帕金森嗅觉响应与miRNA联合检测方法
本发明属于医学检测数据处理,具体涉及帕金森嗅觉响应与mirna联合检测方法。
背景技术:
1、嗅觉响应数据和离体生物样本微小核糖核酸扩增数据分别能够从不同检测来源形成量化信息。实际联合处理中,两类数据不仅具有不同的数据尺度和质量波动来源,不同模态特征之间还可能存在信息重叠。若将各特征经过标准化后直接输入融合模型,则高冗余特征可能重复贡献相近信息,而重复测量稳定性较低的当前检测数据也可能按照固定贡献进入模型。
2、跨模态信息冗余程度与当前检测质量反映不同的数据属性。前者描述不同模态特征之间的信息重叠关系,后者描述当前记录中相应检测数据的重复稳定程度。如果跨模态相关分析和检测质量评价仅形成独立统计结果,而不进入后续融合贡献形成过程,则两类评价不能直接改变概率融合模型所接收的输入。
3、在采用正则化约束的概率融合模型中,不同训练子集还可能表现出不同的整体跨模态冗余程度。固定的正则化混合比例不能根据当前训练子集的特征重叠程度调整模型稀疏化约束。同时,重复嗅觉检测具有时间顺序,在识别结果保持较高一致性的情况下,连续测试轮次的响应时间仍可能出现持续变化,仅根据识别结果一致程度和阈值梯度差异不能使该类时序信息进入嗅觉模态可靠性参数。
4、另外,训练阶段的数据预处理参数、跨模态相关关系和模型参数如果由训练数据与验证数据共同确定,会使验证数据参与当前轮参数形成。因此,需要建立一种数据处理方法,使跨模态冗余程度、当前检测质量以及训练验证反馈分别进入对应的数据处理环节,并进一步使跨模态冗余程度控制正则化混合比例,使重复嗅觉响应的时序变化能够修正嗅觉模态可靠性参数。
技术实现思路
1、本发明的目的在于提供帕金森嗅觉响应与mirna联合检测方法,解决了现有帕金森嗅觉响应与微小核糖核酸联合检测中跨模态信息冗余与当前检测质量波动无法共同作用于融合贡献、固定正则化混合比例无法适应不同训练子集整体冗余程度、重复嗅觉响应时序变化无法修正嗅觉模态可靠性参数以及训练验证数据混淆的技术问题。
2、为解决上述技术问题,本发明所采用的技术方案是:
3、帕金森嗅觉响应与mirna联合检测方法,包括:
4、构建包含参考标签、嗅觉响应数据和离体生物样本目标微小核糖核酸扩增数据的训练数据集,按照记录标识对两类检测数据进行配对,并分别形成嗅觉响应特征和微小核糖核酸表达特征;
5、利用训练数据计算不同模态特征之间的跨模态相关关系,根据每一输入特征单元与另一模态特征的冗余程度形成互补约束参数,并根据嗅觉重复测量一致性和核酸扩增技术重复离散程度形成模态可靠性参数;
6、将互补约束参数与模态可靠性参数共同用于调整输入特征贡献,利用调整后的输入特征训练概率融合模型,并根据交叉验证稳定性评价结果反馈更新概率融合模型参数,直至满足预设稳定条件;
7、固定数据预处理参数、互补约束参数形成规则、模态可靠性参数形成规则和概率融合模型参数;
8、接收待处理记录的嗅觉响应数据和目标微小核糖核酸扩增数据,按照固定后的参数及规则形成输入特征并计算联合检测指数,在输入数据满足最低质量条件时输出联合检测指数和数据质量状态。
9、作为本发明的一个优选技术方案,目标微小核糖核酸扩增数据来源于离体血浆样本,目标微小核糖核酸包括微小核糖核酸-124、微小核糖核酸-137和微小核糖核酸-153中的至少一种;嗅觉响应数据包括气味识别响应、气味阈值响应以及重复响应信息;训练数据集中每条训练数据记录的嗅觉响应数据、目标微小核糖核酸扩增数据和参考标签通过同一记录标识对应。
10、作为本发明的一个优选技术方案,根据目标微小核糖核酸扩增循环阈值、内参扩增循环阈值以及校准样本对应的扩增循环阈值形成微小核糖核酸表达特征,目标微小核糖核酸相对表达量按照下式获得:
11、
