用于干细胞运输的降温装置及方法与流程

1.本技术涉及干细胞运输技术领域，且更为具体地，涉及一种用于干细胞运输的降温装置及方法。


背景技术：

2.干细胞即为起源细胞，具有增殖和分化潜能，具有自我更新复制的能力，是能够产生高度分化的功能细胞。
3.由于来源于哺乳类的细胞需在37
°
c的恒温以及适宜的湿度、氧气和二氧化碳浓度的条件下保存，长时间暴露在不适宜的培养条件中，细胞会逐渐失去活性，干细胞的运输与保存就显得尤为重要。针对上述问题，中国专利cn113881622a提供了一种干细胞的保存运输方法，所述保存运输方法包括重悬干细胞、冷冻处理、运输和复苏处理，经所述保存运输方法处理后的细胞活性高，复苏后的贴壁细胞比例高，细菌内毒素少。但在实际进行冷冻处理的过程中，干细胞的实际温度受外界环境等因素的影响在一定时间内呈现波动，这就需要基于干细胞的实际温度来实时且自适应地进行降温装置的温度控制。
4.因此，期待一种用于干细胞运输的降温装置及方法。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于干细胞运输的降温装置及方法，其采用基于深度学习的人工智能检测技术，以通过多尺度邻域特征提取模块来挖掘干细胞的温度值和降温装置的功率值的时序变化模式特征，并提取两者之间的时序变化协同特征，以此来进行分类处理。这样，基于干细胞的温度值和降温装置的功率值之间的时序变化协同情况来对降温装置的功率值进行自适应控制，进而在当前降温装置的功率驱动下使得降温装置的温度能够适配于当前干细胞的实时温度变化情况。
6.相应地，根据本技术的一个方面，提供了一种用于干细胞运输的降温装置，其包括：
7.监控模块，用于获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的所述多个预定时间点干细胞的温度值；
8.数据结构化模块，用于将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量；
9.时序特征提取模块，用于将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量；
10.融合模块，用于基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵；以及
11.调控策略生成模块，用于将所述协同关联矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点降温装置的功率值应增大或应减小。
12.在上述用于干细胞运输的降温装置中，所述多尺度邻域特征提取模块，包括：相互
并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
13.在上述用于干细胞运输的降温装置中，所述时序特征提取模块，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式分别对所述功率输入向量和所述温度输入向量进行一维卷积编码以得到第一尺度功率特征向量和第一尺度温度特征向量；其中，所述公式为：
[0014][0015]
其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述功率输入向量或所述温度输入向量，表示对所述功率输入向量或所述温度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式分别对所述功率输入向量和所述温度输入向量进行一维卷积编码以得到第二尺度功率特征向量和第二尺度温度特征向量；其中，所述公式为：
[0016][0017]
其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述功率输入向量或所述温度输入向量，表示对所述功率输入向量或所述温度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量，并将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述温度时序特征向量。
[0018]
在上述用于干细胞运输的降温装置中，所述融合模块，包括：联合高斯密度图构造单元，用于构造所述功率时序特征向量和所述温度时序特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述功率时序特征向量和所述温度时序特征向量的按位置方差；高斯概率密度分布距离指数计算单元，用于分别计算所述功率时序特征向量和所述温度时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权修正单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述功率时序特征向量和所述温度时序特征向量进行加权以得到加权后功率时序特征向量和加权后温度时序特征向量；以及，协同融合单元，用于计算所述加权后功率时序特征向量和所述加权后温度时序特征向量之间的协同关联矩阵。
[0019]
在上述用于干细胞运输的降温装置中，所述联合高斯密度图构造单元，进一步用
于：以如下公式构造所述功率时序特征向量和所述温度时序特征向量的联合高斯密度图；其中，所述公式为：
[0020][0021]
其中，表示所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，且表示所述功率时序特征向量和所述温度时序特征向量的按位置方差构成的协方差矩阵，表示所述联合高斯密度图。
[0022]
在上述用于干细胞运输的降温装置中，所述高斯概率密度分布距离指数计算单元，进一步用于：以如下公式分别计算所述功率时序特征向量和所述温度时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述公式为：
[0023][0024][0025]
