一种用于对核酸样本进行分类的方法、设备和存储介质与流程

技术特征：
1.一种用于对核酸样本进行分类的方法，包括：获得所述核酸样本的聚合酶链式反应pcr曲线数据，所述pcr曲线数据包括与pcr循环数对应的一系列信号采样值；将所述系列信号采样值作为一维向量输入到卷积神经网络；利用所述卷积神经网络提取所述pcr曲线数据的曲线趋势特征，并且根据所述曲线趋势特征确定所述pcr曲线数据的曲线类型；以及根据所述曲线类型提供所述核酸样本的分类结果。2.根据权利要求1所述的方法，其中，所述卷积神经网络包括卷积层、池化层和全连接层，并且其中：所述卷积层通过卷积核的移动扫描来提取所述pcr曲线数据的每个部分的局部曲线趋势特征；所述池化层用于对所述局部曲线趋势特征进行下采样以滤除所述pcr曲线数据中的波动；以及所述全连接层用于对下采样后的所述局部曲线趋势特征进行整合以提供所述曲线类型的分类结果。3.根据权利要求1所述的方法，其中，所述卷积神经网络包括第一卷积层、第一激活函数层、第二卷积层、第二激活函数层、池化层和全连接层，并且所述利用所述卷积神经网络包括：将所述一维向量传递到所述第一卷积层的输入；将所述第一卷积层的输出传递到所述第一激活函数层的输入；将所述第一激活函数层的输出传递到所述第二卷积层的输入；将所述第二卷积层的输出传递到所述第二激活函数层的输入；将所述第二激活函数层的输出传递到所述池化层的输入；将所述池化层的输出传递到所述全连接层的输入；以及将所述全连接层的输出作为所述曲线类型的分类结果。4.根据权利要求3所述的方法，其中，所述卷积神经网络还包括批量归一化层，并且其中，所述将所述一维向量传递到所述第一卷积层的输入包括：将所述一维向量传递到所述批量归一化层的输入；以及将所述批量归一化层的输出传递到所述第一卷积层的输入。5.根据权利要求4所述的方法，其中，所述第一卷积层的卷积核的个数和尺寸为10和3，步长为1；所述第一激活函数层为修正线性单元relu激活函数；所述第二卷积层的卷积核个数和尺寸为4和3，步长为1；所述第二激活函数层为修正线性单元relu激活函数；所述池化层为最大池化层，且核大小为3，步长为2；以及所述全连接层包括3个全连接层，其中前两层的全连接层的神经元个数分别为100和20，最后一层的全连结层的神经元个数为3或5。6.根据权利要求3-5中任一项所述的方法，其中：所述曲线类型包括阳性趋势类型、阴性趋势类型和待复核趋势类型，
所述核酸样本的分类结果包括阳性结果、阴性结果和待复核结果。7.根据权利要求6所述的方法，其中：所述待复核趋势类型进一步包括弱阳性趋势类型、弱阴性趋势类型和异常趋势类型，所述待复核结果进一步包括弱阳性结果、弱阴性结果和异常结果。8.根据权利要求7所述的方法，其中，所述卷积神经网络是采用随机梯度下降算法基于训练数据样本集进行训练而得到的，所述训练数据样本集包括预定数量的阳性pcr曲线数据、阴性pcr曲线数据、弱阳性pcr曲线数据、弱阴性pcr曲线数据和异常pcr曲线数据。9.根据权利要求8所述的方法，其中，所述方法还包括：确定所述训练数据样本集中不同类别的pcr曲线数据的数量是否平衡；当所述数量不平衡时，基于已有的少数类pcr曲线数据构建新的少数类pcr曲线数据并且更新所述训练数据样本集；以及基于更新后的所述训练数据样本集来训练所述卷积神经网络。10.一种用于对核酸样本进行分类的设备，包括：存储器，其上存储有计算机指令；和处理器，其中所述指令在由所述处理器运行时使得所述处理器执行根据权利要求1-9中的任一项所述的方法。11.一种存储指令的非暂时性计算机可读存储介质，所述指令使得处理器执行根据权利要求1-9中的任一项所述的方法。

技术总结
本发明提供一种用于对核酸样本进行分类的方法、设备和存储介质。所述方法包括：获得核酸样本的聚合酶链式反应PCR曲线数据，该PCR曲线数据包括与PCR循环数对应的一系列信号采样值；将该系列信号采样值作为一维向量输入到卷积神经网络；利用卷积神经网络提取PCR曲线数据的曲线趋势特征，并且根据曲线趋势特征确定PCR曲线数据的曲线类型；以及根据曲线类型提供核酸样本的分类结果。根据本发明提出的用于对核酸样本进行分类的技术，能够通过卷积神经网络对核酸样本的PCR曲线数据进行自动化判读，在提高核酸结果判读准确率的基础上大幅降低核酸结果判读所需的人力资源，从而有效提高核酸样本检验的效率和准确性。核酸样本检验的效率和准确性。核酸样本检验的效率和准确性。


技术研发人员：李响 李旭 王贺 张志明 任毅 赵礡
受保护的技术使用者：北京卡尤迪生物科技股份有限公司
技术研发日：2022.10.19
技术公布日：2023/2/6