一种融合本征先验知识的荧光检测方法和系统

技术特征：
1.一种融合本征先验知识的荧光检测方法，其特征在于，包括如下步骤：(1)荧光衰减谱测量波长的确定：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；(2)荧光衰减谱的采集：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；(3)荧光本征先验知识的获得：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；(4)荧光本征先验知识与人工神经网络的融合：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。2.根据权利要求1所述的融合本征先验知识的荧光检测方法，其特征在于，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。3.根据权利要求1所述的融合本征先验知识的荧光检测方法，其特征在于，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。4.根据权利要求1所述的融合本征先验知识的荧光检测方法，其特征在于，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。5.根据权利要求4所述的融合本征先验知识的荧光检测方法，其特征在于，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。6.根据权利要求1所述的融合本征先验知识的荧光检测方法，其特征在于，步骤(3)中，所述荧光本征先验知识的获得方法具体为：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；所述拟合函数为：其中：i(t)为荧光强度；n为衰减通道的总数；b
i
为指前因子；t为时间；τ
i
为荧光寿命，单
位ns；a为背景信号；所述目标分析物的荧光本征衰减函数为：其中：i(t)为荧光强度；n为衰减通道的总数；b
i
为指前因子；t为时间；τ
i
为荧光寿命，单位ns。7.根据权利要求1所述的融合本征先验知识的荧光检测方法，其特征在于，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：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。8.一种融合本征先验知识的荧光检测系统，其特征在于，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，采用权利要求1所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。9.根据权利要求8所述融合本征先验知识的荧光检测系统，其特征在于，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；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。10.根据权利要求9所述融合本征先验知识的荧光检测系统，其特征在于，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。

技术总结
本发明公开了一种融合本征先验知识的荧光检测方法和系统，采用目标分析物的荧光本征衰减函数作为本征先验知识融入人工神经网络以建立目标分析物特征信息提取模型，将模型写入光谱信息处理模块，模块嵌入阵列式荧光光谱仪以完成融合本征先验知识的阵列式荧光光谱检测系统开发。本发明检测方法为荧光本征先验知识的综合利用提供一种途径，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，检测针对性强，检测准确度高。检测准确度高。检测准确度高。


技术研发人员：陈晖 郭云浩 陈秀 李钰嘉 王宇轩 高钰琦 李新宇 刘腾 李浩祺 张渝珩 覃霞 张欢欢
受保护的技术使用者：金陵科技学院
技术研发日：2022.09.19
技术公布日：2022/11/11