1.一種基于密度-距離中心算法的流式細(xì)胞粒子分類(lèi)計(jì)數(shù)方法，其特征在于，包括以下步驟：1)采用流式細(xì)胞分析儀獲取待分類(lèi)計(jì)數(shù)的細(xì)胞粒子的流式數(shù)據(jù)集，所述的流式數(shù)據(jù)集包含粒子的多維數(shù)據(jù)；2)根據(jù)密度-距離中心算法獲取流式數(shù)據(jù)集中每個(gè)粒子的局部密度和距離參數(shù)，進(jìn)行篩選和排序，獲取待聚類(lèi)的初始類(lèi)群中心，具體包括以下步驟：21)對(duì)于流式數(shù)據(jù)集S＝{x
1,x
2...x
i...x
n}，定義其中的第i個(gè)粒子x
i的局部密度ρ
i和距離δ
i參數(shù)分別為；
![]()
![]()
![]()
其中，d
ij為x
i到x
j的歐氏距離，d
c為截?cái)嗑嚯x，χ(x)為一函數(shù)；當(dāng)存在多個(gè)局部密度相同的粒子點(diǎn)時(shí)，則對(duì)此局部密度加上一個(gè)趨近于0的增量，然后重新計(jì)算每個(gè)粒子的局部密度和距離參數(shù)；22)設(shè)定局部密度閾值ρ
0，并且排除局部密度小于閾值的粒子；23)將剩余的所有粒子按照距離從大到小的順序排列成序列；24)設(shè)定類(lèi)群數(shù)目k，根據(jù)序列依次選取前k個(gè)粒子作為待聚類(lèi)的初始類(lèi)群中心，當(dāng)兩個(gè)類(lèi)群中心的歐氏距離小于設(shè)定的閾值時(shí)，則將其視為同一類(lèi)群，取此兩個(gè)類(lèi)群中心中的任意一點(diǎn)作為新的類(lèi)群中心，或取此兩個(gè)類(lèi)群中心中局部密度較大的點(diǎn)作為新的類(lèi)群中心；3)將初始類(lèi)群中心作為混合模型算法的初始值，根據(jù)混合模型對(duì)粒子群進(jìn)行聚類(lèi)，得到分類(lèi)后的多個(gè)粒子類(lèi)群，進(jìn)行計(jì)數(shù)統(tǒng)計(jì)。2.根據(jù)權(quán)利要求1所述的一種基于密度-距離中心算法的流式細(xì)胞粒子分類(lèi)計(jì)數(shù)方法，其特征在于，所述的步驟1)中，當(dāng)流式數(shù)據(jù)集中的數(shù)據(jù)為二維數(shù)據(jù)時(shí)，將前向散射光通道數(shù)據(jù)作為y軸，側(cè)向散射光通道的數(shù)據(jù)作為x軸形成二維散點(diǎn)圖；或?qū)?cè)向散射光通道數(shù)據(jù)作為y軸，熒光通道的數(shù)據(jù)作為x軸形成二維散點(diǎn)圖；當(dāng)流式數(shù)據(jù)集中的數(shù)據(jù)為三維數(shù)據(jù)時(shí)，將前向散射光通道數(shù)據(jù)作為x軸，側(cè)向散射光通道的數(shù)據(jù)作為y軸，熒光通道的數(shù)據(jù)作為z軸形成三維散點(diǎn)圖。3.根據(jù)權(quán)利要求1所述的一種基于密度-距離中心算法的流式細(xì)胞粒子分類(lèi)計(jì)數(shù)方法，其特征在于，所述的步驟21)中，當(dāng)?shù)趇個(gè)粒子為局部密度最大的點(diǎn)時(shí)，則賦值δ
i為第i個(gè)粒子到所有點(diǎn)的距離的最大值，則有：
![]()
4.根據(jù)權(quán)利要求1所述的一種基于密度-距離中心算法的流式細(xì)胞粒子分類(lèi)計(jì)數(shù)方法，其特征在于，所述的步驟3)中，混合模型算法包括高斯混合模型、t-分布混合模型和偏t-分布混合模型。
