基于GSA优化神经网络的生物活细胞表面力学特性评估方法技术

本发明专利技术提供了一种基于GSA优化神经网络表征生物细胞力学特性评估方法，属于微纳操纵技术和细胞生物力学领域。该方法在生理条件下采用纳米压痕技术获得生物细胞表面力学特征参量，通过析因设计方法建立单因素多水平的细胞生物力学样本集，并对该样本集进行神经网络优化，反演细胞力学模型。通过不同种类细胞不同区域力学数据的神经网络聚类分析，解决细胞力学特性中表面力学参量无法聚类分析的难点。通过模拟退火与遗传算法结合方式对神经网络的网络权值进行优化，解决权值优化过程中容易陷入局部最小和收敛速度的问题。通过该优化神经网络进行建模，使得细胞力学评估结果具有良好的泛化能力，符合生物细胞力学规律。符合生物细胞力学规律。符合生物细胞力学规律。

【技术实现步骤摘要】
基于GSA优化神经网络的生物活细胞表面力学特性评估方法


[0001]本专利技术涉及微纳操纵技术和细胞生物力学领域，特别涉及基于GSA优化神经网络表征生物细胞力学特性评估方法。

技术介绍

[0002]生物细胞力学的研究对于理解各种基本的细胞行为，如运动、分化和增殖等至关重要，并在组织工程、细胞生物学和癌症治疗领域引起了极大的关注
[1]。近年来，国内外的专家学者对生物力学进行了大量的实验研究，尤其是对单个细胞的力学研究尤为关注。研究表明，细胞的力学性质在细胞的迁移、分裂、分化、粘附与纳米颗粒内吞等生理活动中扮演着重要的角色，对单个细胞的力学特性研究将帮助人类更清楚地了解疾病(包括癌症)的发病机理，并为疾病的早期筛查和诊断等提供理论依据及新的研究方法
[2]。因此,细胞力学性质的精确测量对于认知生命活动的本质和维护人类生命健康有着重要的意义。
[0003]但是，研究者们基于不同线性粘弹性模型所测量出的细胞本构方程仍旧难以统一，往往需要大量的粘弹性参数才可拟合出自己实验中的测量数据，却又不能预测出他人实验中同种细胞不同加载方式下的力学响应。在力学发展过程中，研究者往往通过提出理想化的力学模型开展理论分析。这些理想模型一般具有较为规则的几何形状、边界条件和基于显式表达式描述的材料响应函数,将真实的复杂力学问题抽象为简单的数学模型，进而寻求问题的解析解，计算力学方法的出现使求解具有更复杂的几何模型和边界条件的问题成为可能
[3]。这方面神经网络具有其优越性：首先，神经网络的监督学习可以依据已知样例的迭代学习，快速获得输入输出间映射关系，这种映射关系以连接权值与阈值形式表现，类似大脑神经元，可以描述各种非线性关系
[4]；其次，神经网络具有泛化能力，即神经网络对未在训练(学习)过程中遇到的数据仍可以得到合理的输出。
[0004]但实际应用中BP网络差曲面存在很多局部最小点，在某些初值的条件下算法的结果会陷入局部最小且BP网络训练学习的收敛速度很慢。考虑到SA具有摆脱局部最优解的能力，可是收敛速度较慢，而GA由于处理数据方式简单，可以较快收敛，所以结合两者优点提出一种基于GSA来改进神经网络建立的力学模型得法，使之更具有普遍适用性。
[0005][1]DingYue,XuGuang
‑
Kui,WangGang
‑
Feng.OnthedeterminationofelasticmoduliofcellsbyAFMbasedindentation.[J].Scientificreports,2017,7{5}:
[0006][2]卜洋.基于原子力显微镜的细胞粘弹性力学性质测量[D].兰州大学,2020.
[0007][3]BelytschkoT,LiuWK,MoranB,etal.NonlinearFiniteElementsforContinuaandStructures.Hoboken:JohnWiley&Sons,2013.
[0008][4]HAYKINS.神经网络与机器学习[M].3版.北京:机械工业出版社，2016:1
‑
22.

