基于拉曼光谱二维化结合深度学习的细菌高效识别方法技术

本发明专利技术公开了一种基于拉曼光谱二维化结合深度学习的细菌高效识别方法，包括：将预处理后的拉曼光谱数据根据划分的危险等级进行维度转换以及数据增强，分别得到高危险等级样本与低危险等级样本的二维拉曼光谱图集；基于二维拉曼光谱图集，分别训练可识别高危险等级样本的深度学习网络模型以及可识别低危险等级样本的深度学习网络模型；将需要识别的拉曼光谱输入训练好的可识别高危险等级样本的深度学习网络模型中，若该样本属于高危险等级细菌，则输出分类结果；若属于低危险等级细菌，将其再输入训练好的可识别低危险等级样本的深度学习网络模型中，进一步确定其种类。本发明专利技术能够高效识别不同危险等级的细菌，并且可以快速优先判断是否属于高危险等级细菌。速优先判断是否属于高危险等级细菌。速优先判断是否属于高危险等级细菌。

【技术实现步骤摘要】
基于拉曼光谱二维化结合深度学习的细菌高效识别方法


[0001]本专利技术涉及细菌识别领域，尤其涉及一种基于拉曼光谱二维化结合深度学习的细菌高效识别方法。

技术介绍

[0002]公共安全卫生一直都是重点关注的领域，其中，快速高效的细菌识别是一项非常重要的技术。拉曼光谱分析技术基于分子振动对光非弹性散射原理研发而成，可用于研究分子结构以及物质成分的鉴定，具有操作简便、对样品无损、检测时间短等优点，在细菌识别领域具有广泛应用。此外，随着近年来计算力的飞速提升，人工智能成为了当代科技的重要发展方向之一。其中，深度学习通过模仿人脑的机制，具备了强大的学习与判断能力，获得了广泛的关注。通过将拉曼光谱技术与深度学习方法相结合，可以使细菌识别技术更加精准、高效、智能。
[0003]与传统的分析拉曼光谱方法相比(例如：化学计量学方法、机器学习方法)，深度学习分析光谱省去了严格繁琐的预处理以及人为特征选取过程，依靠神经网络实现对特征信息的自动提取，能够准确学习光谱数据之间的细微差异，在简化处理步骤的同时提高精度。然而，拉曼光谱为一维序列，一维神经网络在特征提取以及学习能力上较二维神经网络还存在着一定的差距，并且计算机视觉领域发展迅速，泛化能力强，因此，将一维拉曼光谱序列转换为二维拉曼光谱图像，可以更好实现深度学习算法在光谱信号处理上的高效应用。
[0004]近年来，基于二维拉曼光谱图结合深度学习技术得到了广泛的研究。在论文方面，利用连续小波变换将拉曼光谱转换为二维尺度图，并利用多标签深度神经网络模型进行材料分类(IEEE Sensors Journal,21,10834,2021)。同年，还有基于原始一维拉曼、二维拉曼图像和二维拉曼经过图像主成分分析后的第一主成分进行分类，均能达到较高的性能(Neural Networks,144,455,2021)。2023年，提出基于差分预处理数据块串联的二维卷积神经网络来接收预处理的光谱数据(Spectrochimica Acta,Part A:Molecular and Biomolecular Spectroscopy,284,121494,2023)。然而，上述方法中的维度转换均对数据进行了相同的处理过程，增加了运算量以及计算时间，不利于快速检测。
[0005]在专利方面，2021年，提供了一种脑胶质瘤浸润区域pH值测定方法及系统，通过深度学习网络模型实现快速且准确的标定肿瘤在术中的酸性边界，并申请了中国专利技术专利(202110428655.9)。同年，提出一种拉曼光谱数据的智能建库方法，利用小波变换以及生成对抗网络来建立数据库，并申请了中国专利技术专利(202110610390.4)。2022年，将分别经过连续小波变换和短时傅里叶变换后得到的两种时频域二维数据尺度图进行融合，通过构建的融合光谱图像数据库进行迁移学习，并申请了中国专利技术专利(202211041783.9)。同年，又提出了四种编码方式用于一维拉曼数据的转换，并根据处理后的光谱复杂程度给出了匹配的变换方法，并申请了中国专利技术专利(202211235569.7)。以上方法均未对样本的危险等级进行划分，当在数据种类繁多的情况下，对大量数据进行相同操作不利于快速及时地识别出来对环境或者生命造成极大危害的样本，一定程度上增加了时间成本和经济损失，不利于
对突发情况做出应急措施以及挽救病人生命。
[0006]综上所述，虽然拉曼光谱二维化结合深度学习近年来得到了快速发展，但是目前对于二维图像化方法配合使用的研究较少，如何通过配合使用更好地弥补单一方法的缺陷，发挥不同种二维图像化方法的优势，并在实际问题中进行应用有待进一步研究。因此，目前尚缺乏一种既能够利用二维图像化方法相结合的优势，又能够利用二维卷积神经网络强大的特征提取能力，最终实现快速高效识别出高危险等级细菌的检测技术。

