基于深度学习策略的脑脊液表面增强拉曼光谱分类方法

本发明属于光谱技术和深度学习算法领域，具体涉及一种基于深度学习策略的脑脊液表面增强拉曼光谱分类方法。

背景技术：

1、脑脊液常规的检查技术包括细胞学检测技术、生化检测技术、压力检查技术、csf流式细胞仪分析以及头颅影像学分析技术。通过脑脊液的检查可以分析脑脊液中组分的变化。

2、表面增强拉曼光谱(surface-enhanced raman scattering，sers)与传统检查相比，sers技术具有操作简单、快速、无损等许多独特的优点，在化学、催化、纳米技术、生物学、生物医学、食品科学以及环境分析的领域广泛应用。

3、将脑脊液检查与sers技术进行结合以分析脑脊液中组分的变化的一种可行的方法。然而，脑脊液检查技术存在操作繁琐、检测时间长的缺陷；而sers技术存在测量光谱数量多，无法快速、有效的实现待测样本的分类识别。因此，如何将脑脊液检查与sers技术有机结合以克服操作繁琐、检测时间长的缺陷，同时快速、有效的实现待测样本的分类识别，成为目前亟待解决的问题。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习策略的脑脊液表面增强拉曼光谱分类方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明实施例提供了一种基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，包括步骤：

3、获取富集型表面增强拉曼光谱支撑衬底以及目标银纳米胶体浓缩后与碘化钾水溶液混合得到的混合溶液；

4、将所述混合溶液与待测脑脊液混合得到样本混合液；

5、将预设体积的所述样本混合液滴加在所述富集型表面增强拉曼光谱支撑衬底上并在预设温度下进行干燥，得到测试样本；

6、对所述测试样本进行表面增强拉曼光谱采集，得到若干光谱数据；

7、对所述若干光谱数据进行预处理得到预处理后的光谱数据；

8、提取所述预处理后的光谱数据的一维特征；

9、将所述预处理后的光谱数据转换为光谱图片，并提取所述光谱图片的二维特征；

10、将所述一维特征和所述二维特征进行拼接融合，得到融合特征；

11、通过transformer算法对所述融合特征进行分类，得到分类结果。

12、在本发明的一个实施例中，所述目标银纳米胶体的制备方法包括：

13、采用柠檬酸钠法制备银纳米胶体；

14、采用差速离心方法从所述银纳米胶体中分离具有目标尺寸的银纳米颗粒，得到目标银纳米胶体。

15、在本发明的一个实施例中，采用差速离心方法从所述银纳米胶体中分离具有目标尺寸的银纳米颗粒，得到目标银纳米胶体，包括：

16、首先将所述银纳米胶体以第一转速进行离心，保留上清液；然后将所述上清液以第二转速进行离心使得具有目标尺寸的银纳米颗粒沉淀，保留沉淀下来的银纳米胶体作为所述目标银纳米胶体，其中，所述第一转速小于所述第二转速，所述目标尺寸为40-80nm。

