一种基于深度学习的微生物生长情况检测方法

本发明涉及微生物检测，尤其涉及一种基于深度学习的微生物生长情况检测方法。

背景技术：

1、微生物检测是通过配置培养基人为创造培养条件，使微生物可以快速繁殖，通过微生物生长的指标来判断是否有微生物生长。目前微生物检测主要包括传统培养法、分子生物学方和生物传感器技术。其中通过血培养来检测微生物的生长在临床医学中有着重要的作用，可以通过血培养来确定传染病的类型，在败血症、肺炎等多种疾病的检测中意义重大。血液感染是一类非常常见的感染类型，如果诊断不及时，就无法及时地救助病人，如果确认了感染类型，就可以对症下药，针对性地进行治疗，从而降低死亡率。因此快速、准确地检测微生物的生长情况有着非常重要的意义。通常情况下，判断微生物的生长情况是通过分析采集到的微生物生长期间的时间序列数据，不同的检测方法收集到的数据略有不同，例如，若使用荧光增强法进行检测，那么采集到的数据为随时间变化的荧光强度，若使用比色法进行检测，那么采集到的数据为随时间变化的反射率。

2、门控循环单元(gate recurrent unit，gru)网络是一种循环神经网络的变体，通过引用门控机制来控制信息的流动，从而能够有效地捕获时间序列数据中的长期依赖关系，同时减少了传统循环神经网络(recurrent neural network，rnn)中存在的梯度爆炸和梯度消失的问题，在时间序列数据中得到了广泛的应用。gru使用前一个时间步输出和当前输入来计算下一个输出，与长短期记忆网络(long short-term memory，lstm)相比，gru的内存需求较低、可训练参数较少并且训练时间较短。发明专利cn 114898810 a中提到了一种传统的检测微生物生长的算法，将采集到的时间序列数据进行平滑除噪、异常点检测等预处理，得到预处理之后的时间序列数据变化率数据集。这种方法需要对数据进行预处理，当微生物的培养环境受到不良因素的影响时，得到的数据往往带有噪声，质量变差，从而使检测结果不准确；若要进行准确的检测，就需要对数据进行平滑降噪以及排除异常点等预处理来提高算法的抗干扰性。

技术实现思路

1、本发明的目的在于解决现有技术中难以处理带有噪声的实际采集数据的问题。

2、本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的微生物生长情况检测方法，包括以下步骤：

3、采集微生物生长情况的时间序列数据作为数据集；

4、构建gru深度学习网络，

5、基于数据集对gru深度学习网络进行训练；

6、利用训练好的gru深度学习网络实现微生物生长情况检测；

7、所述gru深度学习网络包括依次连接的若干层gru层和一层timedistributed层，gru层用于捕捉时间序列数据中的长期依赖关系，timedistributed层对每个时刻进行预测，充分利用整个时间序列的信息，提高对时间序列数据的处理能力。

8、优选的，所述采集微生物生长情况的时间序列数据作为数据集，包括以下步骤：

9、利用传感器采集微生物生长情况的时间序列数据；

10、将采集到的时间序列数据标注上标签，快速生长期数据标注为1，非快速生长期标注为0，并划分为训练集、验证集和测试集，训练集用于训练gru深度学习网络，验证集用于评估训练后的gru深度学习网络并保存若干最佳的gru深度学习网络，测试集用于最终评估性能并选择表现最佳的gru深度学习网络作为训练好的gru深度学习网络。

11、优选的，所述基于数据集对gru深度学习网络进行训练，包括：

12、基于训练集对gru深度学习网络进行训练；

13、基于验证集对训练后的gru深度学习网络进行性能评估，选择若干最佳超参数；

14、基于测试集评估最佳模型的性能，选择检测效果最好的超参数配置gru深度学习网络，作为训练好的gru深度学习网络。

15、优选的，所述基于数据集对gru深度学习网络进行训练，还包括：通过提前停止的回调函数，实现当gru深度学习网络在验证集上的性能不再提升时及时停止训练。

16、优选的，所述基于数据集对gru深度学习网络进行训练，还包括：通过保存最佳模型的回调函数，实现在训练过程中监控验证集的损失、保存损失有所改善时的gru深度学习网络参数。

17、优选的，所述gru深度学习网络包括具有64个单元的第一gru层、具有32个单元的第二gru层、具有16个单元的第三gru层、具有8个单元的第四gru层和timedistributed层。

18、优选的，每一层gru层都添加一个dropout层，dropout层使用正则化技术随机失活20％的神经元，减少过拟合。

19、优选的，timedistributed层之后使用sigmoid激活函数将输出值限制在[0，1]范围内。

20、优选的，所述利用训练好的gru深度学习网络实现微生物生长情况检测，包括以下步骤：

21、将采集若干数据送入到网络中进行检测；

22、若检测出微生物生长则结束检测，判定该样本出现微生物生长；若没有检测出有微生物生长，则等待下一个时刻数据的到来，并与之前的数据一起送入到网络中进行检测；重复该步骤直到检测出有微生物的生长或者超过系统设定的最长检测时间而停止检测。

23、本发明具有如下有益效果：

24、(1)本发明训练模型的数据中包含了现实中可能出现的各种不同情况的数据，训练出来的gru模型具有良好的鲁棒性，gru通过使用门控单元来解决梯度消失的问题，可以捕捉时间序列数据中的长期依赖关系而不是仅仅关注局部特征，对一些质量差的数据以及人为进行横向压缩、扩增，纵向压缩、拉伸，添加异常点等的数据都可以快速、准确地检测出来；对新数据进行检测时不需要进行平移、滤波等预处理过程，可以将采集到的时间序列数据直接送入到训练好的模型中进行检测，即使采集到的数据中包含一些质量不好的点，也可以快速、准确地检测出来，简化了数据预处理，缩短了检测的时间；

25、(2)本发明使用了gru网络模型，相比于lstm而言，gru的结构更加简单，更加容易训练，同时gru层相比于卷积神经网络(convolutional neural networks，cnn)而言能够更好地处理时间序列的长期依赖性，其训练和推理速度更快，并且在计算资源方面需要的消耗更低。微生物生长数据表现为随时间变化的生长趋势，通常具有类似于s形曲线的形态，包括潜伏期、指数增长期、稳定期和衰退期等阶段，不涉及高频率成分和复杂的波形结构，使用gru模型可以更加快捷准确地进行检测。

26、以下结合附图及实施例对本发明作进一步详细说明，但本发明不局限于实施例。

技术特征：

1.一种基于深度学习的微生物生长情况检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的微生物生长情况检测方法，其特征在于，所述采集微生物生长情况的时间序列数据作为数据集，包括以下步骤：

3.根据权利要求2所述的基于深度学习的微生物生长情况检测方法，其特征在于，所述基于数据集对gru深度学习网络进行训练，包括：

4.根据权利要求3所述的基于深度学习的微生物生长情况检测方法，其特征在于，所述基于数据集对gru深度学习网络进行训练，还包括：通过提前停止的回调函数，实现当gru深度学习网络在验证集上的性能不再提升时及时停止训练。

5.根据权利要求3所述的基于深度学习的微生物生长情况检测方法，其特征在于，所述基于数据集对gru深度学习网络进行训练，还包括：通过保存最佳模型的回调函数，实现在训练过程中监控验证集的损失、保存损失有所改善时的gru深度学习网络参数。

6.根据权利要求1所述的基于深度学习的微生物生长情况检测方法，其特征在于，所述gru深度学习网络包括具有64个单元的第一gru层、具有32个单元的第二gru层、具有16个单元的第三gru层、具有8个单元的第四gru层和timedistributed层。

7.根据权利要求1所述的基于深度学习的微生物生长情况检测方法，其特征在于，每一层gru层都添加一个dropout层，dropout层使用正则化技术随机失活20％的神经元，减少过拟合。

8.根据权利要求1所述的基于深度学习的微生物生长情况检测方法，其特征在于，timedistributed层之后使用sigmoid激活函数将输出值限制在[0，1]范围内。

9.根据权利要求1所述的基于深度学习的微生物生长情况检测方法，其特征在于，所述利用训练好的gru深度学习网络实现微生物生长情况检测，包括以下步骤：

技术总结本发明公开了一种基于深度学习的微生物生长情况检测方法，包括以下步骤：采集微生物生长情况的时间序列数据作为训练集；构建门控循环单元Gate Recurrent Unit(GRU)深度学习网络，基于训练集对GRU深度学习网络进行训练；利用训练好的GRU深度学习网络实现微生物生长情况检测；所述GRU深度学习网络包括依次连接的若干层GRU层和最后一层TimeDistributed密集层，GRU层用于捕捉时间序列数据中的长期依赖关系，TimeDistributed密集层对每个时刻进行预测，提高了模型对整个时间序列数据的处理能力。本发明提出的基于深度学习的微生物生长情况检测方法，鲁棒性高，对质量差的数据也可以及时、准确地检测出来。技术研发人员：陈志伟,于晓萌受保护的技术使用者：厦门大学技术研发日：技术公布日：2024/8/1