CN107664655B - 用于表征分析物的方法以及装置 - Google Patents
用于表征分析物的方法以及装置 Download PDFInfo
- Publication number
- CN107664655B CN107664655B CN201710628354.4A CN201710628354A CN107664655B CN 107664655 B CN107664655 B CN 107664655B CN 201710628354 A CN201710628354 A CN 201710628354A CN 107664655 B CN107664655 B CN 107664655B
- Authority
- CN
- China
- Prior art keywords
- series
- measurements
- measurement
- values
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
- G01N30/8631—Peaks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
- G01N30/8631—Peaks
- G01N30/8634—Peak quality criteria
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
- G01N30/8644—Data segmentation, e.g. time windows
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N2030/022—Column chromatography characterised by the kind of separation mechanism
- G01N2030/025—Gas chromatography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
Landscapes
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
提供了用于采用诸如气相色谱仪或MOS传感器之类的传感器例如相较于参考样本来表征产品样本的方法和设备。这一表征可以包括指示产品样本是否符合质量标准。将产品样本的传感器输出测量结果与可以从参考样本的测量结果导出的最大值曲线和最小值曲线进行比较,由此将处于这些最大值和最小值定义的包络之外的相邻样本分组在一起。可以在总体上或者在每个组的基础上确定异常值的相异度指数。可以取决于各组描述的形状(尤其是峰的存在与否)以及相应地取决于包络的相对应的部分的形状对组进行分类。然后,可以采用这些判定作为符合性指示的基础,以及作为尝试识别任何异常的原因的基础,尤其是作为对异质成分的识别的基础。
Description
技术领域
本发明涉及有关于产品与其标准参考之间的比较的产品质量控制。
背景技术
化学成分的检测是指对化学成分的类型和/或量的指示。在一般的化学检测领域,分析物是指对于化学测量而言尤其感兴趣的物质或成分。变换器是将来自传感器的信息转换成表示传感器对物质或成分的检测的物理信号(例如,电强度)的元件。灵敏度表示传感器检测即使很少量的某种成分的能力。选择性是指精确地确定传感器已经检测到的成分的能力。
存在大量的生物化学传感器。例如,气相色谱法包括使气体成分在柱 (column)中通过。对于柱中的具有静态相的确切组分而言,通过跨该柱的具体持续时间对每种类型的成分进行表征,其中,该具体持续时间被称为保留时间。在通常的气相色谱系统中,将检测器置于柱的末尾,该检测器随时输出表示离开该柱的各种成分的量的值。因此,在气相色谱仪中处理的流体当中存在的高浓度的成分将围绕表征该成分的保留时间产生强度峰值。对气相色谱峰值进行分析并且针对一组分析物与参考值进行比较是一种用于确定流体中存在的成分的类型和量的广泛使用的方法。
然而,如果若干成分具有差不多的保留时间,或者如果位于柱末尾处的传感器的时间分辨率并未高到足以消除两种不同分析物所生成的峰值的歧义,那么气相色谱传感器的选择性可能是有限的。
CMOS气体传感器(例如,金属氧化物气体传感器)形成了用于检测气体中的成分的另一系列的生物化学传感器。金属氧化物气体传感器根据气体中的一些成分的浓度以及该传感器特有的参数(例如,感测层的化学成分以及该层的表面处的温度)来修改电部件的灵敏度。一些金属氧化物传感器依据表面成分和温度被设计为精确地检测单个分析物。另一方面,一些金属氧化物传感器被设计为在各种温度下生成测量结果,其中,由于每一分析物引起的灵敏度变化随着传感器表面的温度变化而变化。然而,由于有大量的可能分析物以及很多分析物在同一温度下修改传感器的灵敏度的可能性,因而这样的传感器对大量分析物的选择性依然很低。可以通过采用CMOS传感器的2D阵列来缓解这样的缺陷,其中,阵列中的每个传感器对气体中的不同分析物敏感。而且,可以采用CMOS传感器的3D 叠置体来提高传感器布置的选择性,该传感器布置例如是在被共同转让给本申请的申请人的欧洲专利申请公开No.EP2718705中公开的那些布置。
通常,基于实际测量结果与从库获得的参考值的比较来确定分析物。例如,在气相色谱法中,可以通过将某一峰的保留时间与同一气相色谱分析柱中的不同分析物的一组理论保留时间进行比较来对分析物进行识别。然而,对分析物的类型的确定要求针对这一分析物已经存在来自可靠来源的理论值。由于大量可能分析物的原因,因此希望使用来自数量尽可能多的来源的理论数据。
在气相色谱法中,科法兹指数是针对某种类型的柱对化合物的保留时间的泛化表示,柱的类型是由该柱的固定相确定的。可以根据诸如柱长度、温度等的参数将每一峰的保留时间的值转化为仅依赖于柱的类型的科法兹指数,从而允许在具有相同固定相的不同柱之间进行比较,并协作创建大型数据库。
尽管有可能设想一个包含每一个体可能分析物的参考数据的大型数据库,但是这样的方案假定所要表征的样本分析物对应于简单的个体参考分析物。在很多现实世界情境下,分析物将包含复杂的成分混合,其中的每一成分都在或大或小的程度上对应于特定的参考分析物,并且其中的一些成分在数据库中可能完全是未知的。
这一种类的系统的一种已知用途是判断分析物是否满足某一质量标准。在前述技术的基础上,常规方法将执行针对样本分析物所执行的测量结果与参考数据集的统计比较。
可以通过多元分析技术来执行这一统计比较,该多元分析技术例如是 k-NN(k最近邻)、CA(聚类分析)、DFA(判别函数分析)、PCA(主成分分析)、PCR(主成分回归)多线性回归(MLR)以及层次聚类分析(HCA) 等。这一方案的问题是这些比较不能将提示质量问题的特征变化与其它不太重要的随机样本变化有效地区分开。因而,这些现有技术倾向于要么将所有的样本都评定为可接受的,要么在设定了非常严苛的标准的情况下,即使所检测到的变化不对应于质量问题也将很多分析物评定为不匹配。
EP 1845479提出了针对这些问题中的一些问题的部分解决方案。然而,希望提供一种更加快捷有效的机制,从而能够基于这样的化学分析的结果来判断一种新产品样本是否表现出了相对于该产品的参考样本的偏差,以及鉴于任何这样的偏差判断该产品是否仍然能够被认为符合质量标准。具体而言,希望提供一种机制,其能够可靠地检测出较大比例的不满足质量标准的样本,而不提高淘汰可接受样本的情况的发生率。
发明内容
根据本发明,在第一方面中,提供了一种用于对指定类别的分析物进行表征的方法,包括以下步骤:
●从传感器接收物理参数的第一系列测量结果,
