CN116481592A - 一种试剂精准化检测工艺方法及系统 - Google Patents
一种试剂精准化检测工艺方法及系统 Download PDFInfo
- Publication number
- CN116481592A CN116481592A CN202310411380.7A CN202310411380A CN116481592A CN 116481592 A CN116481592 A CN 116481592A CN 202310411380 A CN202310411380 A CN 202310411380A CN 116481592 A CN116481592 A CN 116481592A
- Authority
- CN
- China
- Prior art keywords
- reagent
- data
- deep learning
- transmitter
- specific gravity
- 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
- 239000003153 chemical reaction reagent Substances 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000013499 data model Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012821 model calculation Methods 0.000 claims abstract description 7
- 230000005484 gravity Effects 0.000 claims description 30
- 238000005303 weighing Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000012886 linear function Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 238000003317 immunochromatography Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000012123 point-of-care testing Methods 0.000 description 2
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 229960004407 chorionic gonadotrophin Drugs 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000008105 immune reaction Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 210000002381 plasma Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000012764 semi-quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/543—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals
- G01N33/54366—Apparatus specially adapted for solid-phase testing
- G01N33/54386—Analytical elements
- G01N33/54387—Immunochromatographic test strips
- G01N33/54388—Immunochromatographic test strips based on lateral flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Cell Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Microbiology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Biotechnology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本发明涉及一种试剂精准化检测工艺方法及系统，包括以下步骤：S1：系统对试剂检测数据进行采集；S2：采用步骤S1中采集的数据进行深度学习，建立数据模型；S3：将步骤S1中采集到的输出数据分为训练集和测试集；S4：创建线性模型，使用步骤S3中采集到的训练集中的数据进行深度学习，得到线性模型的参数；S5：使用测量系统的输出数据和步骤S4的输出数据，创建代价函数，以此代价函数的值来确定何时停止深度学习过程；当代价函数的值为最小值时，深度学习结束；S6：使用测试集中的数据进行测试，将实际测试结果与模型计算得到的预期结果进行对比；S7：将训练好的模型固化到测量系统中；S8：采用建立的数据模型对试剂检测数据进行分析检测。
Description
技术领域
本发明涉及侧流免疫层析技术领域，更具体地说，涉及一种试剂精准化检测工艺方法及系统。
背景技术
侧流免疫层析(lateral flow immunochromatography assay，LFIA)是一种基于抗原、抗体免疫反应的经典床旁检测技术(point of care testing，POCT)；最初，研究人员采用纳米金制备层析试纸条，用于尿人绒毛膜促性腺激素检测，即我们熟知的胶体金。但检测结果依赖人工判读，且检测灵敏度低、假阴性率高。随后，一些对层析膜进行简单图像采集、处理的仪器相继出现，LFIA结果判读实现自动、半定量化。
