CN113811881A - 具有阻抗信号处理功能的医学分析设备 - Google Patents
具有阻抗信号处理功能的医学分析设备 Download PDFInfo
- Publication number
- CN113811881A CN113811881A CN202080030889.1A CN202080030889A CN113811881A CN 113811881 A CN113811881 A CN 113811881A CN 202080030889 A CN202080030889 A CN 202080030889A CN 113811881 A CN113811881 A CN 113811881A
- Authority
- CN
- China
- Prior art keywords
- pulse
- pulse data
- value
- data set
- impedance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000010287 polarization Effects 0.000 claims abstract description 3
- 210000004027 cell Anatomy 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 210000003743 erythrocyte Anatomy 0.000 description 5
- 238000009652 hydrodynamic focusing Methods 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 230000005684 electric field Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000012415 analytical development Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005563 spheronization Methods 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
- G01N15/12—Investigating individual particles by measuring electrical or magnetic effects by observing changes in resistance or impedance across apertures when traversed by individual particles, e.g. by using the Coulter principle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
一种具有细胞阻抗信号处理功能的医学分析设备,包括存储器(4),所述存储器被设置为接收脉冲数据集,每个脉冲数据集包括每次与时间标记相关联的阻抗值数据,这些数据共同代表当细胞通过极化开口时测得的细胞阻抗值的曲线;计算器(6),所述计算器被设置为通过确定旋转值来处理脉冲数据集,所述旋转值指示细胞是否在其通过极化开口期间经历了旋转,通过所述细胞已经获得了所述脉冲数据集;以及分类器(8),所述分类器被设置为从计算器(6)中检索给定的脉冲数据集,并使用产生的旋转值将给定的脉冲数据集分类至旋转脉冲数据集组(10)或无旋转脉冲数据集组(12)中。
Description
本发明涉及血液学领域,特别是细胞计数装置。
自20世纪50年代以来,根据被称为库尔特原理的方法,通过阻抗测量来进行血液学***中不同血细胞的计数和体积测定。该方法包括使悬浮在导电液体中的细胞通过极化的微开口,并检测由于颗粒在开口中通过所引起的电阻变化(或阻抗变化)。如此产生的不同脉冲的检测使得对元素进行计数成为可能。
一些作者已经在文献中对分析发展进行了描述,包括Grover等人的《悬浮液中的粒子的电学尺寸:I.理论》(Biophysical Journal,9:1398-1414,1969)和Hurley的《使用粒度仪测量颗粒尺寸》(Biophysical Journal,10:74-79,1970),介绍了电干扰的幅度如何能在特定情况下根据以下公式检索细胞体积:U=(r.fs.i)V/S^2,其中U是电极端子处的电压变化,V是颗粒的体积,S是开口截面,r是介质的导电率,i是恒定的外加电流,fs是电池的形状因子,其取决于电池的方向和形状。
该公式使得对在均匀电场下进行分析的细胞构建体积分布成为可能,这些细胞的细胞尺寸比开口小得多,并且具有恒定的形状因子。例如,在红细胞(RBC)的情况下,平均红细胞体积(MCV)和分布指数(DI)是基于脉冲高度分布定义的,代表重要的血液学参数。基于该公式,还可以将体积V乘以涉及形状因子fs的系数来检索实际体积。