12、其中,表示第种目标微小核糖核酸的相对表达量;表示目标微小核糖核酸的序号;表示第种目标微小核糖核酸的扩增循环阈值;下标表示阈值属性标识,不表示时间变量或扩增循环序号;表示差值运算标识;表示第种目标微小核糖核酸在待处理离体样本与校准样本之间经内参校正后形成的扩增循环阈值差值;常数2表示相对表达量计算采用的固定底数。
13、作为本发明的一个优选技术方案,对于每一嗅觉响应特征,计算嗅觉响应特征与各微小核糖核酸表达特征之间的相关程度,并以相关程度中的最大绝对值形成嗅觉响应特征对应的冗余程度;对于每一微小核糖核酸表达特征,计算微小核糖核酸表达特征与各嗅觉响应特征之间的相关程度,并以相关程度中的最大绝对值形成微小核糖核酸表达特征对应的冗余程度;按照预先固定的单调映射规则将冗余程度转换为互补约束参数,使冗余程度增加时互补约束参数不增加。
14、作为本发明的一个优选技术方案,根据每一输入特征单元所属模态的模态可靠性参数和输入特征单元对应的互补约束参数形成融合贡献权重:
15、
16、其中,表示第个输入特征单元的融合贡献权重;表示第个输入特征单元所属模态的模态可靠性参数;表示第个输入特征单元的互补约束参数;表示当前输入特征单元序号;表示第个输入特征单元所属模态的模态可靠性参数;表示第个输入特征单元的互补约束参数;表示求和过程中的输入特征单元序号;表示参与概率融合的输入特征单元总数量;表示对至的对应乘积进行累加。
17、作为本发明的一个优选技术方案,概率融合模型采用logistic回归算法,概率融合模型包括输入特征单元、特征贡献调整单元、logistic回归计算单元和联合检测指数输出单元;特征贡献调整单元利用融合贡献权重对经过同尺度处理的输入特征进行缩放,缩放后的输入特征进入logistic回归计算单元;logistic回归计算单元的待训练参数包括截距项和与各输入特征单元对应的回归系数。
18、作为本发明的一个优选技术方案,将训练数据集划分为多个互斥数据子集,轮换选择训练子集和验证子集;每轮训练中仅利用训练子集确定数据预处理参数和互补约束参数,并利用训练子集拟合概率融合模型参数,再利用对应验证子集形成验证稳定性评价结果;根据连续训练轮次的验证稳定性评价结果调整概率融合模型的正则化参数,在验证稳定性评价结果连续满足预设稳定条件后固定概率融合模型参数。
19、作为本发明的一个优选技术方案,嗅觉响应数据的重复测量一致性由重复气味识别结果的一致程度、重复气味阈值结果之间的梯度差异或者二者共同形成;重复测量一致性降低时降低嗅觉模态可靠性参数,重复测量一致性低于预设最低质量条件时将嗅觉模态记录为质量异常。
20、作为本发明的一个优选技术方案,目标微小核糖核酸扩增数据的技术重复离散程度由同一离体样本的多个技术重复反应对应的扩增循环阈值离散程度形成;技术重复离散程度增加时降低核酸模态可靠性参数,技术重复离散程度超过预设最低质量条件时将核酸模态记录为质量异常。
21、作为本发明的一个优选技术方案,还包括接收预先取得的多巴胺转运体影像特征,将多巴胺转运体影像特征与联合检测指数进行一致性分析,并将一致性分析形成的一致性状态与联合检测指数分别存储。
22、作为本发明的一个优选技术方案,在独立来源的数据集中比较输入特征分布与训练数据集中对应输入特征分布,在输入特征分布达到预设校准条件时更新数据预处理参数或者概率融合模型校准参数,并利用独立来源的数据重新进行验证稳定性评价。
23、作为本发明的一个优选技术方案,嗅觉响应数据由嗅觉功能检测终端输出,目标微小核糖核酸扩增数据由实时荧光定量聚合酶链式反应数据接口输出;固定的数据预处理参数、互补约束参数、模态可靠性参数形成规则和概率融合模型参数存储于医疗检测数据分析平台,联合检测指数和数据质量状态由医疗检测数据分析平台写入结构化检测记录。
24、另外,本发明还公开了帕金森嗅觉响应与mirna联合检测系统,包括数据接口、处理器和存储器;
25、数据接口分别与嗅觉功能检测数据源和核酸扩增检测数据源建立数据连接;
