基于生物阻抗譜的細(xì)胞懸浮液濃度識(shí)別方法研究*

劉圣龍 楊璐 朱程君 劉凱 韓偉 姚佳烽?

1) (南京航空航天大學(xué)機(jī)電學(xué)院，南京 210016)

2) (南京醫(yī)科大學(xué)第一附屬醫(yī)院腫瘤科，南京 210029)

3) (南京大學(xué)醫(yī)學(xué)院附屬口腔醫(yī)院，南京 210008)

基于生物阻抗譜技術(shù)提出一種細(xì)胞懸浮液濃度自動(dòng)識(shí)別方法,該方法結(jié)合了多元線性回歸算法和生物阻抗譜技術(shù),能夠快速準(zhǔn)確地識(shí)別細(xì)胞懸浮液的濃度.首先,提出一種細(xì)胞位置隨機(jī)分布策略,模擬細(xì)胞的真實(shí)存在狀態(tài);其次,采用數(shù)值仿真的方法生成2400組不同濃度的正常、癌變以及混合的細(xì)胞模型并計(jì)算生物阻抗譜數(shù)據(jù);然后,利用多元線性回歸、支持向量機(jī)和梯度提升三種回歸算法分別對(duì)癌變細(xì)胞濃度進(jìn)行鑒別,仿真結(jié)果表明,多元線性回歸算法為最佳回歸模型,其平均擬合優(yōu)度和均方誤差分別是0.9997和0.0008;最后,將多元線性回歸算法應(yīng)用于不同濃度的紅細(xì)胞懸浮液的識(shí)別中,實(shí)驗(yàn)結(jié)果顯示其平均擬合優(yōu)度和均方誤差分別是0.9998和0.0079,說明該方法具有較高的細(xì)胞懸浮液濃度識(shí)別能力.

1 引言

隨著現(xiàn)代醫(yī)學(xué)的不斷發(fā)展,醫(yī)學(xué)檢測(cè)方法已經(jīng)進(jìn)入細(xì)胞層次,其中細(xì)胞濃度在病情分析[1]、器官培養(yǎng)[2,3]、血型血清學(xué)試驗(yàn)[4]以及腫瘤細(xì)胞黏附[5]等方面具有重要作用,已經(jīng)引起許多研究者的關(guān)注.目前,一些成熟的細(xì)胞濃度檢測(cè)方法已經(jīng)在臨床上應(yīng)用,這些檢測(cè)方法各有優(yōu)點(diǎn),但同時(shí)存在不足之處.例如,免疫細(xì)胞化學(xué)法(immunocytochemistry,ICC)[6]可以準(zhǔn)確地檢測(cè)細(xì)胞濃度,但檢測(cè)速度慢、操作復(fù)雜;多聚酶鏈反應(yīng)法(polymerase chain reaction,PCR)[7]操作方便、靈敏度高,但其應(yīng)用條件苛刻;流式細(xì)胞術(shù)(flow cytometry,FCM)[8]可以快速準(zhǔn)確地檢測(cè)細(xì)胞濃度,但需要對(duì)被測(cè)細(xì)胞進(jìn)行熒光標(biāo)記.近些年,一些新的細(xì)胞濃度檢測(cè)方法被研究學(xué)者提出.2009 年Nilsson 等[9]提出了一種基于散斑效應(yīng)的細(xì)胞濃度檢測(cè)方法,該方法可以在體外快速地檢測(cè)細(xì)胞濃度,并且可以觀察細(xì)胞的分布情況,但主要應(yīng)用于紅細(xì)胞的檢測(cè),并且易受到生理因素的干擾.2014 年Guo 等[10]利用光的折射率原理,設(shè)計(jì)了一款TFBG 折射率傳感器,該傳感器實(shí)現(xiàn)了對(duì)細(xì)胞濃度的高精度測(cè)量,但可以檢測(cè)的細(xì)胞濃度范圍有限,并且靈敏度較低.總之,現(xiàn)有的細(xì)胞濃度檢測(cè)技術(shù)都存在一定的局限性,為了進(jìn)一步普及細(xì)胞濃度在醫(yī)學(xué)檢測(cè)方面上的應(yīng)用,臨床上急需一種高精度、低成本且適用于連續(xù)監(jiān)測(cè)的全新檢測(cè)方法.