这些计算基于这样的假设:形状因子fs是恒定的,并且电场是均匀的。然而,在传统设备中,通常不会观察到这些假设。事实上,一方面,电场是不均匀的(靠近边缘处更强),另一方面,当细胞靠近壁时,流体动力学效应很大(特别是由于剪切应力),且其可以旋转或采用复杂的形状。在这些情况下,形状因子相对于中心的细胞通道发生变化,如果想要得到正确的实际体积,则必须对其进行校正。
在当前设备中,形状因子没有根据细胞轨迹进行校正,并且靠近壁的细胞通道的相关阻抗信号具有脉冲高度,导致由于静电和/或流体动力学伪影而高估细胞体积。
为此,获得的体积分布通常是不对称的,右侧有较长的尾部(称为“右偏”分布),且因此细胞(MCV和DI)的体积参数的测量结果失真。
已经提出了几种解决方案来解决这些问题:
-使红细胞球形化可以消除对形状因子的影响,但涉及开发特定试剂来改变渗透压,
-扩大开口可以使电场均匀化,但会产生大量的阻抗损失和更高的同时通过风险(当两个细胞同时通过开口时,导致其无法区分),
-对脉冲进行排序以去除与靠近边缘的细胞轨迹相对应的那些脉冲,但这些基于脉冲宽度的方法是无效的,即使考虑到脉冲高度(尤其是当细胞大小变化时),并且这些方法无法允许识别细胞旋转信息。
由于这些解决方案都不能令人满意,因此开发了流体动力学聚焦技术或水动力聚焦技术。该解决方案包括待分析细胞流的流体动力学护套,这可以将其居中在开口中并限制与边缘通道相关的影响。尽管如此,该技术实施起来非常复杂并且特别昂贵。
本发明改善了这种情况。
为此,本发明涉及一种具有细胞阻抗信号处理功能的医学分析设备,包括存储器,其被设置为接收脉冲数据集,每个脉冲数据集包括每次与时间标记相关联的阻抗值数据,这些数据共同代表当细胞通过极化开口时测得的细胞阻抗值的曲线;计算器,该计算器被设置为通过确定旋转值来处理脉冲数据集,该旋转值指示细胞是否在其通过极化开口期间经历了旋转,通过该细胞已经获得了脉冲数据集;以及分类器,该分类器被设置为向计算器提供给定的脉冲数据集,并使用产生的旋转值将给定的脉冲数据集分类至旋转脉冲数据集组或无旋转脉冲数据集组中。
该设备是有利的,因为通过考虑无旋转脉冲数据集组,可以获得的结果与可以在水动力聚焦***上获得的结果类似,但成本和使用复杂性显着降低。
替代地,根据本发明的设备可以具有以下特征中的一个或多个:
-计算器被设置为通过以下方式处理脉冲数据集:
*确定脉冲数据集的最大阻抗值,
*通过将最大阻抗值乘以在范围[0.7;0.95]内选定的上系数,通过在脉冲数据集中确定脉冲数据集中的相关阻抗值等于上阻抗值的时间标记,以及通过计算与这些时间标记之间的最大持续时间相对应的上持续时间,而计算上阻抗值,
*通过将最大阻抗值乘以在范围[0.1;0.6]内选定的下系数,通过在脉冲数据集中确定脉冲数据集中的相关阻抗值等于下阻抗值的时间标记,以及通过计算与这些时间标记之间的最大持续时间相对应的下持续时间,而计算下阻抗值,
*返回由上持续时间和下持续时间计算所得比率确定的旋转值,
-上系数在范围[0.8;0.9]内选定,
-下系数在范围[0.3;0.6]内选定,
-上系数等于0.875,下系数等于0.5,
-计算器返回旋转值,该旋转值等于上持续时间除以下持续时间,并且其中分类器被设置将旋转值严格小于0.45的脉冲数据集分类至旋转脉冲数据集组,将旋转值大于0.45的脉冲数据集分类至无旋转脉冲数据集组,
-计算器是神经网络,一方面包括转换器,该转换器被设置为处理脉冲数据集以使其适应神经网络的处理,被设置为使时间标记和阻抗值无量纲并且将无量纲数据重新采样为用于神经网络的选定数量的阻抗值,并且,另一方面包括多层感知器,对于该多层感知器包括输入层、至少一个隐藏层以及输出层来确定旋转值,输入层包括来自转换器所执行的重新采样的每个值的输入。
-输入层还包括接收由转换器处理的脉冲数据集的宽度的输入,
-多层感知器包括包含20个神经元的隐藏层,并且,这些神经元的激活函数是S型(sigmoid)函数,
-多层感知器在误差梯度反向传播之后通过随机梯度下降进行训练,训练误差根据基于均方根误差的成本函数计算,并且对于关联的脉冲数据集具有的细胞定向大于对于所述脉冲数据集的阻抗值中的最大阻抗值0.3rad时所对应的输入,输出设置为0,否则设置为1。
本发明还涉及一种医学分析阻抗信号的处理方法,包括以下操作:a.接收脉冲数据集,每个脉冲数据集包括每次与时间标记相关联的阻抗值数据,这些数据共同表示当细胞通过极化开口时测得的细胞阻抗值曲线,b.通过确定旋转值来处理来自操作a的脉冲数据集,该旋转值指示细胞是否在其通过极化开口期间经历了旋转,通过细胞已经获得了所述脉冲数据集,c.根据在操作b中获得的旋转值将脉冲数据集分类至旋转脉冲数据集组或无旋转脉冲数据集组。
在各种替代实施例中,该方法可以具有以下特征中的一个或多个:
-操作b包含:
b1.确定脉冲数据集的最大阻抗值,
b2.通过将最大阻抗值乘以在范围[0.7;0.95]内选定的上系数,通过在脉冲数据集中确定脉冲数据集中的相关阻抗值等于上阻抗值的时间标记,以及通过计算与这些时间标记之间的最大持续时间相对应的上持续时间,而计算上阻抗值,b3.通过将最大阻抗值乘以在范围[0.1;0.6]内选定的下系数,通过在脉冲数据集中确定脉冲数据集中的相关阻抗值等于下阻抗值的时间标记,以及通过计算与这些时间标记之间的最大持续时间相对应的下持续时间,而计算下阻抗值,以及
b4.返回由上持续时间和下持续时间计算所得比率确定的旋转值,
-上系数在范围[0.8;0.9]内选定,
