[发明专利]用于分析物分析的基于人工神经网络深度学习的方法、装置、学习策略及系统

说明书

本发明涉及一种利用人工神经网络深度学习技术分析测量对象的系统，所述系统包括：生物特征信息测量装置；以及基于分析生物特征信息的人工智能的深度学习服务器，所述深度学习服务器具备：信号获取单元，用于获取基于电化学反应的信号，将通过所述生物特征信息测量装置采集的血液注入具有一对电极的传感器会引起所述电化学反应；信号处理单元，用于将从所述信号获取单元获取的信号预处理为用于人工智能深度学习的信号；生物特征信息测量算法生成单元，用于利用深度学习人工神经网络技术自动提取利用通过所述信号处理单元处理的信号进行优化的生物特征信息测量算法；以及优化算法结果提供单元，用于向所述生物特征信息测量装置提供优化的生物特征信息测量算法。

技术领域

本发明涉及一种利用人工神经网络深度学习技术分析测量对象的方法、装置、学习方法及系统。更具体地，本发明涉及一种利用人工神经网络深度学习技术分析测量对象的方法、装置、学习方法及系统，应用人工神经网络深度学习技术从对传感器所获得的信号进行转换图像化的数据识别出相当于测量对象的区域，并从该区域提取确定测量对象种类或浓度所需的各种要素，以预测最适合的测量对象的种类和浓度。

背景技术

通常，体外诊断产品最重要的标准之一是测量结果的准确度。

对于这样的产品，当存在测量对象时，检测传感器输出信号，分析仪识别出该信号并应用预定的校准曲线或算法发送定量或定性结果。测量结果的准确度可能受到各种变量(例如干扰物、外部环境和样品特性)引起的干扰作用的影响。

比如用于测量血糖的电化学传感器，由于诸如电极表面上氧化的测量对象之外的物质的存在或者粘度等血液性质的变化导致的血糖向电极的扩散系数(DiffusionCoefficient)或者电极表面上的反应速率(Reaction Rate)的变化等，输出的电信号可能会受到影响。为了尽量减少或消除这样的影响，代替向传感器施加简单的DC电压的方式，采用了施加具有各种类型图案波形的输入电压并利用适当的统计数学技术处理从电极反应获得的波形的方法。

自2010年代以来，进军血糖测量市场的公司有所增加，而且每个国家扩大了国民保险，因此降低价格的压力也有所增加。为了提高用户的安全性，主要的标准管理组织和认证机构正在加强对准确度和利用人工神经网络深度学习技术分析测量对象的方法、装置及系统的标准。例如，由于2008年开始的竞争性招标制度(competitive bidding)，美国联邦医疗保险支付的保险金已减少到不到一半，而2016年发布的FDA新指南对准确度的要求和各种干扰物质的干扰影响的限制比现有血糖仪的规格要严格得多(https://www.fda.gov/downloads/medicaldevices/deviceregulationandguidance/guidancedocuments/ucm380325.pdf)。

为了在竞争如此激烈以及对测量系统的性能的要求加强的血糖仪市场中生存，需要开发成本低性能高的系统，这种矛盾的开发目标只有通过出色的技术进步才有可能实现。

为了降低血糖测量系统的生产成本，需要性能有限的硬件(例如STM8L系列MCU)和容易生产的结构简单的传感试条。另一方面，为了改善血糖测量系统的性能，采用深度学习之类的需要高水平运算的方法时，需要配备通过蓝牙等发送和运算数据的系统或者实现通信以在云系统中另行运算的系统，以便使用可实现高性能运算的芯片或智能手机的功能，这与当前的市场趋势相悖。即使在有限的硬件实现了深度学习算法之类的需要大量运算的算法，仍然存在测量血糖的时间很长的问题。为了在当前的血糖仪市场上具有竞争力，必须能够在输入分析物后约8秒内输出估算的血糖浓度。此外，要想将血糖试条(Strip)的生产成本降至最低，继续使用在现有生产工艺中生产的仅具有一对电极的试条较为有利。另一方面，仅通过从这种有限结构的电极获得的信息和现有信号处理方法很难准确地估算出血液中的葡萄糖。

发明内容

技术问题