ES2960485T3 - Procedimiento de medición de la concentración de un objeto de medición biométrica mediante el uso de un aprendizaje profundo de inteligencia artificial - Google Patents

Procedimiento de medición de la concentración de un objeto de medición biométrica mediante el uso de un aprendizaje profundo de inteligencia artificial Download PDF

Info

Publication number
ES2960485T3
ES2960485T3 ES18925936T ES18925936T ES2960485T3 ES 2960485 T3 ES2960485 T3 ES 2960485T3 ES 18925936 T ES18925936 T ES 18925936T ES 18925936 T ES18925936 T ES 18925936T ES 2960485 T3 ES2960485 T3 ES 2960485T3
Authority
ES
Spain
Prior art keywords
concentration
deep learning
analyte
artificial intelligence
measuring
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
Application number
ES18925936T
Other languages
English (en)
Inventor
Seok-Won Lee
Byeong Keun Kang
Myeongho Lee
Hak Hyun Nam
Hyeonseok Lee
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
i Sens Inc
Original Assignee
i Sens Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by i Sens Inc filed Critical i Sens Inc
Application granted granted Critical
Publication of ES2960485T3 publication Critical patent/ES2960485T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/0656—Investigating concentration of particle suspensions using electric, e.g. electrostatic methods or magnetic methods
    • 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
    • G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
    • 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
    • G01N27/28—Electrolytic cell components
    • G01N27/30—Electrodes, e.g. test electrodes; Half-cells
    • G01N27/327—Biochemical electrodes, e.g. electrical or mechanical details for in vitro measurements
    • G01N27/3271—Amperometric enzyme electrodes for analytes in body fluids, e.g. glucose in blood
    • G01N27/3274—Corrective measures, e.g. error detection, compensation for temperature or hematocrit, calibration
    • 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
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/48707—Physical analysis of biological material of liquid biological material by electrical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/54—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving glucose or galactose
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Urology & Nephrology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • Medical Informatics (AREA)
  • Dispersion Chemistry (AREA)
  • Cell Biology (AREA)
  • Microbiology (AREA)
  • Diabetes (AREA)
  • Multimedia (AREA)

