一种发炎血清LIBS光谱诊断模型的建立方法技术

本发明专利技术涉及一种发炎血清LIBS光谱诊断模型的建立方法，属于光谱探测技术领域。本发明专利技术的方法使用Wilcoxon检验排除差异显著的训练测试集，使用MSC

【技术实现步骤摘要】
一种发炎血清LIBS光谱诊断模型的建立方法


[0001]本专利技术涉及一种发炎血清LIBS光谱诊断模型的建立方法，属于光谱探测


技术介绍

[0002]激光诱导击穿光谱(LIBS)是一种可行的发射光谱分析技术，具有快速检测、简单预处理和实时分析的优点。LIBS已应用于医学领域，如元素成像、细菌检测和组织识别。近年来，LIBS已被用于血液检测，根据元素含量的差异诊断肿瘤和癌症。Yanwu Chu等人提出了随机子空间方法，将硼酸压片上血清的LIBS光谱与集成学习相结合，用于血癌的模式识别，准确率从94.50％提高到98.34％。硼酸片的制备需要反复称量和压缩粉末，过程繁琐，因此有必要找到一种更有效的基板。Jin Yu等人使用select
‑
k
‑
best和反向传播神经网络(BPNN)方法识别健康人和卵巢囊肿和卵巢癌患者血浆的LIBS光谱。经过两步分类后，敏感性和特异性分别为71.4％和86.5％，因此分类结果需要进一步改进。Aichun Liu等通过全血LIBS光谱结合主成分分析(PCA)、线性判别分析(LDA)和k
‑
近邻(kNN)方法对淋巴瘤患者进行区分，LDA和kNN的识别准确率均高于99.7％。虽然淋巴瘤的识别准确率较高，但由于模型的简单性，同一模型对淋巴瘤阶段的识别效果并不理想。上述所有研究对使用LIBS进行血液检测做出了重大贡献。
[0003]这些研究的训练集和测试集的划分按照不同个体所有光谱的混合随机划分的。在很大程度上，这种划分方法导致同一个人的光谱同时出现在训练集和测试集中，这与实际应用中的未知情况截然不同。然而，通过仅在训练集中建立人的光谱模型来区分测试集中的人，这些模型的识别精度和泛化性很容易受到个体差异、光谱波动和冗余信息的限制。因此，合理划分训练集和测试集，优化LIBS测量，改进模型，对准确识别炎症性血液具有重要意义。

