一种样本分析仪、方法、设备及介质与流程

1.本技术涉及检测器械领域，尤其涉及一种样本分析仪、方法、设备及介质。


背景技术：

2.人体外周血或体液中含有的血细胞通常为成熟的血细胞，某些情况下，血液中会出现未成熟的血细胞(例如有核红细胞)，对未成熟血细胞的检测为血液的科学研究提供有用的参考。例如，有核红细胞的计数可以反映骨髓红细胞的生成功能。
3.然而现有技术中的有核红细胞检测方法效率较低。因此，现有技术中对于血液中有核红细胞进行检测的方法还有待于改进。


技术实现要素：

4.本技术实施例提供了一种样本分析仪、方法、设备及介质，用于解决核红细胞检测过程中的数据分析效率问题。
5.有鉴于此，本技术第一方面提供了一种样本分析仪，包括：
6.检测装置，包括光学流动室、光源和检测器，血液试液中的多个细胞排队通过该光学流动室，该光源用于发出检测光，该检测器用于获取该检测光照射该血液试液中的多个细胞得到的多组第一光信息，该第一光信息包括该检测光照射该血液试液中的血细胞后产生的至少两种光信号，该光源发出的该检测光照射该血液试液中的一个血细胞，该检测器得到一组该第一光信息；
7.该检测装置中的该检测器还用于，根据多组该第一光信息获取第一散点数据，该第一散点数据包括该血液试液中多个血细胞与其对应第一光信息的第一关联关系；
8.深度学习分析装置，用于通过深度学习算法对该检测器生成的该第一散点数据进行分析，以获取该血液试液中有核红细胞的计数，该有核红细胞为该血细胞的一种。
9.可选地，该分析仪还包括：
10.样本制备装置，包括至少一个反应池及与该反应池相连的试剂供应装置，该反应池用于接收采样装置吸取的血液样本以及该试剂供应装置提供的目标试剂，以通过该目标试剂对该血液样本进行溶血处理以得到该血液试液，该目标试剂用于溶解该血液样本中的红细胞；
11.该检测装置还用于：根据该第一散点数据对该血液试液中的白细胞进行分类，并获得白细胞的计数值。
12.可选地，该血液试液中的血细胞还包括：淋巴细胞、中性粒细胞和血影粒子，该血影粒子为该血液试液中的红细胞和血小板经溶血处理后得到的粒子，则该检测器获取的该第一光信息包括该检测光照射该血影粒子后产生的至少两种光信号。
13.可选地，该第一光信息至少两种光信号包括散射光信号，该散射光信号为该检测光照射在该血细胞上形成的散射光的信号；该检测装置还用于：
14.根据该散射光信号的不同将该白细胞划分为至少三种类别。
15.可选地，该第一光信息中的该散射光信号包括高角度散射光、中角度散射光和低角度散射光，则该第一散点数据包括：
16.第一三维散点图，该第一三维散点图的三个坐标轴分别对应该高角度散射光、该中角度散射光和该低角度散射光的强度值，该第一三维散点图中的每个点对应满足当前散射光信号强度值的血细胞数量；
17.或者，
18.第一二维散点图，该第一二维散点图的两个坐标轴分别对应该高角度散射光、该中角度散射光或该低角度散射光中任意两种散射光的强度值，该第一二维散点图中的每个点对应满足当前散射光信号强度值的血细胞数量。
19.可选地，该分析仪还包括：
20.样本制备装置，包括至少一个反应池及与该反应池相连的试剂供应装置，该反应池用于接收采样装置吸取的血液样本以及该试剂供应装置提供的目标试剂和荧光试剂，以通过该目标试剂和该荧光试剂对该血液样本进行处理以得到该血液试液，该荧光试剂用于对该血液样本进行荧光染色；
21.则该第一光信息的至少两种光信号包括散射光信号和荧光信号，该荧光信号为该检测光照射被该荧光试剂染色后的该血液试液所得到的信号；
22.该检测装置还用于：
23.根据该散射光信号和该荧光信号的不同将该血液试液中的白细胞划分为至少四种类别。
24.可选地，该散射光信号包括高角度散射光、中角度散射光或低角度散射光中的至少一种，则该第一散点数据包括：
25.第二三维散点图，该第二三维散点图的第一坐标轴对应该荧光信号的强度值，该第二三维散点图的第二坐标轴和第三坐标轴分别对应该高角度散射光、该中角度散射光或该低角度散射光中任意两种散射光的强度值，该第二三维散点图中的每个点对应满足当前光信号强度值的血细胞数量；
26.或者，
27.第二二维散点图，每个该第二二维散点图的第一坐标轴对应该荧光信号的强度值，该第二二维散点图的第二坐标轴对应该高角度散射光、该中角度散射光或该低角度散射光中任意一种散射光的强度值，该第二二维散点图中的每个点对应满足当前光信号强度值的血细胞数量。
28.可选地，该第二二维散点图的数量为两个，其中，
29.在第一个第二二维散点图中，第一坐标轴对应该荧光信号的强度值，第二坐标轴对应该低角度散射光的强度值；
30.在第二个第二二维散点图中，第一坐标轴对应该荧光信号的强度值，第二坐标轴对应该高角度散射光的强度值。
31.可选地，该检测装置还用于：
32.对该第一散点数据进行数学处理，以使得该第一散点数据的至少部分数据点之间的距离值增加，其中，所述至少部分数据点包括血影粒子对应的数据点。
33.可选地，该深度学习分析装置中的该深度学习算法为经过深度学习训练装置训练
的算法，该深度学习训练装置，用于：
34.通过检测光照射血液样本液中的多个血细胞得到多组第二光信息，该第二光信息包括该检测光照射该血液样本液中的血细胞后产生的至少两种光信号，该检测光照射该血液样本液中的一个血细胞，得到一组该第二光信息，该血液样本液为已知有核红细胞计数的训练样本；
35.根据多组该第二光信息获取第二散点数据，该第二散点数据包括该血液样本液中血细胞与对应第二光信息的第二关联关系；
36.将该第二散点数据和该血液样本液的有核红细胞计数输入该深度学习算法中，以使得该深度学习算法学习该第二散点数据与该有核红细胞计数的目标对应关系；
37.向该深度学习分析装置发送该深度学习算法。
38.可选地，该深度学习分析装置，用于：
39.通过该深度学习算法基于该目标对应关系获取与该第一散点数据对应的有核红细胞计数。
40.可选地，该分析仪还包括处理器，该处理器用于：
41.在该检测装置生成的该第二光信息中加入噪声。
42.可选地，该分析仪还包括报警装置，用于：
43.当该有核红细胞的计数大于或等于预设值时，发出报警信息。
44.本技术实施例所提供的样本分析仪，通过检测光照射血液试液后，将所得到的光信号转化为散点数据，之后通过深度学习算法对该散点数据进行分析，得到了血液试液中的有核红细胞的计数，从而通过人工智能的方式实现了血液中有核红细胞的检测，相对于传统的检测方法，提升了检测的效率和准确性。
45.本技术第二方面提供了一种样本分析方法，包括：
