一种液态环境微生物浓度的智能检测方法及系统

本发明属于微生物浓度检测，具体涉及一种液态环境微生物浓度的智能检测方法及系统。

背景技术：

1、病原微生物是威胁人类生命健康的重要因素之一。当病原微生物侵入机体并扩增到一定浓度时，可能对机体产生有害影响，通常会引起相关疾病。例如，幽门螺旋杆菌可引起胃炎和消化性溃疡病，金黄色葡萄球菌可引起机体多种感染，包括脓疱、脓肿、伤口感染、肺炎和食物中毒等，新型冠状病毒可引发肺炎、严重急性呼吸综合征、肾衰竭，甚至死亡。病原微生物广泛存在于医学、日常生活、军事、农业等领域的液态样本中，因此，判断液态样本中是否存在病原微生物，进而进行其浓度的检测至关重要。

2、通常，病原微生物实验室培养鉴定是最常用的检测方法，但其过于依赖培养环境和培养人员专业技术，耗时耗力，使得快速诊断液态样本是否包含病原微生物及其浓度面临巨大挑战性。例如，普通细菌定性培养需三天，定量及药敏需七天甚至更久，特殊微生物需更长的培养时间。当前，拉曼光谱是科学研究中光谱采集技术的另一种常用方法。但由于拉曼光谱需要使用激光对样本进行激发，因而可能会对样本造成破坏性影响。另外，宏基因组测序是一种新型的精确检测和表征微生物物种的dna级别的方法，但检测仪器复杂、检测流程繁琐，因此造成检测费用昂贵且比较耗时。

技术实现思路

1、针对现有技术中存在的问题，本发明提供一种液态环境微生物浓度的智能检测方法及系统，能够有效提取液态样本高光谱数据的深度特征，很好地实现病原微生物浓度等级的分类以及具体浓度值的检测。

2、本发明是通过以下技术方案来实现：

3、一种液态环境微生物浓度的智能检测方法，包括以下步骤：

4、s1：采集不同浓度等级的多个源域液态样本的初始高光谱数据，并对初始高光谱数据进行位置标定；

5、s2：对标定后的初始高光谱数据进行坏像素点修复、空间域平滑处理、频谱域平滑处理和光谱数据校准，得到校准高光谱数据；

6、s3：基于校准高光谱数据进行高光谱超立方体的裁切得到源域数据集，并将源域数据集随机均衡的分成训练验证集，使用k折交叉验证方法将训练验证集划分为一一对应的k个训练集和k个验证集；

7、s4：在每个训练集上进行多通道联合特征提取、深度特征提取和折内浓度预测，并基于对应折验证集分别选择初始最优浓度检测模型，从而在k折上得到k个初始最优浓度检测模型；基于k个初始最优浓度检测模型通过定性分析和定量分析的集体决策机制，得到最终最优浓度检测模型。

8、进一步的，所述步骤s2中坏像素点修复是将一些与周围环境对比度异常高的像素替换为坏点两侧相邻列的平均值。

9、进一步的，所述步骤s2中空间域平滑处理采用二维中值滤波，将像素的值替换为围绕它的小窗口中的中值来去除每个波段的图像中的脉冲噪声。

10、进一步的，所述步骤s2中频谱域平滑处理采用预设的窗口大小移动平均滤波器以像素级的方式平滑光谱。

11、进一步的，所述步骤s2中光谱数据校准基于校准函数进行校准，所述校准函数为：

12、

13、其中，r是校准后的图像，r∈[0，100]；is是经过坏像素点修复和空间域和频谱域平滑处理后的高光谱图像；id为黑板图像；iw是白板图像。

14、进一步的，所述步骤s4中多通道联合特征包括频谱、空间和频谱-空间的角度提取不同的特征；所述深度特征采用线性判别分析lda算法进行提取，所述折内浓度预测采用随机森林算法进行检测；所述定性分析基于软投票机制，定量分析基于小组决策机制。

15、进一步的，所述定性分析采用软投票机制对五个等级的概率进行集体预测，其中每个浓度等级p[i](i∈[1，5])和预测的等级计算过程为：

16、

17、

18、进一步的，在所述定量分析中，使用小组决策机制对浓度具体值进行预测；首先，每折都会产生一个浮点类型的结果，记为fk(·)(k∈[1，k])，将其转换为一个初始值为全0的概率向量pk，进行如下计算：

19、

20、同时计算出k折的集体预测概率p，使用如下公式计算预测浓度值

21、

22、

23、其中，g为浓度梯度指数向量。

24、一种液态环境微生物浓度的智能检测系统，包括：

25、采集模块，用于采集不同浓度等级的多个源域样本的初始高光谱数据，并对初始高光谱数据进行位置标定；

26、预处理模块，用于对标定后的初始高光谱数据进行坏像素点修复、空间域平滑处理、频谱域平滑处理和光谱数据校准，得到校准高光谱数据；

27、训练模块，基于校准高光谱数据进行高光谱超立方体的裁切得到源域数据集，并将源域数据集随机均衡的分成训练验证集，使用k折交叉验证方法将训练验证集划分为一一对应的k个训练集和k个验证集；

