一种基于对抗性本征编码拉曼光谱的细菌分类技术

1.本发明属于光谱检测技术领域，尤其涉及一种基于拉曼光谱的细菌分类技术。


背景技术：

2.拉曼光谱分析技术具有快速、无损、原位、高通量等特点，为细胞的快速原位检测提供了切实可行的实施途径。拉曼光谱是一种源于拉曼散射的分子振动指纹谱，可用于定性分析、高精度定量分析和测定分子结构。相比于其他光学检测技术，拉曼光谱分析技术在测量非极性分子、水溶液中的物质等方面具有优势。此外，拉曼光谱可以提供关于细菌化学成分的全面信息，而无需对细胞进行额外标记，在不同种类的细胞之间具有良好的重现性和较高的分辨能力，可以同时应对复杂环境中的细菌构成检测。
3.目前拉曼光谱检测技术主要针对细菌属间检测。相比于属间检测，同一属内不同种间的细菌蛋白等成分组成区别较小，再结合细菌的个体差异与检测环境干扰，现有的拉曼光谱检测技术检测特异性依旧不足。拉曼光谱成像技术是一种有效的提升检测特异性的手段，通过逐点扫描的方式依次测量待测目标上多点的拉曼光谱，从而同时获取待测目标的成分信息与空间结构信息。拉曼光谱成像技术现已成功应用于种间的细菌检测，检测准确率可以达到90％以上。
4.然而拉曼光谱成像技术仍存在较大的局限性。首先，拉曼信号属于弱光信号，为了保证光谱的信噪比，单点检测的积分时间大约需要1秒左右，对于拉曼光谱成像而言，假设扫描点数为10*10，则总体时间要超过1分钟，较长的检测时间难以满足现场快速检测的需求，而且较长的检测时间会导致细菌失活、水分蒸发以及蛋白质变性等情况发生，影响检测的准确性；其次，细菌检测过程中可能会发生活动，导致检测的位置与预设目标偏移，降低检测的准确性。
5.为了解决这些问题，本专利首次提出了一种对抗性本征编码拉曼光谱检测技术，通过对聚焦面光斑的本征编码，在单次测量中同时获得细菌的成分信息与空间分布信息，实现快速、特异性强的细菌分类。