46.通过检测光照射血液试液中的多个细胞得到多组第一光信息，该第一光信息包括该检测光照射该血液试液中的血细胞后产生的至少两种光信号，该检测光照射该血液试液中的一个血细胞，得到一组该第一光信息；
47.根据多组该第一光信息获取第一散点数据，该第一散点数据包括该血液试液中多个血细胞与其对应第一光信息的第一关联关系；
48.通过深度学习算法对该第一散点数据进行分析，以获取该血液试液中有核红细胞的计数，该有核红细胞为该血细胞的一种。
49.可选地，该通过检测光照射血液试液中的多个细胞得到多组第一光信息之前，还包括：
50.通过目标试剂对血液样本进行溶血处理以得到该血液试液，该目标试剂用于溶解该血液样本中的红细胞；
51.则通过检测光照射血液试液中的多个细胞得到多组第一光信息之后，还包括：
52.根据该第一散点数据对该血液试液中的白细胞进行分类，并获得白细胞的计数值。
53.可选地，该血液试液中的血细胞还包括：淋巴细胞、中性粒细胞和血影粒子，该血影粒子为该血液试液中的红细胞和血小板经溶血处理后得到的粒子，则该检测器获取的该第一光信息包括该检测光照射该血影粒子后产生的至少两种光信号。
54.可选地，该第一光信息至少两种光信号包括散射光信号，该散射光信号为该检测光照射在该血细胞上形成的散射光的信号；该方法还包括：
55.根据该散射光信号的不同将该白细胞划分为至少三种类别。
56.可选地，该第一光信息中的该散射光信号包括高角度散射光、中角度散射光和低角度散射光，则该第一散点数据包括：
57.第一三维散点图，该第一三维散点图的三个坐标轴分别对应该高角度散射光、该中角度散射光和该低角度散射光的强度值，该第一三维散点图中的每个点对应满足当前散射光信号强度值的血细胞数量；
58.或者，
59.第一二维散点图，该第一二维散点图的两个坐标轴分别对应该高角度散射光、该中角度散射光或该低角度散射光中任意两种散射光的强度值，该第一二维散点图中的每个点对应满足当前散射光信号强度值的血细胞数量。
60.可选地，该方法还包括：
61.通过目标试剂和荧光试剂对该血液样本进行处理以得到该血液试液，该荧光试剂用于对该血液样本进行荧光染色；
62.则该第一光信息的至少两种光信号包括散射光信号和荧光信号，该荧光信号为该检测光照射被该荧光试剂染色后的该血液试液所得到的信号；
63.该方法还包括：
64.根据该散射光信号和该荧光信号的不同将该血液试液中的白细胞划分为至少四种类别。
65.可选地，该散射光信号包括高角度散射光、中角度散射光或低角度散射光中的至少一种，则该第一散点数据包括：
66.第二三维散点图，该第二三维散点图的第一坐标轴对应该荧光信号的强度值，该第二三维散点图的第二坐标轴和第三坐标轴分别对应该高角度散射光、该中角度散射光或该低角度散射光中任意两种散射光的强度值，该第二三维散点图中的每个点对应满足当前光信号强度值的血细胞数量；
67.或者，
68.第二二维散点图，每个该第二二维散点图的第一坐标轴对应该荧光信号的强度值，该第二二维散点图的第二坐标轴对应该高角度散射光、该中角度散射光或该低角度散射光中任意一种散射光的强度值，该第二二维散点图中的每个点对应满足当前光信号强度值的血细胞数量。
69.可选地，该第二二维散点图的数量为两个，其中，
70.在第一个第二二维散点图中，第一坐标轴对应该荧光信号的强度值，第二坐标轴对应该低角度散射光的强度值；
71.在第二个第二二维散点图中，第一坐标轴对应该荧光信号的强度值，第二坐标轴对应该高角度散射光的强度值。
72.可选地，该根据多组该第一光信息获取第一散点数据之后，还包括：
73.对该第一散点数据进行数学处理，以使得该第一散点数据的至少部分数据点之间的距离值增加，其中，所述至少部分数据点包括血影粒子对应的数据点。
74.可选地，该方法还包括：
75.通过检测光照射血液样本液中的多个血细胞得到多组第二光信息，该第二光信息包括该检测光照射该血液样本液中的血细胞后产生的至少两种光信号，该检测光照射该血液样本液中的一个血细胞，得到一组该第二光信息，该血液样本液为已知有核红细胞计数的训练样本；
76.根据多组该第二光信息获取第二散点数据，该第二散点数据包括该血液样本液中血细胞与对应第二光信息的第二关联关系；
77.将该第二散点数据和该血液样本液的有核红细胞计数输入该深度学习算法，以使得该深度学习算法学习该第二散点数据与该有核红细胞计数的目标对应关系。
78.可选地，该通过深度学习算法对该第一散点数据进行分析，包括：
79.该深度学习算法基于该目标对应关系获取与该第一散点数据对应的有核红细胞计数。
80.可选地，该将该第二散点数据和该血液样本液的有核红细胞计数输入该深度学习算法之前，还包括:
81.在该第二光信息中加入噪声。
82.可选地，该通过深度学习算法对该第一散点数据进行分析，以获取该血液试液中有核红细胞的计数之后，还包括：
83.当该有核红细胞的计数大于或等于预设值时，发出报警信息。
84.本技术实施例所提供的样本分析方法，通过检测光照射血液试液后，将所得到的光信号转化为散点数据，之后通过深度学习算法对该散点数据进行分析，得到了血液试液中的有核红细胞的计数，从而通过人工智能的方式实现了血液中有核红细胞的检测，相对于传统的检测方法，提升了检测的效率和准确性。
85.本技术第三方面提供了一种单溶血通道血液检测设备，包括：
86.采样装置，该采样装置包括吸移管嘴、吸移管和驱动部，该驱动部用于驱动该吸移管通过该吸移管嘴定量吸取血液样本；
87.样本制备装置，该样本制备装置包括反应池和试剂供应模块，该反应池用于接收由该采样装置吸取的该血液样本，该试剂供应模块用于将目标试剂提供给该反应池，以使该血液样本与该目标试剂在该反应池中混合，该目标试剂用于溶解该待测血液样本中的红细胞以得到血液试液；
88.检测装置，该检测装置包括光学检测模块，该光学检测模块用于通过检测光照射该样本制备装置制备的该血液试液中的多个血细胞以得到多组第一光信息，该第一光信息包括该检测光照射该血液试液中的血细胞后产生的高角度散射光信号、中角度散射光信号和/或低角度散射光信号中的至少两种，该检测光照射该血液试液中的一个血细胞，得到一组该第一光信息；
89.该设备还包括处理器和通信接口，该处理器用于根据多组该第一光信息获取第一散点数据，该第一散点数据包括第一关联关系，该第一关联关系为该血液试液中血细胞与对应高角度散射光信号、中角度散射光信号和/或低角度散射光信号的强度信息的关联关系；该通信接口用于将该第一散点数据发送给深度学习分析装置；
90.深度学习分析装置，用于通过深度学习算法对该控制装置生成的该第一散点数据
进行分析，以获取该血液试液中有核红细胞的计数，该有核红细胞为该血细胞的一种。
91.可选地，该检测装置中的处理器，还用于根据该高角度散射光信号、该中角度散射光信号和/或该低角度散射光信号的不同将该血液试液中的白细胞划分为至少三种类别，并获得白细胞的计数值，该白细胞为该血细胞中的一种。
92.该单溶血通道血样检测设备的深度学习分析装置的深度学习算法是通过已知有核红细胞的样本的数据进行训练得到，具体方法如前所述，在此不再赘述。
93.本技术实施例提供的单溶血通道血液检测设备，通过检测光照射血液试液得到散射光信号，并将该散射光信号转化为散点数据后，根据散点数据确定血液试液装的白细胞计数，并对白细胞进行至少三分类，并根据散点数据获取白细胞的计数值。之后通过深度学习算法对散点数据进行分析从而确定血液试液中的有核红细胞计数。从而实现了用一种检测试剂处理血液样本进行的一次检测中同时实现了有核红细胞的计数、白细胞的计数及白细胞至少三分类，因此这样的血液分析仪，就可以只有一个反应池，只进行一次溶血反应。
94.本技术第四方面提供了一种单溶血通道血液检测设备，包括：
95.采样装置，该采样装置包括吸移管嘴、吸移管和驱动部，该驱动部用于驱动该吸移管通过该吸移管嘴定量吸取血液样本；
96.样本制备装置，该样本制备装置包括反应池和试剂供应模块，该反应池用于接收由该采样装置吸取的该血液样本，该试剂供应模块用于将目标试剂和荧光试剂提供给该反应池，以使该血液样本与该目标试剂盒该荧光试剂在该反应池中混合，该目标试剂用于溶解该待测血液样本中的红细胞，该荧光试剂用于对该血液样本进行荧光染色，以得到血液试液；
97.检测装置，该检测装置包括光学检测模块，该光学检测模块用于通过检测光照射该样本制备装置制备的该血液试液中的多个血细胞以得到多组第一光信息，该第一光信息包括该检测光照射该血液试液中的血细胞后产生的荧光信号，以及高角度散射光信号、中角度散射光信号和/或低角度散射光信号中的至少一种，该检测光照射该血液试液中的一个血细胞，得到一组第一光信息；
98.该设备还包括处理器和通信接口，该处理器用于根据多组该第一光信息获取第一散点数据，该第一散点数据包括第一关联关系，该第一关联关系包括该血液试液中血细胞与对应荧光信号的关联关系，以及，该血液试液中血细胞与高角度散射光信号、中角度散射光信号和/或低角度散射光信号的关联关系；该通信接口用于将该第一散点数据发送给深度学习分析装置；
99.深度学习分析装置，用于通过深度学习算法对该控制装置生成的该第一散点数据进行分析，以获取该血液试液中有核红细胞的计数，该有核红细胞为该血细胞的一种。
100.可选地，该检测装置中的处理器，还用于根据该荧光信号，以及该高角度散射光信号、该中角度散射光信号和/或该低角度散射光信号的不同将该血液试液中的白细胞划分为至少四种类别，该白细胞为该血细胞中的一种。
101.该单溶血通道血样检测设备的深度学习分析装置中的深度学习算法是通过已知有核红细胞的样本的数据进行训练得到，具体方法如前所述，在此不再赘述。
102.本技术实施例提供的单溶血通道血液检测设备，通过检测光照射血液试液得到散射光信号和荧光信号，并将该散射光信号和荧光信号转化为散点数据后，根据散点数据确
定血液试液装的白细胞计数，并对白细胞进行至少四分类，并根据散点数据获取白细胞的计数值。之后通过深度学习算法对散点数据进行分析从而确定血液试液中的有核红细胞计数。从而实现了用一种检测试剂处理血液样本进行的一次检测中同时实现了有核红细胞的计数、白细胞的计数及白细胞四分类，因此这样的血液分析仪，就可以只有一个反应池，只进行一次溶血反应。
103.本技术第五方面提供了一种计算机可读存储介质，包括指令，当该指令在计算机设备上运行时，使得该计算机设备执行如上述第二方面及第二方面任意一种可选的实时方式记载的方法。
附图说明
104.图1为本技术实施例所提供的一种样本分析方法的示意图；
105.图2a为本技术实施例所提供的样本分析方法中第一散点数据的一种实现方式的示意图；
106.图2b为本技术实施例所提供的样本分析方法中第一散点数据的另一种实现方式的示意图；
107.图3为本技术实施例所提供的另一种样本分析方法的示意图；
108.图4为本技术实施例所提供的另一种样本分析方法的示意图；
109.图5a为本技术实施例所提供的样本分析方法中第一散点数据的一种实现方式的示意图；
110.图5b为本技术实施例所提供的样本分析方法中第一散点数据的另一种实现方式的示意图；
111.图6为本技术实施例所提供的样本分析仪的示意图；
112.图7为本技术实施例所提供的一种单溶血通道血液检测设备的示意图；
113.图8为本技术实施例所提供的一种单溶血通道血液检测设备中检测装置的示意图。
具体实施方式
114.本发明实施例提供一种样本分析仪、方法、设备及介质，用于解决核红细胞检测效率低下的问题。
115.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
116.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限
于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
117.人体外周血或体液中含有的血细胞通常为成熟的血细胞，某些情况下，血液中会出现未成熟的血细胞，例如有核红细胞(nucleated red blood cell，nrbc)，对未成熟血细胞的检测为血液的科学研究提供有用的参考。例如，有核红细胞的计数可以反映骨髓红细胞的生成功能。
118.当前，为了实现对有核红细胞的计数，需要通过专用的试剂对血液样本进行处理得到专用于检测有核红细胞的血液试液，之后通过专用仪器对该血液试液进行分析，才能实现对有核红细胞的计数。由于当前有核红细胞的检测需要耗费专用的试剂与检测设备，相当于对有核红细胞需要开辟一个专用的检测流程，这造成了血液检测效率的下降。
119.因此，为解决上述问题，本技术实施例提供一种样本分析方法，能够通过深度学习算法快速地检测血液试液中的有核红细胞计数，从而提升血液分析过程中有核红细胞的检测效率。为便于理解，以下结合附图，对本技术实施例所提供的方法进行详细说明。
120.请参阅图1，如图1所示，本技术实施例一所提供的样本分析方法，包括以下步骤。
121.101.通过目标试剂对血液样本进行溶血处理以得到血液试液。
