一种融合本征先验知识的荧光检测方法和系统

1.本发明属于荧光检测领域，具体涉及一种融合本征先验知识的荧光检测方法和系统。


背景技术：

2.传统的阵列式荧光光谱仪因缺乏融合目标分析物本征先验知识的模块，而缺乏更加针对性的目标分析物检测能力。本征先验知识可以帮助开发目标分析物专用快速无损检测仪器。先验知识是指先于经验的知识，可理解为已知信息。在对目标分析物进行快速检测的应用场景中，利用目标分析物的先验知识可以提高检测的准确性和检测速度。先验知识有很多表现形式，因此利用先验知识的方法有很多。现有的先验知识利用方法大致分为三类：一是利用先验知识约束模型参数或结构，二是利用先验知识约束数据驱动模型的正则项，三是将大致确定的输入输出映射关系作为先验模型加以利用。然而，现有的先验知识利用方法往往只是简单地对模型的参数或正则项等项目进行修正，这种修正一般在模型校正前或后进行，先验知识无法有机地融入模型校正过程中，先验知识的利用仍是一个“黑箱”过程；或者将比较模糊的输入输出映射关系简单地拟合成数学模型加以利用，而枉顾该数学模型的是否是目标分析物的本征先验知识。
3.微环境一定时，荧光衰减谱和分子的种类有关而和分子的浓度无关。因此荧光衰减谱是分子的本征光谱，具有唯一性。由于荧光发射是随机现象，因此荧光衰减符合随机分布模型。因此，以随机分布模型对荧光衰减谱进行的拟合既符合分子荧光衰减的数学规律，也符合分子荧光衰减的本征理化规律。拟合后的荧光衰减函数是一个关于时间的单变量函数，且荧光衰减谱是时间分辨荧光光谱的基本构成单元，因此在利用人工神经网络等模式识别方法对时间分辨荧光光谱进行处理时，分子的荧光衰减函数便成为一种本征先验知识，更适合作为人工神经网络等模式识别方法中的激励函数发挥作用。这为融合本征先验知识的阵列式荧光光谱仪的开发奠定了理论基础。


技术实现要素：

4.发明目的：本发明所要解决的技术问题是针对现有荧光检测技术的不足，提供一种融合本征先验知识的荧光检测方法和系统，以实现目标分析物更具针对性的检测，为工业快速无损检测设备提供支持。
5.为了实现上述目的，本发明采取的技术方案如下：
6.一种融合本征先验知识的荧光检测方法，包括如下步骤：
7.(1)荧光衰减谱测量波长的确定：
8.以目标分析物标准品为对象，用时间分辨荧光光谱仪采集目标分析物的时间分辨荧光光谱，获得所述目标分析物标准品的时间分辨荧光光谱，在所述目标分析物标准品的时间分辨荧光光谱中找到荧光峰的波长，即为荧光衰减谱测量波长；
9.(2)荧光衰减谱的采集：
10.以目标分析物最佳激发波长为激发波长，在所述荧光衰减谱测量波长处进行荧光衰减谱测量，以获得所述荧光衰减谱；
11.(3)荧光本征先验知识的获得：
12.对所述荧光衰减谱进行拟合计算获得荧光衰减函数，去除所述荧光衰减函数中的背景信号后获得所述荧光本征衰减函数，该荧光本征衰减函数即为所述目标分析物的荧光本征先验知识；
13.(4)荧光本征先验知识与人工神经网络的融合：
14.将所述荧光本征先验知识替换人工神经网络模式识别方法中的激励函数，完成所述荧光本征先验知识与人工神经网络的融合，以融合荧光本征先验知识的人工神经网络作为目标分析物的特征提取方法，从而完成对目标分析物的检测。
15.步骤(1)中，所述荧光衰减谱测量波长确定的具体过程为：在实验前将仪器预热，待其进入稳定状态后再测试，样品室保持恒温；用校正品校正仪器响应；激发波长为样品最佳激发波长；获得所述荧光衰减谱测量波长。
16.优选地，步骤(1)中，采用的波长间隔为1～2nm，时间分辨率为0.05ns；出、入射狭缝宽度为2nm。
17.步骤(2)中，所述荧光衰减谱采集的具体方法为：在实验测试前将仪器预热，待其进入稳定状态后再测试，样品室温度保持一定；校正品校正仪器响应；激发波长为所述目标分析物最佳激发波长，发射波长为所述荧光衰减谱测量波长；利用单光子计数法获得所述荧光衰减谱。