●将所述第一系列中的每个所述测量结果与针对所述指定类别定义的第二系列中相对应的最小值进行比较以及与针对所述指定类别定义的第三系列中相对应的最大值进行比较,
●将任何相邻的所述测量结果分成组,其中,所述组中的每个所述测量结果超过所述相对应的最大值,或者其中,所述组中的每个所述测量结果落在所述相对应的最小值以下,以及
●将每个所述组标记为异常。
根据第一方面的展开,所述表征包括指示分析物是否满足质量标准,并且其中,所述方法还包括步骤:判断组是否反映与质量标准的偏离。
根据第一方面的展开,所述方法包括附加步骤:基于针对已知表示特定分析物的一个或多个样本执行的一组或多组测量来定义第二系列和第三系列。
根据第一方面的展开,所述方法包括附加步骤:使第一系列相对于第二系列和第三系列超前或延迟以便获得最佳可能对准。
根据第一方面的展开,所述方法包括附加步骤,以使得在任何测量结果超过相对应的最大值的情况下,针对超过相对应的最大值的该相应测量结果计算相异度指数,所述相异度指数反映超过所述相对应的最大值的程度;以及在任何测量结果落在相对应的最小值以下的情况下,针对落在所述相对应的最小值以下的该相应测量结果计算相异度指数,所述相异度指数反映所述测量结果落在所述相对应的最小值以下的程度。
根据第一方面的展开,所述方法包括附加步骤:将每个组分类到从预定义的一组分类中选出的相应分类中,其中,预定义的一组分类中的每个分类描述了包括相应组的测量结果的形式以及第二系列、第三系列或者第四系列的相对应的值的形式,其中,在对代表性分析物执行多于一组测量的情况下,该第四系列表示各组测量的平均值。
根据第一方面的展开,所述分类的至少其中之一对应于以下情形,其中:
相应组定义极值,并且第二系列、第三系列或第四系列中的相对应的值也定义极值;或者
相应组定义极值,并且第二系列、第三系列或第四系列中的相对应的值不定义极值;或者
相应组不定义极值,并且第二系列、第三系列或第四系列中的相对应的值定义极值;或者
相应组和第二系列、第三系列或第四系列中的相对应的值都不定义极值,并且相应组中的测量结果的值超过了第二系列中的相对应的值;或者
相应组和第二系列、第三系列或第四系列中的相对应的值都不定义极值,并且相应组中的测量结果的值落在了所述第三系列中的相对应的值以下。
根据第一方面的展开,所述方法还包括以下步骤:将一个或多个组中的测量结果与一组附加参考数据集进行比较;
识别一组附加参考集中最紧密地对应于组中的测量结果的参考数据集;以及
使分析物与相对应的参考数据集的特性相关联。
根据第一方面的展开,将每个组中的测量结果与一组附加参考数据集进行比较的步骤以及识别最紧密地对应于测量结果的参考数据集的步骤是针对分类执行的。
根据第一方面的展开,该传感器是当暴露于分析物时生成随着时间推移而演变的值的任何传感器,并且其中,在值的范围内单调地变化的第一系列测量结果对应于在测量周期内获得的一系列测量结果。
根据第一方面的展开,该传感器是MOS传感器或气相色谱仪。
根据第二方面,提供了一种用于表征指定类别的分析物的设备,该设备适于:从传感器接收物理参数的第一系列测量结果;将第一系列中的每个所述测量结果与针对指定类别定义的第二系列中相对应的最小值进行比较并且与针对指定类别定义的第三系列中相对应的最大值进行比较;将任何相邻的测量结果分成组,其中,组中的每个所述测量结果超过相对应的最大值,或者其中,组中的每个测量结果落在相对应的最小值以下;以及将组标记为异常。
根据第三方面,提供了一种适于实施第一方面的设备。
根据第四方面,提供了一种适于实施第一方面的计算机程序。
附图说明
根据下文对多个示例性实施例及其附图的描述,本发明将得到更好的理解,并且其各种特征和优点将从其中得以显现,在附图中:
图1呈现了与本发明的实施例一致的传感器的示例性的测量结果输出;
图2示出了根据实施例的方法;
图3示出了根据图2的实施例的示例性的第一系列测量结果的表示;
图4示出了根据图2的实施例的示例性的第二和第三系列值的表示;
图5示出了在第一系列受到沿水平轴的重新对齐的情况下根据图2的实施例的示例性的第二和第三系列值的表示;
图6示出了与第一系列测量结果相比较的根据图2的实施例的示例性第二和第三系列值的表示;
图7示出了参考第四系列定义的根据图2的实施例的示例性的第二和第三系列值的表示;
图8示出了基于图6的示例性的第二和第三系列值的分组表示;
图9示出了异常分组与参考数据集的比较的表示;
图10示出了适于实施本发明的实施例的通用计算系统;
图11示出了适于构成实施例的智能电话装置;
图12示出了适于构成实施例的人工扫描仪装置;以及
图13示出了适于构成实施例的台式计算机装置。
具体实施方式
在采用诸如气相色谱(GC)或气体传感器(GS)之类的测量仪器来分析产品时,将生成一组时间相关数据。色谱的一些部分与峰相关联。每一峰一般对应于形成所分析的复杂产品的多种分析物之一。对于GS而言,可以考虑关于数据的三个部分,包括上升部分、最大值和下降部分。
一般只考虑所提供的值的整个集合中的选定测量结果,以构建将被用于数据处理的库:例如,GC的一些峰的表面或者GS的传感器响应的最大值。在这一方面,库可以是数据表,其中,每一行关联到所分析的产品,每一列关联到变量。对于GS而言,每一变量表示传感器气体灵敏度的最优值。对于GC而言,每一变量表示包含至少对一种分析产品观测到的至少一个峰的保留时间的间隔。
在本说明书中,将相对于GC传感器和CMOS传感器通过举例方式来描述本发明。然而,本发明不限于这些传感器,而是可以适用于满足第一物理参数的值的变化意味着至少表示分析物的浓度的第二物理参数的值的变化的任何传感器。
图1呈现了与本发明的实施例一致的传感器的测量结果的示例性输出。
图1可以对应于气相色谱分析柱的测量结果的输出。
曲线100呈现了对包含单一分析物的气体化合物使用气相色谱分析传感器的感测过程的输出。在横轴上表示保留时间,在纵轴上表示在该保留时间离开该柱的微粒的量的测量强度。强度峰101、102、103清晰地出现在表征柱上的分析物的相继的保留时间处。在这一示例中,峰101、102、 103的保留时间是不同的。对GC柱中的峰的保留时间的分析或者对GC柱类型中的峰的科法兹指数的分析是对分析物类型的指示,而峰的强度则是对应分析物的相对量的指示。科法兹指数是标准化量度,并且存在参考科法兹指数的大型数据库,例如,NIST数据库。将测到的科法兹指数与数据库中的参考指数进行比较将允许识别出候选分析物。然而,可能有多种不同分析物具有非常相似的保留时间。因此,观测峰可能难以在多个峰中识别出一个峰。
可以输出类似的输出作为金属氧化物传感器的测量结果。
MOS气体传感器一般由金属氧化物传感器材料的加热板制成。根据尤其包括传感器结构、板材料和工作温度在内的参数,传感器吸收生成板的灵敏度变化的分析物。对板的灵敏度的测量允许对分析物的检测。一些MOS 气体传感器具有非常高的选择性,并且对确切的分析物反应。其它类型的 MOS传感器能够检测多种分析物,与分析物关联的灵敏度变化根据物理参数(例如,板温度、照射该板的UV脉冲的波长、和使传感器极化的电流的强度)而变化。
数据库通常是通过采用传感器捕获已知分析物的测量结果而构建的。它们可以是公共数据库,例如,气相色谱分析的NIST数据库,或者可以是在实体当中内部构建的专用数据库。它们可以包含与特定传感器有关的参考值,例如,来自制造商的针对GC柱的保留时间,或者可以包含适用于传感器类型的标准化值,例如,针对分析物和GC柱类型的参考科法兹指数。
图2示出了根据实施例的方法。
如图2所示,提供了一种用于表征指定类别的分析物的方法。
文中提及的表征可以构成对分析物满足还是不满足某一质量标准的确定。