Abstract

Si bien las técnicas de medición existentes implican diseñar y aplicar una fórmula o un método para extraer características directamente durante un largo período de tiempo por parte de un experto en un campo relevante con el fin de extraer características efectivas, el objetivo de la presente invención es proporcionar un método para medir la concentración de un objeto de medición mediante el uso de aprendizaje profundo de inteligencia artificial, siendo el método capaz de descubrirlo, mediante el aprendizaje profundo utilizando una técnica de red neuronal artificial imaginando una señal de entrada obtenida de una muestra que tiene etiquetas durante un período de medición y construyendo un conjunto de datos , características útiles que la gente desconoce de antemano, y de estimar el valor de un resultado aplicando un algoritmo obtenido a través del aprendizaje. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Procedimiento de medición de la concentración de un objeto de medición biométrica mediante el uso de un aprendizaje profundo de inteligencia artificial
La presente invención se refiere a un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial.
En general, uno de los criterios más importantes para los productos de diagnósticoin vitroes la precisión de los resultados de medición.
En productos de este tipo, cuando un analito está presente, un sensor de detección emite una señal, y un analizador la reconoce y aplica una curva o algoritmo de calibración predeterminado para enviar resultados cuantitativos o cualitativos.
La precisión del resultado de medición puede verse influida por una acción de interferencia causada por diversas variables, tales como un interferente, un entorno externo y las propiedades de la muestra.
En el caso de un sensor electroquímico utilizado para la medición de glucosa en sangre, una señal eléctrica de salida puede verse influida debido a un cambio en un coeficiente de difusión hacia un electrodo o una tasa de reacción en una superficie del electrodo debido a un cambio en las propiedades de la sangre, tal como la presencia de un material que no sea un analito oxidado en la superficie del electrodo o la viscosidad.
Con el fin de minimizar o eliminar este efecto, se ha usado un procedimiento de estimación y reflejo de un grado de interferencia de un objeto medido mediante el envío de varios tipos de señales de entrada al sensor.
Por ejemplo, como se describe en el registro de patente coreana n.° 1666978, en un procedimiento de medición de la concentración de un analito en una muestra biológica, se fijaron una enzima redox y un medio de transferencia de electrones que puede catalizar una reacción redox del analito, se inyectó una muestra biológica líquida en una célula de muestra equipada con un electrodo de trabajo y un electrodo auxiliar, se obtuvo una primera corriente sensible en un punto característico de al menos un punto en el tiempo iniciando la reacción redox del analito y aplicando una tensión de CC constante al electrodo de trabajo de modo que puede continuar una reacción de transferencia de electrones, se obtuvo una segunda corriente sensible al menos dos veces o más aplicando un potencial de perturbación de tipo en escalerilla en A después de aplicar una tensión de CC constante, se calculó una característica predeterminada a partir de la primera corriente sensible o de la segunda corriente sensible, y la concentración del analito se calculó usando una fórmula de calibración que consistía en al menos una función de característica para minimizar la influencia de al menos una sustancia interferente en la muestra biológica, a fin de medir la concentración del analito en la muestra biológica.
Es decir, el grado de interferencia se estimó usando un procedimiento matemático tal como la regresión lineal múltiple usando valores de parámetro derivados de una señal predeterminada, y se determinó el valor medido.
Un inconveniente de este procedimiento es generar un resultado inesperado e inexacto cuando no puede distinguir o detectar una regla dada de características previamente extraídas o comandos de entrada.
Aunque la mayoría de las características se centran en excluir una influencia del hematocrito, cuando al menos dos especies interferentes distintas del hematocrito se combinan para afectar a la concentración del bioanalito, las características y una ecuación de calibración que use estas características deben corregirse, aunque de lo contrario, pueden causar problemas fatales.
Además del hematocrito, incluso cuando se combinan al menos dos especies interferentes para afectar a la concentración del bioanalito, existía el problema de que se abusaba de una tira biométrica porque se desconocía la anomalía.
Por otra parte, para factores ambientales externos, por ejemplo, un valor de la característica de temperatura es un valor obtenido a través de un sensor de temperatura conectado a un medidor, y cuando hay un cambio repentino en el entorno circundante, es difícil medir la temperatura correcta inmediatamente y hay muchos casos en los que se requiere tiempo para lograr el equilibrio de la temperatura.
Por lo tanto, la mayoría de los medidores requieren que un usuario espere una cierta cantidad de tiempo para equilibrar la temperatura con el fin de usar el medidor cuando el usuario se encuentra en un entorno que cambia repentinamente (por ejemplo, entra en una casa cálida desde el exterior en un día frío de invierno).
Un procedimiento de medición de una concentración de un analito en una biomuestra usando un biosensor electroquímico se conoce a partir del documento EP2998731A1. Este procedimiento se caracteriza por una etapa de obtención de características predeterminadas a partir de corrientes inducidas obtenidas aplicando una tensión de CC según cronoamperometría en la que, después de que se inyecte una muestra de sangre entera al biosensor electroquímico, se obtiene una concentración de un analito a partir de una corriente inducida obtenida aplicando una tensión de CC durante un cierto tiempo y de todas las corrientes inducidas obtenidas aplicando adicionalmente varios potenciales de perturbación en escalera durante un corto tiempo posterior a la tensión de CC durante un cierto tiempo, y también se caracteriza por la minimización de un error de medición causado por un material de obstaculización formando una ecuación de calibración combinando la al menos una característica en una función y optimizando diversas condiciones de la biomuestra a través de un análisis multivariable. Con esta configuración, un procedimiento de aplicación de potencial de perturbación agregado a un procedimiento de medición convencional puede mantener un biosensor y un aparato de medición ya usados, una línea usada en el aparato de medición y la calibración de la amperometría tal como están, mejorar la precisión en la medición minimizando efectivamente un efecto de interferencia de matriz de un material de fondo en una biomuestra, particularmente una inexactitud causada por un cambio en el hematocrito, y también mejorar notablemente la precisión en la medición simplemente actualizando un programa de medición de un aparato de medición convencional.
La presente invención se ha realizado en un esfuerzo por proporcionar un procedimiento de medición de la concentración de un analito usando un aprendizaje profundo de inteligencia artificial, capaz de extraer características útiles que no son conocidas de antemano por los seres humanos a través de un aprendizaje profundo usando redes neuronales artificiales mediante la digitalización de señales de entrada obtenidas durante el tiempo de medición de muestras con información (etiquetas) y estimación de un valor de resultado aplicando un algoritmo obtenido a través de un aprendizaje de esta manera, en comparación con las técnicas de medición convencionales que se aplican mediante la concepción de fórmulas o procedimientos que extraen directamente características durante mucho tiempo por expertos en campos relacionados con el fin de extraer características efectivas.
La presente invención se ha realizado en un esfuerzo por proporcionar un procedimiento de medición de concentración de un analito que usa un aprendizaje profundo de inteligencia artificial para obtener características que pueden ser clasificadores para clasificar grupos sin necesidad de buscar una característica separada cada vez, en comparación con las técnicas de medición convencionales que pueden ser un modelo de regresión que estima un valor específico, lo que requiere mucho tiempo y esfuerzo para encontrar una característica cada vez que cambia la forma de una forma de onda de entrada que entra en un sensor que incluye una muestra.
La presente invención se ha realizado en un esfuerzo por proporcionar un procedimiento de medición de concentración de un analito que usa un aprendizaje profundo de inteligencia artificial, capaz de calibrar automáticamente características y fórmulas de calibración usando estas características cuando al menos dos especies interferentes distintas del hematocrito se combinan en combinación para afectar a la concentración del bioanalito.
