利用人工智能深度学习的生物测量对象浓度测量方法技术

如果现有的测量技术是相关领域专家长时间研发应用直接提取特征的公式或方法以有效提取特征(Features)的技术，则本发明专利技术的目的是提供一种利用人工智能深度学习的测量对象浓度测量方法，将测量时间内从携带信息(Labels)的样品获得的输入信号进行图像化建立数据集，通过利用人工神经网络技术的深度学习找出人们无法预知的有用的特征等，并且应用如此通过学习获得的算法，可以估算出结果值。

【技术实现步骤摘要】
【国外来华专利技术】利用人工智能深度学习的生物测量对象浓度测量方法
本专利技术涉及一种利用人工智能深度学习的测量对象浓度测量方法。更具体地，本专利技术涉及一种利用人工智能深度学习的测量对象浓度测量方法，通过应用基于深度学习的人工神经网络技术转换从传感器获得的信号，以识别对应于测量对象的区域，并提取在该区域确定测量对象种类或浓度所需的每个因素，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，本文档来自技高网...

【技术保护点】
1.一种利用人工智能深度学习的生物测量对象浓度测量方法，其包括以下步骤：/n将液态生物样品注入样品池，该样品池固定有对所述待分析物质的氧化还原反应起到催化作用的氧化还原酶和电子传递介质，并且具有工作电极和辅助电极；/n将一定直流电压施加到所述工作电极，使所述待分析物质能够开始进行氧化还原反应及电子传递反应，以在至少一个点的特性点获得第一感应电流；/n施加所述一定直流电压后，再施加Λ形阶梯化梯形扰动电压，以在至少两个点获得第二感应电流；/n由所述第一感应电流或所述第二感应电流计算出预定特征；以及/n通过人工智能学习用由至少一个特征函数构成的校准方程校正所述待分析物质的浓度，以使所述生物样品内至少...

【技术特征摘要】
【国外来华专利技术】20180711 KR 10-2018-00803721.一种利用人工智能深度学习的生物测量对象浓度测量方法，其包括以下步骤：
将液态生物样品注入样品池，该样品池固定有对所述待分析物质的氧化还原反应起到催化作用的氧化还原酶和电子传递介质，并且具有工作电极和辅助电极；
将一定直流电压施加到所述工作电极，使所述待分析物质能够开始进行氧化还原反应及电子传递反应，以在至少一个点的特性点获得第一感应电流；
施加所述一定直流电压后，再施加Λ形阶梯化梯形扰动电压，以在至少两个点获得第二感应电流；
由所述第一感应电流或所述第二感应电流计算出预定特征；以及
通过人工智能学习用由至少一个特征函数构成的校准方程校正所述待分析物质的浓度，以使所述生物样品内至少一个干扰物质的影响变得最小，
所述校正待分析物质的浓度的步骤包括通过人工智能学习重新获得所述第一感应电流和所述第二感应电流以计算出新的特征，
所述人工智能学习包括以下步骤：
制作各种实验条件的血液样品，通过重复测量来获得用于创建算法的学习数据；
所述获得的学习数据为一维时间序列数据，其表示根据时间推移的测量对象的电化学反应；
通过所述学习数据的正规化或标准化将数据转换成具有一定大小或分布；
对所述转换的数据通过多路数据组合或域转换进行信号处理；
利用人工神经网络深度学习技术学习能够输出基于输入的适当结果的算法。


2.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法，其中，
通过所述人工智能学习从所述第一或第二感应电流选择对所述待分析物质和干扰物质的线性依赖度不同的特性点，并用所述特性点建立特征，进而导出由所述特征构成的校准方程，用所述特性点建立所述特征的方法使用特定阶梯化梯形波的峰值及谷值电压附近的第二感应电流、所述阶梯化梯形扰动电压下由各阶梯的感应电流构成的曲线的曲率、所述阶梯化梯形扰动电压的峰值电流与谷值电流之差、上坡和下坡中间阶梯化梯形扰动电压下的感应电流、各阶梯化梯形扰动电压周期的起点及终点的感应电流及阶梯化梯形扰动电压下获得的感应电流的平均值之一，或者将由此获得的电流值用四则运算、指数、对...

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