用于分析物分析的基于人工神经网络深度学习的方法、装置、学习策略及系统制造方法及图纸

本发明专利技术涉及一种利用人工神经网络深度学习技术分析测量对象的系统，所述系统包括：生物特征信息测量装置；以及基于分析生物特征信息的人工智能的深度学习服务器，所述深度学习服务器具备：信号获取单元，用于获取基于电化学反应的信号，将通过所述生物特征信息测量装置采集的血液注入具有一对电极的传感器会引起所述电化学反应；信号处理单元，用于将从所述信号获取单元获取的信号预处理为用于人工智能深度学习的信号；生物特征信息测量算法生成单元，用于利用深度学习人工神经网络技术自动提取利用通过所述信号处理单元处理的信号进行优化的生物特征信息测量算法；以及优化算法结果提供单元，用于向所述生物特征信息测量装置提供优化的生物特征信息测量算法。

【技术实现步骤摘要】
【国外来华专利技术】用于分析物分析的基于人工神经网络深度学习的方法、装置、学习策略及系统
本专利技术涉及一种利用人工神经网络深度学习技术分析测量对象的方法、装置、学习方法及系统。更具体地，本专利技术涉及一种利用人工神经网络深度学习技术分析测量对象的方法、装置、学习方法及系统，应用人工神经网络深度学习技术从对传感器所获得的信号进行转换图像化的数据识别出相当于测量对象的区域，并从该区域提取确定测量对象种类或浓度所需的各种要素，以预测最适合的测量对象的种类和浓度。
技术介绍
通常，体外诊断产品最重要的标准之一是测量结果的准确度。对于这样的产品，当存在测量对象时，检测传感器输出信号，分析仪识别出该信号并应用预定的校准曲线或算法发送定量或定性结果。测量结果的准确度可能受到各种变量(例如干扰物、外部环境和样品特性)引起的干扰作用的影响。比如用于测量血糖的电化学传感器，由于诸如电极表面上氧化的测量对象之外的物质的存在或者粘度等血液性质的变化导致的血糖向电极的扩散系数(DiffusionCoefficient)或者电极表面上的反应速率(ReactionRate)的变化等，输出的电信号可能会受到影响。为了尽量减少或消除这样的影响，代替向传感器施加简单的DC电压的方式，采用了施加具有各种类型图案波形的输入电压并利用适当的统计数学技术处理从电极反应获得的波形的方法。自2010年代以来，进军血糖测量市场的公司有所增加，而且每个国家扩大了国民保险，因此降低价格的压力也有所增加。为了提高用户的安全性，主要的标准管理组织和认证机构正在加强对准确度和利用人工神经网络深度学习技术分析测量对象的方法、装置及系统的标准。例如，由于2008年开始的竞争性招标制度(competitivebidding)，美国联邦医疗保险支付的保险金已减少到不到一半，而2016年发布的FDA新指南对准确度的要求和各种干扰物质的干扰影响的限制比现有血糖仪的规格要严格得多(https://www.fda.gov/downloads/medicaldevices/deviceregulationandguidance/guidancedocuments/ucm380325.pdf)。为了在竞争如此激烈以及对测量系统的性能的要求加强的血糖仪市场中生存，需要开发成本低性能高的系统，这种矛盾的开发目标只有通过出色的技术进步才有可能实现。为了降低血糖测量系统的生产成本，需要性能有限的硬件(例如STM8L系列MCU)和容易生产的结构简单的传感试条。另一方面，为了改善血糖测量系统的性能，采用深度学习之类的需要高水平运算的方法时，需要配备通过蓝牙等发送和运算数据的系统或者实现通信以在云系统中另行运算的系统，以便使用可实现高性能运算的芯片或智能手机的功能，这与当前的市场趋势相悖。即使在有限的硬件实现了深度学习算法之类的需要大量运算的算法，仍然存在测量血糖的时间很长的问题。为了在当前的血糖仪市场上具有竞争力，必须能够在输入分析物后约8秒内输出估算的血糖浓度。此外，要想将血糖试条(Strip)的生产成本降至最低，继续使用在现有生产工艺中生产的仅具有一对电极的试条较为有利。另一方面，仅通过从这种有限结构的电极获得的信息和现有信号处理方法很难准确地估算出血液中的葡萄糖。
技术实现思路
技术问题为了解决上述的问题提出了本专利技术，本专利技术旨在提供一种利用人工神经网络深度学习技术分析测量对象的方法、装置及系统，可以在现有多元线性回归(MultipleLinearRegression)方法的基础上改善算法的准确度、精密度和血细胞比容包括在内的干扰校正性能，并且可以提供基于可用结构有限的仪表硬件和传感试条实现的优化的血糖估算人工智能的深度学习技术。另外，本专利技术旨在提供一种利用人工神经网络深度学习技术分析测量对象的方法、装置及系统，完成了数据维数缩减、算法架构缩减，以在有限的硬件中也能实现复杂的算法。此外，本专利技术旨在提供一种利用人工神经网络深度学习技术分析测量对象的方法、装置及系统，即使采用运算量大的算法，也可以有效地进行计算，将运算时间尽量减小到适合于血糖仪的8秒以内。另外，本专利技术旨在提供一种分析测量对象的方法、装置及低成本系统，通过从由数量有限的电极获得的信息可最大限度地提取数据中包含的附加信息的技术，可以获得利用多电极的效果。技术方案本专利技术涉及一种利用人工神经网络深度学习技术分析测量对象的系统，其特征在于，所述系统包括：生物特征信息测量装置；以及基于分析生物特征信息的人工智能的深度学习服务器，所述深度学习服务器具备：信号获取单元，用于获取基于电化学反应的信号，将通过所述生物特征信息测量装置采集的血液注入具有一对电极的传感器会引起所述电化学反应；信号处理单元，用于将从所述信号获取单元获取的信号预处理为用于人工智能深度学习的信号；生物特征信息测量算法生成单元，用于利用深度学习人工神经网络技术自动提取利用通过所述信号处理单元处理的信号进行优化的生物特征信息测量算法；以及优化算法结果提供单元，用于向所述生物特征信息测量装置提供优化的生物特征信息测量算法。根据本专利技术的另一个方面的利用人工神经网络深度学习技术的血糖测量装置，其特征在于，所述血糖测量装置包括：连接器，具有一对电极的电化学生物传感器安装于所述电连接器；电流电压转换器，其与所述连接器电连接；数字模拟转换器电路，用于控制成对所述电化学生物传感器的一对电极施加恒定电压，并施加三角波循环电压、方波、阶梯波或其他变形的三角函数形式的波形的电压；以及微控制器，用于控制这些电压，所述微控制器具备人工智能深度学习算法计算单元，用于根据从利用人工神经网络深度学习技术分析测量对象的系统获得的优化的基于人工智能的深度学习算法自动计算血糖。根据本专利技术的一个实施例的利用人工神经网络深度学习技术的血糖测量方法可包括：准备试样的步骤；将电化学生物传感器装设于生物特征信息测量装置的步骤；在所述生物传感器与试样接触血液浸湿所述电化学生物传感器的工作电极和辅助电极的瞬间施加恒定电压，并且施加所述恒定电压后在计时施加电压结束点连续施加三角波循环电压或方波、阶梯波或其他变形的三角函数形式的波形的步骤；以及由通过优化的人工智能深度学习血糖测量算法来测量的响应电流计算出血糖测量值的步骤。根据本专利技术的另一个方面的基于分析生物特征信息的人工智能的深度学习方法可包括：通过电化学反应获取信号的步骤，将通过生物特征信息测量装置采集的血液注入具有一对电极的传感器(Strip)会引起所述电化学反应；将所获取的信号处理为用于人工智能深度学习的信号的步骤；形成由信号特征提取单元和血糖值预测单元组成的用于测量血糖的算法架构的步骤；通过调整算法中的变量来学习血糖测量算法，以便能够最准确地预测血糖预测值为真值的血糖值的步骤；进行优化的步骤。专利技术效果根据本专利技术的一个实施例的利用人工神经网络深度学习技术分析测量对象的方法、装置及系统，可以在现有多元线性回归(MultipleLinearRegression)方法的基础上改善算法的准确度、精密本文档来自技高网...

【技术保护点】
1.一种利用人工神经网络深度学习技术分析测量对象的系统，其包括：/n生物特征信息测量装置；以及/n基于分析生物特征信息的人工智能的深度学习服务器，/n所述深度学习服务器具备：信号获取单元，用于获取基于电化学反应的信号，将通过所述生物特征信息测量装置采集的血液注入具有一对电极的传感器会引起所述电化学反应；信号处理单元，用于将从所述信号获取单元获取的信号预处理为用于人工智能深度学习的信号；生物特征信息测量算法生成单元，用于利用深度学习人工神经网络技术自动提取利用通过所述信号处理单元处理的信号进行优化的生物特征信息测量算法的特征；以及优化算法结果提供单元，用于向所述生物特征信息测量装置提供优化的生物特征信息测量算法。/n

【技术特征摘要】
【国外来华专利技术】20180328 KR 10-2018-00361601.一种利用人工神经网络深度学习技术分析测量对象的系统，其包括：
生物特征信息测量装置；以及
基于分析生物特征信息的人工智能的深度学习服务器，
所述深度学习服务器具备：信号获取单元，用于获取基于电化学反应的信号，将通过所述生物特征信息测量装置采集的血液注入具有一对电极的传感器会引起所述电化学反应；信号处理单元，用于将从所述信号获取单元获取的信号预处理为用于人工智能深度学习的信号；生物特征信息测量算法生成单元，用于利用深度学习人工神经网络技术自动提取利用通过所述信号处理单元处理的信号进行优化的生物特征信息测量算法的特征；以及优化算法结果提供单元，用于向所述生物特征信息测量装置提供优化的生物特征信息测量算法。


2.根据权利要求1所述的利用人工神经网络深度学习技术分析测量对象的系统，其中，
所述信号处理单元排除从所述信号获取单元获取的信号中血液注入异常和硬件异常导致的信号，所述生物特征信息测量算法生成单元包括：算法架构单元，用于形成用于血糖测量的算法架构；算法学习单元，用于调整算法中的变量，使得能够最准确地预测血糖预测值为真值的血糖值；以及集成算法单元，用于通过组合一种以上算法来算出最终预测值，以提高预测血糖值的准确度和精密度。


3.根据权利要求1所述的利用人工神经网络深度学习技术分析测量对象的系统，其中，
所述算法架构单元包括：特征提取单元，用于提取通过所述信号处理单元进行信号预处理的生物特征信息信号数据中包含的测量对象的特征；以及血糖值预测单元，用于利用通过所述特征提取单元获得的特征来估算血糖值。


4.根据权利要求1所述的利用人工神经网络深度学习技术分析测量对象的系统，其中，
所述算法架构单元利用深度学习人工神经网络技术从反映测量对象的成分、血细胞比容、温度、干扰物质的特性等周围环境的图像中自动提取要分类或测量的反映结果值的特征。


5.根据权利要求1所述的利用人工神经网络深度学习技术分析测量对象的系统，其中，
所述算法学习单元使用所提取的特征经算法学习过程导出预测结果值的误差最小的人工神经网络算法中的变量值。


6.一种利用人工神经网络深度学习技术的血糖测量装置，其包括：
连接器，具有一对电极的电化学生物传感器安装于所述电连接器；
电流电压转换器，其与所述连接器电连接；
数字模拟转换器电路，用于控制成对所述电化学生物传感器的一对电极施加恒定电压，并施加具有三角波或方波、阶梯波或其他变形的三角函数形式的波形的循环电压；以及
微控制器，用于控制这些电压，
所述微控制器具有人工智能深度学习算法计算单元，用于根据从根据权利要求1至5中任何一项所述的利用人工神经网络深度学习技术分析测量对象的系统获得的优化的基于人工智能的深度学习算法自动计算血糖。


7.根据权利要求6所述的利用人工神经网络深度学习技术的血糖测量装置，其还包括：
异常信号处理单元，用于在检测到所述电化学生物传感器与所述连接器连接不良或者血液注入异常和硬件异常导致的异常信号时，发出警报、显示于显示器。


8.根据权利要求6所述的利用人工神经网络深度学习技术的血糖测量装置，其中，
所述人工智能深度学习算法计算单元通过由所述基于分析生物特征信息的人工智能的深度学习服务器导出的优化的人工智能深度学习血糖测量算法在8秒以内由通过所述电化学生物传感器测量的响应电流求出血糖测量值。


9.一种利用人工神经网络深度学习技术的血糖测量方法，其包括：
准备试样的步骤；
将电化学生物传感器装设于生物特征信息测量装置的步骤；
在所述生物传感器与试样接触...

【专利技术属性】
技术研发人员：姜秉根，李明澔，李锡沅，南学铉，车晟熏，
申请(专利权)人：爱森新株式会社，
类型：发明
国别省市：韩国;KR