生物阻抗譜(bioimpedance spectroscopy,BIS)技術(shù)是一種以多頻率、復(fù)阻抗為基礎(chǔ)的生理參數(shù)檢測(cè)技術(shù)[11].該技術(shù)利用一對(duì)或多對(duì)電極向被測(cè)物施加微小幅值的正弦電流或電壓激勵(lì),通過采集被測(cè)物在各個(gè)頻率分量上的響應(yīng)信號(hào),經(jīng)數(shù)字解調(diào)后得到被測(cè)物完整的響應(yīng)頻譜.對(duì)測(cè)量得到的阻抗頻譜進(jìn)行分析,可以獲取到諸如細(xì)胞尺寸大小、種類、存活狀態(tài)等豐富的生理化學(xué)信息[12].

由于BIS 采用非侵入式測(cè)量方法,無需使用熒光標(biāo)記,并且可以反映細(xì)胞微觀尺度下的電學(xué)特性,被認(rèn)為是未來最具潛力的疾病早期診斷手段之一[13].近些年來BIS 在腫瘤細(xì)胞早期診斷[14]、組織缺血監(jiān)測(cè)[15]、乳腺癌淋巴水腫探測(cè)[16]等方面取得了很多有價(jià)值的研究成果.

此外,不同濃度的細(xì)胞溶液,其電學(xué)特性有明顯差異,BIS 可以從電學(xué)特性的差異性中提取有效的電信息,用來鑒別細(xì)胞的濃度.但是BIS 只能定性分析不同濃度的細(xì)胞溶液,不能準(zhǔn)確對(duì)細(xì)胞樣本進(jìn)行判斷.因此,為了定量檢測(cè)出細(xì)胞的濃度,考慮使用機(jī)器學(xué)習(xí)算法結(jié)合生物阻抗譜技術(shù)進(jìn)行細(xì)胞濃度的準(zhǔn)確檢測(cè).

人工智能領(lǐng)域應(yīng)用的機(jī)器學(xué)習(xí)算法在人臉識(shí)別[17,18]、自然語言處理[19]等領(lǐng)域都表現(xiàn)出良好的適應(yīng)性.其中各種回歸算法也被廣泛應(yīng)用到社會(huì)的各個(gè)場(chǎng)合.2016 年武漢大學(xué)劉泉聲等[20]將支持向量機(jī)回歸算法(support vector regression,SVR)應(yīng)用到地應(yīng)力場(chǎng)的反演中,并且反演得到的規(guī)律經(jīng)驗(yàn)證準(zhǔn)確可靠.2017 年Keprate 等[21]利用梯度提升回歸算法(gradient boosting regressor,GBR)預(yù)測(cè)小口徑管道中裂紋擴(kuò)展的應(yīng)力強(qiáng)度因子,并且具有較高的預(yù)測(cè)精度和較少的計(jì)算時(shí)間.2020 年長安大學(xué)王征征等[22]運(yùn)用主成分分析法(principal component analysis,PCA)和多元線性回歸算法(multiple linear regression,MLR)預(yù)測(cè)出生人口,極大地提高了出生人口的預(yù)測(cè)精度且具有一定的理論參考意義.

由于細(xì)胞在懸浮液中是隨機(jī)分布的,而細(xì)胞不同的位置會(huì)影響整體的電場(chǎng)分布特性,這會(huì)造成多次測(cè)量同一濃度細(xì)胞的懸浮液,其生物阻抗譜數(shù)據(jù)有較大波動(dòng),進(jìn)一步地造成數(shù)據(jù)集樣本與對(duì)應(yīng)標(biāo)簽的混亂,最終大大地影響了分類算法的精度.通過建立合理的仿真模型,可以節(jié)省大量的時(shí)間成本;而目前急需利用一個(gè)模擬細(xì)胞隨機(jī)分布的方法,建立合理的仿真模型,使仿真生成與真實(shí)細(xì)胞存在狀態(tài)相似的生物阻抗譜數(shù)據(jù)集,繼而找到適合用于處理真實(shí)數(shù)據(jù)的回歸模型.

