CN114898810A - 一种检测微生物生长情况的方法 - Google Patents
一种检测微生物生长情况的方法 Download PDFInfo
- Publication number
- CN114898810A CN114898810A CN202210549690.0A CN202210549690A CN114898810A CN 114898810 A CN114898810 A CN 114898810A CN 202210549690 A CN202210549690 A CN 202210549690A CN 114898810 A CN114898810 A CN 114898810A
- Authority
- CN
- China
- Prior art keywords
- change rate
- rate curve
- growth
- microorganism
- data set
- 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.)
- Pending
Links
- 244000005700 microbiome Species 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 230000035772 mutation Effects 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 230000000813 microbial effect Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims abstract description 5
- 238000003379 elimination reaction Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 26
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000002411 adverse Effects 0.000 abstract description 8
- 230000005856 abnormality Effects 0.000 abstract description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 244000000010 microbial pathogen Species 0.000 description 2
- 208000031729 Bacteremia Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 238000009640 blood culture Methods 0.000 description 1
- 238000012136 culture method Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 208000013223 septicemia Diseases 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/50—Mutagenesis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种检测微生物生长情况的方法，包括：根据微生物生长监测系统实时获取衡量微生物样本生长情况的时序数据集；将获取的时序数据集进行预处理，得到预处理后的时序数据集；根据预处理后的时序数据集中时序数据的变化率，得到时序数据的变化率数据集(变化率曲线)；根据Savitzky‑Golay滤波器对变化率曲线进行平滑除噪，得到除噪后的变化率曲线；根据Pettitt突变点检测、Kolmogorov‑Smirnov检验以及Mann‑Kendall趋势检验和线下面积对除噪后的变化率曲线进行检测，并根据检测结果判定微生物样本是否出现生长的情况；本发明极大的降低了因为不良因素导致的单个或多个数据点异常而出现误判的可能性，在受到极端不良因素的影响下，仍然可以快速、准确的完成对微生物生长情况的检测。
Description
技术领域
本发明涉及生物医学微生物检测领域，特别是指一种检测微生物生长情况的方法。
背景技术
微生物检测是指借助人工配制的培养基和人为创造的培养条件，使得符合生长条件的微生物快速繁殖，并通过监测衡量微生物生长情况的指标从而实现检测目标源是否存在微生物的目的，其中若目标源存在微生物，则这种情况被称为报阳。特别的以血培养为基础培养手段的微生物检测在临床医学上有着极其重要的应用。在正常情况下人体的血液是无菌的，而临床上严重危及患者生命的败血症、菌血症等病症是由于患者血液中出现了对应的致病微生物导致的，所以快速稳定地检测患者的血液中是否存在致病微生物对临床治疗有着重要意义。