17、在本发明的一个实施例中，所述富集型表面增强拉曼光谱支撑衬底的制备方法包括：

18、将聚四氟乙烯滤膜固定在基片上，然后使用旋涂法使得润滑液分散在所述聚四氟乙烯滤膜上，并对基片进行加热干燥，得到所述富集型表面增强拉曼光谱支撑衬底。

19、在本发明的一个实施例中，所述目标银纳米胶体的浓缩倍数为10-1000倍；

20、所述混合溶液与待测脑脊液的体积比为1:1；

21、所述预设体积为1-50μl，所述预设温度小于或等于80℃。

22、在本发明的一个实施例中，所述表面增强拉曼光谱采集的激光波长为532-785nm，功率为0.1-5mw，积分时间为1-60s。

23、在本发明的一个实施例中，提取所述预处理后的光谱数据的一维特征，包括：

24、通过主成分分析法提取所述预处理后的光谱数据的一维特征。

25、在本发明的一个实施例中，将所述预处理后的光谱数据转换为光谱图片，并提取所述光谱图片的二维特征，包括：

26、将所述预处理后的光谱数据通过matlab转换为光谱图片；

27、对所述光谱图片依次进行缩放和裁减，并转换为张量形式的图片；

28、将所述张量形式的图片通过resnet50模型提取特征，输出所述二维特征，其中，所述resnet50模型包括依次连接的49个卷积层和1个线性层。

29、在本发明的一个实施例中，通过transformer算法对所述融合特征进行分类，得到分类结果，包括：

30、将所述融合特征依次通过嵌入层、多头注意力机制模块、自适应平均池化层、多层感知机和全连接层，并将所述全连接层的输出利用激活函数转化为概率值，得到所述分类结果。

31、在本发明的一个实施例中，当进行二分类时，所述激活函数采用sigmoid函数；当进行多分类时，所述激活函数采用softmax函数。

32、与现有技术相比，本发明的有益效果：

33、1、本发明的方法中，富集型表面增强拉曼光谱支撑衬底以及混合溶液可以提前制备，在测试时直接获取支撑衬底、混合溶液和脑脊液即可用来制备测试样本，无需前处理，脑脊液测试的过程仅包括样本混合液制备时间、样本混合液滴加时间、干燥时间和表面增强拉曼光谱采集时间，操作简单，稳定性好，极大程度缩短了检测时间，且对样品无损伤，同时拉曼光谱容易获得，不受样品尺寸、状态以及环境的影响，适合液体样品的快速、简便分析；本发明的方法通过提取光谱数据的一维特征和二维特征，将二者进行融合后再通过transformer算法进行分类，操作简单、无标记、耗时少，由于将一维特征和二维特征进行了融合，提高了分类的准确率，快速、有效的实现待测样本的分类识别。

技术特征：

1.一种基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，所述目标银纳米胶体的制备方法包括：

3.根据权利要求2所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，采用差速离心方法从所述银纳米胶体中分离具有目标尺寸的银纳米颗粒，得到目标银纳米胶体，包括：

4.根据权利要求1所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，所述富集型表面增强拉曼光谱支撑衬底的制备方法包括：

5.根据权利要求1所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，

6.根据权利要求1所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，所述表面增强拉曼光谱采集的激光波长为532-785nm，功率为0.1-5mw，积分时间为1-60s。

7.根据权利要求1所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，提取所述预处理后的光谱数据的一维特征，包括：

8.根据权利要求1所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，将所述预处理后的光谱数据转换为光谱图片，并提取所述光谱图片的二维特征，包括：

9.根据权利要求1所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，通过transformer算法对所述融合特征进行分类，得到分类结果，包括：

10.根据权利要求9所述的基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，其特征在于，当进行二分类时，所述激活函数采用sigmoid函数；当进行多分类时，所述激活函数采用softmax函数。

技术总结
本发明涉及一种基于深度学习策略的脑脊液表面增强拉曼光谱分类方法，包括：获取支撑衬底以及目标银纳米胶体浓缩后与碘化钾水溶液混合得到的混合溶液；将混合溶液与待测脑脊液混合得到样本混合液；将样本混合液滴加在支撑衬底上并进行干燥，得到测试样本；对测试样本进行表面增强拉曼光谱采集，得到若干光谱数据；对若干光谱数据进行预处理；提取预处理后的光谱数据的一维特征；将预处理后的光谱数据转换为光谱图片，并提取光谱图片的二维特征；将一维特征和二维特征进行拼接融合，得到融合特征；通过transformer算法对融合特征进行分类，得到分类结果。该方法提高了分类的准确率，快速、有效的实现待测样本的分类识别。

技术研发人员：陈雪利,张东杰,曾琦,李焕弟,程朝阳,王晓东,何镇安
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/1/15