CN113272655A - 利用神经网络对液体处理程序进行分类 - Google Patents

Abstract

一种用于对液体处理程序进行分类的方法包括，诸如在实验室自动化分析期间发生的移液程序：在至少一部分液体处理程序期间，接收对测量随时间的测量曲线(28、30、32)进行编码的测量数据(56)；将测量数据(56)输入到神经网络(57)中；以及利用神经网络(57)为液体处理程序计算至少一个质量值(74、86)。神经网络允许将液体处理程序分类为正常或异常，例如管线中堵塞，存在空气或气泡等等。

Description

利用神经网络对液体处理程序进行分类

技术领域

本发明涉及用于对液体处理程序进行分类的一种方法、一种计算机程序以及一种计算机可读介质，以及涉及一种实验室自动化系统。

背景技术

实验室自动化系统用于使实验室助理的任务自动化，例如，测试患者的特定疾病。通常，通过生化程序采集并分析患者的血液、尿液、粪便的样本。这样的程序包括各种操作，如添加物质、孵育、分离等，以及测量过程，测量过程定量地或定性地测量指示特定疾病的物质的量或存在。

实验室自动化系统的重要部分是液体处理系统，液体处理系统通常包括一个或多个移液管，移液管可以在三个维度上移动，并且可以自动地从腔体中吸出液体并将液体分配到其他腔体中。用移液管在不同腔体之间自动进行液体移动可以称为移液程序(pipetting procedure)。液体处理系统还可以包括一个或多个分配套管，分配套管可以是放置在实验室系统工作面上的分配器模块的一部分，或者可以在三个维度上移动，并且可以自动地将液体从储液器分配到腔体中。术语“分配(dispense)”应被理解成从被流体连接到分配吸头的储液器分配液体，例如试剂或稀释剂，或者是在从另一腔体抽吸后将液体从移液吸头分配到腔体中，

对于自动化液体处理系统，过程安全性越来越重要。因此，新的空气移液管通常在液体转移期间测量空气压力。此类信号的分类通常不容易，因为存在多个对移液程序有效应的影响参数，诸如液体参数、动态参数、系统和移液管吸头参数、环境参数等。

存在可以评估来自压力传感器的测量数据的几种方法。

作为示例，可以基于许多正确的移液程序来确定理想的压力曲线。可以通过将测得的压力曲线与理想压力曲线进行比较来评估移液程序，对于正确的移液过程，测得的压力曲线可以仅与理想压力曲线偏离预定百分比。然而，对于每种体积、样本、吸头类型的组合，可能都必须确立理想的压力曲线。

作为进一步示例，可以基于移液、样本和环境参数来确定理论压力曲线。在移液程序之后，可以将理论压力曲线与测得的移液曲线拟合。然后可以评估拟合参数。基于评估，可以将液体转移(即，移液程序)评定为正确或不正确。然而，在这种情况下，可能必须为整个液体处理系统确定理论模型。此外，可以针对每种吸头类型、样本类型以及液体处理系统组合调整和验证模型。

EP 1 745 851 A1描述了一种适于液体分类的移液设备，其基于比较模拟曲线和测得的曲线。

在WO 2012 068 610 A1中，通过使用测得的压力作为经训练的神经网络的输入来推断流体的密度。

US 2004/034 479 A1和EP 1 391 734 A2涉及一种样品分配装置和自动分析仪，其使用神经元网络来分析压力波动的波形。

在Unver等人的文章——“A fuzzy quality control-decision support systemfor improving operational reliability of liquid transfer operations inlaboratory automation(用于改进实验室自动化中液体转移操作的操作可靠性的模糊质量控制决策支持系统)”，Expert Systems with Applications,vo.36,no.4,14November2018,pages 8064-8070中，使用模糊逻辑以在液体转移操作中执行质量控制。

发明内容

本发明的目标在于简化实验室自动化系统的配置和/或控制。

该目标通过独立权利要求的主题实现。通过从属权利要求和以下说明，进一步例证性实施例是显而易见的。

本发明的第一方面涉及一种用于对液体处理程序进行分类的方法。该方法可以例如由实验室自动化系统的控制设备自动执行。液体处理程序可以是移液程序、分配程序和/或移液程序的一部分。由实验室自动化设备执行的利用移液管在不同腔体之间自动进行液体移动的过程可以被称为移液程序。由实验室自动化设备执行的用移液管和/或分配套管对液体的自动分配可以被称为分配程序。分配程序可以是移液程序的一部分。

