基于迁移学习的非侵入式细胞内动作电位重建方法及系统

本技术涉及生物医学信号处理，尤其涉及一种基于迁移学习的非侵入式细胞内动作电位重建方法及系统。

背景技术：

1、相关技术中，随着细胞电生理研究、药物评价及疾病机制分析等领域的发展，细胞内动作电位检测已成为分析细胞功能状态的重要技术手段。现有细胞内动作电位获取方法主要包括膜片钳技术以及基于微电极阵列（mea）的电生理检测技术。其中，膜片钳技术能够直接测量跨膜电位变化，具有较高的检测精度，但其需要电极与细胞膜形成高阻密封或进行膜穿刺操作，存在操作复杂、检测通量低以及难以长期稳定记录等问题。微电极阵列技术虽然能够实现多通道、高通量电活动采集，但传统方法主要获取细胞外动作电位信号，难以直接获得反映细胞内电活动特征的关键参数。

2、然而，现有细胞内动作电位检测方法在长期监测和跨平台应用方面仍存在不足。基于电穿孔或微纳结构电极的胞内记录方法虽然能够短时间获取胞内动作电位信号，但由于细胞膜具有自修复特性，电极与细胞之间的胞内耦合状态难以长期维持，导致信号持续时间有限，且重复电穿孔可能影响细胞正常生理状态。近年来，基于人工智能的动作电位重建方法通过学习胞外动作电位信号与胞内动作电位信号之间的映射关系，实现利用稳定采集的胞外信号预测胞内动作电位波形。然而，现有方法通常针对固定尺寸微电极建立训练模型，当电极尺寸发生变化时，细胞与电极之间的耦合特性、信号幅值及噪声分布均会发生改变，使不同尺寸电极采集的胞外动作电位信号存在差异，导致已有模型难以直接迁移应用。

3、综上，相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出一种基于迁移学习的非侵入式细胞内动作电位重建方法及系统，能够在降低检测侵入性的同时，提高不同微电极条件下动作电位重建的准确性和适应性和便捷性。

