【技术实现步骤摘要】
基于CNN原理的免疫数据分类技术
本专利技术属于免疫
，具体涉及一种基于CNN原理的免疫数据分类技术。
技术介绍
目前在荧光免疫层析技术中，通过仪器读取免疫反应后的荧光图像，经过数据的整合和处理，得到相应检测对象的浓度值。然而，在试剂片的制作过程中和后续的实验操作中，由于工艺和人为操作的因素，比如，每一组荧光微球的含量、分布不一致，移液枪吸取的液体体积存在偏差，因此即使在相同试剂浓度条件下，最终的荧光曲线图形，峰面积和值也会有一定的差别。由此得到的回算浓度也会出现较大的误差，从而不能满足临床实验的要求。综上所述，本领域迫切需要开发一种新的、可以避免回算浓度的误差，从而满足临床实验需要的新的免疫数据分析处理方法。
技术实现思路
本专利技术的目的就是提供一种新的、可以避免回算浓度的误差，从而满足临床实验需要的新的免疫数据分析处理方法。在本专利技术的第一方面，提供了一种用于分类免疫数据的CNN模型的训练方法，所述的训练方法包括步骤：(1)提供供训练的免疫数据集；其中，所述免...
【技术保护点】
1.一种用于分类免疫数据的CNN模型的训练方法，其特征在于，所述的训练方法包括步骤：/n(1)提供供训练的免疫数据集；/n其中，所述免疫数据集包括多个免疫数据，且所述免疫数据是对应于已知样本，并且包括了所述已知样本中的待测目标的检测结果；/n并且，所述免疫数据为免疫曲线数据，且所述免疫曲线数据由n个数据对(j，number)组成，且n≥100，j＝1、2、3……或n；/n(2)对步骤(1)中的免疫数据集中的部分或全部的免疫数据独立地进行降采样处理，从而得到经降采样的数据集；且在所得的经降采样的数据集中，至少部分的免疫数据是经过降采样处理的免疫数据；/n其中，所述降采样处理包...
【技术特征摘要】
1.一种用于分类免疫数据的CNN模型的训练方法，其特征在于，所述的训练方法包括步骤：
(1)提供供训练的免疫数据集；
其中，所述免疫数据集包括多个免疫数据，且所述免疫数据是对应于已知样本，并且包括了所述已知样本中的待测目标的检测结果；
并且，所述免疫数据为免疫曲线数据，且所述免疫曲线数据由n个数据对(j，number)组成，且n≥100，j＝1、2、3……或n；
(2)对步骤(1)中的免疫数据集中的部分或全部的免疫数据独立地进行降采样处理，从而得到经降采样的数据集；且在所得的经降采样的数据集中，至少部分的免疫数据是经过降采样处理的免疫数据；
其中，所述降采样处理包括步骤：
(2.1)确定降采样处理的采样标准；所述采用标准包括储存经降采样后的免疫数据的矩阵A的大小；
其中，所述矩阵A的大小以a×b表示，其中a和b各自独立地为≥20的正整数(较佳地，a＝30～200的整数和b＝30～200的整数)；并且a＜n和b＜n；
且矩阵A中各点的值以变量A[x_location，y_location]表示且各点的值与位置(x_location,y_location)一一对应，并且A[x_location，y_location]的初始值为0；
(2.2)计算每个数据对(j，number)对应的x_location和y_location；
其中，通过公式1计算x_location的值，并通过公式2计算y_location的值；
x_location＝取整(j/c)(公式1)
y_location＝取整((number-baseline)/interception)(公式2)
各式中，c是基于j的最大值和矩阵A的大小确定的参数；baseline代表基线的值；和interception代表截断值，且其是基于假定的免疫数据中的最大值numbermax确定的；
(2.3)通过公式3计算矩阵A中(x_location,y_location)处的值；
A[x_location，y_location]＝A[x_location，y_location]+data(公式3)；
并且data的值通过下述方法确定；
a)当公式2所得y_location＜0时，则y_location＝0且data＝1；
b)当公式2所得y_location＞img_size-1时，则y_location＝img_size-1且data＝3；
c)其余情况，即当0≤公式3所得y_l...
【专利技术属性】
技术研发人员：袁韬，王佩瑞，蒋鑫，李欢，朱轩仪，郑翠，
申请(专利权)人：上海艾瑞德生物科技有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。