[发明专利]利用人工智能深度学习的生物测量对象浓度测量方法

权利要求书

1.一种利用人工智能深度学习的生物测量对象浓度测量方法，其包括以下步骤：

将液态生物样品注入样品池，该样品池固定有对所述待分析物质的氧化还原反应起到催化作用的氧化还原酶和电子传递介质，并且具有工作电极和辅助电极；

将一定直流电压施加到所述工作电极，使所述待分析物质能够开始进行氧化还原反应及电子传递反应，以在至少一个点的特性点获得第一感应电流；

施加所述一定直流电压后，再施加Λ形阶梯化梯形扰动电压，以在至少两个点获得第二感应电流；

由所述第一感应电流或所述第二感应电流计算出预定特征；以及

通过人工智能学习用由至少一个特征函数构成的校准方程校正所述待分析物质的浓度，以使所述生物样品内至少一个干扰物质的影响变得最小，

所述校正待分析物质的浓度的步骤包括通过人工智能学习重新获得所述第一感应电流和所述第二感应电流以计算出新的特征，

所述人工智能学习包括以下步骤：

制作各种实验条件的血液样品，通过重复测量来获得用于创建算法的学习数据；

所述获得的学习数据为一维时间序列数据，其表示根据时间推移的测量对象的电化学反应；

通过所述学习数据的正规化或标准化将数据转换成具有一定大小或分布；

对所述转换的数据通过多路数据组合或域转换进行信号处理；

利用人工神经网络深度学习技术学习能够输出基于输入的适当结果的算法。

2.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法，其中，

通过所述人工智能学习从所述第一或第二感应电流选择对所述待分析物质和干扰物质的线性依赖度不同的特性点，并用所述特性点建立特征，进而导出由所述特征构成的校准方程，用所述特性点建立所述特征的方法使用特定阶梯化梯形波的峰值及谷值电压附近的第二感应电流、所述阶梯化梯形扰动电压下由各阶梯的感应电流构成的曲线的曲率、所述阶梯化梯形扰动电压的峰值电流与谷值电流之差、上坡和下坡中间阶梯化梯形扰动电压下的感应电流、各阶梯化梯形扰动电压周期的起点及终点的感应电流及阶梯化梯形扰动电压下获得的感应电流的平均值之一，或者将由此获得的电流值用四则运算、指数、对数、三角函数等数学函数来表示进而能够获得的值。

3.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法，其中，

所述第二感应电流是在获得第一感应电流后0.1至1秒内获得的。

4.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法，其中，

所述人工智能学习是校正所述生物样品内待分析物质的浓度异常、所述生物样品内待分析物质的污染、含有所述生物样品内待分析物质的试条的不当使用、周围温度、电极材料、电极排列方式、通道形状、所使用试剂的特性、生物样品内待分析物质的浓度测量装置的异常中至少两个干扰物。

5.根据权利要求4所述的利用人工智能深度学习的生物测量对象浓度测量方法，其中，

在所述周围温度变化大的情况下，也不需要用于温度平衡的等待时间，通过人工智能深度学习来校正所述生物样品内待分析物质的浓度测量。

6.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法，其中，

所述校准方程为以下方程之一：

其中，i为能够由第一感应电流和第二感应电流获得的一个以上的电流值，T为独立测量的温度值。

7.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法，其包括调节存在于所述人工神经网络中各层的神经元之间的权重的步骤，并且包括所述人工神经网络根据结构利用卷积神经网络、深度信念网络及循环神经网络中的任何一个自动提取特征的步骤。

8.根据权利要求1所述的利用人工智能深度学习的生物测量对象浓度测量方法，其中，

所述特征自动提取是利用受限玻尔兹曼机，并且包括使得根据输入数据分布和概率确定的重建数据的分布类似的优化步骤。