技术实现思路

[0007]本专利技术提供了一种基于拉曼光谱二维化结合深度学习的细菌高效识别方法，本专利技术能够利用两种二维图像化方法的优势，相较于单独使用格拉姆角场二维化方法提升了精度，相较于单独使用连续小波变换二维化方法缩短了时间；本专利技术可以快速优先判断是否属于高危险等级样本，有利于及时采取防御应对措施，其次可以进一步将低危险等级样本准确识别，实现了对细菌的快速高效识别，可应用于公共卫生安全、食品健康、农业、医学等诸多领域，详见下文描述：
[0008]一种基于拉曼光谱二维化结合深度学习的细菌高效识别方法，所述方法包括：
[0009]将预处理后的拉曼光谱数据根据危险等级进行划分，对高危险等级样本进行基于格拉姆角场的维度转换以及数据增强，对低危险等级样本进行基于连续小波变换的维度转换以及数据增强，分别得到高危险等级样本与低危险等级样本的二维拉曼光谱图集；
[0010]基于二维拉曼光谱图集，分别训练可识别高危险等级样本的深度学习网络模型以及可识别低危险等级样本的深度学习网络模型；
[0011]将需要识别的拉曼光谱输入训练好的可识别高危险等级样本的深度学习网络模型中，若该样本属于高危险等级细菌，则输出分类结果；若属于低危险等级细菌，将其再输入训练好的可识别低危险等级样本的深度学习网络模型中，进一步确定其种类。
[0012]其中，所述将预处理后的拉曼光谱数据根据划分的危险等级进行维度转换以及数据增强为：
[0013]对划分为高危险等级样本的一维拉曼光谱序列进行格拉姆角场变换，最终输入神经网络的图像尺寸为56
×
56，其中56为图像的高度，56为图像的宽度；
[0014]对划分为低危险等级样本的一维拉曼光谱序列进行连续小波变换，图像尺寸由连续小波变换后的1000
×
1000，保留低频部分有用信息后尺寸变为200
×
1000，再经下采样图像尺寸变为25
×
128，最终输入神经网络的图像尺寸为25
×
128。
[0015]对数据进行增强的方法可以是，利用一维线性叠加或一维深度卷积生成对抗网络对预处理之后的一维拉曼光谱序列进行增强；也可以是，利用二维线性叠加或二维深度卷积生成对抗网络对维度转换之后的二维拉曼光谱图像进行增强。
[0016]本专利技术提供的技术方案的有益效果是：
[0017](1)与传统化学计量学方法和机器学习方法相比，深度学习方法具有处理复杂任务的准确率更高、鲁棒性更强、模型更稳定等优点；
[0018](2)与一维卷积神经网络分析一维拉曼光谱序列相比，本专利技术对一维拉曼光谱序列进行维度转换，将二维拉曼光谱图像输入进二维卷积神经网络中，利用了图像分类算法强大的特征提取和学习判断能力以及计算机视觉领域的优势；
[0019](3)本专利技术具有识别速度快、准确性高的优点，更有利于应对紧急情况的发生；与现有的拉曼光谱二维化方法相比，本专利技术针对样本危险等级情况对其进行相应的维度转换，在需要识别较少细菌种类时，即识别高危险等级的样本，采用基于格拉姆角场的维度转换方法，这种方法相较于连续小波变换减少了运算量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于拉曼光谱二维化结合深度学习的细菌高效识别方法，其特征在于，所述方法包括：将预处理后的拉曼光谱数据根据危险等级进行划分，对高危险等级样本进行基于格拉姆角场的维度转换以及数据增强，对低危险等级样本进行基于连续小波变换的维度转换以及数据增强，分别得到高危险等级样本与低危险等级样本的二维拉曼光谱图集；基于二维拉曼光谱图集，分别训练可识别高危险等级样本的深度学习网络模型以及可识别低危险等级样本的深度学习网络模型；将需要识别的拉曼光谱输入训练好的可识别高危险等级样本的深度学习网络模型中，若该样本属于高危险等级细菌，则输出分类结果；若属于低危险等级细菌，将其再输入训练好的可识别低危险等级样本的深度学习网络模型中，进一步确定其种类。2.根据权利要求1所述的一种基于拉曼光谱二维化结合深度学习的细菌高效识别方法，其特征在于，所述将预处理后的拉曼光谱数据根据划分的危险等级进行维度转换为：对划分...

【专利技术属性】
技术研发人员：刘怡辰，高翊盛，程振洲，胡浩丰，王亚茹，张依，李晋名，
申请(专利权)人：天津大学，
类型：发明
国别省市：