本發(fā)明涉及活體分析領(lǐng)域，尤其是一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法。

背景技術(shù)：

1、目前在活體分析領(lǐng)域發(fā)展腦神經(jīng)化學(xué)分子原位檢測的方法主要通過電化學(xué)以及熒光分析方法。其中，電化學(xué)方法因其無需基因轉(zhuǎn)染且具有較高的靈敏度而備受關(guān)注。然而腦神經(jīng)系統(tǒng)中復(fù)雜的化學(xué)環(huán)境為分析方法的設(shè)計(jì)提出了巨大挑戰(zhàn)，為了能夠準(zhǔn)確、全面地描述腦神經(jīng)化學(xué)變化過程，仍然需要發(fā)展具有更高選擇性以及更高通量的分析檢測手段。

2、活體原位電化學(xué)分析方法面臨的一大挑戰(zhàn)是活體環(huán)境下不同神經(jīng)化學(xué)物質(zhì)電化學(xué)信號(hào)相互干擾的問題。以快速掃描循環(huán)伏安法為例，盡管該方法已廣泛用于活體原位多巴胺釋放過程檢測，但在復(fù)雜生理病理過程中，當(dāng)存在抗壞血酸、離子等其它神經(jīng)化學(xué)分子濃度變化時(shí)，則會(huì)產(chǎn)生明顯的干擾信號(hào)，導(dǎo)致伏安峰形畸變，測量結(jié)果出現(xiàn)偏差。

3、對于復(fù)雜腦神經(jīng)過程的活體原位電化學(xué)伏安數(shù)據(jù)，傳統(tǒng)的電極材料設(shè)計(jì)、測量條件優(yōu)化等手段已不能滿足其分析需要?？紤]到各干擾因素具有獨(dú)特的伏安特征，因此有可能利用基于生成式深度學(xué)習(xí)模型的智能算法實(shí)現(xiàn)原始伏安峰形中干擾信號(hào)的濾除以及多中不同神經(jīng)化學(xué)分子的同時(shí)定量檢測，從而提升活體原位分析方法測量結(jié)果的準(zhǔn)確率并實(shí)現(xiàn)多物質(zhì)高通量傳感。因此，發(fā)展基于生成式深度學(xué)習(xí)模型的活體伏安分析方法十分重要。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法解決了現(xiàn)有技術(shù)檢測過程存在信號(hào)交疊干擾，檢測精度不高，檢測對象單一的問題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

3、一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，包括以下步驟：

4、s1、使用快速掃描循環(huán)伏安法采集原始測量數(shù)據(jù)；

5、s2、對原始測量數(shù)據(jù)進(jìn)行預(yù)處理，得到待分析活體原位測量數(shù)據(jù)；

6、s3、使用訓(xùn)練后的生成式深度學(xué)習(xí)模型對待分析活體原位測量數(shù)據(jù)進(jìn)行干擾信號(hào)濾除，得到濾除干擾信號(hào)后的活體原位測量數(shù)據(jù)；

7、s4、使用訓(xùn)練后的深度學(xué)習(xí)回歸模型對濾除干擾信號(hào)后的活體原位測量數(shù)據(jù)進(jìn)行定量解析，得到不同待測神經(jīng)化學(xué)分子的濃度值。

8、本發(fā)明的有益效果為：

9、1.所構(gòu)建的生成式深度學(xué)習(xí)模型用于去除待測數(shù)據(jù)中的干擾信號(hào)，有助于解決離子信號(hào)干擾以及長時(shí)程記錄過程中背景電流漂移、電位偏移以及不同神經(jīng)化學(xué)物質(zhì)電化學(xué)伏安信號(hào)交疊干擾的問題，具有很強(qiáng)的適應(yīng)性，促進(jìn)了電化學(xué)方法在復(fù)雜腦神經(jīng)化學(xué)的廣泛應(yīng)用。

10、2.在模型訓(xùn)練過程中分別使用半監(jiān)督訓(xùn)練和無監(jiān)督訓(xùn)練，不僅提高了模型的性能和適應(yīng)性，在一定程度上降低了數(shù)據(jù)標(biāo)定的成本，應(yīng)用性強(qiáng)，適用于多種腦神經(jīng)化學(xué)物質(zhì)的定量分析。

技術(shù)特征：

1.一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，其特征在于，生成式深度學(xué)習(xí)模型和深度學(xué)習(xí)回歸模型均為具有變分自編碼器結(jié)構(gòu)的深度學(xué)習(xí)模型，包括編碼器和解碼器；其中編碼器包括依次連接的第一卷積層、第一relu層、第一池化層、第二卷積層、第二relu層、第二池化層、第三卷積層、第三relu層、第三池化層、第一全連接層、第二全連接層、第三全連接層，第一卷積層的輸入為編碼器的輸入，第三全連接層的輸出為編碼器的輸出；解碼器包括依次連接的第一反卷積層、第四relu層、第二反卷積層、第五relu層、第三反卷積層、第六relu層、第四反卷積層、第七relu層，第一反卷積層的輸入為解碼器的輸入，第七relu層的輸出為解碼器的輸出；編碼器的輸出端連接解碼器的輸入端。

3.根據(jù)權(quán)利要求2所述的一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，其特征在于，對生成式深度學(xué)習(xí)模型的訓(xùn)練為無監(jiān)督訓(xùn)練，包括以下子步驟：

4.根據(jù)權(quán)利要求2所述的一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，其特征在于，對深度學(xué)習(xí)回歸模型的訓(xùn)練為半監(jiān)督訓(xùn)練，具體包括以下子步驟：

5.根據(jù)權(quán)利要求1所述的一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，其特征在于，所述原始測量數(shù)據(jù)為對活體使用微電極和快速掃描循環(huán)伏安法記錄到的電化學(xué)伏安數(shù)據(jù)。

6.根據(jù)權(quán)利要求1、3或4所述的一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，其特征在于，所述預(yù)處理具體為：

7.根據(jù)權(quán)利要求2所述的一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，其特征在于，步驟s3中所述干擾信號(hào)濾除具體為：

8.根據(jù)權(quán)利要求1所述的一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，其特征在于，步驟s4中所述定量解析具體為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于生成式深度學(xué)習(xí)模型的活體伏安分析方法，使用快速掃描循環(huán)伏安法采集原始測量數(shù)據(jù)；對原始測量數(shù)據(jù)進(jìn)行預(yù)處理，得到待分析活體原位測量數(shù)據(jù)；使用訓(xùn)練后的生成式深度學(xué)習(xí)模型對待分析活體原位測量數(shù)據(jù)進(jìn)行干擾信號(hào)濾除，得到濾除干擾信號(hào)后的活體原位測量數(shù)據(jù)；使用訓(xùn)練后的深度學(xué)習(xí)回歸模型對濾除干擾信號(hào)后的活體原位測量數(shù)據(jù)進(jìn)行定量解析，得到不同待測神經(jīng)化學(xué)分子的濃度值。本發(fā)明提升了活體原位分析方法測量結(jié)果的準(zhǔn)確率并實(shí)現(xiàn)多物質(zhì)高通量傳感，促進(jìn)了電化學(xué)方法在復(fù)雜腦神經(jīng)化學(xué)的廣泛應(yīng)用。

技術(shù)研發(fā)人員：毛蘭群,薛亦飛,李淑欣
受保護(hù)的技術(shù)使用者：北京師范大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15