技术实现思路

[0004]本专利技术的目的是为了提供一种发炎血清LIBS光谱诊断模型的建立方法，旨在快速、准确稳定地识别发炎血清。
[0005]本专利技术的技术方案是：
[0006]一种发炎血清LIBS光谱诊断模型的建立方法，该方法的步骤包括：
[0007]第一步，在载玻片上制备n个正常血清样本和n个发炎血清样本，发炎血清样本中包括m种炎症类型；
[0008]第二步，收集载玻片上的n个正常血清样本的若干个LIBS光谱和n个发炎血清样本的若干个LIBS光谱；
[0009]第三步，选择光谱强度高于设定阈值的LIBS光谱的具有物理含义的元素特征谱线，元素特征谱线的数量为k个，如表1所示；
[0010]表1
[0011][0012]第四步，将第二步中收集的LIBS光谱划分训练集和测试集，得到多种训练集和测试集的划分组合；
[0013]划分训练集和测试集时，正常血清样本个数的30％
‑
33％作为测试集，其余为训练集，发炎血清样本中训练集和测试集的样本中均包括所有种类的炎症类型；
[0014]第五步，使用Wilcoxon检验第四步得到的组合，输入为第三步所选择的元素特征谱线强度的平均值，输出为每个组合中得到一p值，排除掉p值低于0.05的组合，剩余的组合可随机划分作为训练集和测试集；
[0015]第六步，对第五步得到的训练集和测试集中的LIBS光谱进行多元散射校正(MSC)预处理，得到包括预处理后的LIBS光谱训练集和测试集；
[0016]第七步，从第六步得到的训练集中的LIBS光谱中挑选出第三步的k个特征，使用MIV方法进行排序，并确定最优的特征光谱的数量，在测试集中选择出所确定的最优的特征光谱；确定最优的特征光谱的数量的标准为使用BP神经网络具有最高准确率处的特征数量；
[0017]第八步，使用BP神经网络具有最高准确率处的特征数量所建立的模型为最终模型；
[0018]第九步，使用第七步中测试集中提取的特征输入到第八步建立的模型中，得到血清的识别结果。
[0019]所述的第六步中，多元散射校正(MSC)预处理的方法为：根据公式(1)计算第二步收集的LIBS光谱的平均光谱并将平均光谱设置为理想光谱，用于校正正常血清样本或发炎血清样本的LIBS光谱；
[0020]根据公式(2)，在第二步收集的LIBS光谱A
i
和理想光谱之间进行线性回归，采用偏最小二乘法计算直线漂移k
i
和基线漂移b
i
，根据式(3)进行计算，得到校正后的光谱，对校正后的光谱再提取出第三步中的元素特征谱线；
[0021][0022][0023]A
MSCi
＝(A
i
‑
b
i
)/k
i
ꢀꢀ
(3)
[0024]所述的第七步中，MIV方法的步骤包括：
[0025]1)利用校正后的光谱所选出的元素特征谱线训练BP神经网络模型；
[0026]2)第i个元素特征谱线增加和减少10％，形成两个新的BP神经网络输入，获得两个
输出；i＝1，2，
…
k；
[0027]3)训练集中的样本的两个输出之间的绝对差值的平均值是第i个元素特征谱线的MIV(MIV
i
)；
[0028]4)对于第三步中所选出的k个元素特征谱线，需要计算k次MIV；
[0029]5)整个过程重复10次以获得更稳定的结果，MIV
i
的平均值表示特征的重要性。
[0030]有益效果
[0031]本专利技术的方法使用Wilcoxon检验排除差异显著的训练测试集，使用MSC
‑
MIV
‑
BPNN模型准确稳定识别发炎血清，使用LIBS技术首次实现了发炎血清的检测，使用按照样本划分训练集和测试集的方法，结合Wilcoxon检验排除差异显著的训练测试集，更贴近于真实检测，检测时间0.7s更快，准确率可达91.00％更加准确。
附图说明
[0032]图1为实验装置示意图；
[0033]图2为MISC预处理前后数据对比图；
[0034]图3为MIV特征重要性排序和不同数量特征识别结果图。
具体实施方式
[0035]下面结合附图和实施例对本专利技术做进一步说明。
[0036]实施例
[0037]第一步，在载玻片上制备10个正常血清样本和10个发炎血清样本，发炎血清样本中包括3种炎症类型，包含5个肝炎、3个肝脓肿、2个脓毒血症；
[0038]第二步，使用图1所示装置，每个血清样本的收集150发不同位置的激光脉冲，每3发平均为1条LIBS光谱，每个样本可得到150条光谱；
[0039]第三步，以800为光谱强度的阈值，结合NIST库选择具有物理含义的元素特征谱线，元素特征谱线的数量为43个，如表1所示；
[0040]表1. 43条特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于该方法的步骤包括：第一步，在载玻片上制备正常血清样本和发炎血清样本；第二步，收集载玻片上的正常血清样本的LIBS光谱和发炎血清样本的LIBS光谱；第三步，提取光谱强度高于设定阈值的LIBS光谱的元素特征谱线；第四步，将第二步中收集的LIBS光谱划分训练集和测试集，得到多种训练集和测试集的划分组合；第五步，使用Wilcoxon检验第四步得到的组合，输入为第三步所选择的元素特征谱线强度的平均值，输出为每个组合中得到一p值，排除掉p值低于设定值的组合，剩余的组合随机划分作为训练集和测试集；第六步，对第五步得到的训练集和测试集中的LIBS光谱进行多元散射校正预处理，得到包括预处理后的LIBS光谱训练集和测试集；第七步，从第六步得到的训练集中的LIBS光谱中挑选出第三步提取的元素特征谱线，使用MIV方法进行排序，并确定最优的特征光谱的数量，在测试集中选择出所确定的最优的特征光谱；第八步，使用BP神经网络在具有最高准确率处的特征数量所建立的模型为最终模型；第九步，使用第七步中测试集中提取的特征输入到第八步建立的模型中，得到血清的识别结果。2.根据权利要求1所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：所述的第一步中，提取的正常血清样本和发炎血清样本的数量均为n个，发炎血清样本中包括m种炎症类型；所述的第三步中，元素特征谱线的数量为k个。3.根据权利要求2所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：所述的第四步中，划分训练集和测试集时，正常血清样本个数的30％
‑
33％作为测试集，其余为训练集，发炎血清样本中训练集和测试集的样本中均包括所有种类的炎症类型。4.根据权利要求3所述的一种...

【专利技术属性】
技术研发人员：赵志方，王茜蒨，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：