取决于所采用的传感器,实施例可能涉及对流体中的分析物的表征。应当按照最广泛的含义来理解本说明书中通篇使用的“流体”一词,即,流体是指能够在可以进行测量的温度和压力范围内流动的任何介质。相应地,流体可以包括液体、气体、等离子体、粘性固体或者大量的灰尘或粉末。流体还可以包括可以具有相似类型或者均质类型的此类物质的组合,例如,乳液、气雾剂、散布在气态载体中的液体或固体微粒等。其可以包括只含有一种分子的流体,或者可以包括含有多种不同分子的流体,该分子中的一些或全部可以对应于所要表征的样本,而其它分子则可以是惰性的或者仅充当载体,而不必被表征。
应当意识到,样本物质的相具有重要性,因为处于这一相内则预计该样本会与传感器发生反应。在离开气体传感器的系统部分中样本可能以另一种形式存在是完全有可能的。
如图2所示,方法开始于步骤200,之后进行至步骤205,在该步骤中,从传感器接收对物理参数的第一系列的测量结果。
具体而言,该传感器可以是在被暴露至分析物时生成随着时间的推移而演变的值的任何传感器,因而该第一系列测量结果可以对应于在测量周期内获得的一系列测量结果。
作为示例,该传感器可以是如上文所述的MOS传感器或气相色谱仪。
该第一系列测量结果可以采取一系列样本值的形式。这些样本值可以表示传感器按照预定间隔的输出或者在预定间隔内的平均输出或其它。这些预定间隔可以具有固定且相等的持续时长,或者可以根据预定义程序在一种样本与下一种样本之间变化,或者可以例如被动态确定为输出值的检测到的变化率的函数。在传感器的输出是连续模拟信号的情况下,在某一点上,可以对该信号进行采样,以获得第一系列的测量结果。
图3示出了根据图2的实施例的示例性的第一系列测量结果的表示。
图3与如上所述的图1遵循相同的布局,其中,在纵轴上标绘强度,在横轴上标绘时间。出于本示例的缘由,可以假设图3的曲线310是与图1 中所示的曲线相同类型的样本的测量结果。相应地,可以预计图1和图3 的曲线应当是同样的,但是出于上文讨论的原因,实际上测试样本很少与相对应的参考样本完全匹配,且某些实施例的目的在于克服或者表征这些分歧(divergence)。相应地,如图所示,曲线310包括第一峰311、第二峰 312和第三峰313。还要注意,图1和图3的曲线被呈现为连续曲线,然而根据上文描述的步骤205,它们实际上包括一系列的离散值或测量结果。出于本示例的缘由,假设测量结果的数量足够大,使得曲线似乎是平稳、连续的。在其它情况下,则未必是这样。
如针对步骤205所指出的,一组测量结果310对应于指定类别。该组测量结果的类别可以根据能够适合本发明的情况的任何粒度程度的分类来定义。
优选地,所指定的类别将尽可能紧密地对应于所要表征的样本的类型。所指定的类别可以基于与表征的样本的类型有关的任何可得信息而被选定。这可以涉及用户输入,以便提供与样本有关的任何可用信息,例如,用户可以指定样本为特定产品或特定类型的产品,其可以为选择指定类别提供基础。或者,系统可以与其它装置进行通信,以获得相关信息,例如,所连接的冷藏装置可以提供有关其内容的信息,或者产品包装可以具有条形码、RFID标签或者能够用于检索支持指定类别的最佳选择的附加信息的其它标识符。在一些情况下,取决于诸如温度、压强和湿度之类的环境条件的读数,可以有不同的类别适用。
类别可以是按照一定的层级结构定义的,例如,该层级中的每一级对应于所研究的类型的样本的不同子类别。例如,如果样本类别为“咖啡”,则可以将指定类别提供给各种不同子类别(种类、产地、状态、味道特性、质量等)。
在某些实施例中,尤其是在所要执行的表征构成了对分析物满足还是不满足某一质量标准的判定的情况下,类别可以简单地为产品本身指明参考样本,以使得该表征可以包括对分析物在某些容差(如下文进一步讨论的)内与样本产品的参考样本匹配还是不匹配的指示。
图4示出了根据图2的实施例的示例性的第二和第三系列值的表示。
图4与上述图1遵循相同的布局,其中,在纵轴上标绘强度,在横轴上标绘时间。在图4中同样地标绘了图3所示的第一系列测量结果310。此外,还示出了对应于第二系列最小值420的曲线和对应于第三系列最大值 430的曲线。要注意,曲线420和430的形状对应于参考图1描述的曲线 100的形状。具体而言,曲线420具有对应于峰101、102和103的峰421、422和423,曲线430具有对应于峰101、102和103的峰431、432和433。其反映了这样一种概念,即,最大值和最小值是通过累积针对选定类别的一种或多种代表性样本执行的多组测量结果而定义的,其中,采用图1的曲线来呈现针对选定类别的代表性样本所执行的这样一组测量结果。
可以观察到,如图4所示,第一曲线310与第二和第三曲线420、430 在时间轴上的对准不佳。在某些实施方式中,这可能是校准问题,或者表示不对应于样本之间的根本差异的变化。因而,可以提供一任选步骤,该任选步骤为使第一系列相对于第二和第三系列提前或延迟,以获得可能的最佳对准。
图5示出了在第一系列受到沿水平轴的重新对齐的情况下根据图2的实施例的示例性的第二和第三系列值的表示。
图5与上文所述的图1遵循相同的布局,其中,在纵轴上标绘强度,在横轴上标绘时间。图5中所示的第一系列测量结果510与图3和图4的曲线310类似地被标绘,但是沿横轴对其进行了重新对准,以使得峰511 与峰431和421对准,峰512与峰432和422对准。
不管是否如参考图5所述的对第一系列测量结果进行了重新对准,该方法接下来都进行至步骤210,在该步骤处,将第一系列的每一测量结果与针对指定类别定义的第二系列中的对应最小值进行比较。
该第二、第三以及可适用的第四系列可以是从对一系列样本的测量获得的,如针对图7进一步描述的。其中,参考样本的n组测量结果可用,第i个样本可以与m个量度的向量S(i,j )相关联。S(i,j),该向量的通称,其中,j=1到m,在时刻j时记录的强度。
对于每一时刻j而言,该组的n个量度为{S(i,j),i=1到n},并且可以如上文所讨论的定义下述参数:
Max(j)=Maximum({S(i,j),i=1到n}) (第三系列)
Min(j)=Minimum({S(i,j),i=1到n}) (第二系列)
Mean(j)=Mean{S(i,j),i=1到n}) (第四系列)
为了具有灵活的模型,可以借助于比例因子alpha和beta定义新的极限: MaxNew(j)=Alpha*Maximum({S(i,j),i=1到n}),Alpha≥1
MinNew(j)=Beta*Minimum({S(i,j),i=1到n}),0<beta≤1
Alpha和Beta可以基于所讨论的产品类别的容许样本之间的典型变异程度来定义,如在学习阶段期间确定的,例如,如参考图7所讨论的。
同时,第一系列包括M(j),j=1到m,其为在对未知样本进行分析时生成的一组测量结果。对于每一j而言,如果满足下式那么可以将值M(j)看作是离群值:
M(j)>MaxNew(j)或者M(j)<MinNew(j)
图6示出了与第一系列测量结果相比较的根据图2的实施例的示例性第二和第三系列值的表示。
如图所示,以举例的方式,将第一系列中与测量过程中的时刻t1相对应的特定测量结果614与针对指定类别定义的第二系列中的对应(即,针对相同的时间间隔t1定义的)最小值624进行比较。
针对第一系列中的每一值执行这一比较。
之后,该方法进行至步骤215,在该步骤处,将第一系列中的每一测量结果与针对指定类别定义的第三系列中的对应最大值进行比较。
如图所示,以举例的方式,将第一系列中与测量过程中的时刻t1相对应的特定测量结果614与针对指定类别定义的第三系列中的对应(即,针对相同时间间隔t1定义的)最大值634进行比较。
针对第一系列中的每一值执行这一比较。
应当意识到,尽管是顺次描述的,但是可以针对第一系列中的每一值并行执行步骤210和215。
此外,应当意识到,尽管先前的描述是在以下基础上进行的:在前接收第一系列的所有测量结果,之后将所有的所述测量结果全部与第二和第三系列的值进行比较,但是可以在每次测量的基础上执行这些步骤,以使得可以在接收到每一个新的测量结果时并且在整个第一系列可得之前将该新测量结果与第二和第三系列中的对应值进行比较。
可以将第一和第二系列作为单独的相应值存储,或以其它方式存储。例如,可以将它们与指示第二或第三系列中的每一值与第四系列中的对应值之间的差的偏差值一起存储作为单个参考值存储在第四系列中。
图7示出了参考第四系列定义的根据图2的实施例的示例性的第二和第三系列值的表示。
图7与上文所述的图1遵循相同的布局,其中,在纵轴上标绘强度,在横轴上标绘时间。与曲线420和430类似地标绘第四系列值740,表示所有生成的学习值之间的瞬时平均值,因而峰741与峰431和421对准,峰 742与峰432和422对准,峰743与峰433和423对准。
在某些实施例中,可以通过学习过程获得第四系列,借以针对已知代表特定分析物的一个或多个样本执行一组或多组测量。例如,在其中所要执行的表征构成了分析物满足还是不满足某一质量标准的判定的实施例中,可以通过针对已知代表该分析物的一个或多个样本执行一组或多组测量来获得该第四系列。则第四系列可以表示各组测量结果的平均值,其中,执行对代表性分析物的不只一组测量,并且第二和第三系列可以表示跨这些组测量结果遇到的相应最大和最小值。在遵循这一方案的情况下,可以使相应的最大和最小值乘以额外的容差裕量(使最大值增大预定的比例alpha,使最小值缩小预定比例beta,如上文所介绍的)。该容差裕量可以是绝对值的比例,或者是与平均值的瞬时偏离的比例。该比例可以是固定的,或者可以基于以下各项而变化:样本的性质(例如,对于给定产品类别,某些变化可能比其它变化更可接受)、所采用的传感器的类型(某些传感器对不同的成分可能更为灵敏、或者更不灵敏,因而更有可能在其测量结果系列的某些区域内产生异常值)、或者各测量结果组的统计特性(例如,在观测到样本之间的较大变化的区域中,可以希望扩展容差裕量)。在其它实施例中,尤其是在只获得一个代表性测量结果组的实施例中,可以直接将第二和第三系列设置为第四系列的预定义比例(对应于测量结果组本身)。
不管第二和第三系列的定义和存储方式如何,该方法接下来都进行至步骤220,在该步骤处,将超过相对应的最大值的任何相邻测量结果或者落到相对应的最小值以下的任何相邻测量结果被划定为组。
在此基础上,针对所有离群点的指数集,可以将各值标记为“Out”。
Out={j,其中,M(j)>MaxNew(j)或者M(j)<MinNew(j)}
任选地,可以通过下式定义相异度指数
可以看出这一相异度指数大于0小于100。对于每一离群值而言,值 M(j)与MinNew(j)或MaxNew(j)相差越多,则该相异度值就越接近100。
相应地,可以提供附加步骤,以使得在任何测量结果超过相对应的最大值的情况下,针对超过相对应的最大值的该相应测量结果计算相异度指数,这一相异度指数反映超过相对应的最大值的程度,并且在任何测量结果落到相对应的最小值以下的情况下,针对落到相对应的最小值以下的该相应测量结果计算相异度指数,该相异度指数反映测量结果落到相对应的最小值以下的程度。
更具体而言,可以如下实施分组过程:
步骤0:按照递增顺序对对应于“Out”标准的测量结果进行分类。
步骤i:识别索引“k”,以使得Out(k+1)-Out(k)>Sigma,其中,Sigma是可以由用户定义的“参数编号”。通过下式定义第i组:
Group(i)={Out(h),h=1到k}
我们从“Out”中提取出Group(i)。如果新的“Out”非空,那么我们进行至下一步骤“Step(i+1)”。
最终,我们具有对p个组的划分。
P1={Group(i),i=1到p}
图8示出了基于图6的示例性的第二和第三系列值的分组表示。
如图所示,沿横轴将曲线510、420、430划分成七个部分。部分802、 804和806对应于落在曲线430定义的最大值与曲线420定义的最小值之间的各相邻测量结果组。部分801和803对应于超过第三系列430定义的最大值的各相邻测量结果组。部分805和807对应于落在第二系列430定义的最小值以下的各相邻测量结果组。因而,在步骤220处,部分801、803、805和807中的相邻测量结果被分组成相应组。
最终,在步骤225处,将在步骤220处被识别为落在最大值或最小值之外的组标记为异常。这一标记可以涉及向测量值显式添加元数据,或者可以隐含在所执行的分组当中,例如,在这导致单独地存储被分组的值的情况下。
通过以这种方式对异常值施加标记为表征提供了基础,即可以将具有异常组或者预定数量的异常组的任何分析物表征为不满足质量标准。
对相异度值的任选的计算进一步为表征提供了基础,即可以将展示出超过预定阈值的总相异度的任何分析物表征为不满足质量标准。
在某些实施例中,该方法可以进行到超出异常组的标记,并尝试确定其来源。在某些实施例中,这可以涉及将每一组中的测量结果与一组参考数据集进行比较,并识别出最紧密地对应于该组中的测量结果的参考数据集。这些参考数据集或库可以包括数据组,如针对例如图1或图7所述的、但是对应于针对该系列测量结果定义的选定类别以外的类别的那些数据组。在这些参考数据集中表示的类别可以是一般性的,允许识别任意的异质成分,或者可以被预先定义为对应于选定类别的常见或已知异质成分。例如,如果选定类别为“咖啡”,那么为识别异质成分而保持的附加参考数据集可以包括其它农产品、其它食品以及已知影响咖啡的寄生物。
根据某些实施例,可以提供附加步骤:将在步骤220处识别出的每一组分类到从预定义的一组分类中选出的相应分类当中,其中,每一分类描述包括相应组的测量结果的形式以及第二系列、第三系列或第四系列的相对应的值的形式。例如,该形式可以是上升区域、下降区域、平坦区域、峰或谷等。因而,在发现了附加参考数据集的情况下,可以通过并入该相对应的参考数据集的特性来进一步表征分析物。
具体而言,根据某些实施例,可以对应于某一情形而定义一个或多个类别,在该情形当中:
1、组定义极值,并且第二系列、第三系列或者第四系列中的相对应值也定义极值;或者
2、组不定义极值,而第二系列、第三系列或者第四系列中的相对应值定义极值;或者
3、组定义极值,第二系列、第三系列或第四系列中的相对应值不定义极值;或者组和第二系列、第三系列或第四系列中的相对应值都不定义极值,并且该组中的测量结果的值超过第三系列中的相对应值;或者
4、该组和第二系列、第三系列或第四系列中的相对应值都不定义极值,并且相应组中的测量结果的值落在第二系列中的相对应值以下。
可以基于欧洲专利申请EP 1845479中描述的方法来实现这一目的。
可以一方面考虑表示参考数据集(目标)的第二、第三或第四系列的峰,另一方面考虑表示分析物(未知物)的第一系列,并根据下述规则对其进行分类:
在这一基础上,组801将落在类别4中,组803将落在类别2中,组 805将落在类别1中,组807将落在类别3中。
在这一基础上,可以确定涵盖所有离群值的对应于上文定义的组类型的五个种类的新的划分P={P(1),P(2),P(3),P(4),P(5)}。对于每个j(j=1 到5),种类“P(j)”包含类型j的所有组。
它们中的每者表示未知样本与目标之间的某种差异。可以采用上文讨论的相异度值来量化这一差异。
对于每一种类“P(j)”(j=1到5),都关联着一个种类“PDiss(j)”,其包含所有“P(j)”元素的所有相异度值。
上文介绍的五个组类型的适用性在某种程度上取决于提供测量结果的传感器生成的典型曲线。尽管上文介绍的五个组类型对于例如气相色谱仪生成的曲线能很好地发挥作用,但是它们可能不太适用于例如MOS传感器生成的曲线,因为MOS传感器可能不生成一系列离散峰,而是生成复杂的连续形式。在这种情况下,可以采用上文介绍的五个组类型的子集。例如,在特定传感器不生成离散峰的情况下,可以省略组类型1、2和3。此外,在一些实施例中,可以用例如相关于曲线的变化率的其它组类型来扩展该组组类型。
之后,可以按照升序对每一“PDiss(j)”组分类。可以指明等于“PDiss(j)”的最后的高元素的“参数部分”(例如,最后的10%)的平均值的值“Criter(j)”。
如果“Criter(j)”大于用户选择的“参数阈值”,那么可以认为分析物不同于根据种类“P(j)”的目标。
用于分析物与参考数据集的比较的全局最终标准。为了这样做,可以按照集合“Diss”中的种类将所有的“PDiss(j)”重新分组。在按照升序对最后的进行分类之后,计算“Diss”的最后的高元素的“参数部分”(例如,最后的10%) 的平均值。
如果“Criter”大于预定阈值,那么可以从全局上认为分析物不同于参考数据集。
对组的任选的分类进一步为表征提供了基础,例如,可以认为某些类别比其它类别更能指示质量问题。例如,在第一系列中存在峰,但是在第四系列中不存在峰可以指示污染物,这种情况与峰按照预期出现但是比预计更大或更小的情况相比可以更使人关切。
这些考虑事项在与上文介绍的相异度计算相结合时将得到进一步改进,即,通过计算每一组的相异度,可以根据组类型来设置不同的相异度阈值,从而反映每一组类型的相对重要性。
表征可以超出对分析物是否满足质量标准的判定,而包括对任何检测到的异常的原因的识别。
组中值的集合的形式通常将指示导致第二、第三或第四系列所定义的模型值与测量值之间的偏差的根由。例如,附加峰通常暗示污染物的存在,而意料之外的谷则可能暗示质量变化或者缺少某种成分。因此,然后可以针对这些分类来执行以下步骤:将每一组中的测量结果与一组参考数据集进行比较,并识别出最紧密地对应于该测量结果的参考数据集。
可以通过将异常组与附加参考数据集进行比较来执行进一步的表征。
图9示出了异常分组与参考数据集的比较的表示。
如图所示,图9呈现了两组坐标轴。第一组坐标轴与图8的相同,并且尤其示出了异常组801、803、805和807。根据某些实施例,将一组参考数据集与这些异常组中的每者进行比较,目的在于识别那些具有与异常组中的一者或多者相对应的特征的附加参考数据集中的特征。
第二组坐标轴遵循与第一组坐标轴相同的布局,其中,在纵轴上标绘强度,在横轴上标绘时间。对应于附加参考数据集的第五系列值950是按照与曲线420和430类似的方式标绘的。尽管这一参考数据集950可以是很多考虑的参考数据集之一,但是应当指出曲线950对应于组803,其构成了第一系列的测量值中多个异常高的相邻值。将针对选定类别的平均值曲线741与这一曲线950相结合将为组803中的测量结果提供密切匹配的值集合,以使得根据某些实施例可以将测量的结果注解为有可能受到了曲线 950所对应的无论任何物质的污染。
根据某些实施例,提供了一种用于采用诸如气相色谱仪或MOS传感器之类的传感器相较于参考样本对(例如)产品样本进行表征的方法或设备。这一表征可以包括指示该产品样本是否符合质量标准。将针对产品样本的传感器输出测量结果的比较与可以从参考样本的测量结果导出的最大值曲线和最小值曲线进行比较,由此将处于这些最大值和最小值所定义的包络之外的相邻样本分组一起。可以在总体上或者以每一组为基础而确定异常值的相异度指数。可以取决于组描述的形状(尤其是峰的存在或不存在) 以及相应地该包络的相对应部分的形状来对组进行分类。然后,可以采用这些判定作为符合性指示的基础,以及作为尝试识别任何异常的原因的基础,尤其是作为识别异质成分的基础。
所公开的方法可以完全采取硬件实施例(例如,FPGA)的形式、完全采取软件实施例(例如,用以控制根据本发明的系统)的形式、或者采取包含硬件元素和软件元素两者的实施例的形式。软件实施例包括但不限于固件、常驻软件、微码等。本发明可以采取可从计算机可用或计算机可读介质访问的计算机程序产品的形式,该介质提供了供计算机或指令执行系统使用或者结合计算机或指令执行系统使用的程序代码。计算机可用或计算机可读可以是可以包含、存储、传输、传播或者传送供指令执行系统、设备或装置使用或者结合指令执行系统、设备或装置使用的程序的任何设备。该介质可以是电、磁、光、电磁、红外或半导体系统(或者设备或装置)或传播介质。
具体而言,提供了一种用于表征指定类别的分析物的设备,该设备适于:
从传感器接收物理参数的第一系列测量结果,该测量结果在值的范围内单调地变化,
将第一系列中的每一测量结果与针对指定类别定义的第二系列中的相对应的最小值进行比较,并且与针对指定类别定义的第三系列中的相对应的最大值进行比较,
将任何相邻测量结果分成组,其中,该组中的每一测量结果超过相对应的最大值,或者该组中的每一测量结果落在相对应的最小值以下,以及
将该组标记为异常。
可以通过计算机应用程序或服务、应用程序编程接口(API)、库和/或其它计算机程序产品或者这些实体的任何组合来实施这些方法和过程。
图10示出了适于实施本发明的实施例的通用计算系统。
如图10所示,一种系统,包括逻辑装置1002和存储装置1003。系统可以任选地包括显示子系统1018、输入/输出子系统1010、通信子系统1011 和/或未示出的其它部件。
逻辑装置1002包括被配置为执行指令的一个或多个物理装置。例如,逻辑装置1002可以被配置为执行以下指令,该指令为一个或多个应用、服务、程序、例程、库、对象、部件、数据结构或其它逻辑机构的部分。这样的指令可以被实施以执行任务、实施数据类型、转换一个或多个部件的状态、实现技术效果或者达到预期结果。
逻辑装置1002可以包括被配置为执行软件指令的一个或多个处理器。另外或此外,该逻辑装置可以包括被配置为执行硬件或固件指令的一个或多个硬件或固件逻辑装置。逻辑装置的处理器可以是单核或者多核的,并且在其上执行的指令可以被配置用于进行顺序、并行和/或分布处理。逻辑装置1002的个体部件可以任选地分布于两个或更多个单独的装置当中,这些装置可以处于远程位置和/或被配置用于进行协同处理。可以通过按照云计算配置而配置的可远程访问的网络化计算装置来虚拟化并执行逻辑装置 1002的各个方面。
存储装置1003包括被配置为保存可由逻辑装置执行以实施文中描述的方法和过程的指令的一个或多个物理装置。在实施这样的方法和过程时,存储装置1003的状态可以被转换,从而例如保存不同的数据。
存储装置1003可以包括可移除装置和/或内置装置。存储装置1003可以包括一种或多种类型的存储装置,包括光存储器(例如,CD、DVD、 HD-DVD、蓝光盘等)、半导体存储器(例如,RAM、EPROM、EEPROM 等)和/或磁存储器(例如,硬盘驱动器、软盘驱动器、磁带驱动器、MRAM 等)及其它。存储装置可以包括易失性、非易失性、动态、静态、读/写、只读、随机存取、顺序访问、位置可寻址、文件可寻址和/或内容可寻址的装置。
在某些布置中,该系统可以包括适于支持逻辑装置1002与其它系统部件(尤其是如上文所述提供分析物的第一系列测量结果的传感器1000)之间的通信的接口1010。
例如,附加系统部件可以包括可移除和/或内置扩展存储装置。扩展存储装置可以包括一种或多种类型的存储装置,包括光存储器1032(例如, CD、DVD、HD-DVD、蓝光盘等)、半导体存储器1033(例如,RAM、EPROM、 EEPROM、闪存等)和/或磁存储器1031(例如,硬盘驱动器、软盘驱动器、磁带驱动器、MRAM等)及其它。这样的扩展存储装置可以包括易失性、非易失性、动态、静态、读/写、只读、随机存取、顺序访问、位置可寻址、文件可寻址和/或内容可寻址的装置。
应当意识到,存储装置包括一个或多个物理装置,并且不包括传播信号本身。然而,或者可以通过通信介质(例如,电磁信号、光信号等)来传播文中描述的指令的方面,而不是将其存储在存储装置上。
逻辑装置1002和存储装置1003的方面可以一起集成到一个或多个硬件逻辑部件中。例如,这样的硬件逻辑部件可以包括现场可编程门阵列 (FPGA)、特定程序集成电路/专用集成电路(PASIC/ASIC)、特定程序/特定应用标准产品(PSSP/ASSP)、片上系统(SOC)以及复杂可编程逻辑器件(CPLD)。
可以采用“程序”一词来描述被实施以执行特定功能的计算系统的一个方面。在一些情况下,可以经由执行存储装置所保存的机器可读指令的逻辑装置来使程序实例化。应当理解,可以从相同应用、服务、代码块、对象、库、例程、API、功能等实例化不同模块。类似地,可以通过不同的应用、服务、代码块、对象、例程、API、功能等实例化相同程序。“程序”一词可以包含单独的或者成组的可执行文件、数据文件、库、驱动程序、脚本、数据库记录等。
具体而言,可以采用图11的系统来实施本发明的实施例。
例如,可以将程序(例如,实施针对图2描述的步骤的程序)存储在存储装置1003中并由逻辑装置1002执行。此外,可以将程序(例如,实施上文描述的表征库的生成的程序)存储在存储装置1003中并由逻辑装置 1002执行。通信接口1011可以从服务器1030接收第二系列、第三系列或第四系列参考数据集等,并上载如上文所讨论的样本类型信息或样本表征数据。逻辑装置1002可以接收和编译第一系列分析物测量结果,执行任何附加处理,将第一系列分析物测量结果与第二、第三或第四系列参考数据集等进行比较,并经由显示器1018将结果报告给用户。在操作的各个阶段,可以经由显示器1018提示其它的输入(例如,关涉样本类型的输入),并在适当程序的控制下经由如下文所述的用户输入接口装置1016、1015、1014、 1013、1012对其予以恢复,或者可以使其它输入与适于执行这些过程的一些或全部的内部或外部专用系统接口连接。
相应地,可以以计算机程序的形式体现本发明。
应当意识到,文中使用的“服务”是跨多个用户会话可执行的应用程序。服务可以是一个或多个系统部件、程序和/或其它服务可用的。在一些实施方式中,服务可以在一个或多个服务器计算装置上运行。
在包括显示子系统1018时,可以采用显示子系统1018来呈现存储装置所保存的数据的可视化表示,尤其是第一、第二、第三或第四系列、参考数据集等或者它们的任意组合的表示。这种可视化表示可以采取图形用户界面(GUI)的形式。由于文中描述的方法和过程改变存储装置1003保存的数据,并由此变换了存储装置1003的状态,因而显示子系统1018的状态可以类似地发生变换,从而可视化地表示底层数据的变化。显示子系统1018可以包括几乎可以利用任何类型的技术的一个或多个显示装置。可以将这样的显示装置与逻辑装置和/或存储装置结合在共享壳体中,或者这样的显示装置可以是外围显示装置。
当包括输入/输出子系统1010时,输入/输出子系统1010可以包括一个或多个用户输入装置或者与之接口连接,该用户输入装置例如可以是键盘 1012、鼠标1013、扬声器1014、麦克风1015、照相机1016、打印机1017、显示器或触摸屏1018、近场通信接口1021或者游戏控制器(未示出)。在一些实施例中,输入子系统可以包括选定的自然用户输入(NUI)部件或者与之接口连接。这样的部件可以是集成的或者可以是外围的,并且可以对输入动作的转导和/或处理进行板上或板下处理。示例性NUI部件可以包括用于语音和/或声音识别的麦克风;用于机器视觉和/或姿势识别的红外线、彩色、体视和/或深度照相机;用于运动检测和/或意图识别的头部跟踪器、眼球跟踪器、加速度计和/或陀螺仪;以及用于评估大脑活动的电场感测部件。
当包括通信子系统1011时,通信子系统1011可以被配置为使计算系统与一个或多个其它计算装置通信耦合。例如,通信模块可以经由任何规模的网络将计算装置通信耦合至例如托管在远程服务器1030上的远程服务,该网络例如可以包括个人局域网、局域网、广域网或英特网。通信子系统可以包括与一种或多种不同通信协议兼容的有线和/或无线通信装置。作为非限制性示例,通信子系统可以被配置为经由无线电话网1074或者有线或无线局域网或广域网进行通信。在一些实施例中,通信子系统可以允许计算系统经由诸如英特网1020之类的网络向和/或从其它装置发送和/或接收消息。通信子系统可以另外支持与无源装置(NFC、RFID等)的短程感应通信1021。
图10的系统旨在反映宽泛范围的不同类型信息处理系统。应当意识到,针对图10描述的很多子系统和特征并不是本发明的实施所需的,但包含其的目的是为了更实际地反映常见系统。应当意识到,系统架构差异巨大,并且图10的不同子系统之间的关系仅仅是示意性的,且在实际系统中可能在布局和角色分配方面存在变化。应当意识到,在实践中,系统可能包含针对图10描述的各种特征和子系统的不同子集。图11、图12和图13更加详细地讨论了一些常见的示例性装置。
图11示出了适于构成实施例的智能电话装置。如图11所示,智能电话装置包含上文所述的元件1002、1003、1011、1000、1016、1015、1014、 1018、1011、1021和1033。其经由网络1020与电话网络1074和服务器1030 进行通信。
图12示出了适于构成实施例的人工扫描仪装置。如图12所示,该人工扫描仪装置包含上文所述的元件1002、1003、1010、1000、1018、1011、 1014、1033、1020和1030。其经由网络1020与服务器1030进行通信。
图13示出了适于构成实施例的台式计算机装置。如图13所示,台式计算机装置包含上文所述的元件1002、1003、1010、1018、1011、1017、 1016、1015、1014、1013、1012、1031和1032。其与作为外围装置的元件 1017、1012、1013和1000进行通信,并经由网络1020与服务器1030进行通信。
应当理解,文中描述的配置和/或方案在本质上是示例性的,不应在限制意义上考虑这些具体的实施例或示例,因为可能存在很多变化。文中描述的具体例程或方法可以表示任何数量的处理策略中的一者或多者。因而,可以按照说明和/或描述的顺序、按照其它顺序、并行地或者加以省略地执行说明和/或描述的各个操作。类似地,可以改变上文描述的过程的顺序。
本公开的主题包括文中公开的各个过程、系统和配置以及其它特征、功能、操作和/或属性的所有新颖组合和非显而易见组合以及子组合,以及它们的任何和全部等同形式。
上文描述的示例是作为对本发明的实施例的说明而给出的。它们不以任何方式限制本发明的范围,本发明的范围由所附权利要求限定。
Claims (13)
1.一种用于表征指定类别的分析物的方法,所述方法包括以下步骤:
从传感器接收物理参数的第一系列测量结果,
将所述第一系列中的每个所述测量结果与针对所述指定类别定义的由在每个时刻下的多个样本测量结果的最小值构成的第二系列中相对应的最小值进行比较并且与针对所述指定类别定义的由在每个时刻下的多个样本测量结果的最大值构成的第三系列中相对应的最大值进行比较,
将任何相邻的所述测量结果分成组,其中,所述组中的每个所述测量结果均超过所述相对应的最大值,或者其中,所述组中的每个所述测量结果均落在所述相对应的最小值以下,
将每个所述组标记为异常,以及
将每个所述组分类到从预定义的一组分类中选出的相应分类中,其中,所述预定义的一组分类中的每个所述分类描述了包括相应组的测量结果的形式以及所述第二系列、所述第三系列或者第四系列的相对应的值的形式,其中,在对代表性分析物执行多于一组测量的情况下,所述第四系列表示各组测量的平均值。
2.根据权利要求1所述的方法,其中,所述表征包括对所述分析物是否满足质量标准的指示,并且其中,所述方法还包括步骤:判断所述组是否反映了与所述质量标准的偏离。
3.根据前述权利要求中任一项所述的方法,包括附加步骤:
基于针对已知表示特定分析物的一个或多个样本执行的一组或多组测量来定义所述第二系列和所述第三系列。
4.根据权利要求1或2所述的方法,包括附加步骤:
使所述第一系列相对于所述第二系列和所述第三系列超前或延迟以便获得最佳可能对准。
5.根据权利要求1或2所述的方法,包括附加步骤,以使得在任何所述测量结果超过所述相对应的最大值的情况下,针对超过所述相对应的最大值的相应测量结果计算相异度指数,所述相异度指数反映了超过所述相对应的最大值的程度;以及在任何所述测量结果落在所述相对应的最小值以下的情况下,针对落在所述相对应的最小值以下的该相应测量结果计算所述相异度指数,所述相异度指数反映了所述测量结果落在所述相对应的最小值以下的程度。
6.根据权利要求1所述的方法,其中,所述分类的至少其中之一对应于以下情形,其中:
所述相应组定义极值,并且所述第二系列、所述第三系列或所述第四系列中的相对应的值也定义极值;或者
所述相应组定义极值,并且所述第二系列、所述第三系列或所述第四系列中的相对应的值不定义极值;或者
所述相应组不定义极值,并且所述第二系列、所述第三系列或所述第四系列中的相对应的值定义极值;或者
所述相应组和所述第二系列、所述第三系列或所述第四系列中的相对应的值都不定义极值,并且所述相应组中的测量结果的值超过了所述第二系列中的相对应的值;或者
所述相应组和所述第二系列、所述第三系列或所述第四系列中的相对应的值都不定义极值,并且所述相应组中的测量结果的值落在了所述第三系列中的相对应的值以下。
7.根据权利要求1或2所述的方法,还包括以下步骤:
将一个或多个所述组中的测量结果与一组附加参考数据集进行比较;
识别所述一组附加参考数据集中最紧密地对应于所述组中的所述测量结果的参考数据集;以及
使所述分析物与所述对应于所述组中的所述测量结果的参考数据集的特性相关联。
8.根据权利要求7所述的方法,其中,将每个所述组中的测量结果与一组附加参考数据集进行比较的所述步骤以及识别最紧密地对应于所述测量结果的参考数据集的所述步骤是针对所述分类执行的。
9.根据权利要求1或2所述的方法,其中,所述传感器是当暴露于分析物时生成随着时间推移而演变的值的任何传感器,并且其中,在值的范围内单调地变化的所述第一系列测量结果对应于在测量周期内获得的一系列测量结果。
10.根据权利要求9所述的方法,其中,所述传感器是MOS传感器或气相色谱仪。
11.一种用于表征指定类别的分析物的设备,所述设备适于:
从传感器接收物理参数的第一系列测量结果,
将所述第一系列中的每个所述测量结果与针对所述指定类别定义的由在每个时刻下的多个样本测量结果的最小值构成的第二系列中相对应的最小值进行比较并且与针对所述指定类别定义的由在每个时刻下的多个样本测量结果的最大值构成的第三系列中相对应的最大值进行比较,
将任何相邻的所述测量结果分成组,其中,所述组中的每个所述测量结果均超过所述相对应的最大值,或者其中,所述组中的每个所述测量结果均落在所述相对应的最小值以下,
将所述组标记为异常,以及
将每个所述组分类到从预定义的一组分类中选出的相应分类中,其中,所述预定义的一组分类中的每个所述分类描述了包括相应组的测量结果的形式以及所述第二系列、所述第三系列或者第四系列的相对应的值的形式,其中,在对代表性分析物执行多于一组测量的情况下,所述第四系列表示各组测量的平均值。
12.一种用于表征指定类别的分析物的设备,包括用于实施根据权利要求1至10中任何一项所述的步骤的模块。
13.一种计算机可读介质,其上存储有指令,所述指令在由处理器执行时,使所述处理器执行根据权利要求1至10中任何一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16305986.8 | 2016-07-28 | ||
EP16305986.8A EP3276343B1 (en) | 2016-07-28 | 2016-07-28 | Method and device for characterising an analyte |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107664655A CN107664655A (zh) | 2018-02-06 |
CN107664655B true CN107664655B (zh) | 2020-12-08 |
Family
ID=56683860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710628354.4A Active CN107664655B (zh) | 2016-07-28 | 2017-07-28 | 用于表征分析物的方法以及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10539541B2 (zh) |
EP (1) | EP3276343B1 (zh) |
JP (1) | JP6700226B2 (zh) |
CN (1) | CN107664655B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201914575D0 (en) * | 2019-10-09 | 2019-11-20 | Ge Healthcare Bio Sciences Ab | Fluid Sample Classification |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5663255A (en) * | 1979-10-30 | 1981-05-29 | Hitachi Ltd | Disease state diagnosing device |
US6816789B2 (en) * | 2001-04-19 | 2004-11-09 | Varian, Inc. | Method and system for analyzing chromatograms |
CA2501003C (en) * | 2004-04-23 | 2009-05-19 | F. Hoffmann-La Roche Ag | Sample analysis to provide characterization data |
WO2005113830A2 (en) * | 2004-05-20 | 2005-12-01 | Waters Investments Limited | System and method for grouping precursor and fragment ions using selected ion chromatograms |
JP4355281B2 (ja) * | 2004-12-13 | 2009-10-28 | 株式会社インテックシステム研究所 | ピーク抽出方法およびピーク抽出装置 |
EP1904934A2 (en) * | 2005-07-08 | 2008-04-02 | Metanomics GmbH | System and method for characterizing a chemical sample |
DE602006018860D1 (de) | 2006-04-12 | 2011-01-27 | Alpha M O S | Vergleichende Analyse eines Musters im Lichte einer Datenbasis |
EP2434291B1 (de) * | 2010-09-23 | 2016-12-07 | Hach Lange GmbH | Verfahren zur automatisierten Bestimmung eines Analyts |
WO2012164955A1 (ja) * | 2011-06-01 | 2012-12-06 | 株式会社ツムラ | パターンの評価方法、多成分物質の評価方法、評価プログラム、及び評価装置 |
EP2533037B1 (en) | 2011-06-08 | 2019-05-29 | Alpha M.O.S. | Chemoresistor type gas sensor having a multi-storey architecture |
JP2014048210A (ja) * | 2012-08-31 | 2014-03-17 | Horiba Ltd | ガスクロマトグラフ用データ処理装置、データ処理プログラム、データ処理方法 |
-
2016
- 2016-07-28 EP EP16305986.8A patent/EP3276343B1/en active Active
-
2017
- 2017-07-18 JP JP2017138952A patent/JP6700226B2/ja active Active
- 2017-07-27 US US15/661,633 patent/US10539541B2/en active Active
- 2017-07-28 CN CN201710628354.4A patent/CN107664655B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
JP6700226B2 (ja) | 2020-05-27 |
JP2018017729A (ja) | 2018-02-01 |
CN107664655A (zh) | 2018-02-06 |
EP3276343B1 (en) | 2019-08-28 |
US20180031530A1 (en) | 2018-02-01 |
US10539541B2 (en) | 2020-01-21 |
EP3276343A1 (en) | 2018-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Linderman et al. | Zero-preserving imputation of single-cell RNA-seq data | |
Cozzolino et al. | Interpreting and reporting principal component analysis in food science analysis and beyond | |
Zhang et al. | DeMix-Q: quantification-centered data processing workflow | |
JP6605415B2 (ja) | 分光法を用いる識別 | |
WO2019050966A3 (en) | AUTOMATED SAMPLE WORKFLOW PORTALING AND DATA ANALYSIS | |
KR102461384B1 (ko) | 분광 정량화를 위한 감소된 오긍정 식별 | |
Abraham et al. | Multiparametric analysis of screening data: growing beyond the single dimension to infinity and beyond | |
JP7063389B2 (ja) | 処理装置、処理方法、およびプログラム | |
CN113092981A (zh) | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 | |
US10598639B2 (en) | Three-dimensional spectral data processing device and processing method | |
Borgsmüller et al. | WiPP: Workflow for improved peak picking for gas chromatography-mass spectrometry (GC-MS) data | |
US11774418B2 (en) | Techniques for exception-based validation of analytical information | |
Sarrafi et al. | Statistical modeling of wavelet-transform-based features in structural health monitoring | |
JP7237124B2 (ja) | 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出 | |
CN107664655B (zh) | 用于表征分析物的方法以及装置 | |
Jang et al. | A monitoring method of semiconductor manufacturing processes using Internet of Things–based big data analysis | |
US10942156B2 (en) | Method for identifying an analyte in a fluid | |
Kuligowski et al. | Application of discriminant analysis and cross-validation on proteomics data | |
Asim et al. | Fault parameters‐based earthquake magnitude estimation using artificial neural networks | |
JP2018179982A (ja) | サンプル特性評価用の改良分光デバイス及び方法 | |
Alexander et al. | Capturing discrete latent structures: choose LDs over PCs | |
Lin et al. | Quick Discrimination of Rice Storage Period Based on Manifold Dimensionality Reduction Methods and Near Infrared Spectroscopy Techniques. | |
CN104049624A (zh) | 化工产品生产模式优化方法、装置和连续型化工系统 | |
Banerjee et al. | Cross-perception fusion model of electronic nose and electronic tongue for black tea classification | |
Manes et al. | EnsMOD: A Software Program for Omics Sample Outlier Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |