[发明专利]一种发炎血清LIBS光谱诊断模型的建立方法

权利要求书

1.一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于该方法的步骤包括：

第一步，在载玻片上制备正常血清样本和发炎血清样本；

第二步，收集载玻片上的正常血清样本的LIBS光谱和发炎血清样本的LIBS光谱；

第三步，提取光谱强度高于设定阈值的具有物理意义的元素特征谱线；

第四步，将第二步中收集的LIBS光谱按照正常和发炎个体，分别划分训练-测试集，正常和发炎类别分别得到多种训练-测试集的划分组合；

第五步，使用Wilcoxon检验第四步得到的训练-测试集组合进行显著性检验，输入为每个样本第三步所选择的元素特征谱线强度的平均值，输出为正常或发炎类别每个训练-测试集组合的p值，排除掉p值低于设定值的组合，剩余两个类别的训练-测试集组合随机结合作为训练-测试集；

第六步，对第五步剩余的训练-测试集中随机挑选多组，使用这些训练-测试集评估反向传播神经网络(BPNN)模型的识别效果；

第七步，对第六步识别效果最好的训练-测试集的的LIBS光谱进行多元散射校正(MSC)预处理，得到预处理后训练-测试集的LIBS光谱；

第八步，从第七步得到的预处理后的训练-测试集的LIBS光谱中挑选出第三步的元素特征谱线。使用平均影响值(MIV)方法评估训练集特征谱线的重要性，并按照特征重要性从高到低依次选取不同数量的特征谱线建立BPNN模型，识别准确率最高的模型对应的特征谱线为最优特征；

第九步，使用第六步除识别效果最好外的其他训练-测试集，重复第七步，结合第八步确定的最优特征，重新建立模型并验证识别效果。

2.根据权利要求1所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：

所述的第一步中，正常血清样本和发炎血清样本的数量分别为m个和n个，发炎血清样本中包括s种炎症类型；

所述的第三步中，元素特征谱线的数量为k个。

3.根据权利要求2所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：

所述的第四步中，划分训练集和测试集时，正常和发炎样本按照一定的比例分别划分训练-测试集，，发炎血清样本的训练集须包括所有炎症类型。

4.根据权利要求3所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：

所述的第五步中，p值通常设定为0.05、0.01或0.001。

5.根据权利要求4所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：

所述的第七步中，随机挑选的训练-测试集为q种。

所述的第九步中，除识别效果最好的其他训练-测试集为q-1种。

6.根据权利要求5所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：

所述的第七步中，MSC预处理的方法为：

1)根据公式(1)计算第二步收集的LIBS光谱的平均光谱并将平均光谱设置为理想光谱，用于校正正常血清样本或发炎血清样本的LIBS光谱；

2)根据公式(2)，在第二步收集的LIBS光谱A_i和理想光谱之间进行线性回归，采用偏最小二乘法计算谱线漂移k_i和基线平移b_i；

3)根据式(3)计算，得到校正后的光谱，；

A_MSCi＝(A_i-b_i)/k_i(3)。

7.根据权利要求6所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：

所述的第八步中，MIV方法的步骤包括：

1)利用校正后光谱所选出的k个元素特征谱线训练BPNN模型；

2)第i个元素特征谱线分别增加和减少一定比例，形成两个新的BP神经网络输入，获得两个输出；i＝1，2，…k；

3)所有样本的两个输出绝对差值的平均值是第i个元素特征谱线的平均影响值MIV_i；

4)对于选出的k个元素特征谱线，均须计算其平均影响值。

8.根据权利要求7所述的一种发炎血清LIBS光谱诊断模型的建立方法，其特征在于：

整个过程重复t次，以t次MIV_i的平均值作为第i个元素特征谱线的最终特征重要性值。