122.本实施例中，目标试剂用于溶解血液样本中的红细胞。可选地，该血液样本可以是从人体抽取的血液样本，也可以是从人体抽取的其他体液样本，对此本技术实施例并不进行限定。该目标试剂可以为白细胞分类(diff)溶血剂。
123.需要说明的是，经过diff溶血剂对血液样本的处理，所得到的血液试液中包括白细胞、淋巴细胞、中性粒细胞和血影粒子，其中，血影粒子为血液试液中的红细胞和血小板经diff溶血剂溶血处理后得到的粒子。
124.102.通过检测光照射血液试液中的多个细胞得到多组第一光信息。
125.本实施例中，血细胞逐个通过光学检测区，从而使得检测光逐个照射血液试液中的血细胞，其中，检测光每照射血液试液中的一个血细胞，得到一组第一光信息。第一光信息包括检测光照射血液试液中的血细胞后产生的至少两种光信号，
126.可选地，第一光信息所包括的至少两种光信号可以为散射光信号，该散射光信号包括高角度散射光、中角度散射光或低角度散射光，其中，这些散射光信号为检测光照射血细胞后获得得不同角度的散射光。
127.103.根据多组第一光信息获取第一散点数据。
128.本实施例中，第一散点数据包括血液试液中多个血细胞与其对应第一光信息的第一关联关系。
129.需要说明的是，该第一散点数据可以为两种不同的形式，分别为1.三维散点图或2.二维散点图。为便于理解，以下分别对此两种情况进行说明。
130.1.三维散点图。
131.请参阅图2a，如图2a所示，本种实现方式中，三维散点图的三个坐标轴分别对应高角度散射光、中角度散射光和低角度散射光的强度值，三维散点图中的每个点对应满足当前散射光信号强度值的血细胞数量。
132.例如，图2a中的点a(201)，该点a(201)对应的高角度散射光强度值为3，中角度散射光强度值为2，低角度散射光强度值为1，点a的数值为15，则意味着满足条件：高角度散射
光强度值为3，中角度散射光强度值为2且低角度散射光强度值为1的血细胞数量为15个。
133.2.二维散点图。
134.本种实现方式中，二维散点图的两个坐标轴分别对应高角度散射光、中角度散射光或低角度散射光中任意两种散射光的强度值，二维散点图中的每个点对应满足当前散射光信号强度值的血细胞数量。
135.具体工作过程中，可以只生成一个二维散点图，该二维散点图中的两个坐标轴对应高角度散射光、中角度散射光或低角度散射光中任意两种散射光的强度值。可选地，也可以生成两个二维散点图，该两个二维散点图中，一个坐标轴对应高角度散射光、中角度散射光或低角度散射光中任意一种的强度值，另一个坐标轴分别对应剩余两种散射光的强度值。
136.例如，请参阅图2b，图2b给出了只生成一个二维散点图的例子，如图2b所示，该二维散点图的横坐标对应高角度散射光ss的强度值，纵坐标对应低角度散射光fs的强度值，该二维散点图中的每个点对应满足当前散射光信号强度值的血细胞数量。例如图2b中的点a(202)，对应的纵坐标为4，横坐标为3，点a(202)的数值为20，则意味着，在当前血液样本中，满足高角度散射光强度为4,且低角度散射光强度为3的血细胞数量为20个。
137.需要说明的是，本实施例全文中关于散点图的描述只是一种举例，具体工作过程中，散点图是细胞的各信号强度分布的图形形式，是呈现连续变量概率分布的常见形式。可选地，该散点图也可以是表格或列表的数字形式呈现，或者采用任何本领域已知的其他适合的方式呈现。因此，为了本公开的目的，上述散点图可以被用于指代散点分布数据，而不受其图形呈现形式的局限。
138.104.根据第一散点数据将白细胞划分为至少三种类别。
139.本实施例中，由于当前血液试液为经过diff溶血剂(白细胞分类溶血剂)处理过的试液，基于该血液试液所得到的散点图可以直接获取白细胞的计数，并对白细胞的种类进行划分。
140.本实施例中，第一散点数据的具体实现方式可以是上述步骤所述的任意一种，基于该第一散点数据中散射光信号的不同，可以将白细胞划分为至少三种不同的类别。例如，利用高角度散射光和低角度散射光的不同，可以将白细胞至少识别为淋巴细胞、单核细胞和中性粒细胞这三类。
141.需要说明的是，由于当前血液试液仅经过diff溶血剂处理，因此只能在第一散点数据中对白细胞进行分类计数，而对于有核红细胞的计数则无法进行，原因在于，有核红细胞在第一散点数据中的分布区域与其他粒子团所在的区域可能产生交叠。传统的粒子计数方法需要先对粒子群进行划分，但在这种粒子存在交叠的情况下，粒子群的划分很容易出现错误，因此不能对有核红细胞进行计数。按照传统方法，需要使用专用的试剂和仪器对血液样本进行处理后，才能对有核红细胞进行计数，这降低了有核红细胞检测的效率。
142.而本技术实施例为了解决此问题，提供了以下解决方式。
143.105.通过深度学习算法对第一散点数据进行分析，以获取血液试液中有核红细胞的计数。
144.本实施例中，由于血液试液仅经过diff溶血剂处理，第一散点数据中有核红细胞的分布区域与其他粒子团所在的区域可能产生交叠，这对有核红细胞的计数造成了障碍，
对此，本技术实施例通过深度学习算法的方式，实现了对有核红细胞进行分类计数，从而不需要采用额外的试剂，只使用一个反应池，只进行一次溶血反应，即可高效快速地同时得到白细胞的分类计数结果和有核红细胞的计数结果，大大提升了有核红细胞的检测效率。
145.可选地，在将第一散点数据输入深度学习算法之前，为使得深度学习算法更好地处理第一散点数据中的数据点，可以对第一散点数据进行数学处理，以使得第一散点数据的至少部分数据点之间的距离值增加。
146.可选地，为了提升至少部分数据点之间的距离值，可以对数据点对应的数值进行非线性数学函数，例如log化处理，优选地，可以仅对第一散点数据的散点图中某一坐标轴的数据进行log化处理，也可以对散点图中所有坐标轴数据的数据进行log化处理。
147.优选地，在log化处理的过程中，可以仅对第一散点数据的部分数据点进行log化处理，例如，通过log化处理使得血影粒子团所在区域的粒子的数据点之间的距离值变大。而信号强度大的区域粒子间的距离的缩小程度控制在能接受的范围内。由此，能够使得深度学习算法能够更准确地识别和处理第一散点数据中的数据，在后期的ai预测中达到更满意的预测效果。
148.需要说明的是，在具体工作过程中是，需要通过以下方式提前对深度学习方法进行训练，包括以下步骤。
149.1.通过检测光照射血液样本液中的多个血细胞得到多组第二光信息。
150.本实施例，第二光信息包括检测光照射血液样本液中的血细胞后产生的至少两种光信号，检测光照射血液样本液中的一个血细胞，得到一组第二光信息，血液样本液为已知有核红细胞计数的训练样本。
151.可选地，第二光信息所包括的至少两种光信号可以为散射光信号，该散射光信号包括高角度散射光、中角度散射光或低角度散射光，其中，这些散射光信号为检测光照射血细胞后获得得不同角度的散射光。
152.2.根据多组第二光信息获取第二散点数据。
153.本实施例中，第二散点数据包括血液样本液中血细胞与对应第二光信息的第二关联关系。需要说明的是，第二散点数据可以为二维散点图或三维散点图，具体实现方式可参阅前述步骤103，此处不再赘述。
154.3.将第二散点数据和血液样本液的有核红细胞计数输入深度学习算法，以使得深度学习算法学习第二散点数据与有核红细胞计数的目标对应关系。
155.本实施例中，第二散点数据为通过目标试剂，即diff溶血剂处理得到的散点数据，传统的方式无法从第二散点数据中确定有核红细胞的计数，而方式中通过已知有核红细胞计数的血液样本液作为训练素材，使得深度学习算法知晓当前第二散点数据与有核红细胞计数的对应关系。
156.4.向深度学习分析装置发送深度学习算法。
157.本实施例中，将训练好的深度学习算法发送给深度学习分析装置，以使得深度学习分析装置能够根据该深度学习算法对待测的散点数据进行分析，从而根据散点数据确定有核红细胞的计数。
158.上述步骤1至3为深度学习算法的一轮训练方式，具体工作过程中，可以通过多轮训练的方式，通过多份不同已知有核红细胞计数的血液样本试液所得到的散点数据，向深
度学习算法输入多组不同散点数据与有核红细胞计数的对应关系，从而使得深度学习算法能够学习到不同散点数据对应的有核红细胞计数的目标对应关系。
159.由此，经过上述训练所得到的深度学习算法，深度学习算法对第一散点数据进行分析的具体方式为：通过深度学习算法基于目标对应关系获取与第一散点数据对应的有核红细胞计数。
160.本实施例，通过对深度学习算法进行训练，使得深度学习算法学习到diff溶血剂处理的血液样本液中不同散点数据与有核红细胞计数的对应关系，从而使得深度学习算法能够根据该对应关系预测血液试液的第一散点数据中的有核红细胞计数，由此通过深度学习算法的方式，仅通过diff溶血剂对血液试液进行处理，即，只使用一个反应池，只进行一次溶血反应，即可同时知道血液试液中白细胞的分类计数及有核红细胞的计数。提升了有核红细胞的检测效率。
161.可选地，图3示出了深度学习算法的一种训练过程，检测光照射血液样本液体得到第二光信息301，该第二光信息301中包括的至少两种光信号为脉冲信号，为了适应不同仪器之间信噪比的差异导致信号差异，需要提升信号的噪声，具体地，可以在第二光信息301中加入随机增益和噪声302，之后根据该第二光信息301获取第二散点数据303，再将该第二散点数据303输入到深度学习算法304中学习，从而使得深度学习算法304学习到第二散点数据与有核红细胞计数的对应关系305。
162.需要说明的是，在上述散点数据生成的过程中，上述散点图中包括淋巴细胞、中性粒细胞和血影粒子的光学数据。与此不同的是，在传统的diff检测方式中，通过diff溶血剂处理过的血液试液仅用于白细胞的计数分类，因此在传统方法中，对于经diff溶血剂处理的血液试液所生成的散点图，血影粒子的散点数据是没有意义的。而在本技术实施例中，由于需要通过深度学习算法在经diff溶血剂处理的血液试液的散点图中确定有核红细胞的计数，根据实验结果表明，血影粒子光学数据的存在，能够提升深度学习算法检测的精确性。因此需要在第一散点数据中保留血影粒子的数据。即上述散点图包括淋巴细胞、中性粒细胞和血影粒子的光学数据。
163.106.当核红细胞的计数大于或等于预设值时发出报警信息。
164.本实施例中，由于血液试液中的有核红细胞计数为深度学习算法根据第一散点数据获取的，具有较高的精确度。当深度学习算法所获取的有核红细胞计数大于或等于预设值时，发出报警信息，从而使得用户知晓当前血液试液中有核红细胞超标。由于有核红细胞的技术为深度学习算法求得的具体数值，而不是仅根据散点图进行的预估，因此该种报警方式相对传统方式具有更高的精确性。
165.本技术实施例一所提供的样本分析方法，包括：通过检测光照射血液试液中的多个细胞得到多组第一光信息，第一光信息包括检测光照射血液试液中的血细胞后产生的高角度散射光、中角度散射光或低角度散射光中的至少两种光信号。之后根据多组第一光信息获取第一散点数据，再通过深度学习算法对第一散点数据进行分析，以获取血液试液中有核红细胞的计数，有核红细胞为血细胞的一种。从而通过深度学习算法实现了对样本的快速分析，提升了有核红细胞的检测效率。
166.需要说明的是，上述实施例一所提供的方法适用于仅能检测散射光的设备，基于该种检测设备，通过本方法能够同时实现白细胞的三分类、白细胞计数及有核红细胞的计
数。对于一些可以对荧光信号进行检测设设备而言，还可以更精确地对白细胞进行四分类，从而进一步提升检测的精准性，为便于理解，以下对此种实施例进行详细说明。
167.请参阅图4，如图4所示，本技术实施例二所提供的样本分析方法，包括以下步骤。
168.401.通过目标试剂和荧光试剂对血液样本进行处理以得到血液试液。
169.本实施例中，该血液样本可以是从人体抽取的血液样本，也可以是从人体抽取的其他体液样本，对此本技术实施例并不进行限定。目标试剂用于溶解血液样本中的红细胞，可选地，该目标试剂可以为diff溶血剂。该荧光试剂用于对血液样本进行荧光染色。
170.需要说明的是，经过diff溶血剂对血液样本的处理，所得到的血液试液中包括白细胞、淋巴细胞、中性粒细胞和血影粒子，其中，血影粒子为血液试液中的红细胞和血小板经diff溶血剂溶血处理后得到的粒子。
171.402.通过检测光照射血液试液中的多个细胞得到多组第一光信息。
172.本实施例中，血细胞逐个通过光学检测区，从而使得检测光逐个照射血液试液中的血细胞，其中，检测光每照射血液试液中的一个血细胞，得到一组第一光信息。第一光信息包括检测光照射血液试液中的血细胞后产生的至少两种光信号，
173.可选地，第一光信息所包括的至少两种光信号可以包括散射光信号和荧光信号。其中，该散射光信号包括高角度散射光、中角度散射光或低角度散射光，这些散射光信号为检测光照射血细胞后获得得不同角度的散射光。荧光信号为检测光照射被荧光试剂染色后的血液试液所得到的信号。
174.403.根据多组第一光信息获取第一散点数据。
175.本实施例中，第一散点数据包括血液试液中多个血细胞与其对应第一光信息的第一关联关系。