本文首先在數(shù)值仿真時(shí),利用提出的細(xì)胞隨機(jī)分布策略,模擬細(xì)胞的真實(shí)分布,生成2400組不同濃度的正常、癌變以及混合的細(xì)胞模型并計(jì)算相應(yīng)的生物阻抗譜數(shù)據(jù);然后利用SVR,GBR和MLR三種回歸算法對(duì)仿真得到的數(shù)據(jù)集進(jìn)行訓(xùn)練,結(jié)果表明,MLR 是最優(yōu)的回歸算法;最后在實(shí)驗(yàn)中通過MLR 對(duì)不同濃度的紅細(xì)胞懸浮液進(jìn)行訓(xùn)練建模和定量分析,結(jié)果表明,該方法可以準(zhǔn)確地識(shí)別細(xì)胞懸浮液濃度,可以為醫(yī)學(xué)檢測(cè)細(xì)胞濃度提供一種全新的方法.

2 仿真模型與方法

2.1 雙殼細(xì)胞仿真模型

免疫B 細(xì)胞是指在淋巴細(xì)胞中的抗體所形成的細(xì)胞前體,具有中和毒素、抗感染以及免疫調(diào)理等功能.免疫B 細(xì)胞是人體內(nèi)具有代表性的免疫細(xì)胞,所以仿真對(duì)象選取人體免疫B 細(xì)胞來驗(yàn)證本文提出的方法[23].如表1 所列,人體免疫B 細(xì)胞主要由細(xì)胞膜、細(xì)胞質(zhì)、細(xì)胞核組成,細(xì)胞核又由核膜和核質(zhì)組成,細(xì)胞膜的電導(dǎo)率為5.6×10—5S/m,相對(duì)介電常數(shù)為12.8,核膜的電導(dǎo)率為1.11×10—2S/m,相對(duì)介電常數(shù)為106.細(xì)胞懸浮液可等效為電阻和電容元件的組合[24],在低頻情況下,電阻成分發(fā)揮主要作用,由于細(xì)胞膜的導(dǎo)電性能低,因此,可阻止大部分電場(chǎng)線穿過細(xì)胞;而在高頻情況下,電容成分發(fā)揮主要作用,細(xì)胞膜的介電常數(shù)顯著下降,對(duì)電場(chǎng)線的屏蔽效應(yīng)降低,但細(xì)胞核膜的介電常數(shù)較高,可阻止部分電場(chǎng)線穿過細(xì)胞核.為了研究不同種類、濃度的細(xì)胞懸浮液對(duì)阻抗譜的影響,建立了正常B 細(xì)胞和癌變B 細(xì)胞的仿真模型,如圖1 所示.仿真所用到的全部參數(shù)如表1 所列,仿真中設(shè)置電極兩端的激勵(lì)電流為1 mA,設(shè)置激勵(lì)頻率范圍為1 Hz—1 GHz.

表1 仿真參數(shù)匯總[23]Table 1.Summary of simulation parameters.

圖1 細(xì)胞仿真模型Fig.1.Cell simulation model.

2.2 細(xì)胞位置隨機(jī)分布策略

細(xì)胞濃度仿真需要在選定區(qū)域內(nèi)進(jìn)行大量的細(xì)胞建模,并且利用編程將繁雜的建模過程交給計(jì)算機(jī)自動(dòng)完成,縮短仿真周期.其中仿真區(qū)域邊長設(shè)為L1=110 μm,然后將仿真區(qū)域均勻劃分為10×10 共 100 個(gè)網(wǎng)格,每個(gè)小網(wǎng)格的邊長為ls=11 μm,該網(wǎng)格可以同時(shí)兼容正常和癌變細(xì)胞的尺寸,以滿足兩種細(xì)胞混合仿真的需要.仿真區(qū)域所能容納的最大細(xì)胞數(shù)nmax=100,細(xì)胞濃度用仿真時(shí)的細(xì)胞數(shù)量nsim相對(duì)最大細(xì)胞數(shù)量的百分比?表示,即 ?=nsim/nmax×100%.