-下系数在范围[0.3;0.6]内选定,
-上系数等于0.875,下系数等于0.5,
-操作b4返回的旋转值等于上持续时间除以下持续时间的值,以及操作c将旋转值严格小于0.45的脉冲数据集分类至旋转脉冲数据集组,将旋转值大于0.45的脉冲数据集分类至无旋转脉冲数据集组,
-操作由神经网络执行,该神经网络一方面包括转换器,该转换器被设置为处理脉冲数据集以使其适应神经网络的处理,被设置为使时间标记和阻抗值无量纲并且将无量纲数据重新采样为用于神经网络的选定数量的阻抗值,另一方面包括多层感知器,对于该多层感知器包括输入层、至少一个隐藏层和输出层来确定旋转值,输入层包括来自转换器所执行的重新采样的每个值的输入。
-输入层还包括接收由转换器处理的脉冲数据集的宽度的输入,
-多层感知器包括包含20个神经元的隐藏层,并且,这些神经元的激活函数是S型函数,
-多层感知器在误差梯度反向传播之后通过随机梯度下降进行训练,训练误差根据基于均方根误差的成本函数计算,并且对于关联的脉冲数据集具有的细胞定向大于对于所述脉冲数据集的阻抗值中的最大阻抗值的0.3rad时所对应的输入,输出设置为0,否则设置为1。
基于通过说明而非限制方式给出的示例,基于附图,通过阅读以下描述,本发明的进一步特征和优点将更清楚地显现,其中:
-[图1]表示本发明范围内的测量开口的主要视图,以及细胞可以在其中采取的轨迹,
-[图2]表示图1轨迹的脉冲测量,
-[图3]表示根据本发明的设备的第一个实施例的图示,
-[图4]表示由图3中的设备对人类血样本执行的示例分类,及其与实际对应脉冲分布的比较,
-[图5]表示根据本发明的设备的第二个实施例的图示,以及
-[图6]表示通过第二个实施例的旋转值计算的真实血样结果的柱状图。
下文中的附图和描述基本上包含具有确定性质的要素。因此,其不仅可以用于帮助更好地理解本发明,而且在适用的情况下还有助于其定义。
图1表示本发明范围内的测量开口的主要视图,以及细胞在其中可以采取的轨迹。开口具有用虚线表示的壁,x坐标和y坐标以μm表示。
图2表示针对图1的轨迹测得的阻抗脉冲。x坐标以μs表示,而y坐标以Ohm表示。可以看出,细胞的入射轨迹越靠近开口的壁的其中一个,测量就越混乱,导致引言中所述的错误。
申请人进行了高级模拟工作,使其能够发现以下事实:体积的过高的估计与微开口中细胞的旋转运动直接相关。换句话说,与基于高度和宽度分析的传统过滤过程相比,使用阻抗信号表征旋转并基于此旋转实施的过滤方法提供了对细胞体积参数的更可靠的测量,并且,得到的结果可以与通过水动力聚焦***获得的结果相比。
更具体地,申请人在其模拟中发现,采用靠近壁的轨迹并且作为响应具有复合脉冲的细胞,在穿过开口时***地经历旋转。因此,为了可靠而准确地计算MCV和DI,去除被识别为细胞已经经历旋转的脉冲是有用的。
现有技术的工作均未精确地建立脉冲的不可利用性与细胞旋转的存在之间的相关性,并且这些工作均未公开用来识别细胞是否在开口中已经经历旋转的方法(基于其阻抗脉冲)。
申请人识别出了两种方法,用于可靠地确定和/或量化细胞是否在开口中经历旋转。
第一种方法基于信号的处理,其旨在确定所测得的阻抗脉冲中存在峰值。实际上,从开口中心通过并且其阻抗脉冲可用于计算MCV和可靠DI的细胞具有钟形阻抗脉冲,如图1中的轨迹1和2。其他轨迹引起的脉冲具有峰值,该峰值对应于开口中的细胞最接近90°的旋转。将参考第一个实施例对该方法进行评论。
第二种方法基于神经网络,该神经网络被训练,用以识别与图1的轨迹1和2相关联的阻抗脉冲。将参考第个二实施例对该方法进行评论。
图3表示根据本发明的设备的第一个实施例的图示。在该实施例中,该设备包括存储器4、计算器6和分类器8。
存储器4可以是能够接收数字化数据的任何类型的数据存储:硬盘、闪存硬盘(SSD)、任何形式的闪存、随机存取存储器、磁盘、本地或云端分布的存储等。设备计算出的数据可以存储在与存储器4类似的任何类型的存储器上,或存储在其之上。在设备执行其任务或保存后,可以删除这些数据。
在这里描述的示例中,存储器4接收脉冲数据集。脉冲数据集代表可用于表示图2中所示阻抗脉冲的一组数据。因此,它是一组成对物(测得的阻抗值;时间标记),它们与如图2中的曲线一同限定。在实践中,脉冲数据集通常是孔口的检测输出的采样。脉冲数据集也可以是连续曲线,在这种情况下,计算器6将相应地进行调整。
计算器6和分类器8是直接或间接访问存储器4的元件。它们可以以在一个或多个处理器上执行的合适计算代码的形式来体现。术语处理器是指适用于下述计算的任何处理器。这样的处理器可以以任何已知方式以及下列形式体现:个人计算器微处理器、FPGA或SoC(“片上***”)类型的专用芯片、网格计算或云计算资源、微控制器或者能够提供下文描述的实施例所需计算能力的任何其他形式。这些元件中的一个或多个也可以以专用电子电路的形式体现,例如ASIC。还可以设想处理器和电子电路的组合。
值得注意的是,根据本发明的设备可以有利地集成在血液学分析设备中,或者是分开的。因此,其可以完全集成在血液学分析设备中,或者,例如作为网络服务,血液学分析设备在必要或期望时与该网络服务连接。
如上所述,存储器4接收当细胞通过开口时测得的脉冲数据集。然后,分类器8被设置为呼叫计算器6以确定刚刚测得的脉冲数据集或存储在存储器4中的另一个脉冲数据集的旋转值。基于由计算器6计算的旋转值,分类器8将脉冲数据集分类至旋转脉冲数据集组或无旋转脉冲数据集组。一旦建立了这些脉冲数据集组,血液学设备能够使用无旋转脉冲数据集组来可靠地确定MCV和DI。请注意,MCV是通过将脉冲保持在高于最大脉冲值10%并通过对得到的体积求平均值而获得的,DI是通过将用于计算MCV的脉冲的标准偏差乘以100再除以MCV而获得的。替代地,10%的值可以降低到2%。
计算器6被设置为处理脉冲数据集以计算指示细胞是否已经经历旋转的值。为此,申请人根据轨迹观察到不同的脉冲形状并推断出一个值,该值可以可靠地分离两个细胞群体。为此,其建立了一个称为WR的值。WR值是两个脉冲宽度之间的比率。在特定时间获取的这些宽度可以指示脉冲中存在峰值或者(另一方面)钟形脉冲。
为此,计算器6首先确定脉冲数据集中的最大脉冲高度。最大高度用于计算上阻抗值和下阻抗值。
通过将最大阻抗值(其对应于最大高度)乘以上系数来获得上阻抗值。该上系数用于确定两个时间,通常,这使得准确地估计脉冲阻抗峰值的宽度成为可能。为此,上系数在范围[0.7;0.95]中选定,优选地为[0.8;0.9],以确保至少获得两个时间,并且这些时间确实对应于脉冲峰值(以限制存在多个峰值的场景)。
因此,上阻抗值小于最大阻抗值并且大于其70%。申请人的工作证明了该范围使得捕获产生的脉冲的峰值成为可能。申请人发现,0.875的值特别有利并且给出了最好的结果:以最准确的方式估计脉冲峰值成为可能。实际上,最大高度附近的峰值通常相对较窄。
通过将最大阻抗值乘以下系数来获得下阻抗值。该下系数用于确定两个时间,通常,这使得准确地估计阻抗脉冲宽度成为可能。为此,下系数在范围[0.1;0.6]中选定,优选地为[0.3;0.6],其确保获得两个时间,并且这些时间对应于一般的脉冲宽度。
因此,下阻抗值在最大阻抗值的30%到60%之间。申请人的工作证明了该范围可以通过去除噪声来准确捕获产生的脉冲的宽度。申请人发现,0.5的值特别有利并且给出了最好的结果:低于最大高度的50%的脉冲的斜率非常陡峭,并且该值可以防止因受噪声影响的任何测量风险。
一旦确定了上阻抗值和下阻抗值,计算器6便确定脉冲数据集的两个时间之间的持续时间:彼此处于最大时间距离,并且分别具有上阻抗值或下阻抗值。与上阻抗值相关的持续时间称为上持续时间,与下阻抗值相关的持续时间称为下持续时间。直觉上,似乎上持续时间基本上对应于脉冲数据集阻抗峰值的宽度,而下持续时间基本上对应于脉冲宽度。
最后,计算器6通过计算上持续时间和下持续时间之间的比率来确定旋转值。再次,直觉上,低旋转值表示存在峰值(因此存在旋转),而高旋转值表示钟形脉冲。很明显,该比率可以颠倒(结论亦然)。类似地,可以基于所选功率下的这种高比率或该比率的指数来计算旋转值。
申请人的模拟表明,旋转值为0.45时具有很强的辨别力,并且可以将具有与其他细胞在(对于0到1之间的WR值,图2的比例在0到100之间)图2的轨迹1和2相似轨迹的细胞分开。因此,分类器8利用该阈值将脉冲数据集放至旋转脉冲数据集组或无旋转脉冲数据集组中。
显然,本领域技术人员将知道如何调整上系数、下系数、用于计算旋转值的幂的使用以及用于分类器的阈值。
还可以执行若干校准测试以优化上系数、下系数和阈值的选择。事实上,已知无旋转脉冲数据集组应该具有高斯分布。在计算成本相对较小的情况下,可以设想计算器6使用几对上系数和下系数进行操作,并且保留了能够在输出端获得“最高斯”(la plusgaussienne)分布的那对。
图4表示根据本发明的设备所对如下内容进行的分类示例:使用来自健康受试者的血液样本进行的实验性的脉冲采集。与通过根据本发明的设备对其的处理分开,对上述脉冲进行了手动研究以对其进行手动分类。在该图中,方点表示钟形脉冲,圆点表示具有峰值的脉冲。很明显,该设备以非常高的精度区分这两个脉冲群体。
现在将参考图5对第二个实施例进行描述。在此实施例中,计算器6不再以信号处理为中心,而是一个神经网络。实际上,可以将脉冲与图像进行比较,并且通过适当的训练,申请人认为神经网络对于将脉冲分类至旋转脉冲数据集组和无旋转脉冲数据集组中可能特别有效。
为此,计算器6包括转换器14和多层感知器16。实际上,脉冲具有非常不同的宽度和幅度,因此有必要通过操作对其进行标准化以使其无量纲,从而使得多层感知器16的训练及其检测质量是可靠的。因此,转换器14被设置为接收脉冲数据集并执行使幅度和时间上无量纲的操作。
对于幅度上的无量纲操作,脉冲数据集用数据集的最大幅度值进行标准化。这会产生具有0到1的值的脉冲数据集。
对于时间上的无量纲操作,本申请依赖于脉冲的形状。实际上,如上所述,边缘附近的脉冲的斜率非常显著。因此,考虑到最大阻抗值的50%处的脉冲宽度,可以获得对宽度的正确估计。因此,转换器14基于此宽度对脉冲数据集进行缩放。为了确保得到的脉冲数据集包含用于多层感知器16的足够的数据点,如果需要,可以对时间上无量纲的脉冲数据集进行重新采样。
使幅度和时间上无量纲的操作可以顺序地(先幅度后时间,或先时间后幅度)或同时进行。
一旦为多层感知器16格式化了脉冲数据集,该脉冲数据集就由多层感知器16进行处理,在此处描述的示例中,多层感知器16返回0到1之间的旋转值。在此处描述的示例中,多层感知器16包括输入层、隐藏层和输出层。输入层包括输入数,该输入数等于由转换器14格式化的脉冲数据集的样本数加上接收脉冲宽度的输入。申请人证实,与脉冲宽度有关的输入不是必不可少的(因此其是可选的),然而,可以凭借其获得最佳结果。此处描述的示例中,样本数等于20。