176.需要说明的是，该第一散点数据可以为两种不同的形式，分别为1.三维散点图或2.二维散点图。为便于理解，以下分别对此两种情况进行说明。
177.1.三维散点图。
178.本种实现方式中，三维散点图的第一坐标轴对应荧光信号的强度值，三维散点图的第二坐标轴和第三坐标轴分别对应高角度散射光、中角度散射光或低角度散射光中任意两种散射光的强度值，三维散点图中的每个点对应满足当前光信号强度值的血细胞数量。
179.例如，图5a示出了一种三维散点图的工作方式，如图5a所示，三维散点图的第一坐标轴对应荧光信号的强度值，第二坐标轴对应高角度散射光的强度值，第三坐标轴对应低角度散射光的强度值。在图5a的散点图中包括一个点a(501)，该点a(501)对应的高角度散射光强度值为2，低角度散射光强度值为1，荧光信号强度值为3，点a的数值为15。则意味着满足条件：高角度散射光强度值为3，低角度散射光强度值为1且荧光信号强度值为2的血细胞数量为15个。
180.2.二维散点图。
181.本种实现方式中，二维散点图的第一坐标轴对应荧光信号的强度值，二维散点图的第二坐标轴对应高角度散射光、中角度散射光或低角度散射光中任意一种散射光的强度值，二维散点图中的每个点对应满足当前光信号强度值的血细胞数量。
182.具体工作过程中，可以只生成一个二维散点图，该二维散点图中的两个坐标轴对应荧光信号，以及高角度散射光、中角度散射光或低角度散射光中任意一种散射光的强度
值。优选地，也可以生成两个二维散点图，该两个二维散点图中，一个坐标轴对应荧光信号的强度值，另一个坐标轴对应高角度散射光、中角度散射光或低角度散射光中任意一种的强度值。
183.优选方案如图5b所示，第一散点数据包括两个二维散点图，其中，第一个二维散点图502的两个坐标轴分别对应荧光信号和低角度散射光的强度值，第二个二维散点图503的两个坐标轴分别对应荧光信号和高角度散射光的强度值。此种方式相对三维散点图而言数据计算量更小，同时相对于仅提供一个二维散点图的方案，准确性更高。从而在降低设备计算能力要求的情况下，达到了计算量和准确性的平衡。进一步地，根据实验结果表明，采用“荧光信号 低角度散射光”及“荧光信号 高角度散射光”这两组二维散点图，能够进一步提升后续检测的准确性。
184.可选地，为使得深度学习算法更好地处理第一散点数据中的数据点，可以对第一散点数据进行数学处理，以使得第一散点数据的至少部分数据点之间的距离值增加。
185.例如，可以对第一散点数据中数据点对应的数值进行非线性数学函数，例如log化处理，优选地，可以仅对第一散点数据的散点图中某一坐标轴的数据进行log化处理，也可以对散点图中所有坐标轴数据的数据进行log化处理。例如，可以在图5b所示的两个二维散点图中，在“荧光信号 低角度散射光”的二维散点图中，低角度散射光的强度值使用原始数据，而对于荧光信号的强度值进行log处理。和/或，在“荧光信号 高角度散射光”中，对两个坐标轴的数据均进行log话处理。经过试验发现，通过对光信息的强度数据进行离散化处理能够提升后续检测的精度，而对于低角度散射光，使用原始数据(不进行log化处理)所得到的检测效果更好。
186.进一步地，在log化处理的过程中，可以仅对第一散点数据的部分数据点进行log化处理，例如，通过log化处理使得血影粒子团所在区域的粒子的数据点之间的距离值变大。而信号强度大的区域粒子间的距离的缩小程度控制在能接受的范围内。由此，能够使得深度学习算法能够更准确地识别和处理第一散点数据中的数据，在后期的ai预测中达到更满意的预测效果。
187.404.根据第一散点数据中散射光信号和荧光信号的不同将血液试液中的白细胞划分为至少四种类别，其中，该至少四种类别包括淋巴细胞、单核细胞、中性粒细胞(含嗜碱性粒细胞)以及嗜酸性粒细胞。
188.本实施例中，由于当前血液试液为经过diff溶血剂(白细胞分类溶血剂)处理过的试液，基于该血液试液所得到的散点图可以直接获取白细胞的计数。且由于当前血液试液还经过荧光试剂的染色处理，因此根据所获取的散射光信号和荧光信号可以进一步对白细胞进行更精确的分类，从而将血液试液中的白细胞分为至少四种类别。
189.需要说明的是，由于当前血液试液仅经过diff溶血剂处理，因此只能在第一散点数据中对白细胞进行分类计数，而对于有核红细胞的计数则无法进行，原因在于，有核红细胞在第一散点数据中的分布区域与其他粒子团所在的区域可能产生交叠。传统的粒子计数方法需要先对粒子群进行划分，但在这种粒子存在交叠的情况下，粒子群的划分很容易出现错误，因此不能对有核红细胞进行计数。按照传统方法，需要使用专用的试剂和仪器对血液样本进行处理后，才能对有核红细胞进行计数，这降低了有核红细胞检测的效率。
190.为了解决这个问题，本技术实施例引入了深度学习算法，步骤405和406的具体工
作方式可参阅前述步骤105至106，此处不再赘述。
191.需要说明的是，在上述散点数据生成的过程中，上述散点图中包括淋巴细胞、中性粒细胞和血影粒子的光学数据。与此不同的是，在传统的diff检测方式中，通过diff溶血剂处理过的血液试液仅用于白细胞的计数分类，因此在传统方法中，对于经diff溶血剂处理的血液试液所生成的散点图，血影粒子的散点数据是没有意义的。而在本技术实施例中，由于需要通过深度学习算法在经diff溶血剂处理的血液试液的散点图中确定有核红细胞的计数，根据实验结果表明，血影粒子光学数据的存在，能够提升深度学习算法检测的精确性。因此需要在第一散点数据中保留血影粒子的数据。即上述散点图包括淋巴细胞、中性粒细胞和血影粒子的光学数据。
192.作为一种优选地方案，虽然不希望受理论约束，申请人在深入研究中发现，在如图5b所示的两个二维散点图中，第一个二维散点图502中包含血影粒子的散点数据504，第二个二维散点图503不包含血影粒子的散点数据，此种方式能够使得深度学习算法得到更佳的预测效果。
193.本技术实施例二所提供的样本分析方法，包括：通过检测光照射血液试液中的多个细胞得到多组第一光信息，第一光信息包括检测光照射血液试液中的血细胞后产生的荧光信号，以及高角度散射光、中角度散射光或低角度散射光中的至少一种光信号。之后根据多组第一光信息获取第一散点数据，再通过深度学习算法对第一散点数据进行分析，以获取血液试液中有核红细胞的计数，有核红细胞为血细胞的一种。从而通过深度学习算法实现了对样本的快速分析，提升了有核红细胞的检测效率。同时，通过引入荧光信号，提升了白细胞分类的精确性。