為了模擬真實(shí)細(xì)胞在懸浮液中的隨機(jī)分布情況,本文提出一種位置隨機(jī)分布策略.具體如下:MATLAB 具有庫函數(shù)randperm和reshape,randperm函數(shù)可以生成隨機(jī)打亂的數(shù)字序列,reshape 函數(shù)可以對(duì)矩陣的元素進(jìn)行重新排列.因此利用randperm 函數(shù)生成了1—100 自然數(shù)的隨機(jī)數(shù)列,將生成模型的細(xì)胞濃度作為判斷閾值,隨機(jī)數(shù)列中小于該閾值的所有位置重新賦值為1,剩余位置賦值為0;然后通過函數(shù)reshape 將該隨機(jī)數(shù)列重塑為一個(gè)10×10 的矩陣,與仿真區(qū)域的網(wǎng)格對(duì)應(yīng),矩陣中數(shù)值為1 的位置對(duì)應(yīng)的仿真區(qū)域進(jìn)行細(xì)胞建模,數(shù)值為0 的位置則不進(jìn)行任何操作.圖2 展示了?總=10%而?癌=3% 時(shí)的某次細(xì)胞位置隨機(jī)分布情況.

圖2 細(xì)胞位置隨機(jī)分布策略示意圖.藍(lán)色表示正常細(xì)胞,綠色表示癌變細(xì)胞Fig.2.Schematic diagram of random distribution strategy of cell location.Blue indicates normal cells,and green indicates cancerous cells.

2.3 數(shù)據(jù)集的準(zhǔn)備與預(yù)處理

機(jī)器學(xué)習(xí)方法可以從人眼無法區(qū)分的相似特征數(shù)據(jù)集中尋找背后的規(guī)律,以便實(shí)現(xiàn)更為復(fù)雜的回歸鑒別工作.因此,本文選擇機(jī)器學(xué)習(xí)方法來實(shí)現(xiàn)不同細(xì)胞組濃度的識(shí)別,具體過程如下:

1) 正常細(xì)胞組:此仿真組中,仿真區(qū)域放置的全部為正常細(xì)胞,細(xì)胞個(gè)數(shù)1到 100 等間隔劃分為 100組,每組在位置隨機(jī)分布策略下仿真 12次,共得到 1200 條樣本;

2) 癌變細(xì)胞組:此仿真組中,仿真區(qū)域放置的全部為癌變細(xì)胞,細(xì)胞個(gè)數(shù)從 1到 10 等間隔劃分為 10組,每組在位置隨機(jī)分布策略下仿真 20次,共得到 200 條樣本;

3) 混合細(xì)胞組:此仿真組將兩種細(xì)胞按不同比例混合,細(xì)胞總數(shù)從 10到 100 等間隔劃分為10組,每組內(nèi)部按癌變細(xì)胞個(gè)數(shù)從 1到 10 等間隔劃分為 10組,每個(gè)小組內(nèi)部按位置隨機(jī)分布策略仿真 10次,共得到 1000 條樣本.

上述三個(gè)仿真組共得到 2400 個(gè)樣本數(shù)據(jù),首先針對(duì)癌變細(xì)胞作出濃度劃分,然后作出癌變細(xì)胞濃度為 1% 時(shí)的 5次隨機(jī)位置的Nyquist圖,如圖3(a)所示,從圖中可以得知,相同濃度的癌變細(xì)胞,其位置的不同,會(huì)嚴(yán)重影響生物阻抗;最后作出其部分癌變細(xì)胞濃度的Nyquist圖,如圖3(b)所示,從圖中可以看出,其數(shù)據(jù)集存在比較嚴(yán)重的混雜,人眼無法識(shí)別.另外每個(gè)樣本數(shù)據(jù)有多個(gè)復(fù)阻抗值,若全部作為特征用于訓(xùn)練,則會(huì)十分耗時(shí),因此對(duì)多個(gè)復(fù)阻抗值進(jìn)行系統(tǒng)抽樣;另外復(fù)阻抗值的實(shí)部和虛部反映待測(cè)物的電學(xué)特性(如電導(dǎo)率、相對(duì)介電常數(shù))的比重不同,所以將復(fù)阻抗值的實(shí)部和虛部分離,并分別作為訓(xùn)練特征.