La presente invención se ha realizado en un esfuerzo por proporcionar un procedimiento de medición de concentración de un analito que usa un aprendizaje profundo de inteligencia artificial, capaz de anunciar anomalías especiales cuando al menos dos especies interferentes distintas del hematocrito se combinan en combinación para afectar a la concentración del bioanalito.
Además, la presente invención se ha realizado en un esfuerzo por proporcionar un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial, capaz de proporcionar una precisión constante incluso cuando se mide la concentración de un bioanalito sin esperar un cierto período de tiempo para la estabilización de cambios en un entorno externo frente a cambios repentinos en el entorno externo.
Una realización ejemplar de la presente invención proporciona un procedimiento de medición de la concentración de un material de analito en una muestra biológica, usando inteligencia artificial, que incluye: inyectar una muestra biológica líquida en una célula de muestra que tiene un electrodo de trabajo y un electrodo auxiliar, en la que se fijan un medio de transporte de electrones y una enzima redox que es capaz de catalizar una reacción redox de un analito; obtener una primera corriente sensible en un punto característico de al menos un punto de tiempo mediante la aplicación de una tensión de CC constante al electrodo de trabajo para iniciar la reacción redox del analito y para proceder con una reacción de transferencia de electrones; obtener una segunda corriente sensible en dos o más puntos de tiempo mediante la aplicación de un potencial de perturbación de tipo en escalera en A después de aplicar la tensión de CC constante; calcular una característica predeterminada a partir de la primera corriente sensible o de la segunda corriente sensible; y corregir la concentración del analito mediante el uso de una fórmula de calibración compuesta por al menos una función de característica mediante un aprendizaje de inteligencia artificial de modo que se minimiza una influencia de al menos una sustancia interferente en la muestra biológica.
De acuerdo con un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención, un objeto de la presente invención capaz de extraer características útiles que no son conocidas de antemano por los seres humanos a través de un aprendizaje profundo que usa redes neuronales artificiales mediante la digitalización de señales de entrada obtenidas durante el tiempo de medición a partir de muestras con información (etiquetas) y estimación de un valor de resultado aplicando un algoritmo obtenido a través de un aprendizaje de esta manera, en comparación con las técnicas de medición convencionales que se aplican mediante la concepción de fórmulas o procedimientos que extraen directamente características durante mucho tiempo por expertos en campos relacionados con el fin de extraer características efectivas, consiste en obtener características que pueden servir como un clasificador para clasificar un grupo sin necesidad de buscar una característica separada cada vez, en comparación con las técnicas de medición convencionales, que eran concebir y aplicar una fórmula o procedimiento que extrae directamente características durante mucho tiempo por expertos en campos relacionados con el fin de extraer características efectivas, puede ser un modelo de regresión que estima un valor específico, que requiere mucho tiempo y esfuerzo para encontrar una característica cada vez que cambia la forma de una onda de entrada que entra en el sensor que contiene la muestra.
Además, de acuerdo con un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención, es posible corregir automáticamente características y fórmulas de calibración usando estas características cuando al menos dos especies interferentes distintas del hematocrito se combinan en combinación para afectar a la concentración del bioanalito.
De acuerdo con un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención, es posible anunciar anomalías especiales cuando al menos dos especies interferentes distintas del hematocrito se combinan en combinación para afectar a la concentración del bioanalito.
De acuerdo con un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención, es posible proporcionar una precisión constante incluso cuando se mide la concentración de un bioanalito sin esperar un cierto período de tiempo para la estabilización de cambios en un entorno externo frente a cambios repentinos en el entorno externo.
La FIG. 1 ilustra un diagrama de configuración interna de un dispositivo de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según un ejemplo de la presente invención.
La FIG. 2 ilustra un diagrama de flujo de un procedimiento de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención.
La FIG. 3 ilustra una vista detallada de un calibrador de aprendizaje de inteligencia artificial en un diagrama de configuración interna de un dispositivo de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según un ejemplo de la presente invención.
La FIG. 4 ilustra un gráfico que muestra un potencial de perturbación de tipo en escalera A usado en un procedimiento de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial y una corriente sensible correspondiente según una realización ejemplar de la presente invención.
La FIG. 5 ilustra un diagrama ejemplar que muestra los resultados de un modelo de regresión en el que la estimación de la glucosa en sangre se realiza dependiendo de un procedimiento de estimación de la glucosa en sangre que usa un procedimiento de regresión múltiple convencional y un procedimiento de medición de la concentración de un analito que usa un método de aprendizaje profundo que usa una red neuronal artificial según una realización ejemplar de la presente invención.
La FIG. 6 ilustra un gráfico que muestra la robustez de un algoritmo según el ruido cuando se aplica un ruido aleatorio de cierta magnitud a una señal de entrada dependiendo de un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención.
La FIG. 7 ilustra un diagrama ejemplar que muestra los resultados de un modelo de regresión en el que la estimación de glucosa en sangre se realiza cuando no se incluye una característica de temperatura y cuando se incluye la característica de temperatura dependiendo de un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención.
La FIG. 8A y la FIG. 8B ilustran respectivamente gráficos que muestran la robustez de un algoritmo cuando una temperatura ambiental es mayor que una temperatura ambiente y menor que la temperatura ambiente dependiendo de un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención.
En lo sucesivo, un procedimiento de medición de la concentración de un analito que usa un procedimiento de un aprendizaje profundo que usa una red neuronal artificial según una realización ejemplar de la presente invención se describirá en detalle con referencia a la FIG. 1 a la FIG. 6.
En lo sucesivo, se describirá un procedimiento de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención con referencia a la FIG. 1 a la FIG. 4.
La FIG. 1 ilustra un diagrama de configuración interna de un dispositivo de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según un ejemplo de la presente invención.
Como se ilustra en la FIG. 1, el dispositivo 10 de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención puede proporcionar valores de medición de glucosa en sangre dependiendo de un algoritmo de aprendizaje profundo basado en inteligencia artificial optimizado para la estimación de glucosa en sangre capaz de mejorar la precisión del algoritmo, la exactitud y el rendimiento de corrección de interferencia, incluyendo el hematocrito, más allá de un procedimiento de regresión lineal múltiple convencional según un método de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial aplicando un potencial de perturbación de tipo en escalerilla en A después de aplicar una cierta tensión mientras se mantiene una estructura de un biosensor electroquímico existente, es decir, un par de electrodos de trabajo y electrodos auxiliares de una tira 1.
El dispositivo 10 de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención también puede calcular eficazmente un algoritmo de aprendizaje profundo basado en inteligencia artificial para estimar la glucosa en sangre que se optimiza incluso en hardware limitado, de modo que el tiempo de cálculo puede estar dentro de 8 s.
El dispositivo 10 de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención puede configurarse de manera que, cuando la tira 1 de biosensor electroquímico está montada en un conector 11, el conector 11 está conectado eléctricamente a un convertidor de corriente-tensión 12, y un microcontrolador (MCU) 15 puede aplicar una tensión constante a través de un circuito convertidor digital-analógico (DAC) 13 y un potencial de perturbación de tipo en escalerilla A al electrodo de trabajo de la tira 1.
