• 脑内神经化学物质检测方法

    • 摘要:

      本发明提出了脑内神经化学物质检测方法,其特征在于,包括:以碳纤维微电极作为工作电极,通过快速扫描伏安法分别在不同神经化学物质标准溶液中进行体外伏安测试;构建并训练人工神经网络模型或加载已有人工神经网络模型进行迁移学习;使用快速扫描伏安法对神经化学信号进行活体原位分析;根据待测物电化学伏安特性提取特征电位下快速扫描伏安数据电流值;对提取的电流值进行归一化,构建数据集;将数据集代入人工神经网络模型,并将模型输出结果换算为浓度计算值.本发明的脑内神经化学物质检测方法能够同时准确对多种物质变化定量分析,具有良好的抗干扰能力,可以实现长时间体内原位记录,具有较好的应用前景.

    • 专利类型:

      发明专利

    • 申请/专利号:

      CN202010299525.5

    • 申请日期:

      2020.04.16

    • 公开/公告号:

      CN111537576A

    • 公开/公告日:

      2020-08-14

    • 发明人:

      毛兰群 薛亦飞 蒋亚楠 于萍

    • 申请人:

      中国科学院化学研究所

    • 主分类号:

      G01N27/26(2006.01),G,G01,G01N,G01N27

    • 分类号:

      G01N27/26(2006.01),G01N27/30(2006.01),G06N3/04(2006.01),G06N3/08(2006.01),G,G01,G06,G01N,G06N,G01N27,G06N3,G01N27/26,G01N27/30,G06N3/04,G06N3/08

    • 主权项:

      1.一种脑内神经化学物质检测方法,其特征在于,包括: (1)以碳纤维微电极作为工作电极,通过快速扫描伏安法分别在不同神经化学物质标准溶液中进行体外伏安测试; (2)构建并训练人工神经网络模型或加载已有人工神经网络模型进行迁移学习; (3)使用快速扫描伏安法对神经化学信号进行活体原位分析; (4)根据待测物电化学伏安特性提取特征电位下快速扫描伏安数据电流值; (5)对提取的电流值进行归一化,构建数据集; (6)将所述数据集代入步骤(2)所得所述人工神经网络模型,并将模型输出结果换算为浓度计算值. 2.根据权利要求1所述的方法,其特征在于,步骤(1)包括: 以碳纤维微电极作为工作电极,以Ag/AgCl微参比电极作为对电极构成两电极体系,将所述工作电极和微参比电极依次在含有不同神经化学物质的梯度溶液中进行体外伏安测试,得到不同物质不同浓度下对应的标准伏安图. 3.根据权利要求1所述的方法,其特征在于,所述神经化学物质选自下列至少之一的物质浓度变化:多巴胺、肾上腺素、去甲肾上腺素、5-羟色胺、维生素C、过氧化氢和氧气. 4.根据权利要求1所述的方法,其特征在于,步骤(2)中,针对首次检测的化学物质,构建并训练人工神经网络模型; 针对已有人工神经网络模型,当检测的化学物质相同且采用与所述已有人工神经网络模型构建时所用碳纤维电极不同的新碳纤维电极进行检测时,对所述已有人工神经网络模型进行迁移学习. 5.根据权利要求1所述的方法,其特征在于,所述构建并训练人工神经网络模型是通过下列方式进行的: (2-1-1)读取步骤(1)所得体外伏安测试数据并进行背景扣除; (2-1-2)提取快速扫描伏安数据特征电位下的电流值; (2-1-3)将提取数据归一化构建数据集; (2-1-4)构建人工神经网络候选模型; (2-1-5)将所述数据集分为训练集和测试集,使用所述训练集训练所述人工神经网络候选模型,使用测试集评估所述人工神经网络候选模型的训练效果; 当所述人工神经网络候选模型对测试集计算结果与真实值的均方差满足要求,则通过评估,所述人工神经网络候选模型即为目的模型; 当所述人工神经网络候选模型对测试集计算结果与真实值的均方差不满足要求,则调整网络参数重新构建模型并重复步骤(2-1-5)直至满足要求;或增加特征电位提取对应电流值,并重复步骤(2-1-3)~(2-1-5)直至满足要求;或增加不同所述标准溶液的数量或增加快速扫描伏安测试数据,并重复步骤(2-1-1)~(2-1-5)直至满足要求. 6.根据权利要求5所述的方法,其特征在于,当所述计算结果与真实值的均方差随训练过程不再减小且所述均方差值不大于10-3是满足要求的指示. 7.根据权利要求4所述的方法,其特征在于,所述迁移学习是通过下列方式进行的: (2-2-1)读取利用新碳纤维电极进行步骤(1)的操作,得到体外伏安测试数据并进行背景扣除; (2-2-2)提取快速扫描伏安数据特征电位下的电流值; (2-2-3)将提取数据归一化构建数据集; (2-2-4)加载已有人工神经网络模型; (2-2-5)将所述数据集分为训练集和测试集,使用所述训练集训练所述人工神经网络候选模型,使用测试集评估所述人工神经网络候选模型的训练效果; 当所述人工神经网络候选模型对测试集计算结果与真实值的均方差满足要求,则通过评估,所述人工神经网络候选模型即为目的模型; 当所述人工神经网络候选模型对测试集计算结果与真实值的均方差不满足要求,则调整网络参数重新构建模型并重复步骤(2-2-5)直至满足要求;或增加特征电位提取对应电流值,并重复步骤(2-2-3)~(2-2-5)直至满足要求;或增加不同所述标准溶液的数量或增加快速扫描伏安测试数据,并重复步骤(2-2-1)~(2-2-5)直至满足要求. 8.根据权利要求7所述的方法,其特征在于,当所述计算结果与真实值的均方差随训练过程不再减小且所述均方差值不大于10-3是满足要求的指示. 9.根据权利要求1所述的方法,其特征在于,所述人工神经网络模型为BP神经网络,网络输入层每个单元对应一个特征电位下归一化的电流值,网络隐藏层不少于2层,输出层每个单元对应一个预测变量. 10.根据权利要求1所述的方法,其特征在于,步骤(4)包括: 根据不同待测物与干扰物的伏安特性,选取各待测物之间以及各待测物与干扰物之间具有明显电流差异的一系列电位作为特征电位,提取所述特征电位下快速扫描伏安数据中正扫及反扫电流数据.