圖3 部分濃度癌變細(xì)胞的Nyquist圖 (a) 癌變細(xì)胞濃度為 1% 時(shí)的 5次細(xì)胞隨機(jī)分布的Nyquist圖;(b) 不同癌變細(xì)胞濃度的Nyquist圖Fig.3.Nyquist plot of cancerous cells at partial concentrations:(a) Nyquist plots of randomly distributed cells at 5 times when the concentration of cancerous cells is 1%;(b)Nyquist plots of different cancerous cell concentrations.

2.4 基于機(jī)器學(xué)習(xí)的回歸模型

1)支持向量機(jī)回歸算法

支持向量機(jī)(support vector machine,SVM)的基本目的是在給定的特征空間中尋找一個(gè)最佳的分離超平面,使得兩類數(shù)據(jù)正確分離,并且間隔最大.SVM 還支持使用核函數(shù)Φ(x) 用來解決回歸問題,即SVR[25,26].SVM和SVR 的原理基本相同.其不同之處在于SVR 是回歸模型,沒有類別,其基本目的:讓訓(xùn)練集中的每個(gè)樣本點(diǎn) (xi,yi),盡量擬合到一個(gè)線性模型.SVR 算法適用了樣本容量小、非線性的問題,并且在引入松弛變量后,提高了模型的泛化能力.

2)梯度提升回歸算法

GBR 是一種集成學(xué)習(xí)算法,主要由損失函數(shù)、弱學(xué)習(xí)器和加法模型三部分組成[21].該算法的根本思想:通過多個(gè)弱學(xué)習(xí)器依次迭代并且擬合之前模型累加的損失函數(shù)的負(fù)梯度,總的損失函數(shù)朝著負(fù)梯度的方向減少.GBR 通過集成大量表現(xiàn)不好的學(xué)習(xí)算法,組成一個(gè)比較強(qiáng)大的學(xué)習(xí)算法,使其能夠同時(shí)處理多種類型的數(shù)據(jù)集、具有較高的預(yù)測(cè)能力,但是由于多個(gè)弱學(xué)習(xí)器必須串行處理,也導(dǎo)致其訓(xùn)練速度過慢.

3)多元線性回歸算法

MLR 是研究某一因變量與兩個(gè)或兩個(gè)以上自變量之間的關(guān)系,是一種成熟的定量分析方法[27].因此多元線性擬合回歸方程可表示為

其中yi(i1,2,···m)為第i個(gè)樣本的標(biāo)簽;xi,j(j1,2,···n)為第i個(gè)樣本的第j個(gè)特征;wj為對(duì)應(yīng)特征的權(quán)重;b為偏置量.通常為了簡化表達(dá)式,將偏置量b歸納到向量w中,即有表達(dá)式:

則回歸模型可表示為

利用最小二乘法求得最優(yōu)參數(shù)w,即確定了回歸模型.MLR 原理簡單、容易理解,建模速度很快,能夠得到明確的數(shù)學(xué)解,有利于決策分析;但是不適合對(duì)具有很強(qiáng)相關(guān)性的數(shù)據(jù)特征集建模.

2.5 基于回歸模型的仿真結(jié)果

利用2.4 節(jié)介紹三種回歸模型分別用于2.3 節(jié)仿真數(shù)據(jù)集的回歸建模,并且選擇一個(gè)最佳的回歸算法用于下文實(shí)驗(yàn)數(shù)據(jù)的建模處理.事先對(duì)各個(gè)模型進(jìn)行調(diào)參,使它們?cè)谧罴训臓顟B(tài)進(jìn)行比較,并引入均方誤差(mean-square error,MSE)和擬合優(yōu)度(R2)作為評(píng)價(jià)指標(biāo).將數(shù)據(jù)集按照 7∶3 的比例劃分成訓(xùn)練集和測(cè)試集,用于上述三種回歸模型的訓(xùn)練,得到的結(jié)果如圖4 所示.由圖4 可知,無論在訓(xùn)練集還是在測(cè)試集中結(jié)果均為,MSEMLR＜ MSEGBR＜ MSESVR;說明MLR 是最佳的回歸模型.為了更形象地比較三種回歸模型的優(yōu)劣,特地采用系統(tǒng)抽樣的方法選取80組數(shù)據(jù),并比較三種回歸模型的預(yù)測(cè)值與真實(shí)值的接近程度,結(jié)果如圖5 所示,可以直觀地看出MLR 的預(yù)測(cè)值更接近真實(shí)值.

圖4 三種回歸模型對(duì)仿真數(shù)據(jù)集的訓(xùn)練結(jié)果 (a) 訓(xùn)練集的訓(xùn)練結(jié)果;(b) 測(cè)試集的預(yù)測(cè)結(jié)果Fig.4.The training results of the three regression models on the simulation data set:(a) Training results of the training set;(b) predicted results on the test set.

圖5 三種回歸模型對(duì)部分?jǐn)?shù)據(jù)預(yù)測(cè)值與真實(shí)值的差異 (a) 訓(xùn)練集預(yù)測(cè)值與真實(shí)值的差異;(b) 測(cè)試集預(yù)測(cè)值與真實(shí)值的差異Fig.5.The difference between the predicted value and the true value of partial data by three regression models:(a) The difference between the predicted value of the training set and the true value;(b) the difference between the predicted value of the test set and the true value.

由圖4 可知,三種回歸模型的R2值十分接近,為了避免偶然誤差的影響,又通過五折交叉驗(yàn)證求取平均值的方法,再次驗(yàn)證阻抗譜數(shù)據(jù)集更適合哪種回歸模型.由表2 可知:五折交叉驗(yàn)證的結(jié)果與之前調(diào)參后的結(jié)果基本一致,其中MLR 的結(jié)果十分穩(wěn)定,平均擬合優(yōu)度R2和均方誤差MSE 分別達(dá)到 0.9997和0.0008;而SVR和GBR 的結(jié)果有輕微波動(dòng),但其平均擬合優(yōu)度R2和均方誤差MSE也分別達(dá)到0.9974,0.0302和0.9988,0.0150.本文選取的三種回歸算法表現(xiàn)都較為優(yōu)異,SVR 適合非線性程度比較高的回歸問題,GBR 擅長于解決數(shù)據(jù)規(guī)律不明顯的回歸問題,可歸納總結(jié)大量樣本的潛在信息,而MLR 更適合解決線性回歸問題.在細(xì)胞濃度檢測(cè)這一問題上,MLR表現(xiàn)較好,說明本文所要解決的回歸問題更接近于線性回歸.因此將MLR 用于下文的實(shí)驗(yàn)數(shù)據(jù)處理.

表2 仿真數(shù)據(jù)的三種回歸算法五折驗(yàn)證結(jié)果Table 2.Validation results of three regression algorithms for simulation data.

3 實(shí)驗(yàn)與驗(yàn)證

3.1 實(shí)驗(yàn)設(shè)備

本文分別用不同濃度的紅細(xì)胞懸浮液作為實(shí)驗(yàn)對(duì)象.圖6(a)給出了實(shí)驗(yàn)設(shè)備原理圖:一臺(tái)PC 機(jī)、一臺(tái)阻抗分析儀(IM3570)、一個(gè)屏蔽裝置和一個(gè)傳感器.圖6(b)是傳感器的結(jié)構(gòu)圖,由一對(duì)平行的測(cè)量電極嵌入亞克力容器側(cè)面組成.測(cè)量電極長度dc=10 mm,高度hc=20 mm,極板間寬度wc=2 mm,單次測(cè)量可容納的細(xì)胞懸浮液體積V≈0.4 mL.將傳感器置于屏蔽裝置中進(jìn)行測(cè)量,隔離周圍環(huán)境的電磁干擾,所述的屏蔽裝置是由鐵質(zhì)容器構(gòu)成并且需要接地,而且引入平均相對(duì)測(cè)量誤差s作為評(píng)價(jià)屏蔽性能的指標(biāo),其計(jì)算公式(4)式所示,使用屏蔽裝置后,連續(xù)兩次測(cè)量阻抗譜的平均相對(duì)測(cè)量誤差s為0.1%,不使用屏蔽裝置的平均相對(duì)測(cè)量誤差s為0.22%,s顯著降低.傳感器通過屏蔽線與阻抗分析儀進(jìn)行連接;阻抗分析儀捕獲到探頭發(fā)出的信號(hào)后,將測(cè)量數(shù)據(jù)傳輸給PC 端進(jìn)行處理.頻率測(cè)量范圍為f=1 kHz—5 MHz,測(cè)量點(diǎn)數(shù)量為190 個(gè).然后選取一定數(shù)量的頻點(diǎn)上的阻抗信息用于訓(xùn)練.