28、最优模型模块，用于在每个训练集上进行多通道联合特征提取、深度特征提取和折内浓度预测，并基于对应折验证集分别选择最优浓度检测模型，从而在k折上得到k个最优浓度检测模型；基于k个最优浓度检测模型通过定性分析和定量分析得到浓度集体决策结果。

29、与现有技术相比，本发明具有以下有益的技术效果：

30、本发明提供一种液态环境微生物浓度的智能检测方法及系统，采集不同浓度等级的多个源域样本的初始高光谱数据，并对初始高光谱数据进行位置标定；对标定后的初始高光谱数据进行坏像素点修复、空间域平滑处理、频谱域平滑处理和光谱数据校准，得到校准高光谱数据；基于校准高光谱数据进行高光谱超立方体的裁切得到源域数据集，并将源域数据集随机均衡的分成训练验证集，使用k折交叉验证方法将训练验证集划分为一一对应的k个训练集和k个验证集；在每个训练集上进行多通道联合特征提取、深度特征提取和折内浓度预测，并基于对应折验证集分别选择初始最优浓度检测模型，从而在k折上得到k个初始最优浓度检测模型；基于k个初始最优浓度检测模型通过定性分析和定量分析的集体决策机制，得到最终最优浓度检测模型；本申请在多个层次融入了集体智慧思想，并联合频谱域、空间域、频谱-空间域三个通道进行高维特征挖掘，能够有效提取液态样本高光谱数据的深度特征，很好地实现病原微生物浓度等级的分类(定性分析)以及具体浓度值的检测(定量分析)；本发明所提出的方法能够克服液态样本特征提取和深度学习模型域迁移的困难，提升浓度检测的准确度、鲁棒性和域泛化能力；相比传统方法具有耗时短、准确性高、成本低、人力投入小的优势。

技术特征：

1.一种液态环境微生物浓度的智能检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种液态环境微生物浓度的智能检测方法，其特征在于，所述步骤s2中坏像素点修复是将一些与周围环境对比度异常高的像素替换为坏点两侧相邻列的平均值。

3.根据权利要求1所述一种液态环境微生物浓度的智能检测方法，其特征在于，所述步骤s2中空间域平滑处理采用二维中值滤波，将像素的值替换为围绕它的小窗口中的中值来去除每个波段的图像中的脉冲噪声。

4.根据权利要求1所述一种液态环境微生物浓度的智能检测方法，其特征在于，所述步骤s2中频谱域平滑处理采用预设的窗口大小移动平均滤波器以像素级的方式平滑光谱。

5.根据权利要求1所述一种液态环境微生物浓度的智能检测方法，其特征在于，所述步骤s2中光谱数据校准基于校准函数进行校准，所述校准函数为：

6.根据权利要求1所述一种液态环境微生物浓度的智能检测方法，其特征在于，所述步骤s4中多通道联合特征包括频谱、空间和频谱-空间的角度提取不同的特征；所述深度特征采用线性判别分析lda算法进行提取，所述折内浓度预测采用随机森林算法进行检测；所述定性分析基于软投票机制，定量分析基于小组决策机制。

7.根据权利要求6所述一种液态环境微生物浓度的智能检测方法，其特征在于，所述定性分析采用软投票机制对五个等级的概率进行集体预测，其中每个浓度等级p[i](i∈[1,5])和预测的等级计算过程为：

8.根据权利要求6所述一种液态环境微生物浓度的智能检测方法，其特征在于，在所述定量分析中，使用小组决策机制对浓度具体值进行预测；首先，每折都会产生一个浮点类型的结果，记为fk(·)(k∈[1,k])，将其转换为一个初始值为全0的概率向量pk，进行如下计算：

9.一种液态环境微生物浓度的智能检测系统，其特征在于，基于权利要求1-8所述任一项一种液态环境微生物浓度的智能检测方法，包括

技术总结
本发明提供一种液态环境微生物浓度的智能检测方法及系统，通过采集不同浓度等级的多个源域液态样本的初始高光谱数据，校准高光谱数据，基于校准高光谱数据进行高光谱超立方体的裁切得到源域数据集，并将源域数据集随机均衡的分成训练验证集，使用K折交叉验证方法将训练验证集划分为一一对应的K个训练集和K个验证集，在每个训练集上进行多通道联合特征提取、深度特征提取和折内浓度预测，并基于对应折验证集分别选择初始最优浓度检测模型，在K折上得到K个初始最优浓度检测模型；基于K个初始最优浓度检测模型通过定性分析和定量分析得到最终最优浓度检测模型和浓度集体决策结果。相较于现有技术，本申请具有更好的鲁棒性和域泛化能力。

技术研发人员：张春燕,任鹏宇,徐颂华,李宗芳,徐宗本
受保护的技术使用者：西安交通大学医学院第二附属医院
技术研发日：
技术公布日：2024/1/13