根据本发明的实施例，该方法包括：在液体处理程序期间，接收测量随时间的测量值曲线编码的测量值数据。测量值数据可以包括液体处理相关的传感器数据，诸如压力测量值和/或流量测量值，例如液体和/或气体的压力测量值和/或流量测量值。

与移液管吸头和/或容器的填充水平有关的测量也是可能的。例如，可以通过移液管吸头内的电容感测来测量吸出的体积。可以通过感测在抽吸或分配之前和之后的液位来测量源腔体或目的腔体中的体积改变，并且可以通过使用腔体的已知横截面来计算体积差。

可以通过实验室自动化系统的传感器来获取测量数据。例如，可以测量到实验室自动化系统的移液管的管线中的气体和/或液体中的压力和/或流速。可以在连接到移液管和/或分配套管的体积中执行测量，其中，改变压力以执行液体处理程序。

泵可以施加被施加到管线上的压力，并且用该施加的压力，可以控制用移液管吸头抽吸和分配液体。移液管中的施加压力和流动的液体可能导致管线中的压力不同和/或管线内部的流量不同。

根据本发明的实施例，该方法进一步包括：将测量数据输入到(人工)神经网络中；和通过神经网络为液体处理程序计算至少一个质量值。

神经网络可以被提供为软件模块和/或软件库，其补充有已经从已鉴定的训练数据生成的参数化。训练数据可以是测量数据的集合，并且可选地是已鉴定的多种不同液体处理程序的液体处理数据。液体处理数据可以编码实验室自动化系统的配置和/或设置。训练数据可以包括用于对应的液体处理程序的一个或多个质量值。

神经网络可以是深层神经网络，即可以包括多个层，诸如卷积层和致密层。神经网络可以包括至少两个卷积层和/或至少两个致密层，它们成排地连接。下面将对本文提到的不同类型的层进行定义。

层可以是神经元集合，神经元具有例如用于从上一层接收输入值的输入和例如用于将输出值发送到下一层的输出。神经元可以具有权重和函数，这些权重和函数根据权重从输入值计算输出值。可以向层提供面向对象的编程语言的对象。神经元的数量、权重和函数可以作为参数数据提供，例如可以被编码到对象中。参数数据可被视为神经网络的参数化，而各层及其互连可以被视为神经网络的结构。

来自实验室自动化系统中的实际测量的测量数据可以被输入到神经网络中，神经网络已经被训练成鉴定测量数据。这种鉴定可以是分类，诸如分类为成功和错误的液体处理程序。鉴定也可以是指示物理量的一个或多个值，物理量存在于对应的液体处理程序中，诸如抽吸体积和/或分配体积。进一步可能的物理量可以是移液和/或分配的样本液体的物理性质，诸如比密度、粘度、表面张力和/或移液管吸头(和/或分配套管)表面被样本的润湿性。

通常，基于神经网络的机器学习算法可以用于评估测量数据，以便对实验室自动化系统中的液体转移进行鉴定和/或分类。经训练的神经网络可以用作错误检测助理。

神经网络甚至可以在实验室自动化系统的操作期间和/或之后进行调整。可以关于错误的肯定率来调整错误检测率，可以将经鉴定和/或经分类的测量曲线添加到训练集中。使用实验室自动化系统的客户可以鉴定测量曲线，并可以提高神经网络的预测能力。

根据本发明的实施例，该方法进一步包括：用质量值控制实验室自动化系统。该方法可以在实验室自动化系统的操作期间由实验室自动化系统的控制设备执行。例如，质量值可以将液体处理程序分类为正确或错误，质量值可以指示抽吸体积太小等。在这种情况下，当假定液体处理程序不正确时，实验室自动化系统使用液体处理程序处理的样品和/或样本可能被标记为错误和/或可能被丢弃。

根据本发明的实施例，该方法进一步包括：当质量值指示失败的液体处理程序时，将该液体处理程序标记为错误的；和/或当质量值指示失败的液体处理程序时，丢弃该液体处理程序的结果。