其中，和分别是所述功率时序特征向量和所述温度时序特征向量，和是联合高斯密度图的均值向量和协方差矩阵，即表示所述功率时序特征向量和所述温度时序特征向量的均值向量，且表示所述功率时序特征向量和所述温度时序特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量，表示按位置作差，表示矩阵乘法，表示以e为底的指数函数运算，和分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
[0026]
在上述用于干细胞运输的降温装置中，所述协同融合单元，进一步用于：以如下公式计算所述加权后功率时序特征向量和所述加权后温度时序特征向量之间的所述协同关联矩阵；其中，所述公式为：
[0027]
=
[0028]
其中表示所述加权后功率时序特征向量的转置向量，表示所述加权后温度时序特征向量，表示所述协同关联矩阵，表示矩阵相乘。
[0029]
在上述用于干细胞运输的降温装置中，所述调控策略生成模块，包括：展开单元，用于将所述协同关联矩阵按照行向量或者列向量展开为分类特征向量；概率化单元，用于将所述分类特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及，分类结果生成单元，用于将最大概率值对应的分类标签确定为所述分类结果。
[0030]
根据本技术的另一方面，还提供了一种用于干细胞运输的降温装置的方法，其包括：
[0031]
获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的
所述多个预定时间点干细胞的温度值；
[0032]
将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量；
[0033]
将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量；
[0034]
基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵；以及
[0035]
将所述协同关联矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点降温装置的功率值应增大或应减小。
[0036]
与现有技术相比，本技术提供的用于干细胞运输的降温装置及方法，其采用基于深度学习的人工智能检测技术，以通过多尺度邻域特征提取模块来挖掘干细胞的温度值和降温装置的功率值的时序变化模式特征，并提取两者之间的时序变化协同特征，以此来进行分类处理。这样，基于干细胞的温度值和降温装置的功率值之间的时序变化协同情况来对降温装置的功率值进行自适应控制，进而在当前降温装置的功率驱动下使得降温装置的温度能够适配于当前干细胞的实时温度变化情况。
附图说明
[0037]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0038]
图1为根据本技术实施例的用于干细胞运输的降温装置的应用场景图。
[0039]
图2为根据本技术实施例的用于干细胞运输的降温装置的框图。
[0040]
图3为根据本技术实施例的用于干细胞运输的降温装置的架构示意图。
[0041]
图4为根据本技术实施例的用于干细胞运输的降温装置中融合模块的框图。
[0042]
图5为根据本技术实施例的用于干细胞运输的降温装置的方法的流程图。
具体实施方式
[0043]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0044]
申请概述
[0045]
相应地，在本技术的技术方案中，期待基于干细胞的温度值和降温装置的功率值之间的时序变化协同情况来对降温装置的功率值进行自适应控制，进而在当前降温装置的功率驱动下使得降温装置的温度能够适配于当前干细胞的实时温度变化情况。但是，由于干细胞的温度在各个时间段内呈现不同的变化状态，于此同时，降温装置的功率值由于温度控制策略的调整也产生动态性变化，因此干细胞的温度变化和降温装置的功率值之间存在复杂的非线性映射关系。
[0046]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本
信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0047]
深度学习以及神经网络的发展为挖掘干细胞的温度变化和降温装置的功率值之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立干细胞的温度变化和降温装置的功率值之间的复杂映射关系。
[0048]
具体地，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的所述多个预定时间点干细胞的温度值。所述降温装置的功率值可以由部署于所述降温装置的功率传感器来获取。
[0049]
接着，将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量。也就是，将所述功率值的时序离散分布和所述温度值的时序离散分布构造为结构化的所述功率输入向量和所述温度输入向量。
[0050]
应可以理解，由于所述降温装置的功率值和所述干细胞的温度值在所述预定时间段内的不同时间段会呈现不同的模式状态，为了能够准确地提取出所述降温装置的功率值和所述干细胞的温度值的动态变化隐含特征，进一步将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量。这里，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。在本技术的技术方案中，利用所述多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层（即第一卷积层和第二卷积层）分别对所述功率输入向量和所述温度输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以分别得到所述功率时序特征向量和所述温度时序特征向量。特别地，所述多尺度邻域特征提取模块能够提取出不同时间跨度下的所述降温装置的功率值和所述干细胞的温度值的多尺度邻域关联特征，以表征所述降温装置的功率值和所述干细胞的温度值在时间维度上的多尺度邻域动态变化特征信息，同时也使得输出的特征既包含了平滑后的特征，保存了原始输入的特征以避免信息丢失，进而提高了后续分类的准确性。
[0051]
为了挖掘所述功率时序特征向量和所述温度时序特征向量之间的映射关系，期待融合所述功率时序特征向量和所述温度时序特征向量以将温度时序特征向量表达的关于干细胞的温度的时序动态变化模式特征映射至所述功率时序特征向量当中，从而得到协同关联矩阵。所述协同关联矩阵包含关于干细胞的温度变化和降温装置的功率变化的时序关联特征信息。
[0052]
特别地，在本技术的技术方案中，考虑到所述功率时序特征向量和所述温度时序特征向量在高维特征空间中对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述功率时序特征向量和所述温度时序特征向量进行级联，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂。
[0053]
基于此，本技术的申请人考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本技术的技术方案中，基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵。具体地，首先构造所述功率时序特征向量和所述温度时序特征向量的融合高斯密度图，其中，所述融合高斯密度图的均值向量为所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，所述融合高斯密度图的协方差矩阵中各个位置的值为所述功率时序特征向量和所述温度时序特征向量之间相应位置的特征值之间的方差。进而，对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同关联矩阵。
[0054]
在得到所述协同关联矩阵后，将其通过分类器以得到分类结果，所述分类结果用于当前时间点降温装置的功率值应增大或应减小。也就是，在本技术的技术方案中，所述分类器的标签包括当前时间点降温装置的功率值应增大（第一标签），以及，当前时间点降温装置的功率值应减小（第二标签），其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本技术的技术方案中，所述分类器的分类标签为降温装置的功率值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述降温装置的功率值，进而在当前降温装置的功率驱动下使得降温装置的温度能够适配于当前干细胞的实时温度变化情况。
[0055]
这里，在基于高斯密度图来融合所述功率时序特征向量和温度时序特征向量得到所述协同关联矩阵时，考虑到所述功率时序特征向量和温度时序特征向量两者虽然都遵循多尺度时序邻域分布，但由于源数据之间的对应性无法沿时序完全保持一致，使得两者的高斯概率密度分布在高斯密度图的融合目标维度上存在一致性和相关性差的问题，从而影响基于高斯密度图得到的所述协同关联矩阵的融合效果，降低了所述协同关联矩阵通过分类器得到的分类结果的准确性。
[0056]
因此，在计算所述功率时序特征向量和温度时序特征向量的联合高斯密度图时，进一步计算所述功率时序特征向量和温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
[0057][0058][0059]
其中，和分别是所述功率时序特征向量和温度时序特征向量，和是联合高斯密度图的均值向量和协方差矩阵，即表示所述功率时序特征向量和温度时序特征向量的均值向量，且表示所述功率时序特征向量和温度时序特征向量的按位置方差构成的协方差矩阵，其中，向量均为列向量形式。
[0060]
因此，通过计算所述功率时序特征向量和温度时序特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对所述功率时序特征向量和温度时序特
征向量进行加权，就可以提高目标特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在高斯密度图的融合目标维度上的一致性和相关性，也就改进了所述协同特征矩阵的融合效果，从而提升了所述协同关联矩阵通过分类器得到的分类结果的准确性。
[0061]
图1为根据本技术实施例的用于干细胞运输的降温装置的应用场景图。如图1所示，在该应用场景中，首先获取由功率传感器（例如，如图1中所示意的se1）采集的预定时间段内多个预定时间点的降温装置（例如，如图1中所示意的d）的功率值和由温度传感器（例如，如图1中所示意的se2）采集的所述多个预定时间点干细胞（例如，如图1中所示意的c）的温度值。进而，将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值输入至所述用于干细胞运输的降温装置的数据处理器（例如，如图1所示意的p）中，其中，所述数据处理器能够基于预定算法对所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值进行处理，以得到用于表示当前时间点降温装置的功率值应增大或应减小的分类结果。
[0062]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0063]
示例性系统
[0064]
图2为根据本技术实施例的用于干细胞运输的降温装置的框图。如图2所示，根据本技术实施例的用于干细胞运输的降温装置100，包括：监控模块110，用于获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的所述多个预定时间点干细胞的温度值；数据结构化模块120，用于将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量；时序特征提取模块130，用于将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量；融合模块140，用于基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵；以及，调控策略生成模块150，用于将所述协同关联矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点降温装置的功率值应增大或应减小。
[0065]
图3为根据本技术实施例的用于干细胞运输的降温装置的架构示意图。如图3所示，首先，获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的所述多个预定时间点干细胞的温度值；接着，将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量；然后，将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量；继而，基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵；最后，将所述协同关联矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点降温装置的功率值应增大或应减小。
[0066]
相应地，在本技术的技术方案中，期待基于干细胞的温度值和降温装置的功率值之间的时序变化协同情况来对降温装置的功率值进行自适应控制，进而在当前降温装置的功率驱动下使得降温装置的温度能够适配于当前干细胞的实时温度变化情况。但是，由于干细胞的温度在各个时间段内呈现不同的变化状态，于此同时，降温装置的功率值由于温
度控制策略的调整也产生动态性变化，因此干细胞的温度变化和降温装置的功率值之间存在复杂的非线性映射关系。
[0067]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0068]
深度学习以及神经网络的发展为挖掘干细胞的温度变化和降温装置的功率值之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立干细胞的温度变化和降温装置的功率值之间的复杂映射关系。
[0069]
在上述用于干细胞运输的降温装置100中，所述监控模块110，用于获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的所述多个预定时间点干细胞的温度值。所述降温装置的功率值可以由部署于所述降温装置的功率传感器来获取。
[0070]
在上述用于干细胞运输的降温装置100中，所述数据结构化模块120，用于将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量。也就是，将所述功率值的时序离散分布和所述温度值的时序离散分布构造为结构化的所述功率输入向量和所述温度输入向量。
[0071]
在上述用于干细胞运输的降温装置100中，所述时序特征提取模块130，用于将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量。应可以理解，由于所述降温装置的功率值和所述干细胞的温度值在所述预定时间段内的不同时间段会呈现不同的模式状态，为了能够准确地提取出所述降温装置的功率值和所述干细胞的温度值的动态变化隐含特征，进一步将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量。
[0072]
这里，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。在本技术的技术方案中，利用所述多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层（即第一卷积层和第二卷积层）分别对所述功率输入向量和所述温度输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以分别得到所述功率时序特征向量和所述温度时序特征向量。特别地，所述多尺度邻域特征提取模块能够提取出不同时间跨度下的所述降温装置的功率值和所述干细胞的温度值的多尺度邻域关联特征，以表征所述降温装置的功率值和所述干细胞的温度值在时间维度上的多尺度邻域动态变化特征信息，同时也使得输出的特征既包含了平滑后的特征，保存了原始输入的特征以避免信息丢失，进而提高了后续分类的准确性。
[0073]
具体地，在本技术实施例中，所述时序特征提取模块130，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式分别对所述功率输入向量和所述温度输入向量进行一维卷积编码以得到第一尺度功率特征向量和第一尺度温度特征向量；其中，所述公式为：
[0074][0075]
其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述功率输入向量或所述温度输入向量，表示对所述功率输入向量或所述温度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式分别对所述功率输入向量和所述温度输入向量进行一维卷积编码以得到第二尺度功率特征向量和第二尺度温度特征向量；其中，所述公式为：
[0076][0077]
其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述功率输入向量或所述温度输入向量，表示对所述功率输入向量或所述温度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量，并将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述温度时序特征向量。
[0078]
在上述用于干细胞运输的降温装置100中，所述融合模块140，用于基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵。为了挖掘所述功率时序特征向量和所述温度时序特征向量之间的映射关系，期待融合所述功率时序特征向量和所述温度时序特征向量以将温度时序特征向量表达的关于干细胞的温度的时序动态变化模式特征映射至所述功率时序特征向量当中，从而得到协同关联矩阵。所述协同关联矩阵包含关于干细胞的温度变化和降温装置的功率变化的时序关联特征信息。
[0079]
特别地，在本技术的技术方案中，考虑到所述功率时序特征向量和所述温度时序特征向量在高维特征空间中对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述功率时序特征向量和所述温度时序特征向量进行级联，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂。
[0080]
基于此，本技术的申请人考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本技术的技术方案中，基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵。具体地，首先构造所述功率时序特征向量和所述温度时序特征向量的融合高斯密度图，其中，所述融合高斯密度图的均值向量为所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，所述融合高斯密度图的协方差矩阵中各个位置的值为所述功率时序特征向量和所述温度时序特征向量之间相应位置的特征值之间的方差。进而，对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同关联矩
阵。
[0081]
这里，在基于高斯密度图来融合所述功率时序特征向量和温度时序特征向量得到所述协同关联矩阵时，考虑到所述功率时序特征向量和温度时序特征向量两者虽然都遵循多尺度时序邻域分布，但由于源数据之间的对应性无法沿时序完全保持一致，使得两者的高斯概率密度分布在高斯密度图的融合目标维度上存在一致性和相关性差的问题，从而影响基于高斯密度图得到的所述协同关联矩阵的融合效果，降低了所述协同关联矩阵通过分类器得到的分类结果的准确性。
[0082]
因此，在计算所述功率时序特征向量和温度时序特征向量的联合高斯密度图时，进一步计算所述功率时序特征向量和温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
[0083][0084][0085]
其中，和分别是所述功率时序特征向量和所述温度时序特征向量，和是联合高斯密度图的均值向量和协方差矩阵，即表示所述功率时序特征向量和所述温度时序特征向量的均值向量，且表示所述功率时序特征向量和所述温度时序特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量，表示按位置作差，表示矩阵乘法，表示以e为底的指数函数运算，和分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
[0086]
因此，通过计算所述功率时序特征向量和温度时序特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对所述功率时序特征向量和温度时序特征向量进行加权，就可以提高目标特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在高斯密度图的融合目标维度上的一致性和相关性，也就改进了所述协同特征矩阵的融合效果，从而提升了所述协同关联矩阵通过分类器得到的分类结果的准确性。
[0087]
图4为根据本技术实施例的用于干细胞运输的降温装置中融合模块的框图。如图4所示，所述融合模块140，包括：联合高斯密度图构造单元141，用于构造所述功率时序特征向量和所述温度时序特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述功率时序特征向量和所述温度时序特征向量的按位置方差；高斯概率密度分布距离指数计算单元142，用于分别计算所述功率时序特征向量和所述温度时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权修正单元143，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述功率时序特征向量和所述温度时序特征向量进行加权以得到加权后功率
时序特征向量和加权后温度时序特征向量；以及，协同融合单元144，用于计算所述加权后功率时序特征向量和所述加权后温度时序特征向量之间的协同关联矩阵。
[0088]
具体地，在本技术实施例中，以如下公式构造所述功率时序特征向量和所述温度时序特征向量的联合高斯密度图；其中，所述公式为：
[0089][0090]
其中，表示所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，且表示所述功率时序特征向量和所述温度时序特征向量的按位置方差构成的协方差矩阵，表示所述联合高斯密度图。
[0091]
具体地，在本技术实施例中，以如下公式计算所述加权后功率时序特征向量和所述加权后温度时序特征向量之间的所述协同关联矩阵；其中，所述公式为：
[0092]
=
[0093]
其中表示所述加权后功率时序特征向量的转置向量，表示所述加权后温度时序特征向量，表示所述协同关联矩阵，表示矩阵相乘。
[0094]
在上述用于干细胞运输的降温装置100中，所述调控策略生成模块150，用于将所述协同关联矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点降温装置的功率值应增大或应减小。也就是，在本技术的技术方案中，所述分类器的标签包括当前时间点降温装置的功率值应增大（第一标签），以及，当前时间点降温装置的功率值应减小（第二标签），其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本技术的技术方案中，所述分类器的分类标签为降温装置的功率值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述降温装置的功率值，进而在当前降温装置的功率驱动下使得降温装置的温度能够适配于当前干细胞的实时温度变化情况。
[0095]
具体地，在本技术实施例中，所述调控策略生成模块150的编码过程，包括：首先，通过展开单元将所述协同关联矩阵按照行向量或者列向量展开为分类特征向量；接着，通过概率化单元将所述分类特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；然后，通过分类结果生成单元将最大概率值对应的分类标签确定为所述分类结果。
[0096]
综上，基于本技术实施例的用于干细胞运输的降温装置100被阐明，其采用基于深度学习的人工智能检测技术，以通过多尺度邻域特征提取模块来挖掘干细胞的温度值和降温装置的功率值的时序变化模式特征，并提取两者之间的时序变化协同特征，以此来进行分类处理。这样，基于干细胞的温度值和降温装置的功率值之间的时序变化协同情况来对降温装置的功率值进行自适应控制，进而在当前降温装置的功率驱动下使得降温装置的温度能够适配于当前干细胞的实时温度变化情况。
[0097]
示例性方法
[0098]
图5为根据本技术实施例的用于干细胞运输的降温装置的方法的流程图。如图5所示，根据本技术实施例的用于干细胞运输的降温装置的方法，包括：s110，获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的所述多个预定时间点干细
胞的温度值；s120，将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量；s130，将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量；s140，基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵；以及，s150，将所述协同关联矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点降温装置的功率值应增大或应减小。
[0099]
这里，本领域技术人员可以理解，上述用于干细胞运输的降温装置的方法中的各个步骤和操作已经在上面参考图1到图4的用于干细胞运输的降温装置100的描述中得到了详细介绍，并因此，将省略其重复描述。
[0100]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0101]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0102]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0103]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0104]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种用于干细胞运输的降温装置，其特征在于，包括：监控模块，用于获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的所述多个预定时间点干细胞的温度值；数据结构化模块，用于将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量；时序特征提取模块，用于将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量；融合模块，用于基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵；以及调控策略生成模块，用于将所述协同关联矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点降温装置的功率值应增大或应减小。2.根据权利要求1所述的用于干细胞运输的降温装置，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。3.根据权利要求2所述的用于干细胞运输的降温装置，其特征在于，所述时序特征提取模块，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式分别对所述功率输入向量和所述温度输入向量进行一维卷积编码以得到第一尺度功率特征向量和第一尺度温度特征向量；其中，所述公式为：其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述功率输入向量或所述温度输入向量，表示对所述功率输入向量或所述温度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式分别对所述功率输入向量和所述温度输入向量进行一维卷积编码以得到第二尺度功率特征向量和第二尺度温度特征向量；其中，所述公式为：其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述功率输入向量或所述
温度输入向量，表示对所述功率输入向量或所述温度输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量，并将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述温度时序特征向量。4.根据权利要求3所述的用于干细胞运输的降温装置，其特征在于，所述融合模块，包括：联合高斯密度图构造单元，用于构造所述功率时序特征向量和所述温度时序特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述功率时序特征向量和所述温度时序特征向量的按位置方差；高斯概率密度分布距离指数计算单元，用于分别计算所述功率时序特征向量和所述温度时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权修正单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述功率时序特征向量和所述温度时序特征向量进行加权以得到加权后功率时序特征向量和加权后温度时序特征向量；以及协同融合单元，用于计算所述加权后功率时序特征向量和所述加权后温度时序特征向量之间的协同关联矩阵。5.根据权利要求4所述的用于干细胞运输的降温装置，其特征在于，所述联合高斯密度图构造单元，进一步用于：以如下公式构造所述功率时序特征向量和所述温度时序特征向量的联合高斯密度图；其中，所述公式为：其中，表示所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，且表示所述功率时序特征向量和所述温度时序特征向量的按位置方差构成的协方差矩阵，表示所述联合高斯密度图。6.根据权利要求5所述的用于干细胞运输的降温装置，其特征在于，所述高斯概率密度分布距离指数计算单元，进一步用于：以如下公式分别计算所述功率时序特征向量和所述温度时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述公式为：
其中，和分别是所述功率时序特征向量和所述温度时序特征向量，和是联合高斯密度图的均值向量和协方差矩阵，即表示所述功率时序特征向量和所述温度时序特征向量的均值向量，且表示所述功率时序特征向量和所述温度时序特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量，表示按位置作差，表示矩阵乘法，表示以e为底的指数函数运算，和分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。7.根据权利要求6所述的用于干细胞运输的降温装置，其特征在于，所述协同融合单元，进一步用于：以如下公式计算所述加权后功率时序特征向量和所述加权后温度时序特征向量之间的所述协同关联矩阵；其中，所述公式为：=其中表示所述加权后功率时序特征向量的转置向量，表示所述加权后温度时序特征向量，表示所述协同关联矩阵，表示矩阵相乘。8.根据权利要求7所述的用于干细胞运输的降温装置，其特征在于，所述调控策略生成模块，包括：展开单元，用于将所述协同关联矩阵按照行向量或者列向量展开为分类特征向量；概率化单元，用于将所述分类特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及分类结果生成单元，用于将最大概率值对应的分类标签确定为所述分类结果。9.一种用于干细胞运输的降温装置的方法，其特征在于，包括：获取预定时间段内多个预定时间点的降温装置的功率值和由温度传感器采集的所述多个预定时间点干细胞的温度值；将所述多个预定时间点的降温装置的功率值和所述多个预定时间点干细胞的温度值分别按照时间维度排列为功率输入向量和温度输入向量；将所述功率输入向量和所述温度输入向量分别通过多尺度邻域特征提取模块以得到功率时序特征向量和温度时序特征向量；基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵；以及将所述协同关联矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点降温装置的功率值应增大或应减小。10.根据权利要求9所述的用于干细胞运输的降温装置的方法，其特征在于，基于高斯密度图来融合所述功率时序特征向量和所述温度时序特征向量以得到协同关联矩阵，包括：构造所述功率时序特征向量和所述温度时序特征向量的联合高斯密度图，其中，所述
联合高斯密度图的均值向量为所述功率时序特征向量和所述温度时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述功率时序特征向量和所述温度时序特征向量的按位置方差；分别计算所述功率时序特征向量和所述温度时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述功率时序特征向量和所述温度时序特征向量进行加权以得到加权后功率时序特征向量和加权后温度时序特征向量；以及计算所述加权后功率时序特征向量和所述加权后温度时序特征向量之间的协同关联矩阵。

技术总结
本申请涉及干细胞运输技术领域，其具体地公开了一种用于干细胞运输的降温装置及方法，其采用基于深度学习的人工智能检测技术，以通过多尺度邻域特征提取模块来挖掘干细胞的温度值和降温装置的功率值的时序变化模式特征，并提取两者之间的时序变化协同特征，以此来进行分类处理。这样，基于干细胞的温度值和降温装置的功率值之间的时序变化协同情况来对降温装置的功率值进行自适应控制，进而在当前降温装置的功率驱动下使得降温装置的温度能够适配于当前干细胞的实时温度变化情况。适配于当前干细胞的实时温度变化情况。适配于当前干细胞的实时温度变化情况。


技术研发人员：付康 王现伟 杨远方 亢星亮 任新华 田爱鹏 吴佳蔓 林俊堂
受保护的技术使用者：河南茵特赛尔生物技术有限公司
技术研发日：2023.03.06
技术公布日：2023/7/20