圖6 生物阻抗譜檢測(cè)實(shí)驗(yàn)設(shè)備 (a) 實(shí)驗(yàn)設(shè)備原理圖;(b) 傳感器結(jié)構(gòu)圖Fig.6.Bioelectrical impedance spectroscopy instrument:(a) Schematic diagram of experimental equipment;(b) sensor structure diagram.

其中n表示測(cè)量點(diǎn)的數(shù)量;分別表示連續(xù)兩次所測(cè)阻抗譜的第i個(gè)頻率點(diǎn)的阻抗幅值.

3.2 實(shí)驗(yàn)過程

制備了不同濃度的紅細(xì)胞懸浮液,其制備過程如下:小鼠在全麻條件下,取血液約1 mL,置于抗凝管中,向血液中加入等體積的生理鹽水混勻,然后在溫度為4 ℃、轉(zhuǎn)速為1500 r/m 的條件下離心5 min,結(jié)束后,棄去上清液中間白色細(xì)胞層,再用生理鹽水重懸紅細(xì)胞;重復(fù) 5次,以去除血液中的纖維蛋白原以及其他成分,防止細(xì)胞凝集;在室溫情況下,用等滲濃度的蔗糖溶液(0.308 mol/L)稀釋重懸紅細(xì)胞.利用自動(dòng)細(xì)胞計(jì)數(shù)儀測(cè)定紅細(xì)胞濃度(5×108個(gè)/mL),然后等滲的蔗糖溶液將紅細(xì)胞稀釋成一系列體積濃度為10%,15%,20%,25%,30%,40%,50%的紅細(xì)胞懸浮液.另外取適量的蔗糖溶液作為對(duì)照組,記為體積濃度為0%的紅細(xì)胞懸浮液.紅細(xì)胞實(shí)驗(yàn)共設(shè)置8組濃度類別,每組濃度類別利用阻抗分析儀連續(xù)測(cè)量 20次,共獲得160組阻抗譜數(shù)據(jù),實(shí)驗(yàn)時(shí)快速測(cè)量每種濃度紅細(xì)胞懸浮液的阻抗譜數(shù)據(jù),并且在測(cè)量前重懸傳感器,使細(xì)胞達(dá)到隨機(jī)分布的狀態(tài).

3.3 實(shí)驗(yàn)結(jié)果與討論

通過對(duì)實(shí)驗(yàn)得到的數(shù)據(jù)進(jìn)行正則化處理,并利用MLR 回歸算法進(jìn)行訓(xùn)練和調(diào)參,得到了數(shù)據(jù)集的預(yù)測(cè)值與真實(shí)值,對(duì)比結(jié)果如圖7 所示,可以直觀地看到,MLR 的預(yù)測(cè)值與真實(shí)值非常接近.進(jìn)一步地統(tǒng)計(jì)了數(shù)據(jù)集每種濃度的平均絕對(duì)誤差,如表3 所列,可以準(zhǔn)確地得到,紅細(xì)胞懸浮液每種濃度下的平均絕對(duì)誤差在0.0132 附近波動(dòng).最后數(shù)據(jù)集在利用五折驗(yàn)證,其結(jié)果如表4 所列,可以得到MLR 的平均擬合優(yōu)度和均方誤差分別為0.9998和0.0079.

表3 每種紅細(xì)胞懸浮液濃度下的平均絕對(duì)誤差Table 3.The average absolute error of each red blood cell suspension concentration.