通常情况下，衡量微生物生长情况的指标是指通过微生物生长监测系统得到的，能够反映微生物生长情况的时序数据集(一系列按时间维度索引的观察值的集合)，如在以压力传感检测法为基础的微生物监测系统，其衡量微生物生长情况的指标为培养瓶中压力传感器的随时间变化的压力值；在以阻抗(电导)分析法为基础的微生物监测系统，其衡量微生物生长情况的指标为培养瓶中溶液的随时间变化的阻抗(电导)值。
微生物的培养环境需要一直处于合适的状态，这是因为一旦微生物的培养环境受到不良因素的影响，所得到的时序数据集就会带有噪声，使得检测结果变得不准确。但是微生物的培养环境很难一直处于合适的状态，往往会因为一些微小的环境变动而受到影响。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种检测微生物生长情况的方法，对时序数据集的信噪比要求不高，抗干扰能力强，且快速、准确。
本发明采用如下技术方案：
一种检测微生物生长情况的方法，包括：
根据微生物生长监测系统实时获取衡量微生物样本生长情况的时序数据集；
将获取的时序数据集进行预处理，得到预处理后的时序数据集；
根据预处理后的时序数据集中时序数据的变化率，得到时序数据的变化率数据集(变化率曲线)；
根据Savitzky-Golay滤波器对变化率曲线进行平滑除噪，得到除噪后的变化率曲线；
根据Pettitt突变点检测、Kolmogorov-Smirnov检验以及Mann-Kendall趋势检验和线下面积对除噪后的变化率曲线进行检测，并根据检测结果判定微生物样本是否出现生长的情况。
具体地，所述根据微生物生长监测系统实时获取衡量微生物样本生长情况的时序数据集，所述参数包括但不限于：微生物生长监测系统所得到的观察值和得到观察值时所对应的时刻。
具体地，根据预处理后的时序数据集计算得出时序数据的变化率数据集，时序数据的变化率rt的具体计算公式为：
其中，yt是xt时刻微生物生长监测系统所得到的观察值，yt-1是xt-1时刻微生物生长监测系统所得到的观察值。
具体地，根据Pettitt突变点检测、Kolmogorov-Smirnov检验以及Mann-Kendall趋势检验和线下面积对除噪后的变化率曲线进行检测，并根据检测结果判定微生物样本是否出现生长的情况，具体为：
步骤S1：若变化率曲线中数据点的个数不小于2，且当前时刻和上一时刻的数据点的观察值不小于0.3，则进行下一步判断，具体为：
步骤S11：对变化率曲线进行Mann-Kendall趋势检验，若趋势检验的结果为增长趋势，则判定对应的微生物样本出现生长的情况；若趋势检验的结果为非增长趋势，则进行步骤S12判断，具体为：
步骤S12：对变化率曲线进行ADF平稳性检验，若变化率曲线非平稳，则进行步骤S13判断，具体为：
步骤S13：对变化率曲线进行Pettitt突变点检测和Kolmogorov-Smirnov检验，若Pettitt突变点检测得到变化率曲线存在均值增大的突变的结果，且Kolmogorov-Smirnov检验得出突变点两边的变化率曲线分布不一致，则判定对应的微生物样本出现生长的情况；
步骤S2：若变化率曲线中数据点的个数不小于10，则取当前时刻及前9个时刻的数据点计算所构成的变化率曲线的线下面积，若计算得出的当前时刻及前9个时刻的数据点所构成的变化率曲线的线下面积的值大于1，则进行下一步判断，具体为：
步骤S21：确定用于计算变化率曲线的线下面积的数据点中的最大观察值，然后使用Mann-Kendall趋势检验对变化率曲线进行趋势检验，若变化率曲线在达到所确定的最大值之前是增长趋势，则标记此变化率曲线具有增长趋势；
步骤S3：若变化率曲线被标记为具有增长趋势，且当前时刻的数据点与步骤S2中确定最大值的数据点之间间隔不超过100个数据点，则进行步骤S31判断，具体为：
步骤S31：对变化率曲线进行Mann-Kendall趋势检验，若趋势检验的结果为下降趋势，则进行步骤S32判断，具体为：
步骤S32：对变化率曲线进行Pettitt突变点检测和Kolmogorov-Smirnov检验，若Pettitt突变点检测得到变化率曲线存在突变的结果，且Kolmogorov-Smirnov检验得出突变点两边的变化率曲线分布不一致，则判定对应的微生物样本出现生长的情况。
步骤S4：若微生物生长监测系统已经持续125小时获取衡量微生物样本生长情况的时序数据，或者微生物生长监测系统停止获取衡量微生物样本生长情况的时序数据的时候，没有判定对应的微生物样本出现生长的情况，则判定对应的微生物样本没有出现微生物生长的情况。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明通过对变化率曲线进行Mann-Kendall趋势检验，将判断条件由单纯依赖于单个或多个阈值判断扩展为对一段取值结果合法性的综合判断，极大的降低了因为不良因素导致的单个或多个数据点异常而出现误判的可能性，使得算法具有很强的抗干扰能力；在受到极端不良因素的影响下，通过对变化率曲线进行Pettitt突变点检测和Kolmogorov-Smirnov检验以代替Mann-Kendall趋势检验对变化率曲线的检验，最终实现对低信噪比时序数据集进行检测的情况下，仍然可以快速、准确的完成对微生物生长情况的检测。
(2)本发明通过对变化率曲线进行Savitzky-Golay平滑除噪有效减小了采集数据的过程中因为噪声所导致的变化率曲线的形变，提供了算法检测结果的准确率。
附图说明
图1为本发明实施例提供的一种检测微生物生长情况的算法的流程图；
图2为本发明实施例提供的0663-B10-zyo10样本的变化率曲线，为出现生长的情况的微生物样本的变化率曲线；
图3为本发明实施例提供的0663-B10-zyo10样本通过本发明方法进行判断的检测结果示意图；
图4为本发明实施例提供的0084-B52-hcefx2.csv样本的变化率曲线，为没有出现生长的情况的微生物样本的变化率曲线；
图5为本发明实施例提供的0084-B52-hcefx2.csv样本通过本发明方法进行判断的检测结果示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明提供了一种检测微生物生长情况的方法，用于在微生物的培养环境受到不良影响，使得时序数据集带有噪声的情况下，仍然可以快速、准确的检测出微生物是否存在生长情况。
如图1，为本发明实施例提供的一种检测微生物生长情况的方法的流程图，具体为：
S101：根据微生物生长监测系统实时获取可以衡量微生物样本生长情况的时序数据集。时序数据集的时间维度由Xt＝(x0,x1,x2,......,xt)∈R+(t∈N)表示，时序数据集的观察值维度由Yt＝(y0,y1,y2,......,yt)∈R(t∈N)表示，其中yt是xt时刻微生物生长监测系统所得到的观察值。
S102：将获取的时序数据集进行预处理，得到预处理后的时序数据集；
根据获取的时序数据集质量的好坏舍弃前几个时序数据，保证数据处理的有效性。
S103：根据时序数据集中时序数据的变化率，得到时序数据的变化率数据集(变化率曲线)Rt＝(r1,r2,r3,......,rt)∈R(t∈Z+)。其中时序数据的变化率rt的计算公式为
S104：根据Savitzky-Golay滤波器对变化率曲线进行平滑除噪，如图2为本发明实施例提供的出现生长的情况的0663-B10-zyo10样本的变化率曲线。
S105：根据Pettitt突变点检测、Kolmogorov-Smirnov检验，Mann-Kendall趋势检验和线下面积这四种检测条件对变化率曲线进行检测，并根据检测结果判定对应的微生物样本是否出现生长的情况；
S1501：若t≥2，且rt和rt-1均不小于0.3，则对变化率曲线进行Mann-Kendall趋势检验，当变化率曲线被检测出具有增长趋势时，则判定对应的微生物样本出现生长的情况。当变化率曲线没有被检测出具有增长趋势时，则有可能是因为培养环境受到极端不良因素的影响，导致时序数据集带有很多噪声，导致Mann-Kendall趋势检验无法得到正确的判断，所以对变化率曲线进行ADF平稳性检验，若变化率曲线是非平稳的，则对变化率曲线进行Pettitt突变点检测和Kolmogorov-Smirnov检验，若Pettitt突变点检测得到变化率曲线存在均值增大的突变的结果，且Kolmogorov-Smirnov检验得出突变点两边的变化率曲线分布不一致，则判定对应的微生物样本出现生长的情况。
S1502：若t≥10，则取rt、rt-1、rt-2、rt-3、rt-4、rt-5、rt-6、rt-7、rt-8、rt-9计算所构成的变化率曲线的线下面积S，其中S是通过梯形法则进行计算，具体的计算公式为
若S＞1，则再次使用Savitzky-Golay滤波器对变化率曲线进行平滑除噪，然后确定rt、rt-1、rt-2、rt-3、rt-4、rt-5、rt-6、rt-7、rt-8、rt-9中的最大值，将最大值记为rt'，将观察到最大值所对应的时刻记为t'，并使用Mann-Kendall趋势检验对变化率曲线进行趋势检验，若变化率曲线在达到所确定的最大值rt'之前是增长趋势，则标记此变化率曲线具有增长趋势。
S1503：若变化率曲线被标记了具有增长趋势，且(t-t')≤100，则对变化率曲线进行Mann-Kendall趋势检验，若趋势检验的结果为下降趋势，则再对变化率曲线进行Pettitt突变点检测和Kolmogorov-Smirnov检验，若Pettitt突变点检测得到变化率曲线存在突变的结果，且Kolmogorov-Smirnov检验得出突变点两边的变化率曲线分布不一致，则判定对应的微生物样本出现生长的情况。
S1504：若xt-x0＞125，或者微生物生长监测系统停止获取衡量微生物样本生长情况的时序数据的时候，仍然没有判定微生物样本出现生长的情况，则判定对应的微生物样本没有出现微生物生长的情况。
如图3为本发明实施例提供的通过本发明方法进行判断的检测结果，图中由三种曲线构成：(1)图中用曲线A标记：微生物生长曲线是由反映微生物生长情况的时序数据集(一系列按时间维度索引的观察值的集合)所构成的曲线，在这个检测系统中观察值为反射率。(2)图中用曲线B标记：由本发明方法判定微生物样本出现生长的情况的时候，由Savitzky-Golay滤波器除噪后的变化率曲线。(3)右下角的曲线图是由本发明方法判定微生物样本出现生长的情况的时候的微生物生长曲线的局部放大图。
图中“编号0663-B10-zyo10.csv，结果：微生物样本出现生长的情况(时间24.1675，第142个点，共402个点)”的理解为：①时间24.1675，经过多久的时间出现微生物生长情况。②出现微生物生长情况是第几个点。③该样本中总共监测多少点，由于是在离线的情况下进行测试的，所以是一个样本的完整数据集。
如图4所示，0084-B52-hcefx2.csv样本的变化率曲线，为没有出现生长的情况的微生物样本的变化率曲线，如图5所示，0084-B52-hcefx2.csv样本通过本发明方法进行判断的检测结果，为没有出现生长的情况的微生物样本的判断的检测结果。
综上所述，从编号0663-B10-zyo10.csv样本可以发现，一旦微生物样本出现生长的情况，则本发明算法就能够很快的检测出来，从编号为0084-B52-hcefx2.csv的微生物样本经过本算法检测所得微生物样本没有出现生长的情况的结果可以发现，本算法对比单纯依赖于单个或多个阈值判断，可以极大的降低因为不良因素导致的单个或多个数据点异常而出现误判的可能性。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (4)
1.一种检测微生物生长情况的方法，其特征在于，包括：
根据微生物生长监测系统实时获取衡量微生物样本生长情况的时序数据集；
将获取的时序数据集进行预处理，得到预处理后的时序数据集；
根据预处理后的时序数据集中时序数据的变化率，得到时序数据的变化率数据集(变化率曲线)；
根据Savitzky-Golay滤波器对变化率曲线进行平滑除噪，得到除噪后的变化率曲线；
根据Pettitt突变点检测、Kolmogorov-Smirnov检验以及Mann-Kendall趋势检验和线下面积对除噪后的变化率曲线进行检测，并根据检测结果判定微生物样本是否出现生长的情况。
2.根据权利要求1所述的一种检测微生物生长情况的方法，其特征在于，所述根据微生物生长监测系统实时获取衡量微生物样本生长情况的时序数据集，所述参数包括但不限于：微生物生长监测系统所得到的观察值和得到观察值时所对应的时刻。
3.根据权利要求1所述的一种检测微生物生长情况的方法，其特征在于，根据预处理后的时序数据集计算得出时序数据的变化率数据集，时序数据的变化率rt的具体计算公式为：
其中，yt是xt时刻微生物生长监测系统所得到的观察值，yt-1是xt-1时刻微生物生长监测系统所得到的观察值。
4.根据权利要求1所述的一种检测微生物生长情况的方法，其特征在于，根据Pettitt突变点检测、Kolmogorov-Smirnov检验以及Mann-Kendall趋势检验和线下面积对除噪后的变化率曲线进行检测，并根据检测结果判定微生物样本是否出现生长的情况，具体为：
步骤S1：若变化率曲线中数据点的个数不小于2，且当前时刻和上一时刻的数据点的观察值不小于0.3，则进行下一步判断，具体为：
步骤S11：对变化率曲线进行Mann-Kendall趋势检验，若趋势检验的结果为增长趋势，则判定对应的微生物样本出现生长的情况；若趋势检验的结果为非增长趋势，则进行步骤S12判断，具体为：
步骤S12：对变化率曲线进行ADF平稳性检验，若变化率曲线非平稳，则进行步骤S13判断，具体为：
步骤S13：对变化率曲线进行Pettitt突变点检测和Kolmogorov-Smirnov检验，若Pettitt突变点检测得到变化率曲线存在均值增大的突变的结果，且Kolmogorov-Smirnov检验得出突变点两边的变化率曲线分布不一致，则判定对应的微生物样本出现生长的情况；
步骤S2：若变化率曲线中数据点的个数不小于10，则取当前时刻及前9个时刻的数据点计算所构成的变化率曲线的线下面积，若计算得出的当前时刻及前9个时刻的数据点所构成的变化率曲线的线下面积的值大于1，则进行下一步判断，具体为：
步骤S21：确定用于计算变化率曲线的线下面积的数据点中的最大观察值，然后使用Mann-Kendall趋势检验对变化率曲线进行趋势检验，若变化率曲线在达到所确定的最大值之前是增长趋势，则标记此变化率曲线具有增长趋势；
步骤S3：若变化率曲线被标记为具有增长趋势，且当前时刻的数据点与步骤S2中确定最大值的数据点之间间隔不超过100个数据点，则进行步骤S31判断，具体为：
步骤S31：对变化率曲线进行Mann-Kendall趋势检验，若趋势检验的结果为下降趋势，则进行步骤S32判断，具体为：
步骤S32：对变化率曲线进行Pettitt突变点检测和Kolmogorov-Smirnov检验，若Pettitt突变点检测得到变化率曲线存在突变的结果，且Kolmogorov-Smirnov检验得出突变点两边的变化率曲线分布不一致，则判定对应的微生物样本出现生长的情况。
步骤S4：若微生物生长监测系统已经持续125小时获取衡量微生物样本生长情况的时序数据，或微生物生长监测系统停止获取衡量微生物样本生长情况的时序数据的时候，没有判定对应的微生物样本出现生长的情况，则判定对应的微生物样本没有出现微生物生长的情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210549690.0A CN114898810A (zh) | 2022-05-20 | 2022-05-20 | 一种检测微生物生长情况的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210549690.0A CN114898810A (zh) | 2022-05-20 | 2022-05-20 | 一种检测微生物生长情况的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114898810A true CN114898810A (zh) | 2022-08-12 |
Family
ID=82724067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210549690.0A Pending CN114898810A (zh) | 2022-05-20 | 2022-05-20 | 一种检测微生物生长情况的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114898810A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130173215A1 (en) * | 2012-01-04 | 2013-07-04 | Honeywell International Inc. | Adaptive trend-change detection and function fitting system and method |
| US20180225320A1 (en) * | 2017-02-09 | 2018-08-09 | Adobe Systems Incorporated | Anomaly Detection at Coarser Granularity of Data |
| CN110175353A (zh) * | 2019-04-16 | 2019-08-27 | 浙江新再灵科技股份有限公司 | 电梯运行指标趋势分析方法 |
| CN110766299A (zh) * | 2019-10-11 | 2020-02-07 | 清华大学 | 一种基于遥感数据的流域植被变化分析方法 |
| CN112287299A (zh) * | 2020-10-19 | 2021-01-29 | 河海大学 | 河流健康变化定量归因方法、装置及系统 |
| CN112432974A (zh) * | 2019-08-26 | 2021-03-02 | 汪子涵 | 一种快速的牛奶变质程度检测方法和装置 |
| CN113742327A (zh) * | 2021-09-02 | 2021-12-03 | 中国水利水电科学研究院 | 一种基于测雨雷达数据的自动雨量站异常值筛选方法 |
| CN114372707A (zh) * | 2022-01-07 | 2022-04-19 | 赵锐锋 | 一种基于遥感数据的高寒湿地退化程度监测方法 |
| CN114386324A (zh) * | 2021-12-27 | 2022-04-22 | 上海电力大学 | 一种基于转折性时段识别的超短期风电功率分段预测方法 |
-
2022
- 2022-05-20 CN CN202210549690.0A patent/CN114898810A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130173215A1 (en) * | 2012-01-04 | 2013-07-04 | Honeywell International Inc. | Adaptive trend-change detection and function fitting system and method |
| US20180225320A1 (en) * | 2017-02-09 | 2018-08-09 | Adobe Systems Incorporated | Anomaly Detection at Coarser Granularity of Data |
| CN110175353A (zh) * | 2019-04-16 | 2019-08-27 | 浙江新再灵科技股份有限公司 | 电梯运行指标趋势分析方法 |
| CN112432974A (zh) * | 2019-08-26 | 2021-03-02 | 汪子涵 | 一种快速的牛奶变质程度检测方法和装置 |
| CN110766299A (zh) * | 2019-10-11 | 2020-02-07 | 清华大学 | 一种基于遥感数据的流域植被变化分析方法 |
| CN112287299A (zh) * | 2020-10-19 | 2021-01-29 | 河海大学 | 河流健康变化定量归因方法、装置及系统 |
| CN113742327A (zh) * | 2021-09-02 | 2021-12-03 | 中国水利水电科学研究院 | 一种基于测雨雷达数据的自动雨量站异常值筛选方法 |
| CN114386324A (zh) * | 2021-12-27 | 2022-04-22 | 上海电力大学 | 一种基于转折性时段识别的超短期风电功率分段预测方法 |
| CN114372707A (zh) * | 2022-01-07 | 2022-04-19 | 赵锐锋 | 一种基于遥感数据的高寒湿地退化程度监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 安佑志;刘朝顺;施润和;高炜;殷杰;: "基于MODIS时序数据的长江三角洲地区植被覆盖时空变化分析", 生态环境学报, no. 12, 18 December 2012 (2012-12-18) * |
| 陈鑫;刘艳丽;刁艳芳;关铁生;刘翠善;王国庆;金君良;鲍振鑫;贺瑞敏;: "关河水库流域水文序列突变诊断与非一致性研究", 中国农村水利水电, no. 05, 15 May 2020 (2020-05-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2013235400B2 (en) | Method and system for detection of microbial growth in a specimen container | |
| EP2767228A1 (en) | Device and method for improving identification accuracy of fetal heart rate deceleration | |
| CN103525939A (zh) | 无创检测胎儿染色体非整倍体的方法和系统 | |
| CN112365927A (zh) | Cnv检测装置 | |
| CN116821753A (zh) | 一种基于机器学习的社区获得性肺炎病原类型预测方法 | |
| CN114898810A (zh) | 一种检测微生物生长情况的方法 | |
| CN115098285A (zh) | 基于大数据的传感器检测数据分析系统及方法 | |
| WO2018201683A1 (zh) | 生理信号的同源性识别方法及装置 | |
| CN116612820B (zh) | 基于数据分析的乳制品生产智能管理平台 | |
| Dufour et al. | Monitoring dry period intramammary infection incidence and elimination rates using somatic cell count measurements | |
| CN106053782B (zh) | 布氏杆菌病试管凝集实验质量控制图的建立方法与应用 | |
| CN114113510A (zh) | 一种药物mic值确定方法及存储介质 | |
| CN114660378A (zh) | 一种基于多源检测参数的接触网综合诊断方法 | |
| CN109682858B (zh) | 一种利用气体传感器实时检测气体浓度的方法 | |
| CN115790503B (zh) | 一种j型导管曲率加工的管线检测方法及系统 | |
| CN104007271A (zh) | 一种校正全自动血细胞分析仪检测家禽红细胞结果的方法 | |
| CN111737253B (zh) | 一种区域表计断数据识别方法及装置 | |
| CN114041768B (zh) | 脉率提取方法、设备及存储介质 | |
| CN115792198B (zh) | 一种辅助血细胞分析仪判定异常血小板聚集的方法和系统 | |
| CN116564411B (zh) | 等温扩增核酸的结果判定方法、系统、设备及存储介质 | |
| CN113702041B (zh) | 一种轴承故障诊断方法 | |
| CN117906726B (zh) | 一种活牛体尺体重数据异常检测系统 | |
| CN115410653B (zh) | 细菌耐药性监测方法、装置、计算机设备及存储介质 | |
| CN115128303B (zh) | 一种基于原子力纳米压痕测量单个细胞杨氏模量的方法 | |
| CN117668472B (zh) | 一种海岛礁环境多参量监测方法及系统 |
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 |