18.优选地，步骤(2)中，激发频率为1mhz；荧光峰值光子数为10000；时间范围为0～200ns；时间分辨率为0.05ns；出、入射狭缝宽度为2nm。
19.步骤(3)中，所述荧光本征先验知识的获得方法具体为：
20.对所述荧光衰减谱的拟合，通过以自然常数e为底数的指数拟合，拟合后获得所述荧光衰减函数，去除背景信号a后获得目标分析物的荧光本征衰减函数，该荧光本征衰减函数即为目标分析物的本征先验知识；
21.所述拟合函数为：
[0022][0023]
其中：i(t)为荧光强度；n为衰减通道的总数；i为指前因子；t为时间；τi为荧光寿命，单位ns；a为背景信号；
[0024]
所述目标分析物的荧光本征衰减函数为：
[0025][0026]
其中：i(t)为荧光强度；n为衰减通道的总数；i为指前因子；t为时间；τi为荧光寿命，单位ns。
[0027]
步骤(4)中，荧光本征先验知识与人工神经网络的融合的具体方法为：
[0028]
将所述荧光本征衰减函数替换人工神经网络隐含层中的部分激励函数，其余激励函数仍采用原激励函数，获得融合荧光本征先验知识的人工神经网络，采用该人工神经网
络用于特征光谱信号的筛选。
[0029]
进一步地，本发明还要求保护一种融合本征先验知识的荧光检测系统，通过阵列式荧光光谱仪采集目标分析物校正集的时间分辨荧光光谱，采用上述融合荧光本征先验知识的人工神经网络进行目标分析物光谱特征提取，采用模式识别方法对提取的目标分析物特征建立检测模型，完成所述融合荧光本征先验知识的目标分析物检测模型建立；将融合荧光本征先验知识的目标分析物检测模型写入芯片，将芯片嵌入工业用时间分辨荧光光谱仪，完成检测系统的开发。
[0030]
进一步地，所述的荧光检测系统包括目标分析物光谱信号通道模块、非目标分析物光谱信号通道模块、以及模型模块；
[0031]
所述目标分析物光谱信号通道模块对应所述目标分析物特征信号算法通道；所述非目标分析物光谱信号通道模块对应所述非目标分析物特征信号算法通道；模型模块对应目标分析物检测模型。
[0032]
优选地，所述目标分析物检测模型包括主成分回归、反向人工神经网络、平行因子分析等目标分析物检测模型。
[0033]
有益效果：
[0034]
(1)本发明利用标准品的荧光衰减谱，通过符合数理和物理规律的方法提取了目标分析物的本征先验知识，建立了一套融合荧光本征先验知识的目标分析物检测方法，为荧光本征先验知识的综合利用提供一种途径。
[0035]
(2)本发明将融合荧光本征先验知识的目标分析物检测模型方法植入了时间分辨荧光光谱仪，开发了一种工业上实用的检测系统，实现了目标分析物更具针对性的检测，为工业快速无损检测设备提供支持。
附图说明
[0036]
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0037]
图1为融合荧光本征先验知识的人工神经网络。
[0038]
图2为模型芯片和融合本征先验知识的阵列式荧光光谱仪。
[0039]
图3为b[a]a的时间分辨荧光光谱。
[0040]
图4为b[a]a在440nm波长处的荧光衰减谱。
[0041]
图5为融合b[a]a荧光本征先验知识的深层自编码网络。
[0042]
图6为b[a]a模型芯片和融合b[a]a本征先验知识的阵列式荧光光谱仪。
[0043]
图7为融合b[a]a本征先验知识的阵列式荧光光谱仪实时监测食用植物油工业生产中b[a]a的工业应用技术方案。
具体实施方式
[0044]
根据下述实施例，可以更好地理解本发明。
[0045]
本发明融合本征先验知识的荧光检测方法，包括如下步骤：
[0046]
(1)荧光衰减谱测量波长的确定：
[0047]
以目标分析物标准品为对象，用时间分辨荧光光谱仪采集目标分析物的时间分辨
荧光光谱，获得所述目标分析物标准品的时间分辨荧光光谱，在所述目标分析物标准品的时间分辨荧光光谱中找到荧光峰的波长，即为荧光衰减谱测量波长；
[0048]
(2)荧光衰减谱的采集：
[0049]
以目标分析物最佳激发波长为激发波长，在所述荧光衰减谱测量波长处进行荧光衰减谱测量，以获得所述荧光衰减谱；
[0050]
(3)荧光本征先验知识的获得：
[0051]
对所述荧光衰减谱进行拟合计算获得荧光衰减函数，去除所述荧光衰减函数中的背景信号后获得所述荧光本征衰减函数，该荧光本征衰减函数即为所述目标分析物的荧光本征先验知识；
[0052]
(4)荧光本征先验知识与人工神经网络的融合：
[0053]
将所述荧光本征先验知识替换人工神经网络模式识别方法中的激励函数，完成所述荧光本征先验知识与人工神经网络的融合，以融合荧光本征先验知识的人工神经网络作为目标分析物的特征提取方法，从而完成对目标分析物的检测。
[0054]
步骤(1)中，所述荧光衰减谱测量波长确定的具体过程为：在实验前将仪器预热，待其进入稳定状态后再测试，样品室保持恒温；用校正品校正仪器响应；激发波长为样品最佳激发波长；获得所述荧光衰减谱测量波长。采用的波长间隔为1～2nm，时间分辨率为0.05ns；出、入射狭缝宽度为2nm。
[0055]
步骤(2)中，所述荧光衰减谱采集的具体方法为：在实验测试前将仪器预热，待其进入稳定状态后再测试，样品室温度保持一定；校正品校正仪器响应；激发波长为所述目标分析物最佳激发波长，发射波长为所述荧光衰减谱测量波长；利用单光子计数法获得所述荧光衰减谱。激发频率为1mhz；荧光峰值光子数为10000；时间范围为0～200ns；时间分辨率为0.05ns；出、入射狭缝宽度为2nm。
[0056]
步骤(3)中，所述荧光本征先验知识的获得方法具体为：
[0057]
对所述荧光衰减谱的拟合，通过以自然常数e为底数的指数拟合，拟合后获得所述荧光衰减函数，去除背景信号a后获得目标分析物的荧光本征衰减函数，该荧光本征衰减函数即为目标分析物的本征先验知识；
[0058]
所述拟合函数为：
[0059][0060]
其中：i(t)为荧光强度；n为衰减通道的总数；i为指前因子；t为时间；τi为荧光寿命，单位ns；a为背景信号；
[0061]
所述目标分析物的荧光本征衰减函数为：
[0062][0063]
其中：i(t)为荧光强度；n为衰减通道的总数；i为指前因子；t为时间；τi为荧光寿命，单位ns。
[0064]
步骤(4)中，荧光本征先验知识与人工神经网络的融合的具体方法为：
[0065]
将所述荧光本征衰减函数替换人工神经网络隐含层中的部分激励函数，其余激励
函数仍采用原激励函数，获得融合荧光本征先验知识的人工神经网络，采用该人工神经网络用于特征光谱信号的筛选。
[0066]
图1为本发明融合荧光本征先验知识的人工神经网络。其中，目标分析物为目标分析物的本征先验知识，作为目标分析物特征信号算法通道；sigmoid为原激励函数，作为非目标分析物特征信号算法通道；n为光谱输入信号；yn为人工神经网络输出信号。
[0067]
在此基础之上，本发明还开发出一套融合本征先验知识的荧光检测系统，通过阵列式荧光光谱仪采集目标分析物校正集的时间分辨荧光光谱，采用上述融合荧光本征先验知识的人工神经网络进行目标分析物光谱特征提取，采用模式识别方法对提取的目标分析物特征建立检测模型，完成所述融合荧光本征先验知识的目标分析物检测模型建立；将融合荧光本征先验知识的目标分析物检测模型写入芯片，将芯片嵌入工业用时间分辨荧光光谱仪，完成检测系统的开发，如图2所示。荧光检测系统包括目标分析物光谱信号通道模块、非目标分析物光谱信号通道模块、以及模型模块。
[0068]
其中，目标分析物光谱信号通道模块对应所述目标分析物特征信号算法通道；所述非目标分析物光谱信号通道模块对应所述非目标分析物特征信号算法通道；模型模块对应主成分回归、反向人工神经网络、平行因子分析等目标分析物检测模型。
[0069]
实施例
[0070]
本实施实例为融合苯并[a]芘(b[a]a)本征先验知识的阵列式荧光光谱仪，用于食用植物油生产时b[a]a的快速检测，通过以下步骤实现：
[0071]
