本發(fā)明涉及蛋白含量測(cè)定，尤其涉及一種原料血漿蛋白含量測(cè)定模型訓(xùn)練方法、系統(tǒng)、介質(zhì)及設(shè)備。

背景技術(shù)：

1、原料血漿是以單采血漿法采集的健康人血漿，是生產(chǎn)血液制品的唯一原料，原料血漿的總蛋白含量是表征血漿質(zhì)量的關(guān)鍵質(zhì)量參數(shù)。常規(guī)蛋白含量測(cè)定方法如凱氏定氮法、雙縮脲試劑法等均存在測(cè)定時(shí)間長(zhǎng)的缺點(diǎn)，無(wú)法及時(shí)滿足原料血漿采集后、投產(chǎn)前復(fù)檢等較大的檢測(cè)需求。

2、便攜式微型近紅外光譜傳感器對(duì)于血漿樣品大批量現(xiàn)場(chǎng)檢測(cè)具有極高的實(shí)際使用價(jià)值，但由于單個(gè)傳感器光譜范圍較窄，有效信息較少，多傳感器數(shù)據(jù)融合是當(dāng)下研究熱點(diǎn)之一。通過(guò)多傳感器數(shù)據(jù)融合，可以達(dá)到既增加光譜有效信息，又減少nir儀器使用成本的雙重目的。

3、此外，由于溫度影響分子的振動(dòng)狀態(tài)和能級(jí)躍遷，溫度的升高使得光譜的吸收峰向短波方向移動(dòng)，對(duì)光譜的峰高與峰寬產(chǎn)生較大影響，從而影響近紅外光譜定量分析模型的預(yù)測(cè)準(zhǔn)確度。為了緩解溫度干擾的問(wèn)題，現(xiàn)有技術(shù)如申請(qǐng)?zhí)枮?02110361714.5，名稱為基于多級(jí)偏最小二乘算法的光譜分析方法及系統(tǒng)的中國(guó)發(fā)明專利，通過(guò)構(gòu)建模型分離溫度對(duì)光譜的影響，但計(jì)算復(fù)雜度高，影響蛋白含量測(cè)定效率。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問(wèn)題，本發(fā)明提出了一種原料血漿蛋白含量測(cè)定模型訓(xùn)練方法、系統(tǒng)、介質(zhì)及設(shè)備，基于近紅外光譜分析技術(shù)與數(shù)據(jù)融合策略，將光譜采集時(shí)的實(shí)時(shí)溫度與光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到包含溫度信息的光譜數(shù)據(jù)，利用模型學(xué)習(xí)包含溫度信息的光譜數(shù)據(jù)與真實(shí)蛋白含量之間的關(guān)系，消除溫度對(duì)蛋白含量檢測(cè)結(jié)果的影響。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、第一方面，本發(fā)明提供一種原料血漿蛋白含量測(cè)定模型訓(xùn)練方法，包括：

4、獲取原料血漿樣本及其真實(shí)蛋白含量標(biāo)簽；

5、采用雙傳感器基于不同溫度采集原料血漿樣本的近紅外光譜，得到包含溫度數(shù)據(jù)的近紅外光譜；所述近紅外光譜包括第一光譜和第二光譜；

6、訓(xùn)練cnn-lstm模型，將包含溫度數(shù)據(jù)的近紅外光譜輸入至cnn-lstm模型中，得到每個(gè)近紅外光譜的預(yù)測(cè)蛋白含量標(biāo)簽；根據(jù)每個(gè)原料血漿樣本的預(yù)測(cè)蛋白含量標(biāo)簽和真實(shí)蛋白含量標(biāo)簽計(jì)算模型的損失函數(shù)，當(dāng)模型的損失最小時(shí)，得到訓(xùn)練好的cnn-lstm模型。

7、優(yōu)選地，所述蛋白含量包括總蛋白含量、白蛋白含量或球蛋白含量。

8、優(yōu)選地，所述采用雙傳感器基于不同溫度采集原料血漿樣本的近紅外光譜，得到包含溫度數(shù)據(jù)的近紅外光譜，具體包括：

9、采用1?mm光程比色皿，以空氣為背景，每小時(shí)采集一次背景光譜，雙傳感器掃描范圍分別為1350?nm-1650?nm與1550?nm-1950?nm；所述雙傳感器包括第一近紅外傳感器和第二近紅外傳感器，雙傳感器通過(guò)y型光纖連接至樣品池，外接光源照射，搭建雙微型傳感器檢測(cè)通路；

10、采用溫控附件設(shè)定每個(gè)樣品的采集溫度分別為5-45℃，間隔5℃，重復(fù)采集3次光譜求平均后得到包含溫度數(shù)據(jù)的近紅外光譜。

11、優(yōu)選地，在得到包含溫度數(shù)據(jù)的近紅外光譜后，對(duì)近紅外光譜圖像進(jìn)行預(yù)處理，通過(guò)hotelling?t2與馬氏距離法剔除異常光譜。

12、優(yōu)選地，所述cnn-lstm模型包括連接的cnn網(wǎng)絡(luò)和lstm網(wǎng)絡(luò)；

13、所述cnn網(wǎng)絡(luò)用于提取紅外光譜的淺層特征和深層特征；由卷積層、池化層和完全連接層組成，包括兩個(gè)一維卷積層，第一層卷積核數(shù)為32個(gè)，卷積核大小為3×n，移動(dòng)步長(zhǎng)為2，激活函數(shù)選擇為relu函數(shù)；