194.为保证上述方法能够被执行，本技术实施例还提供一种样本分析仪，用于实现本技术实施例所提供的样本分析方法，请参阅图6，图6为本技术实施例所提供的样本分析仪的示意图，如图6所示，本技术实施例所提供的样本分析仪包括。
195.采样装置601，该采用装置具有带吸移管嘴的吸移管(例如采样针)并且具有驱动部，该驱动部用于驱动所述吸移管通过所述吸移管嘴定量吸取待测血液样本，例如采样针在驱动部的驱动下移动到从装有血液样本的样本容器中吸取待测血液样本。
196.样本制备装置602，包括至少一个反应池及与反应池相连的试剂供应装置，反应池用于接收采样装置601吸取的血液样本以及试剂供应装置提供的目标试剂，以通过目标试剂对血液样本进行溶血处理以得到血液试液，目标试剂用于溶解血液样本中的红细胞。可选地，若该样本分析设备能够支持荧光信号点饿分析，该试剂供应装置还提供荧光试剂，以对血液样本进行荧光染色。
197.需要说明的是，血液试液中的血细胞还包括：淋巴细胞、中性粒细胞和血影粒子，血影粒子为血液试液中的红细胞和血小板经溶血处理后得到的粒子。
198.检测装置603，包括光学流动室、光源和检测器，光学流动室内有血液试液，光源用于发出检测光，检测器用于获取检测光照射血液试液中的多个细胞得到的多组第一光信息，第一光信息包括检测光照射血液试液中的血细胞后产生的至少两种光信号，光源发出的检测光照射血液试液中的一个血细胞，检测器得到一组第一光信息。可选地，检测器获取的第一光信息包括检测光照射白细胞及血影粒子后分别产生的至少两种光信号。
199.检测装置603中的检测器还用于，根据多组第一光信息获取第一散点数据，第一散
点数据包括血液试液中多个血细胞与其对应第一光信息的第一关联关系。
200.进一步地，检测装置603还用于：根据第一散点数据对血液试液中的白细胞进行分类。
201.需要说明的是，上述第一光信息的至少两种光信号可以包括散射光信号或荧光信号。其中，检测装置603可以根据散射光信号的不同将白细胞划分为至少三种类别。或者，检测装置603可以根据散射光信号和荧光信号的不同将白细胞划分为至少四种类别。进一步地，检测装置603根据第一光信息生成第一散点数据，该第一散点数据可以是三维散点图或二维散点图，且检测装置603还对第一散点数据中的数据点进行数学处理，以使得第一散点数据的至少部分数据点之间的距离值增加。上述具体实现方式可参阅前述记载，此处不再赘述。
202.深度学习分析装置604，用于通过深度学习算法对检测器生成的第一散点数据进行分析，以获取血液试液中有核红细胞的计数，有核红细胞为血细胞的一种。
203.需要说明的是，该深度学习分析装置604中所运用的深度学习算法需要经过深度学习训练装置的训练，深度学习训练装置具体的训练方式可参阅前述记载，此处不再赘述。
204.进一步地，深度学习分析装置604与深度学习训练装置可以是独立的两个装置，也可以集成在同一个装置中，对此本技术实施例并不进行限定。
205.需要说明的是，该深度学习训练装置可以是样本分析仪中内置的一个装置。可选地，该深度学习训练装置也可以是与样本分析仪互相独立的装置。具体工作过程中，深度学习训练装置对深度学习算法进行训练，然后将训练好的深度学习算法再导入样本分析仪中使用。
206.可选地，该分析仪还包括处理器605和报警装置606，该处理器605用于：在检测装置603生成的第二光信息中加入噪声。该报警装置606用于：当有核红细胞的计数大于或等于预设值时，发出报警信息。这些装置的具体工作方法可参阅前述记载，此处不再赘述。
207.可选地，该分析仪还设置有显示装置607，显示装置607中包括用户界面，用于显示检测装置603和深度学习生产的检测结果，以及报警装置606生成的报警信息。同时，用户还可以通过该用户界面输入用户指令。
208.需要说明的是，通过本技术实施例所提供的上述样本分析仪执行本技术实施例所提供的上述样本分析方法，能够得到一种单溶血通道血液检测设备，使用一种目标试剂对血液样本进行处理后，即可同时得到白细胞分类计数和有核红细胞的计数。具体工作过程中，单溶血通道血液检测设备可以分为能够分为两种，分别为一、对散射光信号进行检测的单溶血通道血液检测设备。二、对散射光信号和荧光信号进行检测的单溶血通道血液检测设备。为便于理解，以下对此两种设备进行详细说明。
209.一、对散射光信号进行检测的单溶血通道血液检测设备。
210.请参阅图7，如图7所示，本技术实施例所提供的一种单溶血通道血液检测设备包括。
211.采样装置701，采样装置701包括吸移管嘴、吸移管和驱动部，驱动部用于驱动吸移管通过吸移管嘴定量吸取血液样本；
212.样本制备装置702，样本制备装置702包括反应池和试剂供应模块，反应池用于接收由采样装置701吸取的血液样本，试剂供应模块用于将目标试剂提供给反应池，以使血液
样本与目标试剂在反应池中混合，目标试剂用于溶解待测血液样本中的红细胞以得到血液试液；
213.检测装置703，检测装置703包括光学检测模块，光学检测模块用于通过检测光照射样本制备装置702制备的血液试液中的多个血细胞以得到多组第一光信息，第一光信息包括检测光照射血液试液中的血细胞后产生的高角度散射光信号、中角度散射光信号和/或低角度散射光信号中的至少两种，检测光照射血液试液中的一个血细胞，得到一组第一光信息；
214.需要说明的是，如图8所示，检测装置703具有依次布置在一条直线上的光源801、光束整形组件802、流动室803和前向散射光检测器804。在流动室803的一侧，与该直线成45
°
角布置有二向色镜806。通过流动室803中的血细胞发出的侧向光，一部分透过二向色镜806并且被与二向色镜806成45
°
角布置在二向色镜806后面的荧光检测器805捕获，而另一部分侧向光被二向色镜806反射，被与二向色镜806成45
°
角布置在二向色镜806前面的侧向散射光检测器807捕获。根据由前向散射光检测器804捕获的前向散射光信号、由侧向散射光检测器807捕获的侧向散射光信号和由荧光检测器805捕获的荧光信号，可以对血液样本中的白细胞进行计数和分类，例如可以将白细胞至少分类为中性粒细胞、淋巴细胞和单核细胞，可选地可进一步检测血液样本中的血小板参数、例如获得血小板数量。
215.该设备还包括处理器706和通信接口(图中未标出)，处理器706用于根据多组第一光信息获取第一散点数据，第一散点数据包括血液试液中血细胞与对应高角度散射光信号、中角度散射光信号和/或低角度散射光信号的强度信息的第一关联关系；通信接口用于将第一散点数据发送给深度学习分析装置；
