical compound O=C1NC(N)=NC2=C1N=CN2 UYTPUPDQBNUYGX-UHFFFAOYSA-N 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- RWQNBRDOKXIBIV-UHFFFAOYSA-N thymine Chemical compound CC1=CNC(=O)NC1=O RWQNBRDOKXIBIV-UHFFFAOYSA-N 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229930024421 Adenine Natural products 0.000 description 1
- GFFGJBXGBJISGV-UHFFFAOYSA-N Adenine Chemical compound NC1=NC=NC2=C1N=CN2 GFFGJBXGBJISGV-UHFFFAOYSA-N 0.000 description 1
- 229960000643 adenine Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229940104302 cytosine Drugs 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 229940113082 thymine Drugs 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据监控技术领域,尤其涉及一种核酸检测平台的状态监控方法及系统。所述方法包括以下步骤:获取核酸检测平台的初始上传图像;通过计算机图像处理技术对初始上传图像进行全局序列空间映射处理,生成核酸映射数据;对核酸映射数据进行序列编码处理,从而生成全局序列编码数据;通过卷积神经网络对全局序列编码数据进行生物学特征提取处理,生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;基于主成分分析方法对核酸序列特征数据进行数据降维处理,生成碱基对降维数据和序列结构降维数据;本发明通过将数据转化成呼吸亮度图,以实现核酸检测平台的状态监控方法。
Description
技术领域
本发明涉及数据监控技术领域,尤其涉及一种核酸检测平台的状态监控方法及系统。
背景技术
核酸检测平台的状态监控方法背后的技术发展历程可以追溯到计算机图像处理、神经网络、频谱分析和异常检测等领域的进展。这些技术的融合与创新,为实现更精准的核酸检测平台状态监控提供了坚实的基础,随着计算机图像处理技术的迅速发展,人们能够对图像进行更精确的分析和处理,这为核酸检测平台的状态监控方法提供了数字化数据基础,使得从实验数据到可视化呈现更为高效和准确,神经网络技术,特别是卷积神经网络(CNN)的兴起,极大地提升了对生物学数据的特征提取和分析能力,在核酸检测平台的状态监控中,CNN可以用于从核酸序列数据中提取生物学特征,进而探测平台状态的变化模式,然而目前的现有技术还存在着一些缺陷,例如无法精确捕捉平台状态发生时的异常敏感性导致监控精准度较低。
发明内容
基于此,有必要提供一种核酸检测平台的状态监控方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种核酸检测平台的状态监控方法,所述方法包括以下步骤:
步骤S1:获取核酸检测平台的初始上传图像;通过计算机图像处理技术对初始上传图像进行全局序列空间映射处理,生成核酸映射数据;对核酸映射数据进行序列编码处理,从而生成全局序列编码数据;
步骤S2:通过卷积神经网络对全局序列编码数据进行生物学特征提取处理,生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;基于主成分分析方法对核酸序列特征数据进行数据降维处理,生成碱基对降维数据和序列结构降维数据;
步骤S3:将碱基对降维数据作为节点,序列结构降维数据作为边,从而构建监控网络图;根据图神经网络技术对监控网络谱图进行时空建模处理,生成时空监控图;对时空监控图的节点进行亮度设置,从而生成平台呼吸频率图;
步骤S4:利用摄像机对平台呼吸频率图进行图像捕获处理,从而获取连续的呼吸频率图像集;对呼吸频率图像集进行节点亮度筛选处理,生成高亮度呼吸图像和低亮度呼吸图像;基于高亮度图像确定第一闪烁时间,基于低亮度图像确定第二闪烁时间;
步骤S5:通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号;
步骤S6:根据傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图;通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
本发明通过获取初始上传图像并进行全局序列空间映射处理,核酸映射数据能够从图像中提取更多的特征和信息,增强了数据的多样性和丰富性,全局序列空间映射处理能够从整体上捕获核酸检测平台的状态特征,相较于局部信息,这种全局信息更能够反映平台整体的状态变化,有助于更准确地监控平台的运行情况,对核酸映射数据进行序列编码处理,将图像中的信息转化为具有一定结构和规律的编码数据,这有助于更好地表示图像特征,使得核酸映射数据更加准确可靠;通过在全局序列编码数据上应用CNN,核酸序列特征数据得以生成,这些特征可以涵盖核酸的生物学特性,有助于更准确地表示平台状态,在核酸序列特征数据上应用PCA,可以减少数据维度,去除冗余信息,从而更好地表示核酸平台的状态变化,通过PCA进行数据降维,可以减轻计算负担,提高处理速度,从而更适合实时监控需求;将碱基对降维数据作为节点,序列结构降维数据作为边,构建监控网络图,综合考虑了碱基对数据和序列结构数据之间的关系,这种综合表示有助于更好地捕捉核酸检测平台的状态变化,通过对监控网络谱图进行时空建模处理,可以更准确地预测平台状态随时间和空间的变化,提升监控精度,时空监控图将平台状态信息与时间、空间维度结合,能够更直观地展示平台的状态演变趋势,通过对图的节点进行亮度设置,可以更清晰地显示核酸检测平台的呼吸频率变化,图的表示方式可以将复杂的多维数据映射到二维空间,通过可视化更容易理解和分析数据,有助于更好地把握平台状态变化的整体趋势;利用摄像机对平台呼吸频率图进行图像捕获,实现了对平台状态变化的实时监控,对呼吸频率图像集进行节点亮度筛选处理,可以选择出具有显著变化的图像,排除掉干扰或噪声,这有助于提高数据质量,使后续处理更准确可靠,通过提取高亮度和低亮度图像,能够将不同亮度下的呼吸变化情况区分开来,有助于分析不同条件下的平台状态差异,更全面地了解平台运行情况;通过光亮呼吸强度转化公式对闪烁时间进行时序分析处理,可以将时间信息转化为呼吸强度值,有助于量化呼吸强度,使得后续状态判断更精确,将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比,有助于快速检测是否存在异常情况,基于对比处理,可以生成正常检测状态信号和可疑检测状态信号,这有助于及时发现和识别异常情况,触发相应的监控警报,光亮呼吸强度值的生成是基于实时数据的分析,能够迅速地反映平台状态的变化,这有助于实时监控和快速决策;傅里叶变换算法能够将信号从时域转换到频域,揭示信号的频率特征,通过对正常和可疑检测状态信号进行频谱转换处理,可以更清楚地了解信号的频率分布情况,利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,有助于识别异常状态,进行下一步的处理和警报,通过对异常拟合频谱图进行孤立森林方法处理,可以更准确地发现并识别核酸检测平台中的异常情况,保障平台运行的稳定性和可靠性。因此,本发明通过使用图神经网络技术对核酸检测平台上传的图像进行时空建模,对正常和可疑状态信号进行频谱转换和异常模式识别,增强了对异常频率模式的敏感性和精准性。
在本说明书中,提供了一种核酸检测平台的状态监控系统,用于执行上述所述的核酸检测平台的状态监控方法,该核酸检测平台的状态监控系统包括:
数据编码模块,用于获取核酸检测平台的初始上传图像;通过计算机图像处理技术对初始上传图像进行全局序列空间映射处理,生成核酸映射数据;对核酸映射数据进行序列编码处理,从而生成全局序列编码数据;
特征分析模块,用于通过卷积神经网络对全局序列编码数据进行生物学特征提取处理,生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;基于主成分分析方法对核酸序列特征数据进行数据降维处理,生成碱基对降维数据和序列结构降维数据;
网络建模模块,用于将碱基对降维数据作为节点,序列结构降维数据作为边,从而构建监控网络图;根据图神经网络技术对监控网络谱图进行时空建模处理,生成时空监控图;对时空监控图的节点进行亮度设置,从而生成平台呼吸频率图;
亮度筛选模块,用于利用摄像机对平台呼吸频率图进行图像捕获处理,从而获取连续的呼吸频率图像集;对呼吸频率图像集进行节点亮度筛选处理,生成高亮度呼吸图像和低亮度呼吸图像;基于高亮度图像确定第一闪烁时间,基于低亮度图像确定第二闪烁时间;