14、所述lstm網(wǎng)絡(luò)用于融合所述淺層特征和深層特征，得到最終特征；lstm模型包括輸入門(mén)、輸出門(mén)和遺忘門(mén)，遺忘門(mén)包括多個(gè)記憶細(xì)胞、至少一個(gè)sigmoid函數(shù)和一個(gè)點(diǎn)乘操作。

15、優(yōu)選地，所述訓(xùn)練cnn-lstm模型的具體過(guò)程為：

16、將包含溫度數(shù)據(jù)的近紅外光譜與真實(shí)蛋白含量標(biāo)簽輸入cnn-lstm模型進(jìn)行訓(xùn)練；具體的，將溫度數(shù)據(jù)、第一光譜和第二光譜以一定順序按照n×n矩陣輸入模型，通過(guò)模型卷積層進(jìn)行從1×1到n×n的特征提取，得到預(yù)測(cè)蛋白含量標(biāo)簽；根據(jù)預(yù)測(cè)蛋白含量標(biāo)簽和真實(shí)蛋白含量標(biāo)簽計(jì)算模型的損失函數(shù)，根據(jù)損失函數(shù)優(yōu)化卷積核大小、卷積核個(gè)數(shù)及全連接神經(jīng)元個(gè)數(shù)，得到訓(xùn)練好的cnn-lstm模型。

17、優(yōu)選地，所述一定順序包括至少兩種對(duì)溫度數(shù)據(jù)、第一光譜和第二光譜的不同排列順序。

18、第二方面，本發(fā)明提供一種原料血漿蛋白含量測(cè)定模型訓(xùn)練系統(tǒng)，包括：

19、初始數(shù)據(jù)獲取模塊，用于獲取原料血漿樣本及其真實(shí)蛋白含量標(biāo)簽；

20、近紅外光譜獲取模塊，用于采用雙傳感器基于不同溫度采集原料血漿樣本的近紅外光譜，得到包含溫度數(shù)據(jù)的近紅外光譜；所述近紅外光譜包括第一光譜和第二光譜；

21、訓(xùn)練模塊，用于訓(xùn)練cnn-lstm模型，將包含溫度數(shù)據(jù)的近紅外光譜輸入至cnn-lstm模型中，得到每個(gè)近紅外光譜的預(yù)測(cè)蛋白含量標(biāo)簽；根據(jù)每個(gè)原料血漿樣本的預(yù)測(cè)蛋白含量標(biāo)簽和真實(shí)蛋白含量標(biāo)簽計(jì)算模型的損失函數(shù)，當(dāng)模型的損失最小時(shí)，得到訓(xùn)練好的cnn-lstm模型。

22、第三方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面所述的一種原料血漿蛋白含量測(cè)定模型訓(xùn)練方法中的步驟。

23、第四方面，本發(fā)明提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)第一方面所述的一種原料血漿蛋白含量測(cè)定模型訓(xùn)練方法中的步驟。

24、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

25、本發(fā)明將光譜采集時(shí)的實(shí)時(shí)溫度與光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到包含溫度信息的光譜數(shù)據(jù)，融合溫度和光譜信息共同參與模型訓(xùn)練，利用溫度與光譜的緊密耦合和相互依賴，不特別針對(duì)溫度進(jìn)行建模分析，在節(jié)省計(jì)算復(fù)雜度的基礎(chǔ)上同樣可以降低溫度對(duì)紅外光譜的干擾。同時(shí)，采用性能好的卷積神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短時(shí)期記憶（convolutional?neuralnetwork-?long?short-term?memory，cnn-lstm）算法對(duì)樣本進(jìn)行訓(xùn)練，并對(duì)待測(cè)原料血漿總蛋白含量進(jìn)行預(yù)測(cè)，提高了蛋白含量預(yù)測(cè)的準(zhǔn)確性和效率。

26、利用本發(fā)明的數(shù)據(jù)融合策略，將雙微型近紅外光譜傳感器對(duì)樣品進(jìn)行光譜采集，解決單微型近紅外傳感器覆蓋波長(zhǎng)范圍窄的問(wèn)題，此外，將溫度數(shù)據(jù)與光譜數(shù)據(jù)進(jìn)行同步融合，通過(guò)cnn-lstm深度學(xué)習(xí)算法進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)溫度擾動(dòng)下光譜數(shù)據(jù)更好的預(yù)測(cè)準(zhǔn)確性。

27、本發(fā)明基于近紅外光譜分析技術(shù)實(shí)現(xiàn)對(duì)原料血漿總蛋白的快速表征，進(jìn)一步的，可以實(shí)現(xiàn)溫度擾動(dòng)下的對(duì)原料血漿中白蛋白、球蛋白等多指標(biāo)含量進(jìn)行同時(shí)檢測(cè)，為原料血漿的快速現(xiàn)場(chǎng)檢測(cè)提供手段，更為原料血漿的基于多蛋白含量的品質(zhì)分級(jí)提供參考方法，具有重要的應(yīng)用價(jià)值，為該技術(shù)的進(jìn)一步推廣和應(yīng)用提供參考。

28、本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。