2、为实现上述目的，本技术实施例的一方面提出了一种基于迁移学习的非侵入式细胞内动作电位重建方法，所述方法包括以下步骤：

3、获取细胞外动作电位信号及对应细胞内动作电位信号，构建动作电位配对数据集；

4、对所述动作电位配对数据集进行信号预处理及质量筛选，得到标准化动作电位训练数据；

5、基于所述标准化动作电位训练数据构建细胞外动作电位至细胞内动作电位的映射模型，得到基础动作电位重建模型；

6、基于目标尺寸微电极对应的少量动作电位配对数据，对所述基础动作电位重建模型进行迁移学习优化，得到目标尺寸适配的动作电位重建模型；

7、基于待检测细胞对应的细胞外动作电位信号，并输入所述目标尺寸适配的动作电位重建模型进行信号重构，得到对应的细胞内动作电位重建结果。

8、在一些实施例中，所述对所述动作电位配对数据集进行信号预处理及质量筛选，得到标准化动作电位训练数据，包括：

9、对所述动作电位配对数据集进行周期分割处理，得到单周期动作电位信号；

10、基于所述单周期动作电位信号对应的特征点进行时间对齐及定长截取处理，得到统一长度的动作电位序列；

11、对所述动作电位序列进行幅值归一化处理，得到归一化动作电位数据；

12、基于信号质量分类模型对所述归一化动作电位数据进行质量分类，并筛选符合预设质量条件的动作电位数据，得到标准化动作电位训练数据。

13、在一些实施例中，所述基于信号质量分类模型对所述归一化动作电位数据进行质量分类，并筛选符合预设质量条件的动作电位数据，得到标准化动作电位训练数据，包括：

14、基于一维卷积神经网络构建信号质量分类模型，对所述归一化动作电位数据进行卷积特征提取，得到动作电位质量特征；

15、基于所述动作电位质量特征对所述归一化动作电位数据进行质量等级分类，生成信号质量分类结果；

16、基于预设质量筛选条件，根据所述信号质量分类结果筛选目标动作电位配对数据；

17、对所述目标动作电位配对数据进行训练格式转换，得到标准化动作电位训练数据。

18、在一些实施例中，所述基于所述标准化动作电位训练数据构建细胞外动作电位至细胞内动作电位的映射模型，得到基础动作电位重建模型，包括：

19、基于卷积神经网络，对所述标准化动作电位训练数据中的细胞外动作电位信号进行局部特征提取，得到动作电位局部波形特征；

20、基于长短期记忆网络，对所述动作电位局部波形特征进行时序关联建模，提取细胞外动作电位信号对应的时序变化特征；

21、基于所述时序变化特征建立与对应细胞内动作电位信号之间的映射关系，生成细胞内动作电位预测结果；

22、基于所述细胞内动作电位预测结果与所述标准化动作电位训练数据中的细胞内动作电位信号之间的误差，对映射模型参数进行迭代优化，得到基础动作电位重建模型。

23、在一些实施例中，所述基于卷积神经网络，对所述标准化动作电位训练数据中的细胞外动作电位信号进行局部特征提取，得到动作电位局部波形特征，包括：

24、对所述标准化动作电位训练数据中的细胞外动作电位信号进行序列化处理，生成动作电位输入序列；

25、基于一维卷积层对所述动作电位输入序列进行卷积特征提取，获得动作电位局部波形响应特征；

26、基于非线性激活函数对所述局部波形响应特征进行特征增强，提取细胞外动作电位信号中的波形变化特征；

27、基于池化层对所述波形变化特征进行降维处理，获得关键波形特征；

28、基于多层卷积特征融合对所述关键波形特征进行特征编码，得到动作电位局部波形特征。

29、在一些实施例中，所述基于长短期记忆网络，对所述动作电位局部波形特征进行时序关联建模，提取细胞外动作电位信号对应的时序变化特征，包括：

30、基于长短期记忆网络对所述动作电位局部波形特征进行时序编码，生成动作电位时序隐含特征；

31、基于所述长短期记忆网络的门控机制对所述动作电位时序隐含特征进行状态更新，提取动作电位周期变化对应的长期依赖特征；

32、基于所述长期依赖特征提取细胞外动作电位信号对应的动态演化特征，得到动作电位时序变化特征；

33、对所述动作电位时序变化特征进行特征融合，得到细胞外动作电位信号对应的时序变化特征。

34、在一些实施例中，所述基于目标尺寸微电极对应的少量动作电位配对数据，对所述基础动作电位重建模型进行迁移学习优化，得到目标尺寸适配的动作电位重建模型，包括：

35、基于源域动作电位配对数据训练得到的所述基础动作电位重建模型，将所述基础动作电位重建模型中的源域特征参数迁移至目标域，得到迁移初始化模型；

36、基于所述目标域对应的少量动作电位配对数据，对所述迁移初始化模型进行目标域特征适配，得到目标域动作电位特征映射关系；

37、基于所述目标域动作电位特征映射关系及对应细胞内动作电位信号之间的重建误差，对所述迁移初始化模型进行参数优化，得到目标域适配模型；

38、基于所述目标域适配模型对目标尺寸微电极对应的动作电位数据进行重建验证，得到目标尺寸适配的动作电位重建模型。

39、在一些实施例中，所述基于所述目标域对应的少量动作电位配对数据，对所述迁移初始化模型进行目标域特征适配，得到目标域动作电位特征映射关系，包括：

40、基于源域动作电位配对数据及目标域动作电位配对数据分别进行特征提取，得到源域动作电位特征及目标域动作电位特征；

41、基于所述源域动作电位特征与所述目标域动作电位特征进行特征分布对齐，确定源域与目标域之间的特征偏移量；

42、基于所述特征偏移量调整所述迁移初始化模型中的特征提取参数，使源域特征空间与目标域特征空间相匹配；

43、基于调整后的特征提取参数对目标域动作电位数据进行特征映射，得到目标域动作电位特征映射关系。

44、在一些实施例中，所述基于待检测细胞对应的细胞外动作电位信号，并输入所述目标尺寸适配的动作电位重建模型进行信号重构，得到对应的细胞内动作电位重建结果，包括：

45、对所述待检测细胞对应的细胞外动作电位信号进行标准化处理，得到待重建动作电位数据；

46、将所述待重建动作电位数据输入所述目标尺寸适配的动作电位重建模型，得到细胞内动作电位预测信号；

47、对所述细胞内动作电位预测信号进行后处理及信号重建，得到细胞内动作电位重建波形；

48、基于所述细胞内动作电位重建波形进行误差分析、相关性分析及稳定性分析，并对所述目标尺寸适配的动作电位重建模型进行性能评估，生成细胞内动作电位重建结果。

49、为实现上述目的，本技术实施例的另一方面提出了一种基于迁移学习的非侵入式细胞内动作电位重建系统，所述系统包括：

50、数据获取模块，用于获取细胞外动作电位信号及对应细胞内动作电位信号，构建动作电位配对数据集；

51、数据处理模块，用于对所述动作电位配对数据集进行信号预处理及质量筛选，得到标准化动作电位训练数据；

52、模型构建模块，用于基于所述标准化动作电位训练数据构建细胞外动作电位至细胞内动作电位的映射模型，得到基础动作电位重建模型；

53、迁移优化模块，用于基于目标尺寸微电极对应的少量动作电位配对数据，对所述基础动作电位重建模型进行迁移学习优化，得到目标尺寸适配的动作电位重建模型；

54、信号重建模块，用于基于待检测细胞对应的细胞外动作电位信号，并输入所述目标尺寸适配的动作电位重建模型进行信号重构，得到对应的细胞内动作电位重建结果。

55、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

56、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。

57、为实现上述目的，本技术实施例的另一方面提出了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的方法。

58、本技术实施例至少包括以下有益效果：本技术提供一种基于迁移学习的非侵入式细胞内动作电位重建方法及系统,该方案通过构建细胞外动作电位信号与细胞内动作电位信号之间的配对数据集，并利用信号预处理及质量筛选机制提高训练数据的可靠性，为后续动作电位映射模型的构建提供有效的数据基础；通过建立细胞外动作电位至细胞内动作电位的映射关系，实现了无需侵入细胞内部即可对细胞内动作电位进行重建，避免了传统膜片钳等侵入式检测方法对细胞状态造成干扰，提高了细胞电生理检测的安全性和适用范围；通过基于目标尺寸微电极对应的少量配对数据对基础动作电位重建模型进行迁移学习优化，使模型能够适配不同尺寸微电极产生的信号特征差异，降低了针对不同检测条件重新训练模型所需的数据量和时间成本，提高了模型的泛化能力；通过利用目标尺寸适配的动作电位重建模型对待检测细胞的细胞外动作电位信号进行重构，能够获得对应的细胞内动作电位信息，提高了细胞电生理特征获取的便捷性和检测效率，为大规模、长期化、非侵入式细胞功能分析提供技术支持。综上，本发明能够在降低检测侵入性的同时，提高不同微电极条件下动作电位重建的准确性和适应性。