一种试剂精准化检测工艺方法及系统技术方案

本发明专利技术涉及一种试剂精准化检测工艺方法及系统，包括以下步骤：S1：系统对试剂检测数据进行采集；S2：采用步骤S1中采集的数据进行深度学习，建立数据模型；S3：将步骤S1中采集到的输出数据分为训练集和测试集；S4：创建线性模型，使用步骤S3中采集到的训练集中的数据进行深度学习，得到线性模型的参数；S5：使用测量系统的输出数据和步骤S4的输出数据，创建代价函数，以此代价函数的值来确定何时停止深度学习过程；当代价函数的值为最小值时，深度学习结束；S6：使用测试集中的数据进行测试，将实际测试结果与模型计算得到的预期结果进行对比；S7：将训练好的模型固化到测量系统中；S8：采用建立的数据模型对试剂检测数据进行分析检测。建立的数据模型对试剂检测数据进行分析检测。建立的数据模型对试剂检测数据进行分析检测。

【技术实现步骤摘要】
一种试剂精准化检测工艺方法及系统


[0001]本专利技术涉及侧流免疫层析
，更具体地说，涉及一种试剂精准化检测工艺方法及系统。

技术介绍

[0002]侧流免疫层析(lateral flow immunochromatography assay，LFIA)是一种基于抗原、抗体免疫反应的经典床旁检测技术(point of care testing，POCT)；最初，研究人员采用纳米金制备层析试纸条，用于尿人绒毛膜促性腺激素检测，即我们熟知的胶体金。但检测结果依赖人工判读，且检测灵敏度低、假阴性率高。随后，一些对层析膜进行简单图像采集、处理的仪器相继出现，LFIA结果判读实现自动、半定量化。
[0003]近年来，LFIA不断发展，检测性能得到很大提升，已逐步向定量检测过渡，其可检测样品多样(如全血、血浆、汗液、唾液，试剂检测等)。
[0004]但是存在检测耗时长、成本高，并且需要专业技术人员，难以实时快速检测的缺点。因此，开发出快捷、灵敏、精确、高效的检测手段显得尤为重要。
[0005]前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

