[發明專利]一種量子點免疫熒光曲線的特征識別方法

有效

• 申請號: 202010795403.5
• 申請日: 2020-08-10
• 公開（公告）號: CN112085061B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 陳喆;王建麗;陳小波;金偉鋒;陳猷華;唐震紅;宋明超
• 申請（專利權）人: 杭州凱曼健康科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.一種量子點免疫熒光曲線的特征識別方法，包括以下步驟：

1)從云平臺下載導出每日的曲線目錄數據和曲線熒光數據后，通過以下步驟實現數據的預處理過程；

(1.1)依據曲線的標識序號對兩份數據進行升序排序完成數據匹配；

(1.2)通過項目的批次名稱對質控曲線進行識別并作刪除處理；

(1.3)對曲線熒光數據進行smooth光滑化處理，適當消除實驗中細小噪聲帶來的判別誤差干擾；

(1.4)參考儀器的檢測結論個數，對每批試劑卡進行檢測項目的單測、雙測或三測定位，同時依據檢測項目對每批試劑的c、t位置進行預設和記錄，設定為sit_C和sit_T，以克服批間差和不同檢測項目帶來的標準差異問題；

(1.5)對曲線熒光數據Curve進行最大最小歸一化mapminmax處理，消除不同項目試劑的量綱差異，實現熒光結果的0～1映射，得到矩陣Curve_One；

2)基于極大值峰判別法和多特征檢驗算法的免疫曲線有效性識別，具體包括：

(2.1)依據位點峰和非位點峰區域對極大值公式作出進一步的改進，分別得到如下公式：

位點峰區域：

非位點峰區域：

其中：h₁代表位點峰區域內的突出閾值高度；h₂代表非位點峰區域內的閾值高度；a代表判別時間點距離；

為了記錄滿足極大值峰判別不等式的試劑位點，此處引入0-1變量公式：

其中：當位點i處于非峰區域時，h＝h₁；位點i處于峰區域時，h＝h₂；

在i∈[sit_C-30,sit_C+30]范圍內，若存在sit_i＝1，則記錄

其中，表示位點C的實際位置；

接著，對曲線峰的整體數量進行累加記錄，有公式：

(2.2)參數a、h₁和h₂的優化均采用網格搜索法進行遍歷；基于最小二乘法的優化思想，提出優化的目標函數：

min error＝∑(F-F^*)² (5)

其中：F為遍歷參數a、h₁和h₂條件下的理論峰數量，F^*為經過人為準確識別的實際峰數量；

得到優化結果a＝6、h₁＝0.0025和h₂＝0.01；

(2.3)熒光矩陣擴展；

改進后的極大值峰判別方法在處理判別末尾的若干個數據時具有一定的局限性；利用判別時間點距離a＝6，對熒光數據矩陣進行擴展，即對最后一個時間點的熒光數據進行后平移擴增，公式如下：

Curve_One(X+i,j)＝Curve_One(X,j)，i＝1,2..a. (6)

其中：Curve_One代表熒光數據矩陣；X代表最大時間點，本項目X＝350；

(2.4)熒光曲線有效性的具體判別；

(2.4.1)對時間點進行遍歷，同時檢測遍歷區域是否處于峰區域；若處于峰區域則采用h₁閾值標準，若處于非峰區域則采用h₂閾值標準；

(2.4.2)依據改進后的極大值峰判別方法對曲線位點峰進行判別；

(2.4.3)曲線的六項異構檢驗；

I.峰數檢驗：根據峰判別方法得到曲線峰數量F，與試劑項目測試數量Ce進行匹配，若峰數量小于等于項目測試數量+1，則滿足峰數匹配，反正則判為無效曲線，

II.熒光值檢驗：對位點C的熒光值Ygz進行檢驗，小于75的閾值則判為無效曲線；

III.C位檢驗：對參考的峰位點sit_C進行檢驗，觀察實際位點C附近30單位內是否存在峰；若無峰，則判為無效曲線；

IV.首端檢驗：對曲線的左端30單位區域進行高度檢驗，若超過位點C的峰值則判為無效曲線；

V.受潮檢驗：若點一至位點C的平均峰值高于0.2的數量超過了位點C左側30個單位的坐標，則認為試劑卡底線受潮，判為無效曲線；

VI.尾端檢驗：對曲線右端20個單位區域進行高度檢驗，若平均峰值高于0.3則判為無效曲線；

若上述六項異構檢驗全部通過，即則該曲線判為有效曲線；

(2.4.4)陰陽性分類；

對于true(j)＝1的曲線依據儀器檢測結果進行陰陽性賦值，完成分類；

3)熒光曲線的錯誤類型分類；

完成了曲線的有效性判別分析后，需要對于true(j)＝0的曲線進行錯誤類型分類，以便對儀器或試劑卡進行調修；

(3.1)依據項目的測試類型，對無效曲線錯誤類型數據庫進行挑選；

(3.2)遍歷計算第j條曲線與錯誤曲線庫中的第k條曲線的平方歐氏距離，公式如下：

dist₁(j,k)＝sum((Curve(:,j)-error_type(:,k))²) (14)

(3.3)若最小距離仍舊很大，即min(dist₁(j,:))D，則對曲線進行歸一化處理并再次進行匹配；

dist₂(j,k)＝sum((Curve_One(:,j)-error_type(:,k))²) (15)

其中：D表示距離的匹配閾值，根據數據觀察設置為D＝10¹¹；

若min(dist₂(j,:))D，則找出最近匹配距離的錯誤曲線，查詢錯誤類型，即可對無效曲線完成錯誤類型歸類。