基于人工智能的细胞培养监测方法及系统

专利主权项内容

1.基于人工智能的细胞培养监测方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集；步骤S2：数据预处理；步骤S3：预测阻抗；步骤S4：计算细胞体积浓度；步骤S5：初始参数搜索；步骤S6：细胞培养监测；步骤S31：建立德拜弛豫模型，当细胞悬浮在液体电解质中的胶体受到交流电场作用时，会表现出麦克斯韦-瓦格纳介电弛豫现象，用德拜弛豫模型来描述为：
>式中，ε(·)是复介电常数频谱，表示材料对不同频率的交流信号的响应；是弛豫强度，表示材料在弛豫过程中介电常数的变化幅度；j是虚部单位；ω是输入交流信号的径向频率；τ是弛豫时间常数，表示材料中弛豫过程所需的时间；ε是高频极限下的介电常数，表示在高频下材料的介电性质；>步骤S32：建立导电率德拜弛豫模型，考虑到培养液中细胞培养的有损特性，采用导电率德拜弛豫模型，表示如下：
>式中，σ(·)是复电导率频谱；σ是低频极限下的电导率；σ是电导率变化幅度；>步骤S33：建立等效电路，将电解质悬浮物组分重新建模为一个等效电路模型，更准确地描述其特性和响应，并进一步与电压增强效应组分进行结合，从而提高特征提取算法的准确性和解释能力，等效电路模型表示为：
；式中，Z是等效电路的阻抗，C是等效电路的电容；C是高频极限下的电容值；在C=1的情况下，C等效于德拜弛豫模型中的Δε；cl00步骤S34：用介电常数的方式将导电率德拜弛豫模型重新表示，所用公式如下：
；步骤S35：基于EP效应进行建模，EP效应即电压增强效应，所用公式如下：
；式中，Z是EP效应的复杂阻抗；Q(·)是阻抗函数；n是CPE分量的相位指数，用于描述阻抗函数在复频域中的相位特性；CPE分量是指常数相位元件分量；当n=1时，CPE分量描述纯电容行为，而当n=0.5时，CPE分量描述纯扩散行为；EP步骤S36：计算预测阻抗，由于电渗效应在电极附近发生，而大多数细胞悬浮液位于其间，因此电渗效应成分和细胞悬浮液成分串联连接，预测阻抗表示为：
；式中，是预测阻抗；步骤S51：初始化，基于初始参数搜索空间初始化参数位置，将基于参数位置得到的细胞体积浓度正确率作为参数位置的适应度值，初始化参数位置所用公式如下：
；式中，x是个体I在J维度的参数位置，L是搜索空间J维度的下限，U是搜索空间J维度的上限，rand是0到1的随机数；I，JJJ步骤S52：设计自适应惯性权重系数W，自适应惯性权系数是平衡参数全局搜索能力和局部搜索能力的核心参数，所用公式如下：
；式中，f(t)是参数位置的适应度值，t是当前迭代次数，f是第t次迭代中最差适应度值，f是第t次迭代中最优适应度值，W是最大权重，W是最小权重；wbmaxmin步骤S53：设计位置更新，所用公式如下：
；
；式中，v是速度，r、r和r是互相独立的0到1的随机数，x是参数位置，g是全局最优位置，p是个体经验最优位置，k1是参数个体变化量，c是局部学习因子，c是全局学习因子，c是活力因子；123123步骤S54：设计迭代搜索，预先设有适应度阈值，当存在参数位置的适应度值高于适应度阈值时，输出参数位置；若达到最大迭代次数，则重新初始化参数位置进行搜索；否则继续迭代搜索；步骤S41：定义距离函数，通过定义距离函数来平衡阻抗和介电常数，对介电常数和阻抗取对数得到距离在跃迁中是保持不变，表示如下：
；式中，ε和ε是不同介质的介电常数，Z和Z是不同介质的阻抗；1212步骤S42：定义损失函数L，所用公式如下：
；式中，是真实阻抗，K是传感器数据总量，k是数据索引；步骤S43：计算细胞体积浓度，通过最小化损失函数得到细胞体积的弛豫强度和弛豫时间常数的确定值，进而得到细胞体积浓度，所用公式如下：logCc=logC1+C2logε+C3logτ；式中，C1、C2和C3是校准系数，Cc是细胞体积浓度。 来自马-克-数-据-官网