深度学习辅助细胞电信号分析在阻抗细胞计中
Houchen Zhou1, Zheng Zhou2, Longlong Wang1
1School of Electrical and Automation Engineering, and Jiangsu Key Laboratory of 3D Printing Equipment and Manufacturing, Nanjing Normal University, Nanjing, 210023, China.
Analytical biochemistry
|February 28, 2026
概括
生物FluxNet是一个深度学习算法,自动化细胞分类和计数从电信号在阻抗细胞计. 这种人工智能方法提高了生物医学研究中的细胞特征精度和效率.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 细胞生物学 细胞生物学
背景情况:
- 阻抗细胞计产生复杂的电信号用于细胞分析.
- 传统的信号处理是耗时且主观的.
- 需要自动化分析才能高效地表征细胞.
研究的目的:
- 开发BioFluxNet,这是一个用于自动分析原始电信号的深度学习算法.
- 从阻抗细胞计数据直接对细胞类型进行分类并量化细胞计数.
- 为细胞表征提供快速和强大的解决方案.
主要方法:
- 开发了一个名为BioFlux.Net的1D卷积神经网络 (CNN).
- 该网络包括特征提取,分类和计数块.
- 使用来自阻抗细胞计实验的原始信号流来训练和测试BioFluxNet.
主要成果:
- 生物流动网络实现了各种细胞类型的强大分类,包括血液和瘤细胞.
- 该算法准确地从原始信号流中量化了细胞数量.
- 与传统的信号处理方法相比,表现出优越的性能.
结论:
- 生物FluxNet提供了一个快速的,自动化解决方案,用于电信号分析阻抗细胞计.
- 深度学习框架减少了手工干预和主观性.
- 显示在细胞表征和生物医学领域的广泛应用.