216.检测装置703中的处理器，还用于根据高角度散射光信号、中角度散射光信号和/或低角度散射光信号的不同将血液试液中的白细胞划分为至少三种类别，白细胞为血细胞中的一种。
217.深度学习分析装置(图中未标出)，用于通过深度学习算法对控制装置生成的第一散点数据进行分析，以获取血液试液中有核红细胞的计数，有核红细胞为血细胞的一种。
218.在一些实施例中，如图7所示，单溶血通道血液检测设备还包括第一机壳704和第二机壳705。检测装置703和控制装置150设置在第二机壳705的内部，分别设置在第二机壳705两侧。样本制备装置702设置在第一机壳704的内部。显示装置707设置在第一机壳704的外表面。该显示装置707用于显示检测结果。
219.在一些实施例中，单溶血通道血液检测设备还包括血液样本分配装置(未示出)，血液样本分配装置用于将由采样装置701所吸取的待测血液样本分为不同的至少两部分血液样本，以用于制备检测不同血常规参数的待测样本液。例如，血液样本分配装置用于将待测血液样本分为第一部分血液样本和第二部分血液样本，用于白细胞检测的第一待测样本液由第一部分血液样本和白细胞试剂制备而成，用于红细胞检测的第二待测样本液由第二部分血液样本和红细胞试剂制备而成，用于血红蛋白检测的第三待测样本液可选地由第一部分血液样本或第二部分血液样本和血红蛋白试剂制备而成。备选地，血液样本分配装置用于将待测血液样本分为第一部分血液样本、第二部分血液样本和第三部分血液样本，用于白细胞检测的第一待测样本液由第一部分血液样本和白细胞试剂制备而成，用于红细胞检测的第二待测样本液由第二部分血液样本和红细胞试剂制备而成，用于血红蛋白检测的
第三待测样本液由第三部分血液样本和血红蛋白试剂制备而成。血液样本分配装置例如可以构造为分血阀。可选地，血液样本分配装置也可以为采样装置701的采样针，在该情况下，采样装置701的驱动部驱动采样针运动到样本制备装置702的不同反应池的位置，以分别将待测血液样本的一部分分配至不同的反应池中与相应的处理试剂进行反应。
220.本技术实施例提供的第一种单溶血通道血液检测设备，通过检测光照射血液试液得到散射光信号，并将该散射光信号转化为散点数据后，根据散点数据确定血液试液装的白细胞计数，并对白细胞进行至少三分类，并根据散点数据获取白细胞的计数值。之后通过深度学习算法对散点数据进行分析从而确定血液试液中的有核红细胞计数。从而实现了在用一种检测试剂处理血液样本进行的一次检测中同时实现了有核红细胞的计数、白细胞的计数及白细胞至少三分类，因此这样的血液分析仪，就可以只有一个反应池，只进行一次溶血反应。
221.二、对散射光信号和荧光信号进行检测的单溶血通道血液检测设备。
222.本技术实施例所提供的另一种单溶血通道血液检测设备包括。
223.采样装置，采样装置包括吸移管嘴、吸移管和驱动部，驱动部用于驱动吸移管通过吸移管嘴定量吸取血液样本；
224.样本制备装置，样本制备装置包括反应池和试剂供应模块，反应池用于接收由采样装置吸取的血液样本，试剂供应模块用于将目标试剂和荧光试剂提供给反应池，以使血液样本与目标试剂盒荧光试剂在反应池中混合，目标试剂用于溶解待测血液样本中的红细胞，荧光试剂用于对血液样本进行荧光染色，以得到血液试液；
225.检测装置，检测装置包括光学检测模块，光学检测模块用于通过检测光照射样本制备装置制备的血液试液中的多个血细胞以得到多组第一光信息，第一光信息包括检测光照射血液试液中的血细胞后产生的荧光信号，以及高角度散射光信号、中角度散射光信号和/或低角度散射光信号中的至少一种，检测光照射血液试液中的一个血细胞，得到一组第一光信息；
226.检测装置还包括处理器和通信接口，处理器用于根据多组第一光信息获取第一散点数据，第一散点数据包括血液试液中血细胞与对应荧光信号，以及高角度散射光信号、中角度散射光信号和/或低角度散射光信号的第一关联关系；通信接口用于将第一散点数据发送给深度学习分析装置；
227.检测装置中的处理器，还用于根据荧光信号，以及前向散射光、侧向散射光和/或中向散射光的不同将血液试液中的白细胞划分为至少四种类别，白细胞为血细胞中的一种。
228.深度学习分析装置，用于通过深度学习算法对控制装置生成的第一散点数据进行分析，以获取血液试液中有核红细胞的计数，有核红细胞为血细胞的一种。
229.在一些实施例中，单溶血通道血液检测设备还包括血液样本分配装置，血液样本分配装置用于将由采样装置所吸取的待测血液样本分为不同的至少两部分血液样本，以用于制备检测不同血常规参数的待测样本液。例如，血液样本分配装置用于将待测血液样本分为第一部分血液样本和第二部分血液样本，用于白细胞检测的第一待测样本液由第一部分血液样本和白细胞试剂制备而成，用于红细胞检测的第二待测样本液由第二部分血液样本和红细胞试剂制备而成，用于血红蛋白检测的第三待测样本液可选地由第一部分血液样
本或第二部分血液样本和血红蛋白试剂制备而成。备选地，血液样本分配装置用于将待测血液样本分为第一部分血液样本、第二部分血液样本和第三部分血液样本，用于白细胞检测的第一待测样本液由第一部分血液样本和白细胞试剂制备而成，用于红细胞检测的第二待测样本液由第二部分血液样本和红细胞试剂制备而成，用于血红蛋白检测的第三待测样本液由第三部分血液样本和血红蛋白试剂制备而成。血液样本分配装置例如可以构造为分血阀。可选地，血液样本分配装置也可以为采样装置的采样针，在该情况下，采样装置的驱动部驱动采样针运动到样本制备装置的不同反应池的位置，以分别将待测血液样本的一部分分配至不同的反应池中与相应的处理试剂进行反应。
230.上述对散射光信号和荧光信号进行检测的单溶血通道血液检测设备的具体结构示意图可参阅图7。
231.本技术实施例提供的第二种单溶血通道血液检测设备，通过检测光照射血液试液得到散射光信号和荧光信号，并将该散射光信号和荧光信号转化为散点数据后，根据散点数据确定血液试液装的白细胞计数，并对白细胞进行至少四分类，并根据散点数据获取白细胞的计数值。之后通过深度学习算法对散点数据进行分析从而确定血液试液中的有核红细胞计数。从而实现了用一种检测试剂处理血液样本进行的一次检测中同时实现了有核红细胞的计数、白细胞的计数及白细胞四分类，因此这样的血液分析仪，就可以只有一个反应池，只进行一次溶血反应。
232.进一步地，本技术实施例还提供一种计算机可读存储介质，包括指令，当指令在计算机设备上运行时，使得计算机设备执行本技术实施例所提供的样本分析方法。
233.以上，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。