步骤一，荧光衰减谱测量波长的确定：在实验前将仪器预热，待其进入稳定状态后再测试，样品室温度保持25℃；二氧化硅水溶液校正仪器响应；激发波长为b[a]a的最佳激发波长370nm；时间分辨荧光光谱波长范围为380～700nm，时间范围为0～200ns；波长间隔为2nm，时间分辨率为0.05ns；出、入射狭缝宽度为2nm。以20μg/kg的b[a]a标准品的甘油三酯溶液为采集对象，用时间分辨荧光光谱仪采集b[a]a标准品的时间分辨荧光光谱，获得所述b[a]a标准品的时间分辨荧光光谱，在所述b[a]a标准品的时间分辨荧光光谱中找到荧光峰的波长为440nm，即为荧光衰减谱测量波长(图3)。
[0072]
步骤二，荧光衰减谱的采集：在实验测试前将仪器预热，待其进入稳定状态后再测试，样品室温度保持25℃；二氧化硅水溶液校正仪器响应；激发波长为b[a]a的最佳激发波长370nm，发射波长为所述荧光衰减谱测量波长440nm；激发频率为1mhz；荧光峰值光子数为10 000；时间范围为0～200ns；时间分辨率为0.05ns；出、入射狭缝宽度为2nm，利用单光子计数法获得b[a]a的荧光衰减谱(图4)。
[0073]
步骤三，荧光本征先验知识的获得：对所述b[a]a荧光衰减谱进行以自然常数e为底数的指数拟合，拟合后获得b[a]a的荧光衰减函数，去除背景信后获得b[a]a的荧光本征衰减函数，该荧光本征衰减函数即为b[a]a的本征先验知识。所述b[a]a的拟合函数结果为：
[0074][0075]
其中：i(t)为荧光强度。
[0076]
去除背景-0.22，得到所述b[a]a的荧光本征衰减函数为：
[0077]
[0078]
其中：i(t)为荧光强度。
[0079]
步骤四，融合荧光本征先验知识的人工神经网络：用所述b[a]a的荧光本征衰减函数替换隐含层层数为5，结构为500-300-100-300-500的深层自编码网络中每层1％的激励函数，其余激励函数仍采用原激励函数，从而完成b[a]a本征荧光先验知识与人工神经网络的融合，建立融合b[a]a荧光本征先验知识的深层自编码网络。
[0080]
步骤五，所述融合荧光本征先验知识的目标分析物检测模型建立具体为：通过阵列式荧光光谱仪采集b[a]a校正集的时间分辨荧光光谱，采用所述融合荧光本征先验知识的深层自编码网络进行b[a]a光谱特征提取，采用反向人工神经网络对提取的b[a]a光谱特征建立检测模型，完成所述融合荧光本征先验知识的b[a]a检测模型建立。
[0081]
步骤六，所述融合本征先验知识的阵列式荧光光谱检测系统开发具体为：将融合荧光本征先验知识的b[a]a检测模型写入模型芯片(图6)，所述芯片中包含3个模块：b[a]a光谱信号通道模块、非b[a]a信号通道模块、模型模块。所述b[a]a光谱信号通道模块对应所述b[a]a特征信号算法通道；所述非b[a]a光谱信号通道模块对应所述非b[a]a特征信号算法通道；模型模块对应反向人工神经网络，用于检测b[a]a。将所述芯片嵌入工业用时间分辨荧光光谱仪，完成融合b[a]a本征先验知识的阵列式荧光光谱检测系统的开发。
[0082]
将上述融合b[a]a本征先验知识的阵列式荧光光谱检测系统用于实时监测食用植物油工业生产时的污染物b[a]a。图7为融合b[a]a本征先验知识的阵列式光谱检测系统实时监测食用植物油工业生产中管道内的污染物b[a]a。具体为：将装有上述系统的阵列式荧光光谱仪置于管道上的监测位置收集生产管道中的食用植物油荧光信号，当荧光信号中存在b[a]a信号时，大量b[a]a信号通过所述b[a]a光谱信号通道模块进入所述模型模块，经过模型模块分析判断出流经管道的食用植物油中b[a]a含量。由于光谱仪中设置有b[a]a光谱信号通道模块，因此对目标分析物b[a]a的分析快速准确。
[0083]
本发明提供了一种融合本征先验知识的荧光检测方法和系统的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。