根据本发明的实施例，该方法进一步包括：当质量值指示失败的液体处理程序时，用该液体处理程序重复进行样品和/或样本处理。

根据本发明的实施例，测量数据包括按时间排序的测量值的向量。可以随时间测量压力、流速和/或更一般的液体处理传感器数据，即，可以确定测量曲线。测量数据可以包括该曲线随时间的离散测量值。可以将测量值级联到按时间排序的向量中。这样的向量可以被看作连续物理量的一维数字化图像，因此可能特别适于被输入到神经网络中。

根据本发明的实施例，该方法进一步包括：将液体处理数据输入到神经网络中，其中，液体处理数据对执行液体处理程序的实验室自动化系统的配置和/或设置进行编码。除了测量数据之外，还可以将液体处理数据，即实验室自动化系统的数据编码特征，诸如实际使用的移液管吸头，输入到神经网络中。换句话说，神经网络可能已经针对实验室自动化系统的不同配置和/或设置进行了训练。以这样的方式，可以在不同的应用场景中使用相同的神经网络。

液体处理数据可以包括关于液体的信息，诸如液体的密度、粘度和/或类型。液体处理数据可以包括关于移液管和/或可丢弃的移液管吸头的信息，诸如其尺寸、其类型、其最大体积。液体处理数据可以包括关于液体处理程序和/或控制参数的信息，诸如抽吸和/或分配速度、要抽吸和/或要分配的液体量、抽吸和/或分配的长度、泵的控制参数等。

根据本发明的实施例，在将测量数据和液体处理数据输入到神经网络之前，将测量数据和液体处理数据级联成一个向量。测量数据和液体处理数据可以被视为一种类型的输入信息和/或可以被输入到神经网络的一个输入层中。

根据本发明的实施例，测量数据和液体处理数据被输入到神经网络的不同输入层。也可能是两种类型的数据被输入到不同的输入层，它们甚至可以被连接到神经网络的其他不同层。以这种方式，在由相同层处理两个不同数据集合之前，可以通过不同配置的层对两个不同数据集合进行不同处理。

根据本发明的实施例，神经网络包括由至少一个层构成的测量数据分支和由至少一个层构成的液体处理数据分支。可以将测量数据输入到测量数据分支的输入层中，并且可以将液体处理数据输入到液体处理数据分支的输入层中。

测量数据分支可以包括至少两个卷积层。然而，测量数据分支可能是仅一个输入层。液体处理数据分支可以是仅一个输入层，但是也可以包括一个、两个或更多致密层。

根据本发明的实施例，神经网络包括致密层分支。例如，将测量数据分支的输出和液体处理数据分支的输出输入到致密层分支中。致密层分支可以包括至少两个致密层。致密层分支可以在其末端包括概率层，概率层为不同的分类类型生成概率值。

通常，由神经网络，特别是致密层分支可以输出多个质量值。这样的质量值可以包括分类值，分类值可以是指示具体分类类型的概率的百分比值。这样的质量值也可以是估计值，估计值估计在液体处理程序期间可能出现的具体物理量。

根据本发明的实施例，神经网络输出分类值，以对液体处理程序进行分类。例如，分类值可以指示以下至少一项：正确的程序、凝块、空气抽吸、样本太少、气泡、泡沫、吸头堵塞、泄漏等。可以将可能在液体处理程序中发生的所有或一些类型的问题进行分类。也可能是，分类限于简单地指示程序过程是否被正确地执行。

根据本发明的实施例，神经网络输出估计值，估计值估计液体处理程序的物理量。例如，估计值估计分配体积和抽吸体积中的至少一个。可以将神经网络训练成实验室自动化系统的模型，该模型输出可以从测量数据确定。不必确定基于编码物理关系的数学函数的模型。

根据本发明的实施例，液体处理程序包括将移液管降低到容纳液体的腔体中。压力、流速和/或液体处理传感器数据已经可以在移液管下降到液体的过程中，即在泵开始工作之前进行测量。

根据本发明的实施例，液体处理程序包括：通过降低移液管中的压力将液体抽吸到移液管中，和/或通过升高移液管中的压力分配移液管的液体。可以通过连接至移液管的泵来降低和/或升高压力。测量数据可以包括在将液体抽吸到移液管期间的测量值，和/或测量数据可以包括在从移液管分配液体期间的测量值。应注意，可以仅针对抽吸，仅针对分配和/或针对这两者来执行神经网络的鉴定。

本发明的进一步方面涉及一种用于对液体处理程序进行分类的计算机程序，当被处理器执行时，该计算机程序适于执行上文和下文中所述的方法的步骤。该计算机程序可以在与实验室自动化系统可通信地互连的计算设备，诸如实验室自动化系统的控制器和/或诸如PC中执行。该方法也可能由嵌入式微控制器执行。

本发明的进一步方面涉及一种计算机可读介质，其中存储了这样的计算机程序。计算机可读介质可以是软盘、硬盘、USB(通用串行总线)存储设备、RAM(随机存取存储器)、ROM(只读存储器)、EPROM(可擦除可编程只读存储器)或闪存。计算机可读介质也可以是允许下载程序代码的数据通信网络，例如，因特网。通常，计算机可读介质可以是非暂时性或暂时性介质。

本发明的进一步方面涉及一种实验室自动化系统。

根据本发明的实施例，实验室自动化系统包括：液体处理臂，以运送移液管和/或分配套管；泵，以改变与移液管连接的体积中的压力，以抽吸和分配移液管中的液体；传感器设备，以在与移液管连接的体积中执行测量；以及控制设备，以控制泵并从传感器设备接收测量数据。

测量可以是与液体处理程序有关的任何测量，诸如压力、流量、体积变化测量等。测量数据可以是或可以包括液体处理传感器数据。

此外，控制设备可以适于执行上文和下文中所述的方法。控制设备可以存储上文和下文中所述的神经网络。

应理解，上文和下文中所述的方法的特征可以是上文和下文中所述的控制设备、计算机程序和计算机可读介质的特征，反之亦然。

参考下文所述的实施例，本发明的这些和其他方面将变得显而易见并被阐明。

附图说明

下面参考附图更详细地描述本发明的实施例。

图1示意性地示出了根据本发明的实施例的实验室自动化系统。

图2示出了根据本发明的实施例的一种用于对液体处理程序进行分类的方法的流程图。

图3示出了移液程序期间的测量曲线。

图4示出了具有凝块的移液程序期间的多个测量曲线。

图5示出了具有气泡的移液程序期间的多个测量曲线。

图6示意性地示出了用在本发明的实施例中的神经网络的输入向量。

图7示意性地示出了用在本发明的实施例中的神经网络的布局。

图8示意性地示出了用在本发明的实施例中的神经网络的进一步布局。

图9示意性地示出了用在本发明的实施例中的神经网络的进一步布局。

在附图标记列表中以摘要形式列出了附图中使用的附图标记及其含义。原则上，图中相同的部分具有相同的附图标记。

具体实施方式

图1示意性地示出了实验室自动化系统10，其包括可自动移动的移液管臂12，移液管14附接至移液管臂12。移液管14还可以包括可丢弃的移液管吸头15，移液管吸头15也可被移液管臂12抓取以及丢弃。如图1中所示，移液管吸头15被降低到容器16中。容器16可以是多井板的井、装有样本的试管、装有试剂的容器等。

移液管臂12可以在三个维度上移动移液管14和移液管吸头15，并且可以将移液管吸头15降低到容器16中并且可以从其缩回移液管吸头。容器16以及可能的移液管吸头15可以容纳液体18，诸如样本或试剂。移液管14及其吸头15用于在不同容器16之间移动和/或运输一定量的液体。

实验室自动化系统10还可以包括分配套管，分配套管也可以被连接至移液管臂12，在这种情况下，移液管臂12也可以被视为液体处理臂。分配套管可以被连接到储液器，并且可以用于将液体分配到容器16中。

此外，实验室自动化系统10包括泵20，泵20经由软管22与移液管14连接。通过泵20，可以将压力施加到软管22和移液管14，这引起移液管14抽吸或分配液体18。

可以附接到软管22和/或移液管14的传感器设备24适于测量软管22和/或移液管14中的压力和/或流速。由传感器设备24采集的测量数据可用于鉴定移液管程序，如本文所述。

可以是实验室自动化系统10的一部分或与其连接的实验室自动化系统10的控制设备26可以控制移液管臂12、泵20，并且可以从传感器设备24接收测量数据。

图2示出了用于对液体处理程序进行分类的方法的流程图，该方法可以由控制设备26执行。

在步骤S10中，生成测量数据56。通常，实验室自动化系统10的传感器设备24可以随时间测量压力和/或流速，并且可以据此生成测量曲线。在测量期间，可以随时间采集测量值并将其发送到控制设备26。

图3示出了在移液程序期间的测量曲线28，特别是压力曲线28。应注意，下面关于压力曲线和压力测量所讨论的所有内容也应用于流速曲线和流速测量。而且，在适用的情况下，以下讨论的所有内容都可以与使用分配套管执行的分配程序相关。

步骤S10中的测量数据56的生成可以与实验室自动化系统10的控制并行地执行，后者也可以由控制设备26执行。

通常，通过降低移液管14中的压力将液体18抽吸到移液管14中来在两个腔体16之间运输液体18。这可以通过适当地控制泵20来完成。之后，通过升高移液管14中的压力来分配移液管14中的液体18，这也可以通过适当地控制泵20来执行。在抽吸和分配之前、之间和之后，移液管14可以被移液管臂12移动到第一腔体16和第二腔体16。

图3中的压力曲线28示出了从抓取移液管吸头15到最终使移液管吸头14下降所测得的压力，其中，时间从左到右流逝。特别地，抽吸曲线30和分配曲线32被放大地示出。

首先，抓取移液管吸头15(34)，并执行移液管臂12向第一腔体16的移动(36)。在(38)，开始抽吸。可以看出，压力降低了，这引起移液管吸头15中的负压抽吸液体18。在(40)，抽吸结束并且压力回到平均值。之后，执行移液管臂12到第二腔体16的进一步移动(42)。在(44)，开始分配液体18，并且在(46)，分配结束。可以看出，这里的压力增大，使得移液管吸头15中的超压分配液体18。最后，执行移液管臂12到废物容器的移动(48)，移液管吸头15被丢弃(50)在废物容器中。

在正确的抽吸(30)和分配(32)期间，压力曲线看起来如图3所示。然而，抽吸和/或分配(32)期间的误差引起形状不同的压力曲线。

作为示例，图4和图5示出了抽吸曲线30，其中未正确地执行抽吸过程。特别地，图4示出了在具有凝块的移液程序期间的多个抽吸曲线30。可以看出，这些曲线都以某种方式偏离了如图3中所示的最佳曲线。图5示出了在具有气泡的移液程序期间的多个抽吸曲线30。再次可以看出，这些曲线以相同的方式偏离了如图3中所示的最佳曲线。

重新参考图2，在步骤S12中，在控制设备26中接收在移液程序期间测量随时间的测量曲线28、30和/或32进行编码的测量数据56。

控制设备26可以从测量值生成向量形式的数据结构，其中，测量值被按时间排序。此外，数据向量可以补充有进一步的数据，诸如实验室自动化系统10的配置参数和/或参数设置。

图6示意性地示出了可以由控制设备26生成的数据向量52。数据向量52由液体处理数据54和测量数据56组成。

液体处理数据54可以由配置参数和/或设置55组成，例如，配置参数和/或设置55可以取决于液体处理程序的实际执行类型、所使用的移液管吸头15类型、液体18的类型等。控制设备26可以汇集这样的数据，并且可以将其放入数据向量52中。

应注意，液体处理数据54中的条目和/或值55可以具有不同的大小和/或不同的格式。

测量数据56可以由测量值53构成。测量数据56可能由控制设备26预处理，例如以适合具体长度的数据向量52。

可以将测量数据56布置成按时间排序的测量值53的向量52，即，测量值53的指数越高，则被采集的时间越长。

重新参考图2，在步骤S14中，将测量数据56和可选地液体处理数据54输入到神经网络中，并且通过神经网络计算用于液体处理程序的至少一个质量值74、86。将参考图7至图9描述神经网络的示例。

例如，图7示意性地示出了在本发明的实施例中使用的神经网络57的布局和/或结构。在图7中，布局是一排级联的层58至72，每个层都由神经元集合组成。

应注意，除了其布局之外，神经网络57还包括针对其各层的配置/参数化，诸如神经元的数量和/或每个神经元的输入的数量和/或输出的数量。此外，每一层还包括用于其输入的权重和用于其输出的函数，函数基于权重计算对应的输出值。

可以在训练神经网络57期间确定权重，神经网络57设有大量已经鉴定的训练数据集合，诸如图3至图5中所示的曲线，可选地与相应的液体处理数据一起。例如，这可以通过反向传播来完成。

在图7的示例中，测量数据56和液体处理数据54可以在被输入到神经网络57之前被级联成一个向量52，例如，如图6中所示。然而，也可能在神经网络57中仅输入测量数据56的向量。当仅针对液体处理程序的一种配置和/或类型对神经网络进行训练时，可能就是这种情况。

图7的神经网络57包括(按此顺序)输入层58、整形层60、多对卷积层62和池化层64、舍弃层66、平坦化层68、多个致密层70以及概率层72。进一步的舍弃层66可以被布置在致密层70之间。

输入层58在第一步骤中接收输入数据(诸如测量数据56和/或液体处理数据54)的向量和/或预处理输入数据。

整形层60关于输入数据改变输出数据的维度。如果直接提供正确的格式，则整形层60可能不是必需的。

卷积层62通过将一个或多个过滤器(也称为内核)应用于输入数据的局部接收场来创建特征图。在当前情况下，整形层和/或局部接收场的输出可以是一维的。

池化层64是例如通过取区域的最大值来浓缩来自前一层的信息的层。

舍弃层66在训练期间去除一些反馈信息以概括学习。舍弃层中的一层、一些或全部可以是可选的，以提高预测的普遍性。

平坦化层68将多维数据转换为一维数据。

致密层70是与前一层具有完全一对一连接的层。

概率层是可以从非标准化输入确定分类器的概率值的层。概率层可能是具有softmax激活函数的致密层，以将输出标准化，因此其总和为1。

最后，神经网络57输出一个或多个分类值74，它们是对液体处理程序进行分类的概率值。例如，分类值74可以指示正确的程序、凝块、空气抽吸、样本不足、气泡、泡沫、吸头堵塞、泄漏。

图8示意性地示出了可以在本发明的实施例中使用的神经网络57的进一步布局。在图8中，测量数据56和液体处理数据54被输入到神经网络57的不同的输入层58、82中。此外，神经网络57包括测量数据分支76和液体处理数据分支78。

将测量数据56输入到测量数据分支76的输入层58中，并且将液体处理数据54输入到液体处理数据分支78的输入层82中。

测量数据分支76可以包括至少两对卷积层62和池化层64。此外，测量数据分支76可以包括在输入层58之后的整形层60和在结束时的平坦化层68。

液体处理数据分支78仅由输入层82组成，在其中输入液体处理数据54。

测量数据分支76和液体处理数据分支78的输出被输入到级联层84中，级联层84沿着具体维度将诸如两个向量的输出级联在一起。

级联层84的输出被输入到神经网络57的致密层分支80中。致密层分支80可以包括至少两个致密层70。可以在致密层70之间布置舍弃层66。致密层分支80的输出被输入到概率层72中，诸如图7中的概率层。

可以假设，图7的神经网络57还具有测量数据分支76或更多个一般的卷积分支和致密层分支，它们成排地连接。

图9示意性地示出了可以在本发明的实施例中使用的神经网络57的进一步布局。

与图8的神经网络一样，图9的神经网络57包括致密层分支80，测量数据分支76的输出和液体处理数据分支78的输出被输入到致密层分支80中。然而，测量数据分支76和液体处理数据分支78仅由一个输入层58、82组成。

与图7和8的神经网络57相反，图9的神经网络57被训练成输出一个或多个估计值86，以估计液体处理程序的物理量。例如，估计值86可以是分配的体积或抽吸的体积。在这种情况下，必须为训练数据提供相应的估计值。

图7和图8的神经网络57可能输出估计值86，图9的神经网络57也是如此，并且图9的神经网络57输出概率值74，与图7和图8的神经网络57一样。

重新参考图2，在步骤S16中，可以用由神经网络57确定的一个或多个质量值74、86来标记已经由实验室自动化系统10处理的样品和/或样本。

也可能丢弃已经如质量值74、86所示错误执行的液体处理程序处理过的样品和/或样本，和/或对该样品和/或样本进行第二次处理。

尽管已经在附图和前面的说明中详细地图示和描述了本发明，但是这样的图示和说明应被认为是说明性或例证性的而不是限制性的；本发明不限于所公开的实施例。通过研究附图、公开内容和所附权利要求，本领域技术人员和实践要求保护的发明的技术人员可以理解和实现所公开的实施例的其他变体。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或控制器或其他单元，诸如FPGA，可以满足权利要求中记载的几项功能。在互不相同的从属权利要求中记载某些措施的纯粹事实并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记都不应被解释为限制范围。

附图标记列表

10 实验室自动化系统

12 移液管臂

14 移液管

15 移液管吸头

16 容器

18 液体

20 泵

22 软管

24 传感器设备

26 控制设备

28 压力曲线

30 抽吸曲线

32 分配曲线

34 抓取移液管吸头

36 移液管臂移动

38 抽吸开始

40 抽吸结束

42 移液管臂移动

44 分配开始

46 分配结束

48 移液管臂移动

50 丢弃移液管吸头

52 数据向量

53 测量值

54 液体处理数据

55 配置参数

56 测量数据

57 神经网络

58 输入层

60 整形层

62 卷积层

64 池化层

66 舍弃层

68 平坦化层

70 致密层

72 概率确定层

74 质量值、分类值

76 测量数据分支

78 液体处理数据分支

80 致密层分支

82 第二输入层

84 级联层

86 质量值、估计值

Claims (13)

1.一种用于对液体处理程序进行分类的方法，所述方法包括：

在液体处理程序期间，接收对测量随时间的测量曲线(28、30、32)进行编码的测量数据(56)；

将所述测量数据(56)输入到神经网络(57)中；

将液体处理数据(54)输入到所述神经网络(57)中，其中，所述液体处理数据(54)对执行所述液体处理程序的实验室自动化系统(10)的配置和/或设置进行编码；

利用所述神经网络(57)为所述液体处理程序计算至少一个质量值(74、86)；

其中，所述神经网络(57)包括由至少一个层构成的至少一个测量数据分支(76)和由至少一个层构成的液体处理数据分支(78)；

其中，将所述测量数据(56)输入到所述测量数据分支(76)的输入层(58)中，并将所述液体处理数据(54)输入到所述液体处理数据分支(78)的输入层(82)中。

2.根据权利要求1所述的方法，

其中，所述测量数据(56)包括按时间排序的测量值(57)的向量(52)。

3.根据权利要求1或2所述的方法，

其中，所述测量数据分支(76)包括至少两个卷积层(62)。

4.根据前述权利要求中的一项所述的方法，

其中，所述神经网络(57)包括致密层分支(80)，所述测量数据分支(76)的输出和所述液体处理数据分支(78)的输出被输入到所述致密层分支(80)中。

5.根据权利要求4所述的方法，

其中，所述致密层分支(80)包括至少两个致密层(70)。

6.根据前述权利要求中的一项所述的方法，

其中，所述神经网络(57)输出分类值(74)，以对所述液体处理程序进行分类。

7.根据权利要求6所述的方法，

其中，所述分类值(74)指示下述中的至少一项：正确的程序、凝块、空气抽吸、样本太少、气泡、泡沫、吸头堵塞、泄漏等。

8.根据前述权利要求中的一项所述的方法，

其中，所述神经网络(57)输出估计值(86)，估计所述液体处理程序的物理量。

9.根据权利要求8所述的方法，

其中，所述估计值(86)估计下述中的至少一项：所分配的体积，所抽吸的体积。

10.根据前述权利要求中的一项所述的方法，

其中，所述液体处理程序包括下述中的至少一项：

通过降低移液管(14)中的压力将所述液体(18)抽吸(30)到所述移液管(14)中；

通过升高所述移液管(14)和/或分配套管中的压力来分配(32)所述移液管(14)和/或所述分配套管中的液体(18)。

11.一种用于对液体处理程序进行分类的计算机程序，当被处理器执行时，所述计算机程序适于执行前述权利要求中的一项所述的方法的步骤。

12.一种其中存储有根据权利要求11所述的计算机程序的计算机可读介质。

13.一种实验室自动化系统(10)，所述系统包括：

液体处理臂(12)，所述液体处理臂(12)用于运送移液管(14)和/或分配套管；

泵(20)，所述泵(20)用于改变与所述移液管(14)连接的体积(22)中的压力，以抽吸和分配所述移液管(14)中的液体(18)；

传感器设备(24)，所述传感器设备(24)用于在与所述移液管(14)连接的所述体积(22)中执行测量；

控制设备(26)，所述控制设备(26)用于控制所述泵(20)并从所述传感器设备(24)接收测量数据(56)；

其中，所述控制设备(26)适于执行根据权利要求1至11中的一项所述的方法。

Images