表4 MLR 回歸算法的五折交叉驗(yàn)證結(jié)果Table 4.Cross validation results of MLR regression algorithm.

圖7 MLR 對(duì)數(shù)據(jù)集預(yù)測(cè)值與真實(shí)值的差異,內(nèi)插圖是MLR 預(yù)測(cè)值與真實(shí)值的誤差放大圖像Fig.7.The difference between the predicted value and the true value of the data set by MLR.The inset is an enlarged image of the error between the MLR predicted value and the true value.

以上結(jié)果充分說明本文提出的細(xì)胞懸浮液濃度自動(dòng)識(shí)別方法,可以準(zhǔn)確快速地計(jì)算細(xì)胞懸浮液的濃度.而且實(shí)驗(yàn)的總體結(jié)果與仿真結(jié)果基本一致,說明在數(shù)值仿真時(shí),利用細(xì)胞位置隨機(jī)分布策略生成的生物阻抗譜數(shù)據(jù)集,挑選出的最優(yōu)回歸模型是完全可以用于處理實(shí)驗(yàn)數(shù)據(jù),也說明了利用細(xì)胞隨機(jī)分布策略可以模擬出細(xì)胞的真實(shí)分布情況.但是實(shí)驗(yàn)結(jié)果與仿真結(jié)果相比,稍有差異,原因是實(shí)驗(yàn)數(shù)據(jù)有許多偶然因素(紅細(xì)胞每個(gè)時(shí)刻的活躍程度不同,每個(gè)濃度下紅細(xì)胞的大小、發(fā)育程度不完全相同,測(cè)量數(shù)據(jù)、配置溶液以及移液過程中不可避免的人為誤差等因素),使其數(shù)據(jù)有明顯波動(dòng),從而導(dǎo)致結(jié)果變化.

4 結(jié)論

本文提出了一種細(xì)胞懸浮液濃度自動(dòng)識(shí)別方法,根據(jù)臨床經(jīng)驗(yàn)提出了細(xì)胞位置隨機(jī)分布策略并建立了細(xì)胞模型,通過數(shù)值仿真的方法研究了該方法的可行性,并且進(jìn)行了實(shí)驗(yàn)驗(yàn)證,得到以下結(jié)論:

1)采用了細(xì)胞位置隨機(jī)分布策略,該策略可以模擬細(xì)胞真實(shí)分布情況;

2)所提出的細(xì)胞懸浮液濃度自動(dòng)識(shí)別方法具有較好的仿真結(jié)果.仿真表明,MLR 是用于細(xì)胞濃度識(shí)別的最佳回歸模型,通過MLR 對(duì)阻抗譜數(shù)據(jù)集進(jìn)行回歸處理,五折交叉驗(yàn)證的平均擬合優(yōu)度和均方誤差分別達(dá)到了0.9997和0.0008;

3)所提出的細(xì)胞懸浮液濃度自動(dòng)識(shí)別方法在實(shí)驗(yàn)中表現(xiàn)優(yōu)異,能夠識(shí)別不同濃度的紅細(xì)胞懸浮液,通過MLR 對(duì)阻抗譜數(shù)據(jù)集進(jìn)行回歸處理,五折交叉驗(yàn)證的平均擬合優(yōu)度和均方誤差分別達(dá)到了0.9998和0.0079,每種濃度樣本的平均絕對(duì)誤差在0.0132 附近波動(dòng);

4)所提出的細(xì)胞懸浮液濃度自動(dòng)識(shí)別方法可應(yīng)用于細(xì)胞濃度的檢測(cè)中,具有檢測(cè)速度快、操作簡便、檢測(cè)精度高的優(yōu)點(diǎn),并為細(xì)胞濃度的檢測(cè)方法提供了一種新的思路.

本文提供的細(xì)胞濃度檢測(cè)方法通用性較強(qiáng),不僅可用于檢測(cè)細(xì)胞濃度,還能夠推廣到其他懸浮液濃度的檢測(cè)中,例如可檢測(cè)血栓濃度以實(shí)現(xiàn)對(duì)心腦血管疾病的術(shù)后判斷和藥效評(píng)估.