信号检测模块,用于通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号;
异常监控模块,用于根据傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图;通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
本发明的有益效果在于通过计算机图像处理技术对核酸检测平台的上传图像进行处理,生成核酸映射数据和全局序列编码数据,这些数据包含了核酸序列的生物学特征信息,利用卷积神经网络进行特征提取处理可以有效减少数据维度,并提取出关键的核酸序列特征,有助于提高检测的准确性和效率,通过构建监控网络图和应用图神经网络技术进行时空建模处理,生成时空监控图,根据时空监控图的节点亮度设置,生成平台的呼吸频率图,使用摄像机对呼吸频率图进行图像捕获处理,获得连续的呼吸频率图像集,这种实时监控方法可以及时捕捉到平台的变化和异常情况,通过对呼吸频率图像集进行节点亮度筛选处理,生成高亮度和低亮度的呼吸图像。根据高亮度和低亮度图像分别确定第一闪烁时间和第二闪烁时间,通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值,将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号,利用傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图,通过频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图,通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报,这种频谱分析方法可以进一步提高异常检测的准确性,通过实时监控和异常检测手段,及时发现和识别平台的异常情况,提供及时的监控警报,有助于保障核酸检测的可靠性和准确性。因此,本发明通过使用图神经网络技术对核酸检测平台上传的图像进行时空建模,对正常和可疑状态信号进行频谱转换和异常模式识别,增强了对异常频率模式的敏感性和精准性。
附图说明
图1为一种核酸检测平台的状态监控方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种核酸检测平台的状态监控方法,所述方法包括以下步骤:
步骤S1:获取核酸检测平台的初始上传图像;通过计算机图像处理技术对初始上传图像进行全局序列空间映射处理,生成核酸映射数据;对核酸映射数据进行序列编码处理,从而生成全局序列编码数据;
步骤S2:通过卷积神经网络对全局序列编码数据进行生物学特征提取处理,生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;基于主成分分析方法对核酸序列特征数据进行数据降维处理,生成碱基对降维数据和序列结构降维数据;
步骤S3:将碱基对降维数据作为节点,序列结构降维数据作为边,从而构建监控网络图;根据图神经网络技术对监控网络谱图进行时空建模处理,生成时空监控图;对时空监控图的节点进行亮度设置,从而生成平台呼吸频率图;
步骤S4:利用摄像机对平台呼吸频率图进行图像捕获处理,从而获取连续的呼吸频率图像集;对呼吸频率图像集进行节点亮度筛选处理,生成高亮度呼吸图像和低亮度呼吸图像;基于高亮度图像确定第一闪烁时间,基于低亮度图像确定第二闪烁时间;
步骤S5:通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号;
步骤S6:根据傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图;通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
本发明通过获取初始上传图像并进行全局序列空间映射处理,核酸映射数据能够从图像中提取更多的特征和信息,增强了数据的多样性和丰富性,全局序列空间映射处理能够从整体上捕获核酸检测平台的状态特征,相较于局部信息,这种全局信息更能够反映平台整体的状态变化,有助于更准确地监控平台的运行情况,对核酸映射数据进行序列编码处理,将图像中的信息转化为具有一定结构和规律的编码数据,这有助于更好地表示图像特征,使得核酸映射数据更加准确可靠;通过在全局序列编码数据上应用CNN,核酸序列特征数据得以生成,这些特征可以涵盖核酸的生物学特性,有助于更准确地表示平台状态,在核酸序列特征数据上应用PCA,可以减少数据维度,去除冗余信息,从而更好地表示核酸平台的状态变化,通过PCA进行数据降维,可以减轻计算负担,提高处理速度,从而更适合实时监控需求;将碱基对降维数据作为节点,序列结构降维数据作为边,构建监控网络图,综合考虑了碱基对数据和序列结构数据之间的关系,这种综合表示有助于更好地捕捉核酸检测平台的状态变化,通过对监控网络谱图进行时空建模处理,可以更准确地预测平台状态随时间和空间的变化,提升监控精度,时空监控图将平台状态信息与时间、空间维度结合,能够更直观地展示平台的状态演变趋势,通过对图的节点进行亮度设置,可以更清晰地显示核酸检测平台的呼吸频率变化,图的表示方式可以将复杂的多维数据映射到二维空间,通过可视化更容易理解和分析数据,有助于更好地把握平台状态变化的整体趋势;利用摄像机对平台呼吸频率图进行图像捕获,实现了对平台状态变化的实时监控,对呼吸频率图像集进行节点亮度筛选处理,可以选择出具有显著变化的图像,排除掉干扰或噪声,这有助于提高数据质量,使后续处理更准确可靠,通过提取高亮度和低亮度图像,能够将不同亮度下的呼吸变化情况区分开来,有助于分析不同条件下的平台状态差异,更全面地了解平台运行情况;通过光亮呼吸强度转化公式对闪烁时间进行时序分析处理,可以将时间信息转化为呼吸强度值,有助于量化呼吸强度,使得后续状态判断更精确,将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比,有助于快速检测是否存在异常情况,基于对比处理,可以生成正常检测状态信号和可疑检测状态信号,这有助于及时发现和识别异常情况,触发相应的监控警报,光亮呼吸强度值的生成是基于实时数据的分析,能够迅速地反映平台状态的变化,这有助于实时监控和快速决策;傅里叶变换算法能够将信号从时域转换到频域,揭示信号的频率特征,通过对正常和可疑检测状态信号进行频谱转换处理,可以更清楚地了解信号的频率分布情况,利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,有助于识别异常状态,进行下一步的处理和警报,通过对异常拟合频谱图进行孤立森林方法处理,可以更准确地发现并识别核酸检测平台中的异常情况,保障平台运行的稳定性和可靠性。因此,本发明通过使用图神经网络技术对核酸检测平台上传的图像进行时空建模,对正常和可疑状态信号进行频谱转换和异常模式识别,增强了对异常频率模式的敏感性和精准性。
本发明实施例中,参考图1所述,为本发明一种核酸检测平台的状态监控方法的步骤流程示意图,在本实例中,所述一种核酸检测平台的状态监控方法包括以下步骤:
步骤S1:获取核酸检测平台的初始上传图像;通过计算机图像处理技术对初始上传图像进行全局序列空间映射处理,生成核酸映射数据;对核酸映射数据进行序列编码处理,从而生成全局序列编码数据;
本发明实施例中,通过从核酸检测平台中获取初始上传的图像数据,这些图像是由摄像设备捕获的,包含了核酸检测平台的运行状态信息;使用计算机图像处理技术,将获取的图像映射到全局序列空间,这可能涉及到图像的预处理、滤波、边缘检测步骤,将图像转化为序列化的数据,经过全局序列空间映射处理后,得到的序列化数据可以被解释为核酸映射数据,这个过程将图像中的不同特征和信息映射到一个核酸空间中,以便后续处理,对核酸映射数据进行序列编码处理,将其转化为一种可处理的格式,如数字序列或矩阵,这可能涉及到将映射数据转化为适合生物学特征提取的形式,经过序列编码处理后,得到的数据即为全局序列编码数据,这个数据包含了从初始上传图像中提取的核酸信息,可以用于后续步骤的处理。
步骤S2:通过卷积神经网络对全局序列编码数据进行生物学特征提取处理,生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;基于主成分分析方法对核酸序列特征数据进行数据降维处理,生成碱基对降维数据和序列结构降维数据;
本发明实施例中,通过卷积神经网络是一种深度学习模型,用于图像和序列数据的特征提取,将全局序列编码数据作为输入,设计一个卷积神经网络结构,以便从核酸映射数据中提取生物学特征,网络的卷积层可以捕捉序列中的局部模式和结构信息,卷积神经网络经过训练后,将从全局序列编码数据中提取生物学特征,这些特征可能包括碱基对的分布、序列的局部结构等,它们以一种机器可理解的方式表达了核酸序列的特性,PCA是一种常用的降维方法,用于减少数据维度并保留主要特征,将核酸序列特征数据输入PCA算法,它会将特征数据映射到新的低维空间,以保留最重要的信息,PCA处理后,得到的结果包括碱基对降维数据和序列结构降维数据,这些数据是核酸序列特征的紧凑表示,可以用于后续步骤的构建和分析。