技术实现要素：

6.本发明实施例解决技术问题所采用的技术方案是：一种基于对抗性本征编码拉曼光谱的细菌分类技术，主要分为3个步骤，分别为对抗性编码训练过程、信号采集过程和光谱识别过程：
7.1.对抗性编码训练过程：对抗性编码训练过程如图1所示，本部分目标是构建一个对抗性编码生成网络，可以针对细菌的显微图像自动生成所需的本征编码。其主要过程为：2.1采集细菌的显微图像；2.2将显微图像输入所述的编码生成神经网络中，生成对应的本征编码信息；2.3以神经网络生成的本征编码信息为指导，控制数字微镜，实现聚焦面的激光编码；2.4以编码后的激光激发待测细菌，并采集激发出的拉曼光谱信号；2.5将采集得到的拉曼光谱信号输入距离判定网络中，其中所述的距离为两种待测细菌的差异距离，目标
为使两种细菌的差异距离最大化，以基准为目标，距离变化值会进行反向传输优化2.2中所述的编码生成神经网络，最终实现编码生成神经网络的训练过程。
8.2.信号采集过程：信号采集过程主要依托于对抗性编码训练过程中得到的编码生成神经网络。3.1采集细菌的显微图像；3.2将显微图像输入已训练好的编码生成神经网络中，生成对应的本征编码信息，该信息包含了待测细菌的空间结构特征；3.3以生成的本征编码信息为指导，控制数字微镜，实现聚焦面的激光编码；3.4以编码后的激光激发待测细菌，并采集激发出的拉曼光谱信号，该信号为信号采集过程中的输出结果。
9.3.光谱识别过程：如图2所示，采用对抗性本征编码拉曼光谱技术采集得到的信号具有较大的区别度，识别简单。本部分主要采用两种方法进行光谱识别，分别为主观识别法和基于偏最小二乘算法的识别方式，识别准确率可以到达95％以上。
10.本发明的目的在于提供一种基于对抗性本征编码拉曼光谱的细菌分类技术，以细菌的显微图像作为条件输入，通过卷积神经网络生成对抗性编码信息，指导数字微镜实现激光编码，以单次编码激发的形式获取拉曼光谱信号。该信号同时包含细菌的成分信息与空间信息，所述的对抗性本征编码拉曼光谱技术是一种快速、特异性强的新型拉曼光谱检测手段。
附图说明
11.图1是本发明提供的对抗性编码训练过程流程图。
12.图2是本发明提供的对抗性本征编码拉曼光谱效果图。其中(a)为常规拉曼光谱检测技术所得拉曼光谱，(b)为本专利所述的对抗性本征编码拉曼光谱数据。
具体实施方式
13.现结合实施例和附图对本发明的技术方案做进一步的阐述。
14.本发明提出了一种基于对抗性本征编码拉曼光谱的细菌分类技术，针对传统拉曼光谱检测技术检测速度慢、检测特异性不足等问题，采用本征编码的方式同时获取待测样品的空间结构信息与成分信息。结合附图，详细说明如下。此处所描述的主要是一种基于对抗性本征编码拉曼光谱的细菌分类技术的实现方法。
15.本发明的目标对象为同一属内不同属间的细菌分类，本部分以嗜低温弓形菌(a.cryaerophilus)和布式弓形杆菌为例(a.cryaerophilus)，图2(a)所述图像为二者采用常规拉曼光谱检测技术测量得到的光谱图，相似性较高。通过采用本专利所述的对抗性本征编码拉曼光谱检测技术，如图2(b)所示，两种细菌在拉曼光谱检测中的差异性得到放大，具有更好的检测特异性。
16.本发明主要分为3个步骤，分别为对抗性编码训练过程、信号采集过程和光谱识别过程。下面进行分别阐述：
17.步骤1：
18.对抗性编码训练是本专利的核心部分，为检测的前置环境，即需要在检测之前完成训练，但正式测量的时候无需进行本部分。其过程如图1所示。首先进行细菌显微图像的采集，本部分细菌显微图像主要选用蓝光照射(中心波长440nm)下的显微成像结果，显微放大倍率为2000倍。
19.显微图像作为条件输入编码生成神经网络中，在本实施方式中，所述的神经网络结构共有11层，其中所有卷积层的卷积核大小均为3*3，步长为1，并设置适当的填充来确保卷积层输入和输出的尺寸大小相同。前九个运算模块所有卷积层的卷积层数为64，同时使用扩张卷积，扩张率为2。第十个运算模块的卷积层数为1。第11层为全连接层，对应输出为25个参数。该模型使用relu激活函数对卷积层的输出进行非线性变换，池化层选择最大值池化，上采样层使用插值倍增，参数均设为2。
20.编码生成神经网络中输出的25个参数即为控制数字微镜(dmd)的指导值，在本实施方式中，编码设计为5*5的点阵，点阵单点为圆形，直径为200nm，点与点纵向和横向的间距均为100nm，共25个点，其中编码生成神经网络中输出的25个参数的大小为编码中25个点的强度。
21.编码后的激光经显微透镜的汇聚聚焦于激发待测细菌，激发出的拉曼光谱信号有光栅式光谱仪进行采集，激发区域为上述编码区域。
22.将采集得到的拉曼光谱信号输入距离判定网络中，其中所述的距离为两种待测细菌的差异距离。该神经网络算法由四层组成，均为全连接层，节点数分别为4、16、8、2，以tanh激活函数作为连接。输出结果t1和t2分别为组间距离值与组外距离值，以本实施方式为例，检测对象为嗜低温弓形菌和布式弓形杆菌为例，假如本次检测对象为嗜低温弓形菌，则t1为本次测量光谱与其余嗜低温弓形菌的距离，t2为本次测量光谱与布式弓形杆菌的距离。多次测量后，t1和t2的距离变化值会进行反向传输优化编码生成神经网络，最终实现编码生成神经网络的训练过程。
23.步骤2：
24.信号采集过程为本专利检测中的具体实施过程，主要依托于步骤1中训练得到的编码生成神经网络。显微图像采集环境与步骤1中一致，即选用蓝光照射下的显微成像结果，显微放大倍率为2000倍。将显微图像输入已训练好的编码生成神经网络中，生成对应的本征编码信息，即为25个参数值。25个参数值为指导，控制数字微镜实现聚焦面的激光编码，在本实施方式中，激光强度为5mw，积分时间为1s。以编码后的激光激发待测细菌，并采集激发出的拉曼光谱信号，该信号为信号采集过程中的输出结果。
25.步骤3：
26.光谱识别过程为本发明的结果输出环节，通过步骤2中采集的拉曼光谱进行细菌种类的判定。本实施方式主要提供两种判定方法，分别为主观识别法和基于偏最小二乘算法的识别方式。主观识别法主要应用于简单快速的单细菌识别中，采用对抗性本征编码拉曼光谱技术采集得到的信号具有较大的区别度，识别简单，如图2(b)所述，本发明提供软件自动表明不同细菌的特征峰位置，用户可以通过光谱直观快速的判断该光谱属于哪种样品。对于大量的细菌识别工作或没有经验的操作人员，本实施方式还提供基于偏最小二乘算法的识别方式，该方式通过偏最小二乘算法计算得到光谱属于哪类细菌。具体而言，本部分所述的偏最小二乘算法需要进行光谱去噪处理与坏点处理，主成分数为5-10可调。

技术特征：
1.一种基于对抗性本征编码拉曼光谱的细菌分类技术，其特征在于，所述方法包括以下步骤：本专利选用拉曼光谱检测设备作为实施主体，除了拉曼光谱仪的常规部件外，额外加入控制数字微镜部件，用于对激发光源进行编码调制，加入显微成像系统，获取待测细菌的空间信息。在检测过程中，控制数字微镜会依据编码生成神经网络所提供的本征编码对激发光源进行调制，调制后的光源会激发细菌对应编码区域的拉曼光谱信息，该信号同时包含细菌的成分信息与空间信息，在单次检测下获得更具有区分度的细菌拉曼光谱信号，在细菌识别领域有着显著优势。2.根据权利要求1所述的方法，其特征在于，所述的编码生成神经网络用于对每个细菌个体生成对应的本征编码。3.根据权利要求2所述的方法，其特征在于，所述的编码生成神经网络以显微图像为初始输入，以编码信息为最终输出。该神经网络的作用为依据细菌个体的显微图像进行特征总结，生成对应编码。4.根据权利要求2所述的方法，其特征在于，训练过程为对抗性编码训练，即将数据获取过程与模型训练过程合二为一，无需大量的细菌光谱数据预采集，并且提高模型训练效率，训练具体过程为：采集细菌的显微图像，将显微图像输入所述的编码生成神经网络中，生成对应的本征编码信息，以神经网络生成的本征编码信息为指导，控制数字微镜，实现聚焦面的激光编码，以编码后的激光激发待测细菌，并采集激发出的拉曼光谱信号，将采集得到的拉曼光谱信号输入距离判定网络中，距离变化值会进行反向传输优化编码生成神经网络，最终实现编码生成神经网络的训练过程。5.根据权利要求4所述的方法，其特征在于，所述的距离为两种待测细菌的差异距离，目标为使两种细菌的组间差异距离最大化，组内差异距离最小化。6.根据权利要求2所述的方法，其特征在于，所述的编码生成神经网络结构共有11层，其中所有卷积层的卷积核大小均为3*3，步长为1，并设置适当的填充来确保卷积层输入和输出的尺寸大小相同，前九个运算模块所有卷积层的卷积层数为64，同时使用扩张卷积，扩张率为2，第十个运算模块的卷积层数为1，第11层为全连接层，对应输出为25个参数，该模型使用relu激活函数对卷积层的输出进行非线性变换，池化层选择最大值池化，上采样层使用插值倍增，参数均设为2。7.一种基于对抗性本征编码拉曼光谱的细菌分类技术，其特征在于，所述基于对抗性本征编码拉曼光谱的细菌分类技术用于执行如权利要求1-6任一项所述的基于对抗性本征编码拉曼光谱的细菌分类技术。

技术总结
本发明涉及拉曼光谱检测技术领域，公开了一种基于对抗性本征编码拉曼光谱的细菌分类技术。所述拉曼光谱检测方法无需进行长时间的扫描操作，通过预训练的编码生成神经网络实现对特定细菌的本征编码设计，激发细菌特定区域的拉曼光谱信号，提取待测细菌的空间结构信息和成分信息。对比常规的拉曼光谱检测技术，本发明提出的方法有着显著的光谱区分度，可以有效提高拉曼光谱的检测特异性，是一种准确、高效的拉曼光谱检测新技术。效的拉曼光谱检测新技术。


技术研发人员：马翔云 李奇峰 衣泽松 黄银国 杨云鹏 韩阳光 夏华
受保护的技术使用者：天津大学
技术研发日：2023.02.15
技术公布日：2023/10/7