Con este fin, elfirmwaredel dispositivo 10 de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención almacena primero una constante capaz de generar una tensión de circulación de onda triangular predeterminada en una memoria, registra una constante predeterminada en el registro del DAC 13 cuando se aplica una tensión constante, y aumenta o disminuye la constante almacenada en la memoria en un período de tiempo predeterminado para su registro en un registro del DAC 13 cuando se aplica el potencial de perturbación de tipo en escalerilla en A. Sin embargo, la forma de onda del potencial de perturbación de tipo en escalerilla en A ejemplificado en esta invención es simplemente un ejemplo, pero la presente invención no se limita a este ejemplo, e incluye todas las formas de onda de una tensión circulante que son naturales para los trabajadores en el proyecto.
El microcontrolador 15 aplica la tensión correspondiente entre dos electrodos de la tira dependiendo de la constante registrada en el registro del DAC 13.
Cuando se aplica la tensión constante y se aplica el potencial de perturbación de tipo en escalerilla en A, una corriente de respuesta medida a través de la tira 1 puede ser medida directamente por un circuito convertidor analógico-digital (ADC) 14 a través del conector 11 y el convertidor de corriente-tensión 12.
Por otro lado, el dispositivo 10 de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención incluye además un conjunto 16 de procesamiento de señales anormales y un conjunto 17 de cálculo de algoritmo de aprendizaje profundo de inteligencia artificial, y cuando la tira 1 está mal conectada al conector 11 o se detecta una señal anormal debido a una inyección de sangre o hardware anormal, el conjunto 16 de procesamiento de señales anormales puede notificarlo a través de una alarma, una pantalla, etc., y puede evitar que el conjunto 17 de corrección de aprendizaje profundo de inteligencia artificial realice cálculos innecesarios.
El conjunto 17 de cálculo del algoritmo de aprendizaje profundo de inteligencia artificial puede obtener un valor de medición de glucosa en sangre a partir de una corriente de respuesta medida a través de la tira 1 mediante un algoritmo de medición de glucosa en sangre de aprendizaje profundo de inteligencia artificial optimizado en 8 s.
En lo sucesivo, se describirá un procedimiento de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención con referencia a la FIG. 2.
La FIG. 2 ilustra un diagrama de flujo de un procedimiento de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención.
Con referencia a la FIG. 2, el procedimiento de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según la realización ejemplar de la presente invención incluye: preparar una muestra (S110); cargar, por ejemplo, una tira 1 de biosensor electroquímico directo en un dispositivo 10 de medición de información biométrica (S120); aplicar una tensión constante a través de un convertidor de corriente-tensión 12 en un momento en que la sangre empapa un electrodo de trabajo y un electrodo auxiliar del biosensor electroquímico 1, a medida que la tira 1 de biosensor entra en contacto con la muestra (sangre); y aplicar continuamente un potencial de perturbación de tipo en escalerilla A al final de una tensión aplicada después de que se aplique la tensión constante (S140).
El conjunto 16 de procesamiento de señales anormales determina si una corriente sensible es una señal anormal (S 150), y cuando se determina como la señal anormal, esto puede notificarse a través de una alarma o pantalla (S151).
En este caso, cuando se determina como la señal anormal porque una temperatura ambiental o una temperatura de la tira o la sangre es demasiado superior o inferior que una temperatura interior, el cálculo de un valor de glucosa en sangre usando un algoritmo de optimización basado en un aprendizaje profundo de inteligencia artificial se puede realizar sin un tiempo de espera.
Además, cuando se determina que no es la señal anormal, se puede obtener un valor de medición de glucosa en sangre a partir de una corriente de respuesta medida por un algoritmo de medición de glucosa en sangre de aprendizaje profundo de inteligencia artificial optimizado por el conjunto 17 de corrección de aprendizaje profundo de inteligencia artificial.
La FIG. 3 ilustra una vista detallada de un calibrador de aprendizaje de inteligencia artificial en un diagrama de configuración interna de un dispositivo de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención.
Como se ilustra en la FIG. 3, el conjunto 17 de corrección de aprendizaje de inteligencia artificial puede descargar o almacenar un algoritmo de aprendizaje de inteligencia artificial optimizado a través de una red cableada/inalámbrica a través de software con respecto a un servidor 100 de aprendizaje profundo basado en inteligencia artificial de análisis de información biométrica, y el servidor 100 de aprendizaje profundo basado en inteligencia artificial de análisis de información biométrica puede incluir: un conjunto 110 de adquisición de señales configurada para adquirir datos de series temporales unidimensionales a través de una reacción electroquímica que ocurre al inyectar sangre extraída a través del dispositivo 10 de medición de información biométrica en un sensor (tira); un conjunto 130 de procesamiento de señales configurada para preprocesar una señal para excluir señales anormales debido a una anomalía de una inyección de sangre y una anomalía del hardware entre las señales adquiridas del conjunto 110 de adquisición de señales o para obtener un algoritmo de medición de información biométrica optimizado que se usará en el dispositivo 10 de medición de información biométrica; un conjunto 150 de generación de algoritmo de medición de información biométrica configurado para extraer automáticamente características del algoritmo de medición de información biométrica optimizado usando una técnica de red neuronal artificial de aprendizaje profundo mediante el uso de la señal procesada a través del conjunto 130 de procesamiento de señales; y un conjunto 170 de proporción de resultado de algoritmo de optimización configurada para ser usado en el dispositivo 10 de medición de información biométrica.
El conjunto 130 de procesamiento de señales puede convertir datos en un cierto tamaño o distribución a través de la normalización o estandarización de tal manera que el conjunto 150 de generación de algoritmo de medición de información biométrica pueda aprenderla, y los datos convertidos pueden convertirse en una imagen de datos combinando datos multicanal o usando procesamiento de señales y conversión de datos tal como conversión de dominio (por ejemplo, dominio en el tiempo o en la frecuencia).
El generador 150 de algoritmo de medición de información biométrica puede incluir: un conjunto 151 de estructura de algoritmo configurado para formar una estructura de algoritmo para medir glucosa en sangre; un conjunto 153 de aprendizaje de algoritmo configurado para ajustar variables en el algoritmo para predecir con precisión un valor de glucosa en sangre, donde un valor de glucosa en sangre predicho es verdadero; y un conjunto 155 de algoritmo de agrupación configurado para calcular un valor predicho final combinando uno o más algoritmos para mejorar la precisión y exactitud de la predicción del valor de glucosa en sangre.
Además, el conjunto 151 de estructura de algoritmo puede incluir: un conjunto 151a de extracción de características configurado para extraer una característica de un analito incluido en los datos de señal de información biométrica preprocesados por el conjunto 130 de procesamiento de señales; y un conjunto 151b de predicción del valor de glucosa en sangre configurado para estimar un valor de glucosa en sangre mediante el uso de características obtenidas mediante el uso del conjunto 151a de extracción de características.
El conjunto 151 de estructura de algoritmo extrae automáticamente características que reflejan el valor de resultado a clasificar o medir de la imagen que refleja un entorno circundante, tales como los componentes del analito, el hematocrito, la temperatura y las características de las especies interferentes, utilizando una técnica de red neuronal artificial de aprendizaje profundo.
El conjunto 153 de aprendizaje de algoritmo deriva un peso y un sesgo entre capas de redes neuronales artificiales cuyo error de un valor de resultado es mínimo a través de un procedimiento de aprendizaje de algoritmo que usa las características extraídas.
El conjunto 151 de estructura de algoritmo, que es un algoritmo de red neuronal artificial, se puede utilizar como un modelo de regresión para estimar un valor específico dependiendo de un propósito, y también se puede usar como un clasificador para clasificar tipos de analitos.
En la presente memoria descriptiva, la corrección de la aparición de errores de medición debido al hematocrito durante la medición de glucosa en sangre se describe como una realización ejemplar, pero la concentración de diversos metabolitos, por ejemplo, sustancias orgánicas o inorgánicas tales como beta hidroxibutirato (también conocido como cetona), colesterol, lactato, creatinina, peróxido de hidrógeno, alcohol, aminoácidos o glutamato puede corregirse de la misma manera introduciendo una enzima específica similar a una prueba de glucosa. Por consiguiente, la presente invención puede usarse para cuantificar diversos metabolitos mediante la variación de los tipos de enzimas incluidas en la composición de la capa de muestra.