步骤S3:将碱基对降维数据作为节点,序列结构降维数据作为边,从而构建监控网络图;根据图神经网络技术对监控网络谱图进行时空建模处理,生成时空监控图;对时空监控图的节点进行亮度设置,从而生成平台呼吸频率图;
本发明实施例中,通过使用碱基对降维数据作为图的节点,序列结构降维数据作为图的边,构建监控网络图,每个节点代表一个碱基对,边代表序列结构的关系,通过节点和边的连接反映核酸序列的结构信息,使用图神经网络技术对监控网络图进行时空建模,图神经网络是一种专门用于图数据的深度学习模型,能够捕捉节点和边的复杂关系,在这一步中,图神经网络将处理监控网络图的拓扑结构和节点特征,并学习表示图中节点之间的时空关系,通过图神经网络的时空建模处理,生成时空监控图,这个图将核酸序列的节点和边的信息整合在一起,可以捕捉到核酸序列在时间和空间上的变化模式,根据时空监控图的结果,为图中的节点设置亮度,这个亮度可以代表核酸序列的某种特征或状态,如活性、稳定性等。亮度的设置可能基于图神经网络的输出,反映节点的重要性,根据节点的亮度设置,将时空监控图转化为平台呼吸频率图,在这个图中,不同节点的亮度表示核酸序列在不同时间和空间上的状态,可以用于呼吸频率的可视化。
步骤S4:利用摄像机对平台呼吸频率图进行图像捕获处理,从而获取连续的呼吸频率图像集;对呼吸频率图像集进行节点亮度筛选处理,生成高亮度呼吸图像和低亮度呼吸图像;基于高亮度图像确定第一闪烁时间,基于低亮度图像确定第二闪烁时间;
本发明实施例中,通过利用摄像机对平台呼吸频率图进行图像捕获,这些图像可以是在一定时间间隔内连续捕获的核酸平台呼吸频率图像,摄像机可以通过适当设置来捕捉呼吸频率图像,对捕获的呼吸频率图像集进行节点亮度筛选处理,根据之前生成的平台呼吸频率图的节点亮度信息,选择高亮度和低亮度的节点,这些亮度信息可能代表核酸序列的不同状态,根据节点亮度筛选结果,从捕获的图像集中选择对应高亮度和低亮度的呼吸图像,这些图像集分别代表了核酸序列不同状态下的呼吸情况,基于高亮度图像集,确定第一闪烁时间,这个时间可能与核酸序列的活性变化有关,同样,基于低亮度图像集,确定第二闪烁时间,可能反映核酸序列的其他状态变化。
步骤S5:通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号;
本发明实施例中,通过设计一个合适的光亮呼吸强度转化公式,将第一闪烁时间和第二闪烁时间转化为光亮呼吸强度值,这个公式可能是基于核酸序列状态变化与闪烁时间之间的关系建立的,使用光亮呼吸强度转化公式,对第一闪烁时间和第二闪烁时间进行时序分析处理,可以涉及到时间序列分析方法,如移动平均、趋势分析等,以获得光亮呼吸强度值的时序变化趋势,将经过时序分析处理的第一闪烁时间和第二闪烁时间转化为光亮呼吸强度值,这些值可能反映核酸序列的活性、稳定性等信息,预先设定标准的光亮呼吸强度波形,代表核酸检测平台正常状态下的光亮呼吸强度变化,将生成的光亮呼吸强度值与这个标准波形进行对比,以判断当前检测状态是正常还是可疑,基于与标准波形的对比结果,生成正常检测状态信号和可疑检测状态信号,当光亮呼吸强度值与标准波形匹配时,判定为正常状态;否则,判定为可疑状态。
步骤S6:根据傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图;通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
本发明实施例中,通过针对正常检测状态信号和可疑检测状态信号,分别应用傅里叶变换算法进行频谱转换处理,傅里叶变换将时域信号转换为频域信号,得到正常检测状态频谱图和可疑检测状态频谱图,将频谱转换后的正常和可疑检测状态频谱图分别作为标准检测频谱图和可疑检测频谱图,设计合适的频谱拟合匹配公式,将可疑检测频谱图与标准检测频谱图进行拟合匹配,拟合匹配可能涉及频谱形状、峰值位置、谷值等特征,设计合适的频谱拟合匹配公式,将可疑检测频谱图与标准检测频谱图进行拟合匹配,拟合匹配可能涉及频谱形状、峰值位置、谷值等特征,利用孤立森林方法对异常拟合频谱图进行异常模式识别处理,孤立森林是一种用于异常检测的机器学习方法,它可以识别出与正常数据不同的异常数据模式,根据孤立森林的结果,判断异常拟合频谱图是否代表真正的异常,如果异常拟合频谱图被孤立森林识别为异常模式,系统将执行异常监控警报,通知相关人员。
优选地,步骤S1包括以下步骤:
步骤S11:对核酸检测平台进行API接口调用,获取初始上传图像;
步骤S12:利用高斯滤波方法对初始上传图像进行图像平滑处理,生成核酸平滑上传图像;对核酸平滑上传图像进行图像边缘增强处理,得到核酸增强图像;
步骤S13:根据区域增长分割技术对核酸增强图像进行区域背景分离处理,生成核酸分割图像;对核酸分割图像进行核心区域提取处理,生成核酸核心区域图像;
步骤S14:基于几何变换技术将核酸核心区域图像进行空间映射处理,从而生成核酸映射数据;
步骤S15:通过One-Hot编码方式对核酸映射数据进行核酸序列编码处理,从而得到全局序列编码数据。
本发明通过API接口调用,可以方便地获取核酸检测平台的初始上传图像,为后续处理提供必要的数据源;使用高斯滤波方法对初始上传图像进行平滑处理,有助于去除图像中的噪声和不必要的细节,生成核酸平滑上传图像,同时,进行图像边缘增强处理可以提升核酸特征的边缘信息,生成核酸增强图像。这样的图像处理有助于提取和凸显核酸的特征;通过区域增长分割技术对核酸增强图像进行处理,实现核酸与背景的分离,生成核酸分割图像,接着进行核心区域提取处理,从分割图像中提取出核酸的核心部分,这些处理步骤有助于减少冗余信息和背景干扰,提取出核酸的重点区域;利用几何变换技术对核酸核心区域图像进行空间映射处理,将核酸的形态信息转化为核酸映射数据,然后,通过One-Hot编码方式对核酸映射数据进行编码处理,生成全局序列编码数据,这样的处理方式可以将核酸的形态特征进一步转化为更便于处理和分析的数据形式,增强核酸检测平台状态监控方法的准确性和可靠性。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S1包括:
步骤S11:对核酸检测平台进行API接口调用,获取初始上传图像;
本发明实施例中,通过使用适当的HTTP请求库,如requests(Python)、axios(JavaScript)等,构建HTTP请求以调用核酸检测平台的API,根据API文档,构建API请求,包括URL、HTTP方法(如GET、POST等)、请求头、参数等。将参数传递给API,可能包括需要的图像信息、身份认证信息等,使用HTTP请求库发送构建好的API请求到核酸检测平台的API端点。通过发送HTTP请求,将请求发送到核酸检测平台的服务器,接收核酸检测平台返回的API响应,根据API的返回格式(通常为JSON或XML),解析响应内容以获取初始上传图像数据,对于可能的错误情况,如网络连接问题、认证失败等,需要进行适当的错误处理,确保系统能够妥善处理异常情况,从API响应中提取初始上传图像数据,这可能涉及图像的URL、Base64编码数据等。
步骤S12:利用高斯滤波方法对初始上传图像进行图像平滑处理,生成核酸平滑上传图像;对核酸平滑上传图像进行图像边缘增强处理,得到核酸增强图像;
本发明实施例中,通过使用高斯滤波器,对初始上传图像进行平滑处理,以降低图像中的噪声和细节。高斯滤波可以通过卷积操作实现,根据问题需求,选择适当的高斯核大小和标准差,来控制平滑的程度,常见的图像处理库(如OpenCV、PIL)提供高斯滤波函数,得到经过高斯滤波处理的图像,即为核酸平滑上传图像,对核酸平滑上传图像进行边缘增强,以突出图像中的边缘特征,常见的边缘增强算法包括Sobel算子、Canny边缘检测等,常见的边缘增强算法包括Sobel算子、Canny边缘检测等,经过边缘增强处理后的图像即为核酸增强图像,将核酸平滑上传图像和核酸增强图像保存到指定的目录,以备后续步骤使用。
步骤S13:根据区域增长分割技术对核酸增强图像进行区域背景分离处理,生成核酸分割图像;对核酸分割图像进行核心区域提取处理,生成核酸核心区域图像;
本发明实施例中,通过选择种子点并逐渐将与种子点相连的像素点加入区域,从而实现分割,在核酸增强图像中,选择合适的种子点,如图像中的某个核酸区域的像素点,针对每个种子点,根据像素相似性条件,逐步将与种子点相连的像素点添加到区域中,直到无法再添加为止,就可以得到核酸分割图像,其中每个区域表示一个核酸的部分,对于每个核酸区域,根据核酸的形状和特征,进行核心区域的提取,可以通过图像处理方法,如边缘检测、形态学操作等,找到核酸区域的核心部分,核心区域提取有助于将核酸的主要特征提取出来,为后续的分析提供更准确的数据,将核酸分割图像和核酸核心区域图像保存到指定的目录,以备后续步骤使用。
步骤S14:基于几何变换技术将核酸核心区域图像进行空间映射处理,从而生成核酸映射数据;
本发明实施例中,通过选择适合的几何变换方法,如旋转、缩放、平移等,以对核酸核心区域图像进行空间映射处理,根据实际需求,选择单一或多个几何变换来改变图像的空间结构,对于每个像素点,根据选定的几何变换,计算其在映射后图像中的新位置,将原始图像的像素坐标映射到新的坐标位置,在计算新位置时,通常会得到非整数坐标。因此,需要使用插值方法来估计新位置的像素值,常见的插值方法包括最近邻插值、双线性插值、双立方插值等,选择合适的插值方法以保持图像质量,针对核酸核心区域图像中的每个像素,通过几何变换计算其映射后的位置,并进行插值得到新的像素值,这样可以得到经过空间映射处理后的核酸核心区域图像,其中每个像素对应于映射后的位置,将经过空间映射处理后的核酸核心区域图像保存为核酸映射数据,以备后续步骤使用。
步骤S15:通过One-Hot编码方式对核酸映射数据进行核酸序列编码处理,从而得到全局序列编码数据。
本发明实施例中,通过获取经过步骤S14空间映射处理后的核酸映射数据,核酸序列编码是将核酸映射数据转换为数字编码形式的过程,其中每个核酸碱基(如腺嘌呤(A)、胸腺嘧啶(T)、鸟嘌呤(G)和胞嘧啶(C))都被表示为一个唯一的编码向量,例如,可以使用以下One-Hot编码规则:A:[1, 0, 0, 0],T:[0, 1, 0, 0],G:[0, 0, 1, 0],C:[0, 0, 0,1],针对核酸映射数据中的每个位置,根据One-Hot编码规则将核酸碱基转换为相应的编码向量,这可以通过创建一个映射表或使用编程语言中的数组或字典来实现,将每个位置的One-Hot编码向量串联起来,得到完整的核酸序列编码数据,全局序列编码数据将成为后续步骤S2中卷积神经网络的输入。
优选地,步骤S2包括以下步骤:
步骤S21:利用卷积神经网络对全局序列编码数据进行窗口创建处理,生成全局序列滑动窗口数据;
步骤S22:对全局序列滑动窗口数据进行生物学特征提取处理,从而生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;
步骤S23:通过主成分分析法对核酸序列特征数据包括碱基对数据和序列结构数据进行数据降维处理,从而生成碱基对降维数据和序列结构降维数据。
本发明通过利用卷积神经网络对全局序列编码数据进行窗口创建处理,可以将序列数据切分成多个滑动窗口,这样的处理有助于提取局部特征和上下文信息,能够捕捉到序列中的局部模式和序列片段之间的关联性;对全局序列滑动窗口数据进行生物学特征提取处理,可以从核酸序列中提取出有意义的特征,核酸序列特征数据包括碱基对数据和序列结构数据,通过对序列滑动窗口中的碱基对信息和序列结构信息进行分析和提取,能够获得更丰富的序列特征表示;利用主成分分析法对核酸序列特征数据进行数据降维处理,可以减少特征的维度同时保留主要的信息,通过降低碱基对数据和序列结构数据的维度,可以减少计算和存储的开销,并且有助于聚焦于关键的特征,这样可以简化后续处理步骤,并提高计算效率和准确性。
本发明实施例中,通过对全局序列编码数据进行滑动窗口处理,即将全局序列分成一系列的连续子序列窗口,每个窗口的长度可以根据实际需要设置,通常根据序列的长度和特征提取任务来确定,例如,窗口长度可以是一定的核酸碱基数,对每个生成的全局序列滑动窗口数据,将其作为卷积神经网络的输入,卷积神经网络的架构应设计为适合处理核酸序列的特征,通常包括卷积层、池化层和全连接层,卷积层可以用于捕获核酸序列中的局部特征,池化层可以减少数据的维度,全连接层用于综合不同窗口的特征,将从卷积神经网络输出的核酸序列特征数据包括碱基对数据和序列结构数据作为输入,运用主成分分析(PCA)方法对这些特征数据进行降维处理,以保留主要信息并减少维度,PCA将生成新的特征表示,其中每个维度都是原始特征的线性组合,从而生成碱基对降维数据和序列结构降维数据。
优选地,步骤S3包括以下步骤:
步骤S31:将碱基对降维数据作为节点,序列结构降维数据作为边进行数据连接处理,生成监控网络图;
步骤S32:根据预设的标准时间戳对监控网络图进行起始时间定位处理,生成监控初始时间戳;
步骤S33:利用图神经网络结构对监控网络图进行节点关系捕获处理,从而得到核酸时空特征数据;
步骤S34:将核酸时空特征数据导入至图神经网络结构进行图卷积和特征传递处理,生成时空监控图;
步骤S35:根据监控初始时间戳对时空监控图进行节点亮度设置处理,从而生成平台呼吸频率图。
本发明通过将碱基对降维数据作为节点,序列结构降维数据作为边,进行数据连接处理,可以生成监控网络图,监控网络图反映了核酸序列在时空上的关系和连接方式,有助于理解核酸序列的结构和演化;根据预设的标准时间戳对监控网络图进行起始时间定位处理,可以确定监控的初始时间戳,这个初始时间戳为后续的时空分析提供了参考和基准,方便对核酸序列的时序变化进行观察和分析;通过利用图神经网络结构对监控网络图进行节点关系进行捕获处理,可以获取核酸的时空特征数据,这些特征数据反映了核酸序列的演化和时空关系,有助于揭示核酸序列的动态行为和演化模式;将核酸时空特征数据导入至图神经网络结构进行图卷积和特征传递处理,可以生成时空监控图,这个图形化表示能够更直观地展示核酸序列在时空上的变化和关联,提供了对时空特征的全面理解和分析;根据监控初始时间戳对时空监控图进行节点亮度设置处理,可以生成平台呼吸频率图,这种图形化呈现方式能够突出反映核酸序列的重要特征和变化趋势,方便用户对核酸时空行为的观察和分析。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S3包括:
步骤S31:将碱基对降维数据作为节点,序列结构降维数据作为边进行数据连接处理,生成监控网络图;
本发明实施例中,通过使用碱基对降维数据作为节点,每个节点表示一个降维后的碱基对特征向量,使用序列结构降维数据作为边,其中每条边连接两个节点,代表节点之间的关系,创建一个空的网络图,可以选择使用常见的图处理库(如NetworkX)来实现,将碱基对降维数据作为节点添加到网络图中,使用序列结构降维数据来连接节点,即为每一对节点之间添加一条边,边的权重可以表示节点之间的关系强度,根据实际需要,可以选择将网络图可视化出来,生成监控网络图,以便更好地理解网络结构和节点之间的连接。
步骤S32:根据预设的标准时间戳对监控网络图进行起始时间定位处理,生成监控初始时间戳;
本发明实施例中,通过从数据源或预设参数中获取标准时间戳,这可以是数据的起始时间或其他参考时间,遍历监控网络图的节点和边,将每个节点和边的时间信息与标准时间戳进行对齐,对于节点,可以使用节点的创建时间或其他时间信息与标准时间戳进行对齐,对于边,可以使用边连接的两个节点的时间信息进行对齐,根据节点和边的对齐时间信息,计算出监控初始时间戳,可以选择使用节点和边时间信息的平均值或其他方法来计算,根据计算出的监控初始时间戳,生成监控初始时间戳,用于标识监控网络图的起始时间。
步骤S33:利用图神经网络结构对监控网络图进行节点关系捕获处理,从而得到核酸时空特征数据;
本发明实施例中,通过将步骤S31中生成的监控网络图作为输入数据,确保每个节点包含适当的特征,如节点属性、时间信息等,将监控网络图的节点表示为图神经网络中的节点特征向量,可以使用节点的属性特征作为起始节点特征,边可以表示节点之间的关系,可以根据连接性和时间信息构建边特征,构建图神经网络结构,如Graph ConvolutionalNetworks (GCNs)、GraphSAGE、GAT等,输入节点特征和边特征,通过多层神经网络层进行信息传递和特征提取,在图神经网络中,通过节点的邻居节点和边的特征,可以捕获节点之间的关系信息,利用卷积或注意力机制,节点可以聚合其邻居节点的信息,从而捕获逆行节点关系,图神经网络在多层信息传递后,将节点的特征编码了时空信息,每个节点的最终特征向量可以被视为包含了节点自身特征和其邻居节点特征的时空特征,使用监控网络图作为训练数据,通过监督学习的方式训练图神经网络模型,目标可以是预测节点的状态、属性、时序信息等,在训练完成后,通过向训练好的图神经网络输入监控网络图,得到每个节点的时空特征数据,这些特征数据包含了节点的状态演变和与邻居节点的时空关系。
步骤S34:将核酸时空特征数据导入至图神经网络结构进行图卷积和特征传递处理,生成时空监控图;
本发明实施例中,通过将步骤S33中获得的核酸时空特征数据作为输入数据,确保数据的格式适合图神经网络的输入,例如节点特征矩阵和邻接矩阵,构建图神经网络模型,可以选择基于GCN、GraphSAGE、GAT等的结构,将核酸时空特征数据作为初始节点特征,通过多层图卷积层进行特征传递和信息聚合,在每一层的图卷积操作中,节点的特征会根据其邻居节点的特征进行更新,可以使用卷积操作或注意力机制来实现信息的传递和聚合,图卷积网络的多层传递可以逐步提取节点的高级特征,并编码节点之间的时空关系,在图神经网络的多层特征传递后,得到的节点特征可以用于构建时空监控图,每个节点的特征表示可以包含其时序演变和与邻居节点的时空关系,将构建的时空监控图进行可视化,可以采用可视化工具或图形库展示节点和边的状态演变,可以将生成的时空监控图保存为数据文件,以便后续分析和处理。
步骤S35:根据监控初始时间戳对时空监控图进行节点亮度设置处理,从而生成平台呼吸频率图。
本发明实施例中,通过遍历时空监控图的每个节点,根据节点的时间戳与监控初始时间戳之间的时间差来设置节点的亮度,时间差越大,亮度可能越低,反之亦然。亮度设置可以采用线性、指数衰减等方式,将每个节点的亮度作为节点的特性之一,可以创建一个图像表示或其他可视化方式来展示呼吸频率图,可以根据节点的亮度值设置图像中的像素亮度,以表达节点的时序演变,利用图像处理工具或图形库,将生成的平台呼吸频率图进行可视化,展示节点的亮度和时序关系,可以选择将平台呼吸频率图保存为图像文件或其他格式,以便后续分析和展示。
优选地,步骤S4包括以下步骤:
步骤S41:利用摄像机对平台呼吸频率图进行图像捕获处理,生成连续的呼吸频率图像集;
步骤S42:通过分段线性灰度变换方法对呼吸频率图像集进行图像灰度变换增强处理,生成呼吸频率增强图像集;
步骤S43:基于OTSU阈值分割法对呼吸频率增强图像集进行亮度区域切割处理,得到呼吸频率亮度切割图像;
步骤S44:根据不变矩匹配方法对呼吸频率亮度切割图像进行图像重合和色彩提取处理,从而生成色彩重合区域图像;
步骤S45:对色彩重合区域图像进行直方图分析处理,生成色彩光亮直方图;对色彩光亮直方图进行峰值和谷值分析处理,得到色彩光亮峰值数据和色彩光亮谷值数据;将色彩光亮峰值数据所对应的色彩重合区域标记为高亮度呼吸图像,将色彩光亮谷值数据所对应的色彩重合区域标记为低亮度呼吸图像;
步骤S46:根据时间计数器将高亮度呼吸图像记录为第一闪烁时间,低亮度图像记录为第二闪烁时间。
本发明通过摄像机进行图像捕获,获得连续的呼吸频率图像集,确保数据的连续性和实时性;通过分段线性灰度变换方法对呼吸频率图像集进行处理,增强图像的对比度和亮度,提升后续处理的效果;应用OTSU阈值分割法对灰度增强的图像集进行处理,将图像分割成亮度区域,使呼吸区域与背景区域更加清晰分离;利用不变矩匹配方法对亮度分割图像进行处理,提取出色彩重合区域,从而更准确地确定呼吸频率的光亮部分;通过直方图分析,找到色彩光亮的峰值和谷值,将峰值对应的区域标记为高亮度呼吸图像,将谷值对应的区域标记为低亮度呼吸图像,从而有效区分不同亮度的呼吸情况;通过时间计数器记录高亮度呼吸图像作为第一闪烁时间,低亮度图像作为第二闪烁时间,为后续的光亮呼吸强度分析提供基础数据。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S4包括:
步骤S41:利用摄像机对平台呼吸频率图进行图像捕获处理,生成连续的呼吸频率图像集;
本发明实施例中,通过选择适当的摄像设备,例如高分辨率的摄像头,以确保捕获的图像质量足够高,能够准确反映呼吸频率变化,将摄像设备放置在合适的位置,确保能够完整捕获被监测的核酸检测平台区域,角度和距离的选择需要考虑到捕获呼吸过程中所需的细节,设置摄像设备的捕获参数,如帧率、曝光时间、焦距等,以适应呼吸频率的变化和环境条件,通过摄像设备进行连续的图像捕获,确保捕获到的图像是平台呼吸频率变化的实时反映,捕获可以是视频流或一系列连续图像,捕获的图像可能需要进行预处理,如去噪、平滑等,以减少噪声对后续分析的影响,将捕获到的连续图像保存为图像序列,以备后续处理和分析,对每张图像记录时间戳,确保后续处理时能够准确追踪图像的时间顺序,生成连续的呼吸频率图像集。
步骤S42:通过分段线性灰度变换方法对呼吸频率图像集进行图像灰度变换增强处理,生成呼吸频率增强图像集;
本发明实施例中,通过对每张呼吸频率图像进行灰度分析,了解图像的灰度分布范围和特点,以便选择适当的灰度变换方法,根据灰度分析结果,选择合适的分段线性灰度变换方法,这种方法可以根据灰度值的范围将图像的不同部分进行不同程度的增强,以优化图像的视觉效果,将图像的灰度值范围划分为多个段落,每个段落对应一个线性变换函数,一般来说,低灰度段可以增强对比度,高灰度段可以调整亮度,为每个段落定义一个线性变换函数,通常是通过斜率和截距来实现的,这些函数可以根据需求进行调整,以达到最佳的视觉效果,对每张呼吸频率图像应用对应的线性变换函数,实现图像的分段灰度变换增强,这将会使图像中的不同灰度区域更加突出,将经过分段线性灰度变换处理的呼吸频率图像保存为增强图像集。
步骤S43:基于OTSU阈值分割法对呼吸频率增强图像集进行亮度区域切割处理,得到呼吸频率亮度切割图像;
本发明实施例中,通过将每张呼吸频率增强图像转换为灰度图像,以便在单一的灰度通道上执行阈值分割操作,应用OTSU阈值计算方法,该方法能够自动找到一个阈值,将图像的灰度值分为两个类别:背景和前景,OTSU方法会寻找一个阈值,使得两个类别内部的方差之和最小,从而达到最佳的分割效果,将图像根据OTSU计算得到的阈值进行分割,得到两个类别的图像区域:背景区域和前景区域,在呼吸频率图像的背景中可能存在噪声或其他不相关的信息,而前景则包含有关呼吸的信息,选择前景区域作为感兴趣区域,将其提取出来形成呼吸频率亮度切割图像,这将有助于集中处理呼吸频率相关的信息,减少干扰,将每张经过亮度区域切割处理的图像保存为呼吸频率亮度切割图像,可以通过观察呼吸频率亮度切割图像,确保所提取的前景区域确实包含了与呼吸频率相关的信息,以及干扰较少。
步骤S44:根据不变矩匹配方法对呼吸频率亮度切割图像进行图像重合和色彩提取处理,从而生成色彩重合区域图像;
本发明实施例中,通过针对每张呼吸频率亮度切割图像,计算其归一化的中心矩,中心矩的计算包括一阶矩(图像的中心位置)和二阶矩(图像的尺度信息)等,对于一组呼吸频率亮度切割图像,计算其平均中心矩,这将提供一个代表该组图像集合特征的中心矩,选择一个参考图像,将其归一化的中心矩作为参考中心矩,对于每张呼吸频率亮度切割图像,计算其归一化的中心矩,利用不变矩匹配方法,计算每张图像与参考图像之间的不变矩匹配分数。这将衡量两幅图像之间的相似度,选择一个阈值,将不变矩匹配分数高于阈值的图像视为色彩重合区域的候选图像,对候选图像进行处理,提取其中的色彩信息,可以是特定通道的颜色信息,如RGB中的红、绿、蓝通道,将提取的色彩信息从候选图像中合并,生成色彩重合区域图像,这个色彩重合区域图像将突出显示图像中与呼吸频率相关的区域,从而生成色彩重合区域图像。
步骤S45:对色彩重合区域图像进行直方图分析处理,生成色彩光亮直方图;对色彩光亮直方图进行峰值和谷值分析处理,得到色彩光亮峰值数据和色彩光亮谷值数据;将色彩光亮峰值数据所对应的色彩重合区域标记为高亮度呼吸图像,将色彩光亮谷值数据所对应的色彩重合区域标记为低亮度呼吸图像;
本发明实施例中,通过将色彩重合区域图像转换为灰度图像,以便进行直方图分析,计算灰度图像的像素值直方图,即统计图像中不同灰度级别的像素数量,对灰度图像的像素值直方图进行峰值分析,以识别出直方图中的峰值,峰值通常对应于图像中明亮区域的灰度级别,对灰度图像的像素值直方图进行谷值分析,以识别出直方图中的谷值,谷值通常对应于图像中较暗区域的灰度级别,将峰值所对应的灰度级别作为色彩光亮峰值数据,将谷值所对应的灰度级别作为色彩光亮谷值数据,对色彩重合区域图像进行遍历,根据像素的灰度级别与色彩光亮峰值数据和色彩光亮谷值数据的比较,将灰度级别较高的像素标记为高亮度呼吸图像,将灰度级别较低的像素标记为低亮度呼吸图像。
步骤S46:根据时间计数器将高亮度呼吸图像记录为第一闪烁时间,低亮度图像记录为第二闪烁时间。
本发明实施例中,通过在系统中设置一个时间计数器,用于记录时间的流逝,当检测到高亮度呼吸图像时,使用时间计数器记录当前的时间作为第一闪烁时间,这表示高亮度呼吸图像的时间点,当检测到低亮度呼吸图像时,使用时间计数器记录当前的时间作为第二闪烁时间,这表示低亮度呼吸图像的时间点,选择适当的时间单位,如毫秒、秒等,根据系统的需求记录时间,时间可以是绝对时间(如从某个固定的时间点开始计算)或相对时间(如从系统启动开始计算),将记录的第一闪烁时间和第二闪烁时间与相应的呼吸图像数据关联存储,可以通过数据结构、数据库等方式实现。
优选地,步骤S5包括以下步骤:
步骤S51:通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;
步骤S52:对光亮呼吸强度值进行波形分析处理,生成光亮呼吸强度波形;将光亮呼吸强度波形与预设的标准光亮呼吸波形振幅进行对比处理,生成光亮呼吸对比波形振幅数据;
步骤S53:当光亮呼吸对比波形振幅数据大于或等于预设的标准光亮呼吸波形振幅时,生成正常检测状态信号;
步骤S54:当光亮呼吸对比波形振幅数据小于预设的标准光亮呼吸波形振幅时,则生成可疑检测状态信号。
本发明通过使用一个光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行分析处理,该公式可以将闪烁时间转化为光亮呼吸强度值,表示光源的亮度。通过分析光亮呼吸强度值,可以了解光源的亮度变化情况,对光亮呼吸强度值进行波形分析处理,可以得到光亮呼吸强度波形,可以帮助评估实际波形与预期波形之间的偏差程度,提供参考依据用于系统性能的评估和改进,同时,将该光亮呼吸强度波形与预设的标准光亮呼吸波形振幅进行对比处理,生成光亮呼吸对比波形振幅数据,通过比较实际波形与预设的标准波形,可以评估光亮呼吸强度的偏差情况;如果光亮呼吸对比波形振幅数据大于或等于预设的标准光亮呼吸波形振幅,说明实际波形与预设的标准波形相符合,表明光亮呼吸状态正常,有助于及时发现和解决光亮呼吸系统中的问题,确保其正常运行,因此,在这种情况下,将生成正常检测状态信号,表示光亮呼吸状态正常;如果光亮呼吸对比波形振幅数据小于预设的标准光亮呼吸波形振幅,说明实际波形与预设的标准波形存在差异,表明光亮呼吸状态可能异常,因此,在这种情况下,将生成可疑检测状态信号,表示光亮呼吸状态存在异常或需要进一步检查。
本发明实施例中,通过根据提前设计的光亮呼吸强度转化公式,将第一闪烁时间和第二闪烁时间进行计算,生成对应的光亮呼吸强度值,对光亮呼吸强度值序列进行波形分析,可使用滤波器进行平滑处理,以消除噪音和突发干扰,可应用傅里叶变换等频域分析方法,提取频谱特征,将光亮呼吸强度波形与预设的标准光亮呼吸波形进行逐点对比,计算波形振幅差异,可以计算两个波形之间的欧几里德距离、相关性系数等来量化差异,生成光亮呼吸对比波形振幅数据,比较光亮呼吸对比波形振幅数据与预设的标准光亮呼吸波形振幅的阈值,如果光亮呼吸对比波形振幅数据大于或等于阈值,生成正常检测状态信号,比较光亮呼吸对比波形振幅数据与预设的标准光亮呼吸波形振幅的阈值,如果光亮呼吸对比波形振幅数据小于阈值,生成可疑检测状态信号。
优选地,步骤S51中的光亮呼吸强度转化公式如下所示:
;
式中,I(t)表示为时刻t的光亮呼吸强度值,A表示为光亮呼吸强度的最大值,ω表示为控制光亮呼吸强度的振动速度,表示为确定光亮呼吸强度的初始状态,τd表示为控制光亮呼吸强度的衰减速度,/>表示为输入函数,表示在时刻/>的外部输入光信号,τi表示为影响光亮呼吸强度的积分效果,μ表示为光亮呼吸强度转化异常调整值。
本发明构建了一种光亮呼吸强度转化公式,首先,通过调整振幅A、控制光亮呼吸强度的振动速度ω和确定光亮呼吸强度的初始状态,可以控制光亮呼吸强度的振幅、频率和起始状态。这使得公式能够生成具有周期性变化的光亮呼吸强度,指数衰减函数用于模拟光亮呼吸强度随时间的衰减过程,其中τd是衰减时间常数,通过调整衰减时间常数,可以控制光亮呼吸强度的衰减速度,这在一些应用中可以模拟光源的衰减特性或者逐渐消失的效果,积分项/>表示在时刻t之前的时间范围内,外部输入光信号/>的积分效果对光亮呼吸强度的影响,通过调整积分时间常数τi,可以控制积分的时间尺度,这对于模拟先前光亮呼吸历史对当前光亮呼吸强度的影响非常有用。该公式充分考虑了光亮呼吸强度的最大值A,控制光亮呼吸强度的振动速度ω,确定光亮呼吸强度的初始状态/>,控制光亮呼吸强度的衰减速度τd,输入函数/>,影响光亮呼吸强度的积分效果τi,光亮呼吸强度转化异常调整值μ,根据光亮呼吸强度的最大值与以上各参数之间的相互关系构成了一种函数关系:
;
通过调整振幅A,可以控制光亮呼吸强度的最大值,从而调节光源的亮度,角频率ω决定了光亮呼吸强度的振动速度,通过调整角频率,可以控制光亮呼吸的快慢和周期,初始相位决定了光亮呼吸强度的初始状态,通过调整初始相位,可以控制光亮呼吸的起始位置,衰减时间常数τd控制光亮呼吸强度的衰减速度,通过调整衰减时间常数,可以模拟光源的衰减特性或者逐渐消失的效果,积分时间常数τi影响积分项的时间尺度,通过调整积分时间常数,可以控制之前光亮呼吸历史对当前光亮呼吸强度的影响程度。通过光亮呼吸强度转化异常调整值μ可以对光亮呼吸强度转化进行微调,更加准确的生成时刻t的光亮呼吸强度值I(t),提高了光亮呼吸强度转化的准确性和可靠性。同时该公式中的时刻/>的外部输入光信号、 确定光亮呼吸强度的初始状态等参数可以根据实际情况进行调整,从而适应不同的光亮呼吸强度转化场景,提高了算法的适用性和灵活性。
优选地,步骤S6包括以下步骤:
步骤S61:根据连续傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;
步骤S62:利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成拟合区域检测频谱图;
步骤S63:对异常区域检测频谱图进行过拟合和欠拟合区域切割处理,生成异常拟合频谱图;
步骤S64:通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
本发明通过对正常检测状态信号和可疑检测状态信号进行频谱转换和拟合处理,可以研究信号在频域上的特征和差异,有助于理解信号的频率成分和变化模式,为后续的异常检测和识别提供基础;通过对拟合区域检测频谱图和异常区域检测频谱图进行处理,可以提取出异常拟合频谱图,并利用孤立森林方法进行异常模式识别,有助于监测和检测正常和异常状态之间的差异,并及时发出警报以引起注意和采取适当的措施;通过执行异常模式识别和监控警报,可以实现对异常情况的实时监测和及时响应,当异常拟合频谱图中存在异常模式时,将触发警报并提醒相关人员进行进一步的调查和处理,以保障系统的正常运行。
本发明实施例中,通过对正常检测状态信号和可疑检测状态信号进行连续傅里叶变换,将时域信号转换为频域信号,得到正常检测状态频谱图和可疑检测状态频谱图,其中横轴表示频率,纵轴表示幅度,生成标准检测频谱图和可疑检测频谱图,利用频谱拟合匹配公式,将可疑检测频谱图和标准检测频谱图进行匹配,找到拟合区域,在匹配区域内,可以采用曲线拟合方法,如多项式拟合,以获得更精确的匹配结果,生成拟合区域检测频谱图,对拟合区域的异常检测频谱图进行过拟合和欠拟合区域划分,将异常区域切割出来,过拟合区域可能表示出现异常或噪音,欠拟合区域可能表示缺少关键信息,生成异常拟合频谱图,利用孤立森林方法对异常拟合频谱图进行异常模式识别处理,孤立森林是一种基于树的异常检测算法,通过构建随机树来判断异常点在树结构中的位置,利用孤立森林算法识别异常模式,实现对核酸检测平台状态的异常监测和警报功能。
优选地,步骤S62中的频谱拟合匹配公式如下所示:
;
式中,F(x)表示为频谱拟合匹配函数,是对可疑和标准检测频谱图进行重合处理后得到的拟合区域检测频谱图,C表示为控制频谱曲线幅度的参数,影响整体曲线的峰值,p表示为频谱曲线的均值,控制曲线在x轴上的位置,σ表示为频谱曲线的标准差,决定曲线的宽度,B表示为控制第二个高斯函数幅度的参数,λ表示为第二个频谱曲线的均值,控制第二个频谱曲线在x轴上的位置,ε表示为第二个频谱曲线的标准差,影响第二个频谱曲线的宽度,r表示为正弦函数的频率,T表示为时间变量,用于控制正弦函数的相位,表示为频谱的相位偏移,/>表示为频谱拟合匹配异常修正量。
本发明构建了一种频谱拟合匹配公式,首先,通过控制频谱曲线幅度的参数C影响整体曲线的峰值,通过调节C的值,可以控制频谱曲线的幅度,使其与实际频谱图的峰值相匹配,通过频谱曲线的均值p,控制曲线在x轴上的位置,通过调节p的值,可以使频谱曲线在x轴上平移,从而与实际频谱图的位置相匹配,根据频谱曲线的标准差σ决定曲线的宽度,通过调节σ的值,可以控制频谱曲线的宽度,使其与实际频谱图的宽度相匹配,通过控制第二个高斯函数幅度的参数B,通过调节B的值,可以控制第二个高斯函数的幅度,从而影响拟合区域检测频谱图中第二个频谱曲线的峰值。该公式充分考虑了控制频谱曲线幅度的参数C,频谱曲线的均值p,频谱曲线的标准差σ,控制第二个高斯函数幅度的参数B,第二个频谱曲线的均值λ,第二个频谱曲线的标准差ε,正弦函数的频率r,时间变量T,频谱的相位偏移,频谱拟合匹配异常修正量/>,根据控制频谱曲线幅度的参数与以上各参数之间的相互关系构成了一种函数关系:
;
通过调节正弦函数的频率r,可以控制正弦函数的频率,从而影响拟合区域检测频谱图中正弦波的频率,通过调节时间变量T,可以控制正弦函数的相位,从而影响拟合区域检测频谱图中正弦波的相位,通过调节频谱的相位偏移,可以对频谱进行相位偏移,从而影响拟合区域检测频谱图中的相位。通过频谱拟合匹配异常修正量/>可以对频谱拟合匹配进行微调,更加准确的生成频谱拟合匹配函数F(x),提高了频谱拟合匹配的准确性和可靠性。同时该公式中的时间变量、控制频谱曲线幅度等参数可以根据实际情况进行调整,从而适应不同的频谱拟合匹配场景,提高了算法的适用性和灵活性。
在本说明书中,提供了一种核酸检测平台的状态监控系统,用于执行上述所述的核酸检测平台的状态监控方法,该核酸检测平台的状态监控系统包括:
数据编码模块,用于获取核酸检测平台的初始上传图像;通过计算机图像处理技术对初始上传图像进行全局序列空间映射处理,生成核酸映射数据;对核酸映射数据进行序列编码处理,从而生成全局序列编码数据;
特征分析模块,用于通过卷积神经网络对全局序列编码数据进行生物学特征提取处理,生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;基于主成分分析方法对核酸序列特征数据进行数据降维处理,生成碱基对降维数据和序列结构降维数据;
网络建模模块,用于将碱基对降维数据作为节点,序列结构降维数据作为边,从而构建监控网络图;根据图神经网络技术对监控网络谱图进行时空建模处理,生成时空监控图;对时空监控图的节点进行亮度设置,从而生成平台呼吸频率图;
亮度筛选模块,用于利用摄像机对平台呼吸频率图进行图像捕获处理,从而获取连续的呼吸频率图像集;对呼吸频率图像集进行节点亮度筛选处理,生成高亮度呼吸图像和低亮度呼吸图像;基于高亮度图像确定第一闪烁时间,基于低亮度图像确定第二闪烁时间;
信号检测模块,用于通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号;
异常监控模块,用于根据傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图;通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
本发明的有益效果在于通过计算机图像处理技术对核酸检测平台的上传图像进行处理,生成核酸映射数据和全局序列编码数据,这些数据包含了核酸序列的生物学特征信息,利用卷积神经网络进行特征提取处理可以有效减少数据维度,并提取出关键的核酸序列特征,有助于提高检测的准确性和效率,通过构建监控网络图和应用图神经网络技术进行时空建模处理,生成时空监控图,根据时空监控图的节点亮度设置,生成平台的呼吸频率图,使用摄像机对呼吸频率图进行图像捕获处理,获得连续的呼吸频率图像集,这种实时监控方法可以及时捕捉到平台的变化和异常情况,通过对呼吸频率图像集进行节点亮度筛选处理,生成高亮度和低亮度的呼吸图像。根据高亮度和低亮度图像分别确定第一闪烁时间和第二闪烁时间,通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值,将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号,利用傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图,通过频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图,通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报,这种频谱分析方法可以进一步提高异常检测的准确性,通过实时监控和异常检测手段,及时发现和识别平台的异常情况,提供及时的监控警报,有助于保障核酸检测的可靠性和准确性。因此,本发明通过使用图神经网络技术对核酸检测平台上传的图像进行时空建模,对正常和可疑状态信号进行频谱转换和异常模式识别,增强了对异常频率模式的敏感性和精准性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种核酸检测平台的状态监控方法,其特征在于,包括以下步骤:
步骤S1,包括:
步骤S11:由摄像设备对核酸检测平台进行API接口调用,获取初始上传图像,初始上传图像包括需要的图像信息、身份认证信息和核酸检测平台的运行状态信息;
步骤S12:利用高斯滤波方法对初始上传图像进行图像平滑处理,生成核酸平滑上传图像;对核酸平滑上传图像进行图像边缘增强处理,得到核酸增强图像;
步骤S13:根据区域增长分割技术对核酸增强图像进行区域背景分离处理,生成核酸分割图像;对核酸分割图像进行核心区域提取处理,生成核酸核心区域图像;
步骤S14:基于几何变换技术将核酸核心区域图像进行空间映射处理,从而生成核酸映射数据;
步骤S15:通过One-Hot编码方式对核酸映射数据进行核酸序列编码处理,从而得到全局序列编码数据;
步骤S2,包括:
步骤S21:利用卷积神经网络对全局序列编码数据进行窗口创建处理,生成全局序列滑动窗口数据;
步骤S22:对全局序列滑动窗口数据进行生物学特征提取处理,从而生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;
步骤S23:通过主成分分析法对核酸序列特征数据包括碱基对数据和序列结构数据进行数据降维处理,从而生成碱基对降维数据和序列结构降维数据;
步骤S3,包括:
步骤S31:将碱基对降维数据作为节点,序列结构降维数据作为边进行数据连接处理,生成监控网络图;
步骤S32:根据预设的标准时间戳对监控网络图进行起始时间定位处理,生成监控初始时间戳;
步骤S33:利用图神经网络结构对监控网络图进行节点关系捕获处理,从而得到核酸时空特征数据;
步骤S34:将核酸时空特征数据导入至图神经网络结构进行图卷积和特征传递处理,生成时空监控图;
步骤S35:根据监控初始时间戳对时空监控图进行节点亮度设置处理,从而生成平台呼吸频率图;
步骤S4:利用摄像机对平台呼吸频率图进行图像捕获处理,从而获取连续的呼吸频率图像集;对呼吸频率图像集进行节点亮度筛选处理,生成高亮度呼吸图像和低亮度呼吸图像;基于高亮度图像确定第一闪烁时间,基于低亮度图像确定第二闪烁时间;
步骤S5:通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号;
步骤S6:根据傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图;通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
2.根据权利要求1所述的一种核酸检测平台的状态监控方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用摄像机对平台呼吸频率图进行图像捕获处理,生成连续的呼吸频率图像集;
步骤S42:通过分段线性灰度变换方法对呼吸频率图像集进行图像灰度变换增强处理,生成呼吸频率增强图像集;
步骤S43:基于OTSU阈值分割法对呼吸频率增强图像集进行亮度区域切割处理,得到呼吸频率亮度切割图像;
步骤S44:根据不变矩匹配方法对呼吸频率亮度切割图像进行图像重合和色彩提取处理,从而生成色彩重合区域图像;
步骤S45:对色彩重合区域图像进行直方图分析处理,生成色彩光亮直方图;对色彩光亮直方图进行峰值和谷值分析处理,得到色彩光亮峰值数据和色彩光亮谷值数据;将色彩光亮峰值数据所对应的色彩重合区域标记为高亮度呼吸图像,将色彩光亮谷值数据所对应的色彩重合区域标记为低亮度呼吸图像;
步骤S46:根据时间计数器将高亮度呼吸图像记录为第一闪烁时间,低亮度图像记录为第二闪烁时间。
3.根据权利要求1所述的一种核酸检测平台的状态监控方法,其特征在于,步骤S5包括以下步骤:
步骤S51:通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;
步骤S52:对光亮呼吸强度值进行波形分析处理,生成光亮呼吸强度波形;将光亮呼吸强度波形与预设的标准光亮呼吸波形振幅进行对比处理,生成光亮呼吸对比波形振幅数据;
步骤S53:当光亮呼吸对比波形振幅数据大于或等于预设的标准光亮呼吸波形振幅时,生成正常检测状态信号;
步骤S54:当光亮呼吸对比波形振幅数据小于预设的标准光亮呼吸波形振幅时,则生成可疑检测状态信号。
4.根据权利要求3所述的一种核酸检测平台的状态监控方法,其特征在于,步骤S51中的光亮呼吸强度转化公式如下所示:
;
式中,I(t)表示为时刻t的光亮呼吸强度值,A表示为光亮呼吸强度的最大值,ω表示为控制光亮呼吸强度的振动速度,表示为确定光亮呼吸强度的初始状态,τd表示为控制光亮呼吸强度的衰减速度,/>表示为输入函数,表示在时刻/>的外部输入光信号,τi表示为影响光亮呼吸强度的积分效果,μ表示为光亮呼吸强度转化异常调整值。
5.根据权利要求1所述的一种核酸检测平台的状态监控方法,其特征在于,步骤S6包括以下步骤:
步骤S61:根据连续傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;
步骤S62:利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成拟合区域检测频谱图;
步骤S63:对异常区域检测频谱图进行过拟合和欠拟合区域切割处理,生成异常拟合频谱图;
步骤S64:通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
6.根据权利要求5所述的一种核酸检测平台的状态监控方法,其特征在于,步骤S62中的频谱拟合匹配公式如下所示:
;
式中,F(x)表示为频谱拟合匹配函数,是对可疑和标准检测频谱图进行重合处理后得到的拟合区域检测频谱图,C表示为控制频谱曲线幅度的参数,影响整体曲线的峰值,p表示为频谱曲线的均值,控制曲线在x轴上的位置,σ表示为频谱曲线的标准差,决定曲线的宽度,B表示为控制第二个高斯函数幅度的参数,λ表示为第二个频谱曲线的均值,控制第二个频谱曲线在x轴上的位置,ε表示为第二个频谱曲线的标准差,影响第二个频谱曲线的宽度,r表示为正弦函数的频率,T表示为时间变量,用于控制正弦函数的相位,表示为频谱的相位偏移,/>表示为频谱拟合匹配异常修正量。
7.一种核酸检测平台的状态监控系统,其特征在于,用于执行如权利要求1所述的一种核酸检测平台的状态监控方法,该核酸检测平台的状态监控系统包括:
数据编码模块,用于获取核酸检测平台的初始上传图像;通过计算机图像处理技术对初始上传图像进行全局序列空间映射处理,生成核酸映射数据;对核酸映射数据进行序列编码处理,从而生成全局序列编码数据;
特征分析模块,用于通过卷积神经网络对全局序列编码数据进行生物学特征提取处理,生成核酸序列特征数据,其中核酸序列特征数据包括碱基对数据和序列结构数据;基于主成分分析方法对核酸序列特征数据进行数据降维处理,生成碱基对降维数据和序列结构降维数据;
网络建模模块,用于将碱基对降维数据作为节点,序列结构降维数据作为边,从而构建监控网络图;根据图神经网络技术对监控网络谱图进行时空建模处理,生成时空监控图;对时空监控图的节点进行亮度设置,从而生成平台呼吸频率图;
亮度筛选模块,用于利用摄像机对平台呼吸频率图进行图像捕获处理,从而获取连续的呼吸频率图像集;对呼吸频率图像集进行节点亮度筛选处理,生成高亮度呼吸图像和低亮度呼吸图像;基于高亮度图像确定第一闪烁时间,基于低亮度图像确定第二闪烁时间;
信号检测模块,用于通过光亮呼吸强度转化公式对第一闪烁时间和第二闪烁时间进行时序分析处理,生成光亮呼吸强度值;将光亮呼吸强度值与预设的标准光亮呼吸强度波形进行对比处理,生成正常检测状态信号和可疑检测状态信号;
异常监控模块,用于根据傅里叶变换算法对正常检测状态信号和可疑检测状态信号进行频谱转换处理,生成标准检测频谱图和可疑检测频谱图;利用频谱拟合匹配公式对可疑检测频谱图和标准检测频谱图进行重合处理,生成异常拟合频谱图;通过孤立森林方法对异常拟合频谱图进行异常模式识别处理,以执行异常监控警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182935.1A CN116912783B (zh) | 2023-09-14 | 2023-09-14 | 核酸检测平台的状态监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182935.1A CN116912783B (zh) | 2023-09-14 | 2023-09-14 | 核酸检测平台的状态监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912783A CN116912783A (zh) | 2023-10-20 |
CN116912783B true CN116912783B (zh) | 2023-12-26 |
Family
ID=88367321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182935.1A Active CN116912783B (zh) | 2023-09-14 | 2023-09-14 | 核酸检测平台的状态监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912783B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951630B (zh) * | 2024-03-26 | 2024-06-18 | 大连云间来客科技有限公司 | 一种呼吸重症患者异常呼吸模式识别方法 |
CN118095804B (zh) * | 2024-04-26 | 2024-06-28 | 大收场(天津)共享经济有限公司 | 一种再生资源溯源管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111304368A (zh) * | 2020-03-19 | 2020-06-19 | 艾康生物技术(杭州)有限公司 | 用于检测新型冠状病毒的方法、寡核苷酸和试剂盒 |
CN112760414A (zh) * | 2020-09-28 | 2021-05-07 | 武汉臻熙医学检验实验室有限公司 | 引物组及其用途 |
CN113920119A (zh) * | 2021-12-14 | 2022-01-11 | 南京精益安防系统科技有限公司 | 一种基于热成像技术的心率呼吸分析处理方法 |
CN116458872A (zh) * | 2023-06-13 | 2023-07-21 | 汶上县人民医院 | 一种呼吸数据的分析方法及系统 |
-
2023
- 2023-09-14 CN CN202311182935.1A patent/CN116912783B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111304368A (zh) * | 2020-03-19 | 2020-06-19 | 艾康生物技术(杭州)有限公司 | 用于检测新型冠状病毒的方法、寡核苷酸和试剂盒 |
CN112760414A (zh) * | 2020-09-28 | 2021-05-07 | 武汉臻熙医学检验实验室有限公司 | 引物组及其用途 |
CN113920119A (zh) * | 2021-12-14 | 2022-01-11 | 南京精益安防系统科技有限公司 | 一种基于热成像技术的心率呼吸分析处理方法 |
CN116458872A (zh) * | 2023-06-13 | 2023-07-21 | 汶上县人民医院 | 一种呼吸数据的分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116912783A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116912783B (zh) | 核酸检测平台的状态监控方法及系统 | |
Li et al. | Which has better visual quality: The clear blue sky or a blurry animal? | |
Shen et al. | Hybrid no-reference natural image quality assessment of noisy, blurry, JPEG2000, and JPEG images | |
JP3252381B2 (ja) | パターン認識装置 | |
CN101601287A (zh) | 产生照片级真实感图像缩略图的设备和方法 | |
CN112215831B (zh) | 一种用于人脸图像质量的评价方法和系统 | |
CN111784658B (zh) | 一种用于人脸图像的质量分析方法和系统 | |
CN116434266A (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
CN111008570B (zh) | 一种基于压缩-激励伪三维网络的视频理解方法 | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
WO2020194378A1 (ja) | 画像処理システム、画像処理装置、画像処理方法、及びコンピュータ可読媒体 | |
Cvejic et al. | A nonreference image fusion metric based on the regional importance measure | |
CN111881818B (zh) | 医疗行为细粒度识别装置及计算机可读存储介质 | |
CN117176983B (zh) | 一种基于全景图像合成的视频生成评价系统 | |
CN117593702A (zh) | 远程监控方法、装置、设备及存储介质 | |
CN117789081A (zh) | 一种基于自信息的双重注意力机制小物体识别方法 | |
CN110251076B (zh) | 融合视觉注意力基于对比度的显著性检测方法及装置 | |
CN116416678A (zh) | 一种运用人工智能技术实现动作捕捉及智能评判的方法 | |
Hu et al. | Motion measurement and quality variation driven video quality assessment | |
CN114463379A (zh) | 一种视频关键点的动态捕捉方法及装置 | |
Nguyen et al. | Gaze tracking for region of interest coding in JPEG 2000 | |
CN117173075A (zh) | 医学图像检测方法及相关设备 | |
Chang et al. | Image Quality Evaluation Based on Gradient, Visual Saliency, and Color Information | |
CN113052059A (zh) | 一种基于时空特征融合的实时动作识别方法 | |
Xiang et al. | Quality-distinguishing and patch-comparing no-reference image quality assessment |
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 |