血细胞分类方法及相关设备与流程

1.本技术涉及医学设备技术领域，更具体地，是血细胞分类方法及相关设备。


背景技术：

2.血细胞分析仪是一种常用的医学设备，其可以检测血液中血细胞的相关信息，例如血细胞的类型以及每种血细胞的数量等。目前，无论是三分类还是五分类的血细胞分析仪，其对血细胞的检测主要采用小孔阻抗法。
3.该检测方法的主要过程是，将待检血液细胞逐一通过形如小孔的阻抗检测通道，通道内充有导电性的稀释液，由于血细胞是不良导体，其在通过小孔通道时可以引起通道两端电阻的变化，从而血细胞分析仪将电阻的变化转化为脉冲信号，利用脉冲识别算法识别有效脉冲信号，进而分析有效脉冲的幅度和脉宽信息确定出待检血液包括的血细胞类型。然而，该方法的分类准确度较低。


技术实现要素：

4.对此，本技术提供了一种血细胞分析方法，用以提高血液细胞的分类准确度。为了实现上述发明目的，本技术提供以下技术方案：
5.第一方面，本技术实施例提供了一种细胞分类方法，包括：
6.获得待分类血液样本的目标阻抗脉冲信号；
7.获得预先训练完成的目标神经网络分类模型，所述目标神经网络分类模型由机器学习算法对多组血液训练样本训练得到，且每组所述血液训练样本包括阻抗脉冲信号以及用于表示所述阻抗脉冲信号的分类结果的标签信息；
8.将所述目标阻抗脉冲信号输入至所述目标神经网络分类模型，以得到所述目标神经网络分类模型输出的所述目标阻抗脉冲信号的分类结果，所述分类结果包括血细胞类型或干扰。
9.第二方面，本技术实施例提供了一种血液分析仪，包括：
10.样本采集模块，用于获得血液样本；
11.检测模块，用于获得所述血液样本的目标阻抗脉冲信号；
12.处理器，其配置为至少获得预先训练完成的目标神经网络分类模型，所述目标神经网络分类模型由机器学习算法对多组血液训练样本训练得到，且每组所述血液训练样本包括血液细胞的阻抗脉冲信号以及用于表示所述阻抗脉冲信号的分类结果的标签信息；以及将所述目标阻抗脉冲信号输入至所述目标神经网络分类模型，以得到所述目标神经网络分类模型输出的所述目标阻抗脉冲信号的分类结果，所述分类结果包括血细胞类型或干扰；
13.人机交互模块，其配置为输出所述分类结果。
14.第三方面，本技术实施例提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器加载并执行时，实现如第一方面任一项所述的血细胞分类方法。
15.本技术实施例提供的血细胞分类方法，将待分类血液样本的阻抗脉冲信号输入到训练完成的目标神经网络分类模型中，目标神经网络分类模型是由大量具有分类结果标签信息的阻抗脉冲信号样本训练而成，其具有较强的脉冲形态特征提取能力，从而可以根据待分类血液样本的阻抗脉冲信号的形态特征确定阻抗脉冲信号的分类结果，相比现有技术而言分类结果准确度更高。另外本技术实施例可以识别出干扰因素导致的阻抗脉冲信号，且可以基于阻抗脉冲信号进行识别分类，实时性也更高。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为本技术实施例提供的血细胞分类方法的一个流程示意图；
18.图2为本技术实施例提供的血细胞分类方法的一个示例图；
19.图3a-3b为本技术实施例提供的血细胞分类方法的两个应用场景示意图；
20.图4为本技术实施例提供的训练目标神经网络分类模型的一个流程示意图；
21.图5a-5c为本技术实施例提供的血液训练样本的三种阻抗检测信号示例图；
22.图6为本技术实施例提供的血细胞分析仪的一个结构示意图；
23.图7为本技术实施例提供的血细胞分析仪的另一结构示意图；
24.图8为本技术实施例提供的血细胞分析仪的控制模块的一个结构示意图。
具体实施方式
25.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.人血液中含有红细胞、白细胞、血小板等各种细胞，血细胞分析仪可以检测出血液样本中包含的血细胞的类型。目前的血细胞分析仪，如三分类血细胞分析仪或五分类血细胞分析仪，在对血液中的细胞类型进行分类时，常用的是小孔阻抗法。该方法是使血液样本从具有两个电极的小孔间通过，由于血细胞是不良导体，当有血细胞通过时会引起两端电阻的变化，检测电路将电阻信号转化为电压信号，从而产生脉冲信号。一个血细胞表现为一个脉冲信号。
27.目前使用脉冲识别算法对脉冲信号进行识别以确定脉冲信号的分类结果。具体地，先根据脉冲信号在一段时间内的上升下降趋势确定出有效脉冲信号，再计算有效脉冲信号的幅度和脉宽，由于不同的血细胞类型设置有不同的幅度和脉宽范围值，依据该设置范围确定出有效脉冲信号的幅度和脉宽对应的血细胞类型，从而实现血细胞的分类。
28.本技术发明人对上述方法进行研究后发现现有技术至少存在以下问题：
29.第一，有效脉冲信号的识别仅仅依赖于信号的上升和下降趋势，然而小孔阻抗法的检测环境较为复杂，小孔通道中稀释液流中包括的气泡、检测电路受到的电信号等干扰
因素极大概率可以产生脉冲信号，这些脉冲信号的上升和下降趋势如果符合识别标准，就会被识别为有效脉冲信号，进而对分类结果的准确度产生影响。
30.第二，人为设置有效脉冲信号的分类标准为脉冲幅度与脉冲宽度两项信息。但是这两项信息不够全面，对脉冲信号的分类不够准确。很多干扰因素形成的脉冲信号也可能符合该分类标准，从而导致无法将干扰脉冲信号与血细胞脉冲信号区分开来。另外，一些处于临界状态的血细胞可能未被准确分类，分类结果的准确度较低。
31.为至少解决上述一个技术问题，本技术发明人提出了一种血细胞分类方法，具体是使用训练完成的神经网络模型对血细胞样本进行分类。由于神经网络模型具有较强的特征提取和特征分析能力，从而可以得到更加准确的分类结果。以下通过具体实施方式，并结合附图进一步地说明本技术的方法。
32.见图1，其示出了一种血细胞分类方法实施例的流程示意，具体包括步骤101-103。
33.s101：获得待分类血液样本的目标阻抗脉冲信号。
34.其中，待分类的血液样本经由含有溶血剂的试剂进行处理后，被送入血液分析仪的阻抗通道。阻抗通道的阻抗检测电路按照上述的小孔阻抗法对待分类血液样本进行检测，以得到待分类血液样本的阻抗脉冲信号。阻抗脉冲信号的一个具体示例可以见图2，该信号图中包括有多个阻抗脉冲信号。
35.需要说明的是，为了便于与后续其他的阻抗脉冲信号区分，此处将待分类血液样本的阻抗脉冲信号称为目标阻抗脉冲信号。另外，阻抗脉冲信号并不局限于由小孔阻抗法得到，只要是可以检测得到血液样本的阻抗脉冲信号的方式均可。
36.由于阻抗脉冲信号可能由干扰因素生成，另外不同表现形式的阻抗脉冲信号可能对应相同或不同类型的血细胞，因此需要由神经网络模型进行精准识别。
37.s102：获得预先训练完成的目标神经网络分类模型，目标神经网络分类模型由机器学习算法对多组血液训练样本训练得到，且每组血液训练样本包括血液细胞的阻抗脉冲信号以及用于表示阻抗脉冲信号的分类结果的标签信息。
38.其中，用于训练的血液训练样本包括，血液细胞和干扰因素的阻抗脉冲信号，且每个阻抗脉冲信号具有各自对应的标签信息，标签信息用于表示该阻抗脉冲信号的分类结果，即阻抗脉冲信号是由何种类型的血细胞生成的。在一具体实施例中，该标签信息可以包括干扰(interference)以及血细胞类型如红细胞(red blood cell，简称rbc)、血小板(platelet，简称plt)等。需要说明的是，标签信息为干扰，则表示该阻抗脉冲信号是由干扰因素导致的。目标神经网络分类模型是由初始神经网络模型预先训练完成的，其具体训练方式可以参见下述说明。
39.s103：将目标阻抗脉冲信号输入至目标神经网络分类模型，以得到目标神经网络分类模型输出的目标阻抗脉冲信号的分类结果，分类结果包括血细胞类型以及干扰。
40.其中，目标阻抗脉冲信号输入至目标神经网络分类模型中，模型对目标阻抗脉冲信号进行分类识别，以确定每个阻抗脉冲信号的分类结果。需要说明的是，目标阻抗脉冲信号为多个，目标神经网络分类模型分别对每个目标阻抗脉冲信号进行识别。
41.可以理解的是，血液训练样本的标签信息包括哪些类型，则最终训练完成的目标神经网络分类模型输出的分类结果便包括哪些类型。在一具体实施例中，目标阻抗脉冲信号的分类结果包括：干扰以及血细胞类型如红细胞、血小板等。
42.干扰产生的原因有多种，例如阻抗检测电路受到的外部电信号干扰、阻抗检测电路自身元器件的失效、检测通道中的微生物干扰、待分类血液样本在采样过程中掺入的杂质、检测通道中稀释液流含有的气泡，等等。干扰因素较多且不同原因产生的干扰因素的阻抗脉冲信号表现形式可能不同，现有的识别算法可能将某些干扰因素识别为血细胞类型，从而影响血细胞分类的准确度。然而，目标神经网络分类模型的血液训练样本考虑了干扰因素的存在，可以识别出干扰因素导致的阻抗脉冲信号，从而提高分类结果的准确性。
43.另外，阻抗脉冲信号具有脉冲形态特征，不同类型的阻抗脉冲信号的脉冲形态特征也并不相同，目标神经网络分类模型通过分析目标阻抗脉冲信号的脉冲形态特征得到目标阻抗脉冲信号的分类结果。在一具体实施例中，脉冲形态特征包括以下任意多项的组合：脉冲位置、脉冲峰值、脉冲宽度、脉冲峰宽比、脉冲上升时间、脉冲下降时间、脉冲线条斜率、脉冲基线信息、脉冲总面积信息、脉冲峰值前后面积差以及噪声信息。
44.脉冲位置(pos)，表示目标阻抗脉冲信号在待分类血液样本的完整检测信号中所处的位置，例如以1mhz的采样率对阻抗检测信号采集10s得到10e6个采样点，某目标阻抗脉冲信号的峰值位于第1e6个采样点处，则其位置为1e6/10e6＝0.1。脉冲峰值(peak)，表示目标阻抗脉冲信号的峰值大小；以12bit的阻抗检测电路采集到的阻抗脉冲信号为例，峰值在0～4095之间。脉冲宽度(width)，表示目标阻抗脉冲信号的宽度大小，可以以采样点数为单位。脉冲峰宽比(ratio)，表示目标阻抗脉冲信号的峰值除以宽度的比值。脉冲上升时间(r-time)，表示目标阻抗脉冲信号从平稳上升到达峰值的时间信息。脉冲下降时间(d-time)，表示目标阻抗脉冲信号从峰值下降到达平稳的时间信息。脉冲线条斜率(k)，表示目标阻抗脉冲信号的峰值的斜率。脉冲基线信息(base)，表示目标阻抗脉冲信号在识别时所取的基线大小。脉冲总面积信息(area)，表示目标阻抗脉冲信号与基线的差值的积分。脉冲峰值前后面积差(areadiff)，表示目标阻抗脉冲信号的峰值位置的前半个脉冲面积与后半个脉冲面积的差值，与总面积的比例。噪声信息(noise)，表示无目标阻抗脉冲信号的数据段的噪声有效值。需要说明的是，以上脉冲形态特征仅仅是示例说明，目标神经网络分类模型可以使用其他形式的特征作为分类标准，本技术实施例并不做具体限定。
45.目标神经网络分类模型不仅包括需要提取的脉冲形态特征的种类，还包括每种脉冲形态特征各自的权重以及与分类结果的种类数量相同的分类阈值(每个分类阈值代表一种分类结果)。需要说明的是，这些模型参数由目标神经网络分类模型的训练过程确定，训练过程结束后，目标神经网络分类模型的各个模型参数便确定下来。模型参数可以构建用于进行分类的数学模型。数学模型表示的是脉冲形态特征与最终的分类结果之间的相关性。
46.在一种具体实施例中，目标神经网络分类模型通过执行下述步骤实现分类：从目标阻抗脉冲信号中提取多项脉冲形态特征；将每项脉冲形态特征与脉冲形态特征对应的权重进行加权计算，得到特征值加权结果；将特征值加权结果与预设的分类阈值(即训练完成后得到的分类阈值)进行比较，以确定该特征值加权结果所对应的分类阈值，为了便于描述，可以将该分类阈值称为目标分类阈值；将目标分类阈值的分类结果识别为目标阻抗脉冲信号的分类结果。需要说明的是，每个分类阈值可以是一个数值范围，得到特征值加权结果后确定该特征值加权结果对应于哪个数值范围，该数值范围即目标分类阈值。由于每个分类阈值分别代表一种分类结果，根据目标分类阈值所对应的分类结果，确定出目标阻抗
脉冲信号的分类结果。例如，分类阈值[a1-a2]代表红细胞，分类阈值[a3-a4]代表血小板，分类阈值[a5-a6]代表干扰；假设目标阻抗脉冲信号对应的目标分类阈值为[a3-a4]，则可以确定目标阻抗脉冲信号的分类结果为血小板。
[0047]
可以理解的是，目标神经网络分类模型是一种神经网络模型，其优势体现在可以从大量血液训练样本中挖掘每种分类结果对应的阻抗脉冲信号的形态特征，且找到用于区分不同分类结果的最佳形态特征，与现有的识别算法仅适用脉冲幅度与宽度进行区分相比，形态特征更加丰富且更加准确，从而可以准确定位甚至放大血细胞与血细胞之间以及血细胞与干扰因素之间的差异性，进而依据该形态特征得到的分类结果准确度也更高。
[0048]
再者，本技术实施例中输入目标神经网络分类模型中的信号为阻抗脉冲信号，也就是说，将待分类血液送入细胞分析仪由阻抗检测电路得到待分类血液的阻抗检测信号后，便实时可以将该阻抗检测信号输入至目标神经网络分类模型，由模型对阻抗检测信号中的阻抗脉冲信号后进行识别分类。然而，现有的识别算法首先需要得到完整的阻抗检测信号，然后从完整的阻抗检测信号中识别出有效脉冲信号，再根据有效脉冲信号的幅值生成分布直方图，通过对分布直方图的分析才能确定有效脉冲信号对应的血细胞类型。相较于该现有技术，本技术实施例的血细胞分类方法不需要得到完整的阻抗检测信号，在一次血液样本的处理过程中，检测得到某阻抗脉冲信号时，同时对该阻抗脉冲信号之前生成的阻抗脉冲信号的类型进行识别，实时性更高。
[0049]
由以上技术方案可以看出，本技术实施例提供的血细胞分类方法，将待分类血液样本的阻抗脉冲信号输入到训练完成的目标神经网络分类模型中，目标神经网络分类模型是由大量具有分类结果标签信息的阻抗脉冲信号样本训练而成，其具有较强的脉冲形态特征提取能力，从而可以根据待分类血液样本的阻抗脉冲信号的形态特征确定阻抗脉冲信号的分类结果，由于脉冲形态特征更加丰富且全面，相比现有技术而言分类结果准确度更高。另外本技术实施例可以识别出干扰因素导致的阻抗脉冲信号，且可以基于阻抗脉冲信号进行识别分类，实时性也更高。
[0050]
见图2，其示出了细胞分类方法的一个应用流程示意图。如2图所示，假设待分类血液样本的部分阻抗检测信号包括多个目标阻抗脉冲信号，将该部分阻抗检测信号输入至目标神经网络分类模型进行识别。目标神经网络分类模型可以从中提取目标阻抗脉冲信号的脉冲形态特征xi，需要说明的是，脉冲形态特征可以是多种，图示中虽然仅示出一个xi，但并不表示仅有一个脉冲形态特征，其只是一个特征示例而已。目标神经网络分类模型按照以上说明的分类方式，对脉冲形态特征进行计算后得到对应的分类结果yi并输出。如图2所示，阻抗检测信号中的某些目标阻抗脉冲信号被标记为血细胞，某些目标阻抗脉冲信号被标记为血小板，某些目标阻抗脉冲信号被标记为干扰。
[0051]
在实际应用中，分类结果可以被进一步使用于血细胞处理相关的各类场景中，以下提供两种具体应用场景作为示例进行说明。
[0052]
场景一，根据分类结果对干扰情况进行提示。见图3a所示，目标神经网络分类模型得到分类结果后，可以对其中干扰类型的目标阻抗脉冲信号进行统计，根据统计的相关信息输出对应的提示信息。
[0053]
具体来讲，若目标阻抗脉冲信号的分类结果包括干扰，则统计干扰类型的目标阻抗脉冲信号的相关信息；相关信息包括分布信息和/或形态信息；根据相关信息，输出与相
关信息对应的提示信息。
[0054]
前已述及本技术实施例得到的分类结果可能包括干扰，那么在分类结果表示真实存在干扰的情况下，则可以统计干扰的相关信息。示例性地，可以统计干扰在待分类血液样本的完整阻抗检测信号中的分布信息，如数量和所在的位置等；或者还可以统计干扰对应的目标阻抗脉冲信号的形态信息，如幅值等。根据所统计的相关信息，可以对干扰情况进行提示。例如可以判断干扰的分布位置是否符合预先设置的距离标准，如果符合则表示干扰分布是否过于密集；又如可以判断干扰的数量是否超过预先设置的报警数量阈值，如果是则表示干扰过多。干扰过多或过于密集，则表示对待分类血液样本的检测环境存在干扰因素，则可以输出相关提示信息，以提示医护人员对用于检测的血细胞分析仪器的检测环境进行干扰检测，以排除相关干扰因素。
[0055]
场景二，根据分类结果对不同类型的血细胞进行计数。见图3b所示，目标神经网络分类模型得到分类结果后，对每种类型的血细胞进行计数，从而在血细胞的分析报告中可以给出每类血细胞的测量值。
[0056]
具体来讲，除了干扰，本技术实施例可以识别出不同类型的血细胞，若目标阻抗脉冲信号的分类结果包括血细胞类型，则统计待分类血液中同一血细胞类型的目标阻抗脉冲信号的数量；将目标阻抗脉冲信号的数量，确定为同一血细胞类型的血细胞的数量。例如，红细胞数量为a，血小板数量为b等。
[0057]
需要说明的是，以上两种应用场景仅仅是示例说明，血细胞分类结果还可以被应用在本领域技术人员能够期望得到的任何其他血细胞处理场景中。
[0058]
以上介绍了目标神经网络分类模型的使用方式，以下具体介绍目标神经网络分类模型的训练过程。
[0059]
如图4所示，目标神经网络分类模型的训练步骤包括s401-s403。
[0060]
s401：获得多组血液训练样本，每组血液训练样本包括阻抗脉冲信号以及用于表示阻抗脉冲信号的分类结果的标签信息，分类结果包括血细胞类型或干扰。
[0061]
其中，为了使得训练得到的目标神经网络分类模型更加精准，可以预先收集大量的血液训练样本，得到学习样本库。与前述实施例中步骤s201类似，每组血液训练样本中包括阻抗脉冲信号及分类结果的标签信息。需要说明的是，标签信息可以是由人工标注的，也可以是由算法自动识别出来的。
[0062]
示例性的，血液训练样本的阻抗脉冲信号包括三类，分别为：血液样本在不具有干扰因素情况下产生的阻抗脉冲信号(为了便于描述，称为第一类脉冲信号样本)、干扰因素产生的阻抗脉冲信号(为了便于描述，称为第二类脉冲信号样本)、血液样本在具有干扰因素情况下产生的阻抗脉冲信号(为了便于描述，称为第三类脉冲信号样本)。
[0063]
如图5a-图5c所示，分别为第一类脉冲信号样本、第二类脉冲信号样本及第三类脉冲信号样本的示例。每类脉冲信号样本均具有标记，标记即阻抗脉冲信号的分类结果的标签信息。对于第一类脉冲信号样本，可以使用现有的脉冲识别与血细胞分类算法，定位阻抗脉冲信号的位置并计算阻抗脉冲信号的分类结果；对于第二类脉冲信号样本，可以使用现有的脉冲识别与血细胞分类算法，定位到阻抗脉冲信号后直接标记为干扰类型；对于第三类脉冲信号样本，可以由人工对阻抗脉冲信号的分类结果进行标记。
[0064]
s402：获得初始神经网络分类模型。
[0065]
其中，初始神经网络模型可以是具有分类功能的神经网络模型，例如bp(back propagation，反向传播)网络、lstm(long-short term memory,长短期记忆网络)等。初始神经网络分类模型的模型参数通过步骤s403的训练步骤确定下来。需要说明的是，本步骤并不局限于在步骤s401之后执行，还可以在其之前执行，或与其同时执行。
[0066]
s403：将多组血液训练样本输入初始神经网络分类模型，得到初始神经网络分类模型输出的标签信息，当输出的标签信息与血液训练样本的标签信息之间的关系满足收敛条件时停止训练，以得到目标神经网络分类模型。
[0067]
其中，血液训练样本可以分批次输入至初始神经网络分类模型中，模型可以提取血液训练样本的特征数据。例如，从血液训练样本的阻抗脉冲信号位置附近截取若干个采样点形成脉冲波形，提取该脉冲波形的特征数据，包括但不局限于位置信息pos、类型信息type、脉冲峰值peak、脉冲宽度width、脉冲基线信息base、脉冲总面积信息area、脉冲峰值前后面积差areadiff以及噪声信息noise等，则任意一个脉冲波形i的特征数据din(i)可以记录为[pos(i),type(i),peak(i),width(i),base(i),area(i),areadiff(i),noise(i)]。
[0068]
根据特征数据预测输出一批血液训练样本的标签信息后，比较预测的标签信息与标记的标签信息之间的差距，根据差距对初始神经网络分类模型的模型参数进行调整，接着输入下一批次血液训练样本重复上述训练过程，直至初始神经网络分类模型收敛，从而得到目标神经网络分类模型。例如，bp(back propagation，反向传播)网络的训练过程，学习算法使用最速下降bp(steepest descent back propagation,sdbp)算法，从网络第一层向后计算各神经元的输出，从最后一层向前计算模型参数值对总误差的影响，通过反向传播算法不断调整网络的模型参数，使网络的总误差平方和最小，实现网络的收敛。需要说明的是，学习算法还可以是其他，如lm(leverberg-marquardt，列文伯格-马奎特)算法、动量bp(momentum backpropagation,mobp)算法、学习率可变的bp(variable learning rate backpropagation，vlbp)算法、弹性(resilient backpropagation，rprop)算法、变梯度算法、拟牛顿算法等等；用于调整的误差函数可以选择均方误差函数等；隐藏层节点数设为50；最大训练次数设为10000，目标误差设为0.001；最小梯度1e-6
。
[0069]
由以上实施例提供的训练方法，可以得到用于分类的目标神经网络分类模型，该模型可以识别出血液样本中的干扰，进而避免干扰对血细胞类型识别的影响，提高血细胞类型识别结果的准确度。
[0070]
以上介绍了血细胞分类方法的相关实施例，为了保证所述方法在实际中的应用及实现，本技术提供如下几种血细胞分类设备的实施例。
[0071]
在一种具体实施例中，血细胞分类设备可以为预先内置有预先训练完成的目标神经网络分类模型的处理设备，向该处理设备输入由血液分析仪检测得到的目标阻抗脉冲信号。处理设备包括有处理器，处理器被配置为获得目标神经网络分类模型，所述目标神经网络分类模型由机器学习算法对多组血液训练样本训练得到，且每组所述血液训练样本包括血液细胞的阻抗脉冲信号以及用于表示所述阻抗脉冲信号的分类结果的标签信息；以及将所述目标阻抗脉冲信号输入至所述目标神经网络分类模型，以得到所述目标神经网络分类模型输出的所述目标阻抗脉冲信号的分类结果，所述分类结果包括血细胞类型或干扰。处理设备还包括人机交互模块，其配置为输出分类结果。
[0072]
在另一种具体实施例中，血细胞分类设备可以为血液分析仪。血液分析仪可以对
待分类血液样本进行检测得到目标阻抗脉冲信号，且可以对目标阻抗脉冲信号进行分类得到分类结果并输出。
[0073]
本技术提供了一种血液分析仪实施例，见图6，具体包括：样本采集模块601、检测模块602、处理器603以及人机交互模块604：
[0074]
样本采集模块601，用于获得血液样本；
[0075]
检测模块602，用于获得待分类血液样本的目标阻抗脉冲信号；
[0076]
处理器603，其配置为至少获得预先训练完成的目标神经网络分类模型，所述目标神经网络分类模型由机器学习算法对多组血液训练样本训练得到，且每组所述血液训练样本包括血液细胞的阻抗脉冲信号以及用于表示所述阻抗脉冲信号的分类结果的标签信息；以及将所述目标阻抗脉冲信号输入至所述目标神经网络分类模型，以得到所述目标神经网络分类模型输出的所述目标阻抗脉冲信号的分类结果，所述分类结果包括血细胞类型或干扰；
[0077]
人机交互模块604，其配置为输出所述分类结果。
[0078]
在一种具体实现方式中，所述目标神经网络分类模型通过分析所述目标阻抗脉冲信号的脉冲形态特征得到所述目标阻抗脉冲信号的分类结果。
[0079]
在该具体实现方式中，所述脉冲形态特征包括以下任意多项的组合：脉冲位置、脉冲峰值、脉冲宽度、脉冲峰宽比、脉冲上升时间、脉冲下降时间、脉冲线条斜率、脉冲基线信息、脉冲总面积信息、脉冲峰值前后面积差以及噪声信息。
[0080]
在一种具体实现方式中，将所述目标阻抗脉冲信号输入至所述目标神经网络分类模型，以得到所述目标神经网络分类模型输出的所述目标阻抗脉冲信号的分类结果时，处理器603具体用于：
[0081]
将所述目标阻抗脉冲信号输入至所述目标神经网络分类模型，以使所述目标神经网络分类模型执行下述分类步骤：从所述目标阻抗脉冲信号中提取多项脉冲形态特征；将每项脉冲形态特征与所述脉冲形态特征对应的权重进行加权计算，得到特征值加权结果；将所述特征值加权结果与预设的分类阈值进行比较，以确定对应的目标分类阈值；将目标分类阈值的分类结果识别为所述目标阻抗脉冲信号的分类结果。
[0082]
在一种具体实现方式中，处理器603还配置为：若所述目标阻抗脉冲信号的分类结果包括干扰，则统计干扰类型的目标阻抗脉冲信号的相关信息；所述相关信息包括分布信息和/或形态信息；根据所述相关信息，生成与所述相关信息对应的提示信息；人机交互模块，还用于输出所述提示信息。
[0083]
在一种具体实现方式中，处理器603还配置为：若所述目标阻抗脉冲信号的分类结果包括血细胞类型，则统计同一血细胞类型的目标阻抗脉冲信号的数量；将所述目标阻抗脉冲信号的数量，确定为所述同一血细胞类型的血细胞的数量。
[0084]
在该具体实现方式中，所述血细胞类型包括：红细胞或血小板。
[0085]
在一种具体实现方式中，处理器603还配置为：获得多组血液训练样本，每组所述血液训练样本包括阻抗脉冲信号以及用于表示所述阻抗脉冲信号的分类结果的标签信息，所述分类结果包括血细胞类型或干扰；获得初始神经网络分类模型；将多组所述血液训练样本输入所述初始神经网络分类模型，得到初始神经网络分类模型输出的标签信息，当所述输出的标签信息与所述血液训练样本的标签信息之间的关系满足收敛条件时，停止训
练，以得到目标神经网络分类模型。
[0086]
在该具体实现方式中，所述血液训练样本的阻抗脉冲信号包括：血液样本在不具有干扰因素情况下产生的阻抗脉冲信号、干扰因素产生的阻抗脉冲信号、血液样本在具有干扰因素情况下产生的阻抗脉冲信号。
[0087]
另外，本技术还提供了一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，实现如上述任一血细胞分类方法实施例中的步骤。
[0088]
见图7，本技术实施例还提供了一种血细胞分析仪的结构示意图。如图7所示，血液分析仪700至少包括采样装置710、样本制备装置720、检测装置730、控制装置740和显示装置750。
[0089]
采样装置710具有带吸移管嘴的吸移管(例如采样针)并且具有驱动部，该驱动部用于驱动所述吸移管通过所述吸移管嘴定量吸取待测血液样本，例如采样针在驱动部的驱动下移动到从装有血液样本的样本容器中吸取待测血液样本。
[0090]
样本制备装置720具有至少一个反应池和试剂供应装置(未示出)。所述至少一个反应池用于接收由采样装置710吸取的待测血液样本，所述试剂供应装置将处理试剂提供给所述至少一个反应池，从而由所述采样装置710所吸取的待测血液样本与由所述试剂供应装置提供的处理试剂在所述反应池中混合，以制备成待测样本液。
[0091]
检测装置730用于对由样本制备装置720制备的待测样本液进行检测以获得血细胞相关数据。在一些实施例中，检测装置730包括阻抗检测部，血细胞相关数据包括目标阻抗脉冲信号。目标阻抗脉冲信号可以被放大器放大后输送到控制装置740，由控制装置740对目标阻抗脉冲信号进行信号处理可以获得待测样本液的分类结果，如血细胞类型(红细胞或血小板)或干扰。
[0092]
如图8所示，控制装置740至少包括处理组件741、ram742、rom743、通信接口744、存储器746和i/o接口745。处理组件741、ram742、rom743、通信接口744、存储器746和i/o接口745通过总线747进行通信。处理组件可以为cpu，gpu或其它具有运算能力的芯片。存储器746中装有操作系统和应用程序等供处理器组件741执行的各种计算机程序及执行该计算机程序所需的数据。另外，在血液样本分析过程中，如有需要本地存储的数据，均可以存储到存储器746中。i/o接口745由比如usb、ieee1394或rs-232c等串行接口、scsi、ide或ieee1284等并行接口以及由d/a转换器和a/d转换器等组成的模拟信号接口构成。i/o接口745上连接有由键盘、鼠标、触摸屏或其它控制按钮构成的输入设备，用户可以用输入设备直接向控制装置740输入数据。另外，i/o接口745上还可以连接由具有显示功能的显示装置740，例如：液晶屏、触摸屏、led显示屏等。控制装置740可以将处理的数据以图像显示数据输出到显示装置740上进行显示，例如：分类结果数据、提示信息等。通信接口744是可以是目前已知的任意通信协议的接口。通信接口744通过网络与外界进行通信。控制装置740可以通过通信接口744以一定的通信协议，与通过该网连接的任意装置之间传输数据。
[0093]
控制装置740包括处理器和存储有计算机程序的存储介质，该控制装置740配置为当所述计算机程序被所述处理器执行时，执行以下步骤：获得预先训练完成的目标神经网络分类模型，所述目标神经网络分类模型由机器学习算法对多组血液训练样本训练得到，且每组所述血液训练样本包括血液细胞的阻抗脉冲信号以及用于表示所述阻抗脉冲信号
的分类结果的标签信息；以及将所述目标阻抗脉冲信号输入至所述目标神经网络分类模型，以得到所述目标神经网络分类模型输出的所述目标阻抗脉冲信号的分类结果，所述分类结果包括血细胞类型或干扰。
[0094]
在一些实施例中，所述目标神经网络分类模型通过分析所述目标阻抗脉冲信号的脉冲形态特征得到所述目标阻抗脉冲信号的分类结果。脉冲形态特征包括以下任意多项的组合：脉冲位置、脉冲峰值、脉冲宽度、脉冲峰宽比、脉冲上升时间、脉冲下降时间、脉冲线条斜率、脉冲基线信息、脉冲总面积信息、脉冲峰值前后面积差以及噪声信息。
[0095]
在一些实施例中，控制装置740配置为当所述计算机程序被所述处理器执行时，还可以执行以下步骤：若所述目标阻抗脉冲信号的分类结果包括干扰，则统计干扰类型的目标阻抗脉冲信号的相关信息；所述相关信息包括分布信息和/或形态信息；根据所述相关信息，生成与所述相关信息对应的提示信息。在一些实施例中，控制装置740配置为当所述计算机程序被所述处理器执行时，还可以执行以下步骤：若所述目标阻抗脉冲信号的分类结果包括血细胞类型，则统计同一血细胞类型的目标阻抗脉冲信号的数量；将所述目标阻抗脉冲信号的数量，确定为所述同一血细胞类型的血细胞的数量。
[0096]
在一些实施例中，控制装置740配置为当所述计算机程序被所述处理器执行时，还可以执行以下步骤：获得多组血液训练样本，每组所述血液训练样本包括阻抗脉冲信号以及用于表示所述阻抗脉冲信号的分类结果的标签信息，所述分类结果包括血细胞类型或干扰；获得初始神经网络分类模型；将多组所述血液训练样本输入所述初始神经网络分类模型，得到初始神经网络分类模型输出的标签信息，当所述输出的标签信息与所述血液训练样本的标签信息之间的关系满足收敛条件时，停止训练，以得到目标神经网络分类模型。
[0097]
在上述实施例中，所述血液训练样本的阻抗脉冲信号包括：血液样本在不具有干扰因素情况下产生的阻抗脉冲信号、干扰因素产生的阻抗脉冲信号、血液样本在具有干扰因素情况下产生的阻抗脉冲信号。
[0098]
显示装置750用于显示控制装置740得到的分类结果。例如，显示装置750构造为用户界面。在一些实施例中，显示装置750还用于显示控制装置740得到的提示信息。
[0099]
本文参照了各种示范实施例进行说明。然而，本领域的技术人员将认识到，在不脱离本文范围的情况下，可以对示范性实施例做出改变和修正。例如，各种操作步骤以及用于执行操作步骤的组件，可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
[0100]
本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法或设备固有的其他步骤或单元。
[0101]
另外，如本领域技术人员所理解的，本文的原理可以反映在计算机可读存储介质上的计算机程序产品中，该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用，包括磁存储设备(硬盘、软盘等)、光学存储设备(cd-rom、dvd、blu ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器，使得这些在计算机上或其他可
编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中，该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行，这样存储在计算机可读存储器中的指令就可以形成一件制造品，包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上，从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程，使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
[0102]
前述具体说明已参照各种实施例进行了描述。然而，本领域技术人员将认识到，可以在不脱离本披露的范围的情况下进行各种修正和改变。因此，对于本披露的考虑将是说明性的而非限制性的意义上的，并且所有这些修改都将被包含在其范围内。同样，有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而，益处、优点、问题的解决方案以及任何能产生这些的要素，或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体，皆属于非排他性包含，这样包括要素列表的过程、方法、文章或设备不仅包括这些要素，还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外，本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
[0103]
以上实施例仅表达了几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。