关于多层感知器16,申请人研究了各种训练和操作策略,并且,凭借包括20个神经元的隐藏层以及激活函数(对于每个神经元是相同的)即S型函数,在训练时间和计算成本方面获得了最有利的结果。对多层感知器16的输出值的研究表明,输出层上阈值为0.5时可以进行有效的隔离并获得群体的高斯分布,这证实了所获得结果的质量。
这要归功于使用120个脉冲对多层感知器16进行训练,这些脉冲是通过改变细胞的轨迹和参数(球度、内部粘度、膜的剪切模量等)而产生的。然后,脉冲被转换器14格式化,并与等于0或1的输出值相关联,该输出值取决于在最大脉冲幅度下细胞的定向是大于还是小于0.3rad(能够保持与图2中的轨迹1和2相对应的细胞的阈值)。然后,通过误差梯度反向传播后的随机梯度下降进行训练。ADAM算法(在Diederik等人的文章:国际表征学习大会《随机优化的方法》,第1-13页,2015年)被用于更新权重,并使用基于均方根误差的成本函数对训练误差进行评估。
为了验证该第二个实施例,基于未采用流体动力学聚焦技术的***,针对以下内容对多层感知器16进行了测试:使用来自健康受试者的血液样本进行的实验性的脉冲采集。图6显示了神经网络对实验脉冲的预测值的分布。观察到两个高浓度区域([0;0.1]和[0.9;1])构成了一个介于0.1至0.9之间的中间低浓度区域。高浓度区域对应于这样的脉冲:模型完美地成功确定了旋转的存在。网络处理难度较大的中间区域可以用数字化训练集中不存在的脉冲特征来解释,例如同时通过或模拟参数范围之外的脉冲,也可以用误差和/或测量噪声来解释。尽管如此,在分离阈值为0.5的情况下,无旋转脉冲群体具有高斯分布,这验证了结果。
尽管申请人已经发现,上述多层感知器特别有效,但是模型的参数(隐藏层的数量、输入层中的输入数量、隐藏层中的神经元数量、激活函数、训练中的成本函数、模型的其他超参数)可以明显地变化而不偏离本发明的精神。还可以设想进一步的神经网络架构(CNN或其他)。
在上文中,已经相对于在测量参数可以变化的机器上的红细胞的特定应用(电极处的电压、开口尺寸、流速等)对范围和值进行了描述。进一步的应用可能需要对这些范围和值进行调整。
Claims (10)
1.一种具有细胞阻抗信号处理功能的医学分析设备,所述医学分析设备包括存储器(4),所述存储器被设置为接收脉冲数据集,每个脉冲数据集包括每次与时间标记相关联的阻抗值数据,这些数据共同代表当细胞通过极化开口时测得的细胞阻抗值的曲线;计算器(6),所述计算器被设置为通过确定旋转值来处理脉冲数据集,所述旋转值指示所述细胞是否在其通过所述极化开口期间经历了旋转,通过所述细胞已经获得了所述脉冲数据集;以及分类器(8),所述分类器被设置为向所述计算器(6)提供给定的脉冲数据集,并使用产生的旋转值将给定的脉冲数据集分类至旋转脉冲数据集组(10)或无旋转脉冲数据集组(12)中。
2.根据权利要求1所述的设备,其中,所述计算器(6)被设置为通过以下方式处理脉冲数据集:
-确定所述脉冲数据集的最大阻抗值,
-通过将所述最大阻抗值乘以在范围[0.7;0.95]内选定的上系数,通过在所述脉冲数据集中确定所述脉冲数据集中的相关阻抗值等于所述上阻抗值的所述时间标记,并且通过计算与这些时间标记之间的所述最大持续时间相对应的上持续时间,从而计算上阻抗值,
-通过将所述最大阻抗值乘以在范围[0.1;0.6]内选定的下系数,通过在所述脉冲数据集中确定所述脉冲数据集中的相关阻抗值等于所述下阻抗值的所述时间标记,并且通过计算与这些时间标记之间的所述最大持续时间相对应的下持续时间,从而计算下阻抗值,
-返回由所述上持续时间和所述下持续时间计算所得比率确定的旋转值。
3.根据权利要求2所述的设备,其中,所述上系数在范围[0.8;0.9]内选定。
4.根据权利要求2或3所述的设备,其中,所述下系数在范围[0.3;0.6]内选定。
5.根据权利要求2所述的设备,其中,所述上系数等于0.875,所述下系数等于0.5。
6.根据权利要求2至5中任一项所述的设备,其中,所述计算器(6)返回旋转值,所述旋转值等于所述上持续时间除以所述下持续时间,并且其中,所述分类器(8)被设置将所述旋转值严格小于0.45的脉冲数据集分类至所述旋转脉冲数据集组,并且将所述旋转值大于0.45的脉冲数据集分类至所述无旋转脉冲数据集组。
7.根据权利要求1所述的设备,其中,所述计算器(6)是神经网络,一方面包括转换器(14),所述转换器(14)被设置为处理脉冲数据集以使其适应神经网络的处理,被设置为使所述时间标记和阻抗值无量纲并且将所述无量纲数据重新采样为用于所述神经网络的选定数量的阻抗值,并且,另一方面包括所述多层感知器(16),对于所述多层感知器(16)包括输入层、至少一个隐藏层以及输出层来确定旋转值,输入层包括来自转换器(14)所执行的所述重新采样的每个值的输入。
8.根据权利要求7所述的设备,其中,所述输入层还包括接收由所述转换器(14)处理的所述脉冲数据集的所述宽度的输入。
9.根据权利要求7或8所述的设备,其中,所述多层感知器(16)包括包含20个神经元的隐藏层,并且,这些神经元的激活函数是S型函数。
10.根据权利要求7至9中任一项所述的设备,其中,所述多层感知器(16)在误差梯度反向传播之后通过随机梯度下降进行训练,所述训练误差根据基于所述均方根误差的成本函数计算,并且对于关联的脉冲数据集具有的细胞定向大于对于所述脉冲数据集的阻抗值中的所述最大阻抗值的0.3rad时所对应的输入,输出设置为0,否则设置为1。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1904410A FR3095518B1 (fr) | 2019-04-25 | 2019-04-25 | Dispositif d’analyses médicales à traitement de signaux d’impédance |
FR1904410 | 2019-04-25 | ||
PCT/EP2020/061564 WO2020216952A1 (fr) | 2019-04-25 | 2020-04-24 | Dispositif d'analyses médicales à traitement de signaux d'impédance |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113811881A true CN113811881A (zh) | 2021-12-17 |
Family
ID=68072584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080030889.1A Pending CN113811881A (zh) | 2019-04-25 | 2020-04-24 | 具有阻抗信号处理功能的医学分析设备 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220196538A1 (zh) |
EP (1) | EP3959503B1 (zh) |
JP (1) | JP7487229B2 (zh) |
CN (1) | CN113811881A (zh) |
BR (1) | BR112021019989A2 (zh) |
FR (1) | FR3095518B1 (zh) |
WO (1) | WO2020216952A1 (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0138591A2 (en) * | 1983-10-14 | 1985-04-24 | Ortho Diagnostic Systems Inc. | Screening method for red blood cell abnormality |
US6437551B1 (en) * | 1999-11-02 | 2002-08-20 | The Regents Of The University Of California | Microfabricated AC impedance sensor |
CN1446597A (zh) * | 2002-03-21 | 2003-10-08 | 傅春农 | 双向平衡不对称脉冲离子(电泳)导入仪 |
JP2007520708A (ja) * | 2004-02-02 | 2007-07-26 | ベックマン コールター,インコーポレイティド | 未成熟顆粒球の計測方法 |
US20130184605A1 (en) * | 2012-01-13 | 2013-07-18 | Tak-Shing Ching | System and data processing device for bioimpedance analysis |
WO2013164676A1 (en) * | 2012-05-04 | 2013-11-07 | Universita' Degli Studi Di Udine | Method to analyze the cluster formation process in a biological fluid and corresponding analysis apparatus |
WO2015123603A1 (en) * | 2014-02-14 | 2015-08-20 | Beth Israel Deaconess Medical Center, Inc. | Electrical impedance myography |
JP2017183027A (ja) * | 2016-03-30 | 2017-10-05 | トヨタ自動車株式会社 | 燃料電池の制御方法 |
US20190024114A1 (en) * | 2016-01-14 | 2019-01-24 | Anton Bauer | Method of producing a production cell line |
CN109272027A (zh) * | 2018-08-30 | 2019-01-25 | 昆明理工大学 | 一种基于人工神经网络集成的脉冲星候选体识别方法 |
CN109752307A (zh) * | 2017-11-03 | 2019-05-14 | 夏普生命科学(欧洲)有限公司 | 共平面微阻抗血细胞计数设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7457709B2 (en) * | 2005-12-20 | 2008-11-25 | Beckman Coulter, Inc. | Systems and methods for particle counting |
-
2019
- 2019-04-25 FR FR1904410A patent/FR3095518B1/fr active Active
-
2020
- 2020-04-24 BR BR112021019989A patent/BR112021019989A2/pt unknown
- 2020-04-24 WO PCT/EP2020/061564 patent/WO2020216952A1/fr unknown
- 2020-04-24 CN CN202080030889.1A patent/CN113811881A/zh active Pending
- 2020-04-24 JP JP2021563136A patent/JP7487229B2/ja active Active
- 2020-04-24 EP EP20725989.6A patent/EP3959503B1/fr active Active
- 2020-04-24 US US17/606,101 patent/US20220196538A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0138591A2 (en) * | 1983-10-14 | 1985-04-24 | Ortho Diagnostic Systems Inc. | Screening method for red blood cell abnormality |
US6437551B1 (en) * | 1999-11-02 | 2002-08-20 | The Regents Of The University Of California | Microfabricated AC impedance sensor |
CN1446597A (zh) * | 2002-03-21 | 2003-10-08 | 傅春农 | 双向平衡不对称脉冲离子(电泳)导入仪 |
JP2007520708A (ja) * | 2004-02-02 | 2007-07-26 | ベックマン コールター,インコーポレイティド | 未成熟顆粒球の計測方法 |
US20130184605A1 (en) * | 2012-01-13 | 2013-07-18 | Tak-Shing Ching | System and data processing device for bioimpedance analysis |
WO2013164676A1 (en) * | 2012-05-04 | 2013-11-07 | Universita' Degli Studi Di Udine | Method to analyze the cluster formation process in a biological fluid and corresponding analysis apparatus |
WO2015123603A1 (en) * | 2014-02-14 | 2015-08-20 | Beth Israel Deaconess Medical Center, Inc. | Electrical impedance myography |
US20190024114A1 (en) * | 2016-01-14 | 2019-01-24 | Anton Bauer | Method of producing a production cell line |
JP2017183027A (ja) * | 2016-03-30 | 2017-10-05 | トヨタ自動車株式会社 | 燃料電池の制御方法 |
CN109752307A (zh) * | 2017-11-03 | 2019-05-14 | 夏普生命科学(欧洲)有限公司 | 共平面微阻抗血细胞计数设备 |
CN109272027A (zh) * | 2018-08-30 | 2019-01-25 | 昆明理工大学 | 一种基于人工神经网络集成的脉冲星候选体识别方法 |
Non-Patent Citations (2)
Title |
---|
BRYCE CHIANG等: "Design and performance of a multichannel vestibular prosthesis that restores semicircular canal sensation in rhesus monkey", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》, 18 August 2011 (2011-08-18) * |
唐文来: "微流控单细胞电阻检测***的开发与实验研究", 《中国博士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》, 15 December 2018 (2018-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
EP3959503B1 (fr) | 2023-08-02 |
JP2022530087A (ja) | 2022-06-27 |
WO2020216952A1 (fr) | 2020-10-29 |
JP7487229B2 (ja) | 2024-05-20 |
BR112021019989A2 (pt) | 2022-02-08 |
FR3095518B1 (fr) | 2021-05-07 |
FR3095518A1 (fr) | 2020-10-30 |
US20220196538A1 (en) | 2022-06-23 |
EP3959503A1 (fr) | 2022-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3356792B1 (en) | Microfluidic device for selection of semen | |
JP5005704B2 (ja) | 粒子計数のためのシステムおよび方法 | |
Fernandez et al. | Lateral-line-inspired sensor arrays for navigation and object identification | |
WO2014122873A1 (ja) | 微小粒子分析装置及び微小粒子分析システム | |
US20170322137A1 (en) | Method and system for characterizing particles using a flow cytometer | |
JPH09170979A (ja) | 尿中有形成分分析装置 | |
WO2013156081A1 (en) | Microfluidic impedance flow cytometer | |
CN107389536B (zh) | 基于密度-距离中心算法的流式细胞粒子分类计数方法 | |
US20230066976A1 (en) | Systematic characterization of objects in a biological sample | |
CN104515725A (zh) | 一种识别异常粒子的方法和***及其细胞分析仪 | |
CN114925734A (zh) | 一种基于神经拟态计算的在线神经元分类方法 | |
Li et al. | Emerging Data Processing Methods for Single‐Entity Electrochemistry | |
CN113811881A (zh) | 具有阻抗信号处理功能的医学分析设备 | |
EP2252872B1 (en) | High resolution classification | |
US20230066255A1 (en) | Medical analysis device with impedance signal processing | |
EP3244191A1 (en) | Method and system for characterizing particles using a flow cytometer | |
Chen et al. | A polylobar nucleus identifying and extracting method for leukocyte counting | |
EP4080191A1 (en) | Method for detection and classification of non-periodic signals and the respective system that implements it | |
WO2008077245A1 (en) | Novel methods for cellular image analysis and simulation | |
Akanksha et al. | Efficient Tool Condition Monitoring Using SOM-Hebb Classifier on FPGA | |
Zhao et al. | Estimating the Generalization in Deep Neural Networks via Sparsity | |
JP6678177B2 (ja) | 二項分類に対するエキスパート判断のキャラクタライゼーションおよび再現 | |
WO2024083853A1 (en) | Detection of abnormality in specimen image | |
Lundell et al. | Deep learning for particle tracking | |
JP2023085018A (ja) | 微粒子の検出、識別、および定量のための方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |