本硕士课题为对活体光声流式细胞仪光声信号的优化分析方法。活体光声流式细胞仪的理论基础是生物组织的光声效应,即当活体组织受到特定的激光照射之后,电磁波的能量会被靶细胞吸收,导致局部组织出现升温情况,发生膨胀现象,进而向外发射声波。我们搭建的活体光声流式细胞仪(In Vivo Photoacoustic Flow Cytometry,PAFC)实现了常规离体检测和活体靶细胞在体检测,同时保证了检测的无创性和实时性。黑色素瘤是一种恶性瘤,最常见于转移期的循环组织中。在肿瘤转移灶形成过程中,往往在血液循环系统或淋巴循环系统中会有循环肿瘤细胞的出现。我们搭建的PAFC能够在体检测循环系统中的黑色素瘤细胞,通过对得到的光声信号进行特征分析,实现肿瘤的早期检测,进而实现早期诊断和治疗。目前常见的信号分析主要包括时域内的阈值判断法、半高全宽(FWHM)法以及频域内的快速傅里叶变换(FFT)及滤波法、功率谱分析法和高低频比较判别法等。然而活体实验中,从靶细胞获得的光声信号因受高幅值噪声的污染而往往难以被筛选出来,因此需要通过额外的算法处理。本课题采用了基于皮尔逊相关系数和包络峰半高全宽等多种信号特征,并辅以机器学习的筛选方法来解决信号掩埋的问题。光声信号时域波形具有相似性,采用皮尔逊相关系数筛选可以筛去在阈值判断法中得到的高幅值噪声;以半高全宽为主的信号特征筛选法可以进一步在时域维度进行筛选。最后辅以机器学习,得到最优的筛选结果。本课题中的方法开创性地通过光声信号的特征完成对未知单周期信号的筛选和分类工作,相比于时域阈值法单特征筛选大大提高了精度和效率。同时对光声信号特征的挖掘在对靶细胞特征以及介质特征的研究和探索都具有深远的意义。这些分析方法都建立在具有完备真实光声信号数据库的前提下。通过对活体光声信号应用本课题中的数据分析方法,对靶细胞光声信号的识别率达到了85%以上,同时保证分类时间在实验室工作站上达到1000周期/秒。利用上述方法,在活体检测实验中确定PAFC所检测到的信号来自于黑色素瘤细胞,进而完成黑色素瘤的早期检测诊断。