技术实现思路

[0009]本专利技术技术解决问题：克服现有技术的不足，提供一种基于GSA优化神经网络表
征生物细胞力学特性评估方法，具有拟合度高的特点。针对不同类型细胞 可以根据其力学参数建立适用的力学模型，帮助研究人员更快速更准确的研究细 胞力学特点。
[0010]本专利技术解决技术问题所采用的技术方案如下：一种基于GSA优化神经网络 表征生物细胞力学特性评估方法：生理状态下采集生物活细胞力学特性，细胞粘 弹性测试，制作细胞力学参数样本集，GSA神经网络优化算法，细胞表面力学 特征预测，细胞表面力学建模，细胞力学参量聚类分析，细胞力学评估模型；具 体步骤如下：
[0011]步骤1：生理状态下采集生物活细胞力学特性，在生理条件下用原子力显微 力学测试系统进行细胞力学性能实验，通过原子力探针对细胞表面高低起伏形态 进行逼近
‑
保持
‑
撤回过程的力学测试，记录细胞力学参数数据存储与电子表格中 并且以室温、液相、探针振幅统一来保证实验的可复制性以及细胞的状态良好；
[0012]步骤2：细胞粘弹性测试，进行细胞粘弹性测试，考虑细胞粘弹性以自建粘 弹性模型获得细胞力学特征参数描述，通过Hertz或Sneddon模型来获得细胞每 点的弹性模量。在粘弹性测试中先对细胞参数进行初筛，保证其误差在可接受范 围中；
[0013]步骤3：制作细胞力学参数样本集，通过力学测试所获得的力学数据筛选力 学特征参数及其取值范围，等分设定各参数的水平数并且去掉极值，根据析因设 计法构建计算方案，使用有限元计算模拟后生成训练样本。且训练样本按70％、 15％、15％的比例分为训练集、验证集、测试集。
[0014]步骤4：GSA神经网络优化算法，首先在数据分析软件中进行整体的编程与 建模，根据析因设计得到的样本集构造神经网络的整体结构。再根据网络预设输 入输出节点个数以及连接方式初始化GA遗传算法，采用参数化编码将样本集中 的接触点深度、接触点应力、细胞整体高度、细胞局部弹性模量、粘弹系数以及 松弛时间构成六维结构体作为初始种群。种群最大迭代次数为100，种群数量为 50，交叉及变异概率分别为0.1、0.3。其次初始化模拟退火的的初始温度及降温 系数，分别为T0＝100，alpha＝0.8。
[0015]模拟退火的循环中进行遗传迭代。首先对初始训练后的网络权值进行精英模 式遗传迭代，若子代群体的最佳个体适应值小于当前群体最佳个体的适应值，则 将当前群体最佳个体或者适应度大于子代最佳个体适应值的多个个体直接复制 到子代，随机替代最差的下一代群体中的相应数量的个体。在每一轮迭代结束后， 确定当前温度，并且更改新的适应度函数，重复循环，直到周期性降温达到终止 温度，得到最优网络权值，并基于此权值预测输入输出关系。
[0016]步骤5：细胞表面力学特征预测，以建立好的神经网络模型，进行数值计算 得到新的力
‑
位移曲线特征数据，并将其与力学实验测量的力
‑
位移曲线数据的差 值作为优化线索，其误差公式为其中F1、F2为模拟 特征应力值，Fr、Fe分别为实际测量中进针及曲线压入点及峰值点应力值，通 过参数寻优算法得到最优参数，即为该细胞当前区域内的表征值；在此基础上对 同种类型细胞不同时间多次多区域采集，获得不同条件下力学参数，并通过神经 网络算法提取细胞力学特征；
[0017]步骤6：细胞表面力学建模，将获得的细胞不同区域内的表征力学参数重新 带入到原自建模型中，获得当前细胞的力学模型，并对比传统模型、神经网络以 及GSA优化网络之间的误差率；
[0018]步骤7：细胞力学参量聚类分析，根据数值模拟确定细胞弹性模量及粘附力 上下限，将两种参量及其对应细胞高度位置输入BP神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GSA优化神经网络表征生物细胞力学特性评估方法，包括生理状态下采集生物活细胞力学信息，细胞粘弹性测试，制作细胞力学参数样本集，GSA神经网络优化算法，细胞表面力学特征预测，细胞表面力学建模，细胞力学参量聚类分析，细胞力学评估模型；其特征在于，具体步骤如下：步骤1：生理状态下采集生物活细胞力学信息，在生理条件下用原子力显微力学测试系统进行细胞力学性能实验，通过原子力探针对细胞表面高低起伏形态进行逼近
‑
保持
‑
撤回过程的力学测试，将记录的细胞力学参数归纳存储在电子表格中便于后续转换为可用的数据文件；步骤2：细胞粘弹性测试，进行细胞粘弹性测试，考虑细胞粘弹性以自建粘弹性模型获得细胞力学特征参数描述，通过Hertz或Sneddon模型来获得细胞每点的弹性模量；步骤3：制作细胞力学参数样本集，通过力学测试所获得的力学数据筛选确定力学特征参数及取值范围，等分设定各参数的水平数，根据析因设计方案来建立细胞表面不同区域力学参量的试验集，最后使用有限元计算模拟后生成训练样本，将所有已生成的训练样本制作成数据文件；步骤4：GSA神经网络优化算法，在数据分析软件中基于模拟的输入输出参数及其力学关系设计神经网络，确定需要优化的权值与阈值个数，通过GSA算法即遗传模拟退火算法改进网络权值，训练神经网络预测输入输出关系；步骤5：细胞表面力学特征预测，以建立好的神经网络模型，进行数值计算得到新的力
‑
位移曲线特征数据，并将其与力学实验测量的力
‑
位移曲线数据的差值作为优化线索，通过参数寻优算法得到最优参数，即该细胞当前区域内的表征值，并对同种类型细胞不同时间多次多区域采集，获得不同条件下力学参数，并通过神经网络算法提取细胞力学特征；步骤6：细胞表面力学建模，将获得的活细胞不同区域内的表征力学参数重新带入到原自制模型中，获得当前细胞的表面力学模型；步骤7：细胞表面力学参量聚类分析，对活细胞表面不同区域内的力学特征参量进行聚类分析，采用无监督的BP神经网络，权值优化同样采用遗传模拟退火算法；步骤8：细胞力学评估模型，用于不同类型细胞建立其力学分布特征重新训练神经网络，获得其力学模型。2.根据权利要求1所述的一种基于GSA优化神经网络表征生物细胞力学特性评估方法，其特征在于：所述生理状态下采集生物活细胞力学特性，对细胞表面进行纳米压痕粘弹性测试实验，获取细胞表面粘弹性的力
‑
位移曲线和力
‑
时间曲线，压痕深度、保持时间、接触应力、细胞高度等力学参数。3.根据权利要求1所述的一种基于GSA优化神经网络表征生物细胞力学特性评估方法，其特征在于：所述细胞粘弹性测试，Hertz或Sneddon等弹性模型，Hertz模型适...

【专利技术属性】
技术研发人员：田立国，高一凡，刘兰娇，陈明新，姜晓琳，王深智，徐龑，张文晓，王莹，翁占坤，王作斌，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：