26、存储器存储数据预处理参数、互补约束参数形成规则、模态可靠性参数形成规则、概率融合模型参数以及能够由处理器执行的程序指令;
27、处理器执行程序指令时,对具有参考标签的训练数据形成嗅觉响应特征和微小核糖核酸表达特征,形成互补约束参数和模态可靠性参数,利用互补约束参数和模态可靠性参数调整输入特征贡献并训练概率融合模型,根据验证稳定性评价结果反馈更新概率融合模型参数;
28、概率融合模型固定后,处理器从数据接口接收待处理记录的嗅觉响应数据和目标微小核糖核酸扩增数据,利用存储器中的固定参数及规则形成联合检测指数和数据质量状态,并将联合检测指数和数据质量状态写入存储器或者发送至检测结果接收端。
29、作为本发明的一个优选技术方案,根据连续训练轮次的验证稳定性评价结果调整概率融合模型的正则化参数的过程包括:在每轮训练中,计算当前训练子集内所有输入特征单元对应的互补约束参数的算术平均值,形成全局冗余期望指数;设定概率融合模型的正则化项包括基于绝对值范数的第一惩罚项和基于平方范数的第二惩罚项;根据全局冗余期望指数动态分配第一惩罚项与第二惩罚项之间的正则化混合比例,在全局冗余期望指数降低时,按照预先固定的非线性映射函数提高第一惩罚项在正则化项中的权重比例,使跨模态信息冗余程度控制概率融合模型的特征稀疏化程度;正则化项的总体惩罚强度根据验证稳定性评价结果在预设候选范围内调整,并利用携带正则化项的损失函数对概率融合模型参数进行迭代拟合。
30、作为本发明的一个优选技术方案,在根据重复气味识别结果的一致程度和重复气味阈值结果之间的梯度差异形成原嗅觉模态可靠性参数后,进一步利用重复嗅觉响应时序疲劳衰减系数对原嗅觉模态可靠性参数进行更新;重复嗅觉响应时序疲劳衰减系数按照如下过程获得:按照检测时间先后提取同一嗅觉响应数据中的连续多次重复气味识别响应时间,构建以测试轮次序号为自变量、以响应时间为因变量的时序响应序列;计算时序响应序列的线性回归斜率,将线性回归斜率与预设的健康响应基准斜率之间的差值定义为时序延迟梯度;当时序延迟梯度大于零时,按照预先固定的衰减映射规则计算得到大于零的重复嗅觉响应时序疲劳衰减系数,并从满足最低质量条件的原嗅觉模态可靠性参数中减去重复嗅觉响应时序疲劳衰减系数,形成更新后的嗅觉模态可靠性参数;当时序延迟梯度不大于零时,重复嗅觉响应时序疲劳衰减系数为零;由更新后的嗅觉模态可靠性参数与互补约束参数共同参与融合贡献权重的计算。
31、与现有技术相比,本发明具有以下有益效果:
32、本发明通过构建包含参考标签、嗅觉响应数据和离体生物样本目标微小核糖核酸扩增数据的训练数据集,对嗅觉响应特征和微小核糖核酸表达特征进行配对处理。基于跨模态相关关系形成互补约束参数,基于嗅觉重复测量一致性和核酸扩增技术重复离散程度形成模态可靠性参数,互补约束参数与模态可靠性参数共同调节输入特征贡献。上述处理使得跨模态信息冗余特征受到约束,当前检测质量波动能够反映在融合贡献中,无需直接删除输入特征,从而提升了联合检测处理的抗干扰能力和数据利用效率。在概率融合模型训练阶段,利用交叉验证稳定性评价结果反馈更新概率融合模型参数,训练数据处理与验证数据处理相互分离,保证了模型构建过程的可靠性。
33、进一步地,互补约束参数汇总形成全局冗余期望指数,由全局冗余期望指数控制第一惩罚项与第二惩罚项之间的正则化混合比例,使跨模态冗余程度传递至模型参数约束过程,增强了概率融合模型对不同训练子集整体信息结构的适应能力。重复嗅觉响应时序疲劳衰减系数修正嗅觉模态可靠性参数,使连续重复气味识别响应时间的变化进入融合贡献计算,提升了嗅觉模态贡献评价对时序响应信息的敏感性和准确性。通过上述技术手段,帕金森嗅觉响应与微小核糖核酸联合检测方法能够稳定输出联合检测指数和数据质量状态。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com