技术实现思路

[0006]本专利技术的目的在于提供一种试剂精准化检测工艺方法及系统，该试剂精准化检测工艺方法检测快捷、灵敏、精确、高效。
[0007]本专利技术提供一种试剂精准化检测工艺方法，包括以下步骤：
[0008]S1：系统对试剂检测数据进行采集；
[0009]S2：采用步骤S1中采集的数据进行深度学习，建立数据模型；
[0010]S3：将步骤S1中采集到的输出数据分为训练集和测试集；
[0011]S4：创建线性模型，使用步骤S3中采集到的训练集中的数据进行深度学习，得到线性模型的参数；
[0012]S5：使用测量系统的输出数据和步骤S4的输出数据，创建代价函数，以此代价函数的值来确定何时停止深度学习过程；当代价函数的值为最小值时，深度学习结束；
[0013]S6：使用测试集中的数据进行测试，将实际测试结果与模型计算得到的预期结果进行对比；
[0014]S7：将训练好的模型固化到测量系统中；
[0015]S8：采用建立的数据模型对试剂检测数据进行分析检测。
[0016]进一步地，所述步骤S1中的数据采集主要利用传感器对试剂进行测量，所述传感器包括称重传感器、温度传感器和比重传感器中的至少一种，采集到的数据为仪器的输出数据。
[0017]进一步地，对采集到的输出数据进行深度学习，所述步骤S4中线性模型可表示为：y＝w0+w
1 x1+w
2 x2。
[0018]进一步地，所述w0是截距，w1和w2是参数，所述x1和x2分别是两个不同称重传感器的输出数据；所述步骤S4中的深度学习利用标准的梯度下降法进行学习，从而得到线性模型的参数。
[0019]进一步地，所述步骤S5中代价函数是用于衡量深度学习得到的线性模型参数相关性的指标函数，通过计算代价函数的值从而确定深度学习是否终止，输出线性函数参数，代价函数表示为：价函数表示为：其中y
(i)
是采用标准方法实际测得的数据；采用步骤S1中输出数据经过线性模型的计算后得到的数据，当代价函数的取值J(W)为最小值时，表明深度学习的线性函数参数值准确值最高，可终止深度学习过程，并将此时得到的线性模型输出。
[0020]进一步地，所述步骤S6中使用测试集中的数据进行测试，将测试集中的输出数据代入线性模型进行计算，将模型计算得到的预期结果与实际测试的数据与进行对比，若是方差大于5％，表示不满足预期结果，线性模型拟合不成功，则回到步骤S1，重新对检测的数据采集，进行多次测试和对比；相反，若是得到的方差小于5％，则表示线性模型拟合成功。
[0021]进一步地，所述步骤S7包括将线性模型转化为计算机代码的形式固化到装置中，从而完成一个传感器的数据拟合输出。
[0022]本专利技术还包括一种试剂精准化检测系统，应用于上述的试剂精准化检测工艺方法，所述试剂精准化检测系统包括试剂测量端和控制传输端，所述试剂测量端包括温度检测模块、称重测量模块和比重测量模块，所述温度检测模块包括温度传感器和温度变送器，所述温度检测模块是通过温度传感器对试剂的温度进行测量，并通过温度变送器将检测到的试剂温度转化为电信号进行输送；所述称重测量模块包括称重传感器和称重变送器，所述称重测量模块是通过称重传感器将进入的试剂进行称量，并通过称重变送器将检测到的试剂重量转化为电信号进行输送；所述比重测量模块包括比重传感器和比重变送器，所述比重测量模块是通过比重传感器将进入的试剂进行比重测量，并通过比重变送器将检测到的试剂重量转化为电信号进行输送；所述控制传输端包括控制存储模块和信息传输模块，所述控制存储模块包括控制处理器和试剂信息存储器，所述控制存储模块是通过控制处理器对试剂物理特征进行测量时所需的元件进行控制和调整，所述试剂信息存储器是将温度变送器、称重变送器和比重变送器转化的电信号化为数据进行存储；所述信息传输模块包括无线信号接收器和无线信号传输器，所述无线信号接收器是通过无线接收外部信息，所述无线信号传输器是通过无线将存储的信息进行传输。
[0023]本专利技术提供的试剂精准化检测工艺方法检测快捷、灵敏、精确、高效；对待测试剂进行全方位测量，并快速得以将试剂的物理特征转化为电信号输送至试剂存储器内进行存储，通过控制处理器，可在试剂测量前后，对各测量模块内部含有的元件进行控制，通过无线信号传输器，可将试剂信息存储器内存储的试剂的物理特征信息进行无线传输，通过无线信号接受器，可在试剂测量前，远程对试剂信息存储器传输数据，也可远程传输信号至控制处理器，远程对试剂测量进行控制；同时采用基于深度学习的方法模拟各个传感器的输出数据与测试结果之间的关系，使得测试结果全面准确。
附图说明
[0024]图1为本专利技术实施例提供的试剂精准化检测工艺方法的流程示意图。
具体实施方式
[0025]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0026]本专利技术的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0027]实施例1
[0028]图1为本专利技术实施例提供的试剂精准化检测工艺方法的流程示意图。请参照图1，本专利技术实施例提供的试剂精准化检测工艺方法，包括以下步骤：
[0029]S1：系统对试剂检测数据进行采集；
[0030]S2：采用步骤S1中采集的数据进行深度学习，建立数据模型；
[0031]S3：将步骤S1中采集到的输出数据分为训练集和测试集；
[0032]S4：创建线性模型，使用步骤S3中采集到的训练集中的数据进行深度学习，得到线性模型的参数；
[0033]S5：使用测量系统的输出数据和步骤S4的输出数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种试剂精准化检测工艺方法，其特征在于，包括以下步骤：S1：系统对试剂检测数据进行采集；S2：采用步骤S1中采集的数据进行深度学习，建立数据模型；S3：将步骤S1中采集到的输出数据分为训练集和测试集；S4：创建线性模型，使用步骤S3中采集到的训练集中的数据进行深度学习，得到线性模型的参数；S5：使用测量系统的输出数据和步骤S4的输出数据，创建代价函数，以此代价函数的值来确定何时停止深度学习过程；当代价函数的值为最小值时，深度学习结束；S6：使用测试集中的数据进行测试，将实际测试结果与模型计算得到的预期结果进行对比；S7：将训练好的模型固化到测量系统中；S8：采用建立的数据模型对试剂检测数据进行分析检测。2.根据权利要求1所述的试剂精准化检测工艺方法，其特征在于，所述步骤S1中的数据采集主要利用传感器对试剂进行测量，所述传感器包括称重传感器、温度传感器和比重传感器中的至少一种，采集到的数据为仪器的输出数据。3.根据权利要求2所述的试剂精准化检测工艺方法，其特征在于，对采集到的输出数据进行深度学习，所述步骤S4中线性模型可表示为：y＝w0+w
1 x1+w
2 x2。4.根据权利要求3所述的试剂精准化检测工艺方法，其特征在于，所述w0是截距，w1和w2是参数，所述x1和x2分别是两个不同称重传感器的输出数据；所述步骤S4中的深度学习利用标准的梯度下降法进行学习，从而得到线性模型的参数。5.根据权利要求1所述的试剂精准化检测工艺方法，其特征在于，所述步骤S5中代价函数是用于衡量深度学习得到的线性模型参数相关性的指标函数，通过计算代价函数的值从而确定深度学习是否终止，输出线性函数参数，代价函数表示为：其中y
(i)
是采用标准方法实际测得的数据；采用步骤S1中输出数据经过线性模型的计算后得到的数据，当代价函数的取值J(W)为最小值时，表明深度学习的线性函数参数值准确值最高，可终止深度学习过程，并将此时得到...

【专利技术属性】
技术研发人员：蒋剑，陶敬伟，金晔，
申请(专利权)人：上海摩翮生物科技有限公司，
类型：发明
国别省市：