[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

说明书

如果现有的测量技术是相关领域专家长时间研发应用直接提取特征的公式或方法以有效提取特征(Features)的技术，则本发明的目的是提供一种利用人工智能深度学习的测量对象浓度测量方法，将测量时间内从携带信息(Labels)的样品获得的输入信号进行图像化建立数据集，通过利用人工神经网络技术的深度学习找出人们无法预知的有用的特征等，并且应用如此通过学习获得的算法，可以估算出结果值。

技术领域

本发明涉及一种利用人工智能深度学习的测量对象浓度测量方法。更具体地，本发明涉及一种利用人工智能深度学习的测量对象浓度测量方法，通过应用基于深度学习的人工神经网络技术转换从传感器获得的信号，以识别对应于测量对象的区域，并提取在该区域确定测量对象种类或浓度所需的每个因素，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，采用了通过向传感器提供各种输入信号来估算测量对象的干扰程度予以反映的方法。

如韩国第1666978号授权专利中所公开，生物样品内待分析物质的浓度测量方法通过如下步骤测量生物样品内待分析物质的浓度：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(feature)；用由至少一个特征(feature)函数构成的校准方程计算出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。

也就是说，对由预定信号导出的参数值利用数学方法如多元线性回归(MultipleLinear Regression)来估算干扰程度，并确定测量值。

这种方法的缺陷在于，当无法区分或检测出既有规则如预先导出的特征(extracted features)或输入命令(input command)时，将会输出预料不到的不准确的结果。

另外，尽管大多数特征重点放在排除红细胞比容的影响，但是除了红细胞比容之外，至少两个其他干扰物质复合而对生物测量物质的浓度产生影响时，特征和利用这些特征的校准方程需要得到校正，否则会造成严重的问题。

此外，除了红细胞比容之外，至少两个其他干扰物质复合而对生物测量物质的浓度产生影响时，也存在无法显示异常而滥用生物测量试条(strip)的问题。

另外，外部环境因素如温度特征值是通过贴设在计量器上的温度传感器获得的值，当周围环境急剧变化时，难以立刻测量出准确的温度值，在很多情况下需要用于达到温度平衡的时间。

因此，大多数计量器需要等待用于达到温度平衡的一段时间，以便用户在环境急剧变化(例如，寒冷的冬天从外面进入温暖的房间)时使用计量器。

发明内容