Por ejemplo, la cuantificación de beta hidroxibutirato, glucosa, glutamato, colesterol, lactato, ácido ascórbico, alcohol y bilirrubina puede realizarse mediante p-hidroxibutirato deshidrogenasa, glucosa oxidasa (GOx), glucosa deshidrogenasa (GDH), glutamato oxidasa, glutamato deshidrogenasa, colesterol oxidasa, colesterol esterasa, lactato oxidasa, ácido ascórbico oxidasa, alcohol oxidasa, alcohol deshidrogenasa, bilirrubina oxidasa, etc.
En el dispositivo 10 de medición de información biométrica según una realización ejemplar de la presente invención, se proporcionan un electrodo de trabajo y un electrodo auxiliar para orientarse entre sí en diferentes planos, y se puede aplicar un biosensor electroquímico directo recubierto con una composición de reactivo que incluye una enzima y un medio de transporte de electrones en función de un material al electrodo de trabajo.
Además, en el dispositivo 10 de medición de información biométrica según una realización ejemplar de la presente invención, se pueden proporcionar un electrodo de trabajo y un electrodo auxiliar en un plano, y se puede aplicar un biosensor electroquímico plano recubierto con una composición de reactivo que incluye una enzima y un medio de transporte de electrones en función de un material en el electrodo de trabajo.
Ahora, se describirá simplemente una razón para usar el potencial de perturbación de tipo en escalerilla A con referencia a la FIG. 4.
La FIG. 4 ilustra un gráfico que muestra un potencial de perturbación de tipo en escalera A usado en un procedimiento de medición de glucosa en sangre que usa un aprendizaje profundo de inteligencia artificial y una corriente sensible correspondiente según una realización ejemplar de la presente invención.
Por otro lado, de acuerdo con el procedimiento de medición de glucosa en sangre que usa el aprendizaje profundo de inteligencia artificial según la realización ejemplar de la presente invención, como se ilustra en la FIG. 4, la concentración del bioanalito se mide a través de la corriente sensible aplicando el potencial de perturbación de tipo en escalerilla después de aplicar una tensión constante (VDC), y la aplicación del potencial de perturbación en forma de escalera escalonada de esta manera provoca un cambio importante en las características de la corriente sensible, para eliminar o minimizar la influencia de una relación de volumen de eritrocitos u otras especies interferentes.
En esta invención, la corriente sensible se expresa como una primera corriente sensible o una segunda corriente sensible para indicar que las características de la corriente sensible cambian por fluctuación o perturbación y son diferentes entre sí.
Un procedimiento de aplicación de potencial de perturbación en escalera escalonada con periodicidad que se aplica adicionalmente durante un corto período de tiempo con el fin de eliminar un efecto de una relación de volumen de eritrocitos en una fórmula de calibración después de aplicar una tensión constante se conoce como "potencial de perturbación de escalerilla A" o simplemente "potencial de escalerilla".
Las corrientes con diferentes características se refieren a corrientes que se pueden usar como una variable que puede separar o corregir de manera efectiva un efecto de una relación de volumen de eritrocitos puesto que un procedimiento depende de la glucosa en sangre y de la relación de volumen de eritrocitos (sustancia de bloqueo).
A continuación se describirá un procedimiento de búsqueda de puntos de característica en las segundas corrientes sensibles correspondientes a un período durante el cual se aplica un potencial de perturbación y un procedimiento de creación de una característica a partir de los puntos de característica.
El procedimiento a continuación es simplemente un ejemplo, y puede aplicarse mediante diversas modificaciones dependiendo de un propósito de aplicación.
1) Corrientes sensibles cerca de las tensiones de pico y valle de una escalera escalonada específica
2) Curvatura de una curva que consiste en las corrientes sensibles de cada escalón en la escalera escalonada 3) Diferencia entre un valor de corriente en el pico de la escalera escalonada y una corriente en el valle
4) Corrientes sensibles en la escalera escalonada entre una subida y una bajada
5) Corrientes sensibles en un punto de inicio y un punto final de cada ciclo de escalera escalonada
6) Valor promedio de las corrientes sensibles obtenidas a partir de ondas de escalera escalonada
7) Valores que se pueden obtener expresando los valores de corriente obtenidos de las Características 1 a 6 como funciones matemáticas, tales como cuatro operaciones aritméticas, exponentes, logaritmos, funciones trigonométricas, etc.
De esta manera, los puntos de característica se pueden encontrar en las segundas corrientes sensibles correspondientes al período durante el cual se aplica el potencial de perturbación, o los valores de corriente obtenidos de los puntos de característica se pueden convertir en una característica, y estos se pueden combinar linealmente para aplicar un análisis de regresión multivariable, de modo que se puede obtener una fórmula de calibración que minimiza el efecto de la relación de volumen de eritrocitos.
La fórmula de calibración es una de
y
Cuerpo de cetona
En esta invención, i es un valor de corriente que es mayor o igual que uno que se puede obtener de las corrientes sensibles primera y segunda, y T es un valor de temperatura que se mide independientemente.
Con referencia de nuevo a la FIG. 3, el conjunto 110 de adquisición de señales puede adquirir datos de series temporales unidimensionales a través de una reacción electroquímica que ocurre al inyectar sangre extraída en una tira de sensor.
El conjunto 130 de preprocesamiento de señales puede obtener imágenes de los datos de series temporales unidimensionales como datos bidimensionales a través del procesamiento de señales y la conversión de datos, y puede usarlos como una señal de entrada de una red neuronal artificial.
El conjunto 150 de generación de algoritmo de medición de información biométrica extrae automáticamente características que reflejan un valor de resultado que se va a clasificar o medir a partir de una imagen que refleja el componente del analito y el entorno circundante usando una técnica de red neuronal artificial de aprendizaje profundo.
El aprendizaje de algoritmo se realiza usando las características extraídas a través del conjunto 153 de aprendizaje de algoritmo para derivar pesos y sesgos entre capas de redes neuronales artificiales cuyos errores de un valor de resultado son mínimos.
Un algoritmo de red neuronal artificial se puede utilizar como un modelo de regresión para estimar un valor específico dependiendo de un propósito, y también se puede usar como un clasificador para clasificar tipos de analitos.
En el procedimiento de medición de un analito que usa un aprendizaje profundo de inteligencia artificial según la realización ejemplar de la presente invención, los experimentos se llevan a cabo reflejando diversos factores que afectan a los valores de glucosa en sangre con el fin de obtener los datos de aprendizaje para crear un algoritmo de un medidor de glucosa en sangre.
Los principales factores que afectan a los valores de glucosa en sangre incluyen glucosa en sangre, hematocrito, temperatura medida, presión parcial de oxígeno y similares.
Se producen muestras de sangre de diversas condiciones experimentales, y los datos de aprendizaje para realizar un algoritmo se obtienen a través de mediciones repetidas.
Los datos de aprendizaje obtenidos, que son datos de series temporales unidimensionales, representan una reacción electroquímica del analito a lo largo del tiempo.
Los datos de aprendizaje se convierten a una cierta escala o distribución a través de la normalización o estandarización.
Los datos convertidos se pueden convertir en una imagen de datos combinando datos multicanal o usando un procesamiento de señales y conversión de datos, tal como conversión de dominio (por ejemplo, dominio en el tiempo o en la frecuencia).
Los datos de imagen pueden aprender un algoritmo que puede generar un resultado apropiado dependiendo de una entrada usando una técnica de aprendizaje profundo de red neuronal artificial.
La red neuronal artificial es un procedimiento que imita un principio de funcionamiento de un cerebro humano, y es deseable controlar los pesos entre neuronas en varias capas en la red neuronal artificial.
Estas redes neuronales artificiales incluyen redes neuronales convolucionales (CNN), redes de creencias profundas (DBN) y redes neuronales recurrentes (RNN) dependiendo de su estructura. Una diferencia entre la técnica de aprendizaje profundo de redes neuronales artificiales y otras de aprendizaje automático es que las características se pueden extraer automáticamente.
Existen varios procedimientos de extracción automática de características, tales como las máquinas de Boltzmann restringidas (r Bm ).
La RBM se puede usar para el aprendizaje no supervisado y puede pasar por un procedimiento de optimización que hace que la distribución de los datos de entrada y la distribución de los datos reconstruidos que se determinan (decisión estocástica) dependan de una probabilidad similar.
Como resultado, un valor de resultado de una capa oculta puede usarse como un valor de característica que representa los datos de entrada.
Es posible construir la estructura de la red neuronal artificial ampliando la capa oculta en varias capas para obtener las características de cada capa oculta, realizando repetidamente el procedimiento anterior.
Un propósito del aprendizaje de redes neuronales artificiales es minimizar los errores de salida.
Los procedimientos de minimización de los errores de salida incluyen Levenberg-Marquardt, Gauss-Newton, descenso de gradiente y similares.
A través del procedimiento de optimización anterior, se determinan los valores de peso y sesgo de toda la red neuronal artificial.
Además de los pesos y los sesgos en las redes neuronales artificiales, una función de activación también desempeña un papel importante.
La función de activación determina cómo recibir una señal de entrada de cada neurona (nodo) y enviar una salida. La función de activación incluye sigmoide, tangente hiperbólica, conjunto lineal rectificado y similares.
La red neuronal artificial se puede usar para un clasificador que clasifica un tipo de datos a través de un cambio en la función o estructura de activación de la capa de salida, o para una regresión que estima un valor.
Por ejemplo, se puede usar como un clasificador que separa la sangre humana de una solución de control, y también se puede usar para el análisis de regresión para estimar los valores de glucosa en sangre.
Como se ilustra en la FIG. 5, pueden compararse los resultados de un procedimiento de estimación de azúcar en sangre usando un procedimiento de regresión múltiple convencional y un modelo de regresión que usa una red neuronal artificial para estimar la glucosa en sangre.
Como resultado de comparar un valor estimado de glucosa en sangre con el de un analizador YSI, que es un dispositivo de medición de referencia de glucosa en sangre, se puede observar que el valor estimado de glucosa en sangre usando una red neuronal artificial muestra resultados más precisos que el del procedimiento de regresión múltiple convencional.
Como se ilustra en la FIG. 6, cuando se aplica un ruido aleatorio de una magnitud predeterminada a una señal de entrada, se puede confirmar la robustez del algoritmo dependiendo del ruido.
En consecuencia, la robustez del algoritmo se confirmó mediante un error cuadrático medio del valor YSI, que es el valor de referencia, y un valor del algoritmo de medición.
En el caso de regresión múltiple, reacciona sensiblemente al ruido y el valor de salida parece inestable independientemente de la concentración en sangre.
Por otro lado, en el caso de la red neuronal artificial, particularmente a baja concentración, se puede observar que es robusta frente al ruido y el valor de salida es más estable que con el procedimiento de regresión.
Cuando una diferencia entre la temperatura ambiental y la temperatura de equilibrio, que es uno de los factores que pueden afectar a la concentración en sangre, es grande, se describirá un procedimiento de medición de la concentración de un analito que usa un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención a modo de ejemplos con referencia a la FIG. 7 a la FIG. 8B.
La FIG. 7 ilustra un diagrama ejemplar que muestra los resultados de un modelo de regresión en el que la estimación de la glucosa en sangre se realiza cuando no se incluye una característica de temperatura y cuando se incluye la característica de temperatura dependiendo de un procedimiento de medición de la concentración de un analito que utiliza un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención, y la FIG. 8A y la FIG. 8B ilustran respectivamente gráficos que muestran la robustez de un algoritmo cuando una temperatura ambiental es mayor que la temperatura ambiente y menor que la temperatura ambiente dependiendo de un procedimiento de medición de la concentración de un analito que utiliza un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención.
(Ejemplo 1) Comparación de rendimiento dependiendo de la presencia o ausencia de una característica de temperatura de un modelo de red neuronal
Se implementaron dos modelos idénticos de algoritmos de aprendizaje profundo de inteligencia artificial que incluyen/sin una característica de temperatura en el algoritmo de red neuronal de una misma estructura y se muestran en la Tabla 1 y la FIG. 7 con el fin de observar un cambio de rendimiento en un algoritmo de red neuronal dependiendo de la presencia o ausencia de la característica de temperatura.
La comparación del rendimiento se confirmó a través de un total de 930 muestras y pruebas clínicas de un total de 9 lotes.
Como se ilustra en la FIG. 7, cuando una diferencia entre los valores YSI, que son valores de referencia, en los casos de incluir y no incluir la característica de temperatura, un caso del 65 % muestra una precisión de rendimiento promedio de 66,6 % y 67,1 %, un caso del 610 % muestra una precisión de rendimiento promedio de 93,2 % y 93,9 %, y un caso del 615 % muestra una precisión de rendimiento promedio de 98,7 % y 98,8 %, por lo que se confirmó que hubo poca diferencia en el rendimiento del algoritmo de red neuronal dependiendo de la presencia o ausencia de la característica de temperatura en los datos clínicos.
Tabla 1
(Ejemplo 2) Comparación de los cambios en los resultados del algoritmo para las diferencias de temperatura del medidor según los cambios ambientales rápidos
Un valor de la característica de temperatura aplicada al algoritmo es un valor obtenido a través de un sensor de temperatura conectado a un medidor, y cuando hay un cambio repentino en el entorno circundante, es difícil medir la temperatura correcta de inmediato y se requiere tiempo para lograr el equilibrio de temperatura.
Por lo tanto, cuando se produce un cambio de entorno rápido debido a estos problemas, por ejemplo, al entrar en una casa cálida desde el exterior en un día frío de invierno, con el fin de usar el medidor, se requiere esperar un cierto tiempo para el equilibrio de la temperatura, de lo contrario, se puede obtener un valor de glucosa en sangre incorrecto. Por el contrario, con referencia al Ejemplo experimental 1, se describirá que un problema de este tipo puede resolverse mediante un procedimiento de medición de la concentración de un bioanalito que utiliza un aprendizaje profundo de inteligencia artificial según una realización ejemplar de la presente invención, que no incluye la temperatura.
A este respecto, en un procedimiento de equilibrio de la temperatura de 43 a 23 °C y un procedimiento de equilibrio de la temperatura de 0 a 23 °C con una experimentación de un grupo de control en un entorno de 23 °C después de equilibrar la temperatura a 23 °C, se comparó una diferencia en los valores de algoritmo de los grupos experimentales 1 y 2 según el error de la temperatura medida del medidor con el caso del procedimiento de análisis de regresión múltiple convencional y el algoritmo de red neuronal sin temperatura se mostró en la Tabla 2 y la FIG. 8A y FIG. 8B.
Tabla 2
Como resultado del experimento, 1 metro del grupo experimental en el entorno de 43 °C muestra una diferencia en el entorno experimental de 23 °C y el valor de temperatura medida hasta que pasan aproximadamente 24 minutos. Esta diferencia con la temperatura medida muestra una diferencia máxima del 13,6 % con respecto al grupo de control en el algoritmo de regresión lineal múltiple, y se requirió un tiempo de espera para el equilibrio de la temperatura de aproximadamente 9 minutos. Por otro lado, el algoritmo de red neuronal artificial mantuvo una diferencia del 0 al 2 % con respecto al del grupo de control, independientemente de la diferencia de temperatura, y estuvo disponible inmediatamente sin tiempo de espera.
De manera similar, 2 metros del grupo experimental en el entorno de 58 °C muestran una diferencia en el entorno experimental de 23 °C y el valor de temperatura medida hasta que pasan aproximadamente 24 minutos. Esta diferencia con la temperatura medida muestra una diferencia máxima del 14,8%con respecto al grupo de control en el algoritmo de regresión lineal múltiple, y se requirió un tiempo de espera para el equilibrio de la temperatura de aproximadamente 15 minutos.
Por otro lado, el algoritmo de red neuronal artificial mantuvo una diferencia del 0 al 2 % con respecto al del grupo de control, independientemente de la diferencia de temperatura, y estuvo disponible inmediatamente sin tiempo de espera.
Mediante el resultado experimental, se confirmó que el algoritmo de red neuronal sin temperatura puede obtener resultados más precisos para cambios ambientales rápidos, y que los usuarios pueden usar el producto sin un tiempo de espera especial.

Claims (7)

REIVINDICACIONES
1. Un procedimiento de medición de la concentración de un bioanalito usando un aprendizaje profundo de inteligencia artificial, comprendiendo el procedimiento:
inyectar una muestra biológica líquida en una célula de muestra equipada con un electrodo de trabajo y un electrodo auxiliar de una tira de biosensor electroquímico cargada en un dispositivo de medición de información biométrica (S120), en la que se fijan un medio de transporte de electrones y una enzima redox que es capaz de catalizar una reacción redox de un analito;
obtener una primera corriente sensible en un punto característico de al menos un punto de tiempo aplicando una tensión de CC constante al electrodo de trabajo para iniciar la reacción redox del analito y para proceder con una reacción de transferencia de electrones (S130);
obtener una segunda corriente sensible en dos o más puntos de tiempo aplicando un potencial de perturbación de tipo en escalerilla en A después de aplicar la tensión de CC constante (S140);
calcular una característica que representa una concentración del analito a partir de la primera corriente sensible o de la segunda corriente sensible; y
corregir la concentración calculada del analito mediante el uso de un aprendizaje profundo de inteligencia artificial de manera que se minimiza una influencia de al menos dos especies interferentes en la muestra biológica, donde la corrección de la concentración calculada del analito incluye calcular una nueva característica que representa una concentración del analito mediante la readquisición de las corrientes sensibles primera y segunda por un aprendizaje profundo de inteligencia artificial, y
donde el aprendizaje profundo de inteligencia artificial incluye:
realizar un algoritmo de aprendizaje profundo de red neuronal artificial al:
obtener muestras de sangre de diversas condiciones experimentales y obtener datos de aprendizaje a través de mediciones repetidas,
los datos de aprendizaje obtenidos, que son datos de series temporales unidimensionales, representan una reacción electroquímica del analito a lo largo del tiempo;
convertir los datos de aprendizaje obtenidos en una cierta distribución a través de la normalización o estandarización de los datos de aprendizaje, siendo los datos convertidos procesados por señal combinando datos multicanal o realizando una conversión de dominio; y
aprender el algoritmo con los datos de aprendizaje convertidos, donde el algoritmo está configurado para generar un resultado dependiendo de una entrada usando una técnica de aprendizaje profundo de red neuronal artificial;
donde el aprendizaje profundo de inteligencia artificial corrige las al menos dos especies interferentes distintas del hematocrito; y
donde la medición de la concentración del analito en la muestra biológica se corrige mediante un aprendizaje profundo de inteligencia artificial sin un tiempo de espera para un equilibrio de temperatura.
2. El procedimiento de medición de la concentración de un bioanalito según la reivindicación 1, que es un procedimiento de realización de una característica con un punto de característica seleccionando un punto de característica que tiene una dependencia lineal diferente en el analito y un material interferente en la corriente sensible primera o segunda, construyendo una característica a partir del punto de característica, creando una fórmula de prueba compuesta por la característica anterior mediante el aprendizaje de inteligencia artificial que usa la segunda corriente sensible cerca de una tensión de pico y valle de una escalera escalonada específica, una curvatura de la curva que consiste en las corrientes sensibles de cada escalón en un potencial de perturbación en escalerilla, una diferencia entre el valor de corriente en el pico y el valor de corriente en el valle del potencial de perturbación en escalerilla, corrientes sensibles en el potencial de perturbación en escalerilla entre una subida y una bajada, corrientes sensibles en un punto de inicio y un punto final del ciclo de cada potencial de perturbación en escalerilla, uno de los valores promedio de las corrientes sensibles obtenidas del potencial de perturbación en escalerilla, o valores que pueden obtenerse expresando los valores de corriente obtenidos a partir de los mismos con funciones matemáticas, tales como las cuatro operaciones aritméticas, funciones exponenciales, logarítmicas, trigonométricas.
3. El procedimiento de medición de la concentración de un bioanalito según la reivindicación 1, donde la segunda corriente sensible se obtiene en un plazo de 0,1 a 1 s después de obtener la primera corriente sensible.
4. El procedimiento de medición de la concentración de un bioanalito según la reivindicación 1, que comprende además:
ajustar los pesos entre las neuronas presentes en varias capas en la red neuronal artificial; y extraer de la red neuronal artificial automáticamente características usando una de las redes neuronales convolucionales (CNN), redes de creencias profundas (DBN) y redes neuronales recurrentes (RNN) según una estructura.
5. El procedimiento de medición de la concentración de un bioanalito según la reivindicación 1, donde la extracción automática de características usa máquinas de Boltzmann restringidas (RBM), e incluye la optimización en la que una distribución de los datos de entrada y una distribución de los datos reconstruidos determinadas (decisión estocástica) según una probabilidad son similares.
6. El procedimiento de medición de la concentración de un bioanalito según la reivindicación 5, donde la optimización incluye determinar un peso y un valor de sesgo de toda la red neuronal artificial, y usar una función de activación.
7. El procedimiento de medición de la concentración de un bioanalito según la reivindicación 6, donde la red neuronal artificial se usa para un clasificador que clasifica un tipo de datos mediante un cambio en la función o estructura de activación de la capa de salida, o para una regresión que estima un valor.
ES18925936T 2018-07-11 2018-07-13 Procedimiento de medición de la concentración de un objeto de medición biométrica mediante el uso de un aprendizaje profundo de inteligencia artificial Active ES2960485T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180080372A KR102095959B1 (ko) 2018-07-11 2018-07-11 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법
PCT/KR2018/007934 WO2020013361A1 (ko) 2018-07-11 2018-07-13 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법

Publications (1)

Publication Number Publication Date
ES2960485T3 true ES2960485T3 (es) 2024-03-05

Family

ID=69142371

Family Applications (1)

Application Number Title Priority Date Filing Date
ES18925936T Active ES2960485T3 (es) 2018-07-11 2018-07-13 Procedimiento de medición de la concentración de un objeto de medición biométrica mediante el uso de un aprendizaje profundo de inteligencia artificial

Country Status (9)

Country Link
US (1) US20210285909A1 (es)
EP (1) EP3822625B1 (es)
JP (1) JP7090184B2 (es)
KR (1) KR102095959B1 (es)
CN (1) CN112105923B (es)
DK (1) DK3822625T3 (es)
ES (1) ES2960485T3 (es)
HU (1) HUE063277T2 (es)
WO (1) WO2020013361A1 (es)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102433251B1 (ko) * 2020-11-03 2022-08-18 (주)아이티공간 제품의 실시간 품질 검사방법
CN112666098A (zh) * 2020-11-06 2021-04-16 上海市第八人民医院 夏季肠道传染病致病病原体检测系统
KR102510099B1 (ko) * 2021-07-01 2023-03-14 (주)아이티공간 딥러닝을 이용한 기기의 예지 보전방법
KR102510101B1 (ko) * 2021-07-01 2023-03-14 (주)아이티공간 딥러닝을 이용한 기기의 예지 보전방법
KR20230028896A (ko) * 2021-08-23 2023-03-03 경북대학교 산학협력단 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법
KR102700498B1 (ko) * 2021-10-20 2024-08-30 주식회사 시노펙스 휴대용 단말기를 이용한 혈액 분석 시스템
US20240192193A1 (en) * 2022-12-09 2024-06-13 Orange Biomed Ltd., Co Sample-testing system for measuring properties of red blood cells

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4897162A (en) * 1986-11-14 1990-01-30 The Cleveland Clinic Foundation Pulse voltammetry
SE524574C2 (sv) * 2002-12-09 2004-08-31 Otre Ab Metod för signalbehandling för voltammetri
KR20070009541A (ko) * 2003-11-25 2007-01-18 더 맥엘리스 컴퍼니즈 인코포레이티드 디.비.에이. 세이프 죤 시스템즈 물체 검출 방법 및 장치
US7699973B2 (en) * 2006-06-30 2010-04-20 Abbott Diabetes Care Inc. Rapid analyte measurement assay
US7822557B2 (en) * 2006-10-31 2010-10-26 Abbott Diabetes Care Inc. Analyte sensors and methods
WO2009041782A2 (en) * 2007-09-27 2009-04-02 Philosys Co., Ltd. Method for correcting erroneous results of measurement in biosensors and apparatus using the same
CA2742149C (en) * 2008-11-28 2016-07-05 Panasonic Corporation Sensor chip, biosensor system, method for measuring temperature of biological sample, method for measuring temperature of blood sample, and method for measuring concentration of analyte in blood sample
US8709232B2 (en) * 2012-04-30 2014-04-29 Cilag Gmbh International Analyte measurement technique and system
KR101357134B1 (ko) * 2012-05-23 2014-02-05 주식회사 아이센스 전기화학적 바이오센서, 휴대용 계측기 및 이들을 사용한 혈액시료 중 분석대상물질의 농도 측정방법
KR101666978B1 (ko) * 2014-09-17 2016-10-24 주식회사 아이센스 생체시료 내 분석대상물질의 농도측정방법 및 측정장치
WO2016043361A1 (ko) * 2014-09-17 2016-03-24 주식회사 아이센스 생체시료 내 분석대상물질의 농도측정방법 및 측정장치
KR20160096460A (ko) * 2015-02-05 2016-08-16 삼성전자주식회사 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법
CN113421652B (zh) * 2015-06-02 2024-06-28 推想医疗科技股份有限公司 对医疗数据进行分析的方法、训练模型的方法及分析仪
KR101740034B1 (ko) * 2015-07-20 2017-06-08 주식회사 아이센스 베타-히드록시부틸레이트 검출을 위한 산화환원 시약 조성물, 및 상기시약 조성물을 포함하는 전기화학적 바이오센서
KR102655736B1 (ko) * 2016-07-19 2024-04-05 삼성전자주식회사 이종 스펙트럼 기반 혈당 추정 장치 및 방법
CN107192690B (zh) * 2017-05-19 2019-04-23 重庆大学 近红外光谱无创血糖检测方法及其检测网络模型训练方法
CN107908928A (zh) * 2017-12-21 2018-04-13 天津科技大学 一种基于深度学习技术的血红蛋白动态光谱分析预测方法

Also Published As

Publication number Publication date
US20210285909A1 (en) 2021-09-16
CN112105923B (zh) 2024-01-09
KR20200006695A (ko) 2020-01-21
JP2021529315A (ja) 2021-10-28
KR102095959B1 (ko) 2020-04-01
CN112105923A (zh) 2020-12-18
HUE063277T2 (hu) 2024-01-28
EP3822625A1 (en) 2021-05-19
DK3822625T3 (da) 2024-01-02
JP7090184B2 (ja) 2022-06-23
WO2020013361A1 (ko) 2020-01-16
EP3822625A4 (en) 2021-08-25
EP3822625B1 (en) 2023-09-27

Similar Documents

Publication Publication Date Title
ES2960485T3 (es) Procedimiento de medición de la concentración de un objeto de medición biométrica mediante el uso de un aprendizaje profundo de inteligencia artificial
KR102142647B1 (ko) 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템
Rudnitskaya Calibration update and drift correction for electronic noses and tongues
ES2910573T3 (es) Procedimiento y sistema para determinar la concentración de un analito en una muestra de un líquido corporal, y procedimiento y sistema para generar un módulo implementado por programa informático
CN104870982B (zh) 用于评估医学测量曲线的方法
US11737688B2 (en) Apparatus and methods of probing sensor operation and/or determining analyte values during continuous analyte sensing
JP2012519279A (ja) 検体センサのオフセット正規化
JP2012176229A (ja) 分析装置、センサの検査装置、検査方法、及び検査プログラム
CN110832314A (zh) 分析物测量系统和方法
CN105891297A (zh) 一种电化学测量方法
Hsu et al. A machine-learning assisted sensor for chemo-physical dual sensing based on ion-sensitive field-effect transistor architecture
CN107928631B (zh) 基于差分路径因子估计的近红外脑功能信号处理方法
US11666253B2 (en) Methods and apparatus for analyte concentration monitoring using harmonic relationships
Khatri et al. Drift compensation of commercial water quality sensors using machine learning to extend the calibration lifetime
Głowacz et al. Comparison of various data analysis techniques applied for the classification of oligopeptides and amino acids by voltammetric electronic tongue
Islam et al. Study of long-term drift of a porous silicon humidity sensor and its compensation using ANN technique
Medina-Rodríguez et al. On the calibration of chemical sensors based on photoluminescence: Selecting the appropriate optimization criterion
JP7038230B2 (ja) 細胞数を推定する方法および細胞数を推定する装置
Shin et al. A correction method using a support vector machine to minimize hematocrit interference in blood glucose measurements
Shaham et al. On mappings between electronic noses
US11950904B2 (en) Non-steady-state determination of analyte concentration for continuous glucose monitoring by potential modulation
US20170363565A1 (en) Analyte Measurement
KR20240135184A (ko) Fscv 데이터 기반 다양한 신경전달물질의 장시간 농도 측정 결과를 동시에 제공하는 딥러닝 방식의 신경전달물질 농도 측정 장치 및 방법
Acciaroli et al. Calibrations of DexCom G4 Platinum reduced to one per day by a time-varying day-specific Bayesian prior
JPWO2023157421A5 (es)