近年来，LFIA不断发展，检测性能得到很大提升，已逐步向定量检测过渡，其可检测样品多样(如全血、血浆、汗液、唾液，试剂检测等)。
但是存在检测耗时长、成本高，并且需要专业技术人员，难以实时快速检测的缺点。因此，开发出快捷、灵敏、精确、高效的检测手段显得尤为重要。
前面的叙述在于提供一般的背景信息，并不一定构成现有技术。
发明内容
本发明的目的在于提供一种试剂精准化检测工艺方法及系统，该试剂精准化检测工艺方法检测快捷、灵敏、精确、高效。
本发明提供一种试剂精准化检测工艺方法，包括以下步骤：
S1：系统对试剂检测数据进行采集；
S2：采用步骤S1中采集的数据进行深度学习，建立数据模型；
S3：将步骤S1中采集到的输出数据分为训练集和测试集；
S4：创建线性模型，使用步骤S3中采集到的训练集中的数据进行深度学习，得到线性模型的参数；
S5：使用测量系统的输出数据和步骤S4的输出数据，创建代价函数，以此代价函数的值来确定何时停止深度学习过程；当代价函数的值为最小值时，深度学习结束；
S6：使用测试集中的数据进行测试，将实际测试结果与模型计算得到的预期结果进行对比；
S7：将训练好的模型固化到测量系统中；
S8：采用建立的数据模型对试剂检测数据进行分析检测。
进一步地，所述步骤S1中的数据采集主要利用传感器对试剂进行测量，所述传感器包括称重传感器、温度传感器和比重传感器中的至少一种，采集到的数据为仪器的输出数据。
进一步地，对采集到的输出数据进行深度学习，所述步骤S4中线性模型可表示为：y＝w0+w1 x1+w2 x2。
进一步地，所述w0是截距，w1和w2是参数，所述x1和x2分别是两个不同称重传感器的输出数据；所述步骤S4中的深度学习利用标准的梯度下降法进行学习，从而得到线性模型的参数。
进一步地，所述步骤S5中代价函数是用于衡量深度学习得到的线性模型参数相关性的指标函数，通过计算代价函数的值从而确定深度学习是否终止，输出线性函数参数，代价函数表示为： 其中y(i)是采用标准方法实际测得的数据；采用步骤S1中输出数据经过线性模型的计算后得到的数据，当代价函数的取值J(W)为最小值时，表明深度学习的线性函数参数值准确值最高，可终止深度学习过程，并将此时得到的线性模型输出。
进一步地，所述步骤S6中使用测试集中的数据进行测试，将测试集中的输出数据代入线性模型进行计算，将模型计算得到的预期结果与实际测试的数据与进行对比，若是方差大于5％，表示不满足预期结果，线性模型拟合不成功，则回到步骤S1，重新对检测的数据采集，进行多次测试和对比；相反，若是得到的方差小于5％，则表示线性模型拟合成功。
进一步地，所述步骤S7包括将线性模型转化为计算机代码的形式固化到装置中，从而完成一个传感器的数据拟合输出。
本发明还包括一种试剂精准化检测系统，应用于上述的试剂精准化检测工艺方法，所述试剂精准化检测系统包括试剂测量端和控制传输端，所述试剂测量端包括温度检测模块、称重测量模块和比重测量模块，所述温度检测模块包括温度传感器和温度变送器，所述温度检测模块是通过温度传感器对试剂的温度进行测量，并通过温度变送器将检测到的试剂温度转化为电信号进行输送；所述称重测量模块包括称重传感器和称重变送器，所述称重测量模块是通过称重传感器将进入的试剂进行称量，并通过称重变送器将检测到的试剂重量转化为电信号进行输送；所述比重测量模块包括比重传感器和比重变送器，所述比重测量模块是通过比重传感器将进入的试剂进行比重测量，并通过比重变送器将检测到的试剂重量转化为电信号进行输送；所述控制传输端包括控制存储模块和信息传输模块，所述控制存储模块包括控制处理器和试剂信息存储器，所述控制存储模块是通过控制处理器对试剂物理特征进行测量时所需的元件进行控制和调整，所述试剂信息存储器是将温度变送器、称重变送器和比重变送器转化的电信号化为数据进行存储；所述信息传输模块包括无线信号接收器和无线信号传输器，所述无线信号接收器是通过无线接收外部信息，所述无线信号传输器是通过无线将存储的信息进行传输。
本发明提供的试剂精准化检测工艺方法检测快捷、灵敏、精确、高效；对待测试剂进行全方位测量，并快速得以将试剂的物理特征转化为电信号输送至试剂存储器内进行存储，通过控制处理器，可在试剂测量前后，对各测量模块内部含有的元件进行控制，通过无线信号传输器，可将试剂信息存储器内存储的试剂的物理特征信息进行无线传输，通过无线信号接受器，可在试剂测量前，远程对试剂信息存储器传输数据，也可远程传输信号至控制处理器，远程对试剂测量进行控制；同时采用基于深度学习的方法模拟各个传感器的输出数据与测试结果之间的关系，使得测试结果全面准确。
附图说明
图1为本发明实施例提供的试剂精准化检测工艺方法的流程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
图1为本发明实施例提供的试剂精准化检测工艺方法的流程示意图。请参照图1，本发明实施例提供的试剂精准化检测工艺方法，包括以下步骤：
S1：系统对试剂检测数据进行采集；
S2：采用步骤S1中采集的数据进行深度学习，建立数据模型；
S3：将步骤S1中采集到的输出数据分为训练集和测试集；
S4：创建线性模型，使用步骤S3中采集到的训练集中的数据进行深度学习，得到线性模型的参数；
S5：使用测量系统的输出数据和步骤S4的输出数据，创建代价函数，以此代价函数的值来确定何时停止深度学习过程；当代价函数的值为最小值时，深度学习结束；
S6：使用测试集中的数据进行测试，将实际测试结果与模型计算得到的预期结果进行对比；
S7：将训练好的模型固化到测量系统中；
S8：采用建立的数据模型对试剂检测数据进行分析检测。
需要说明的是，所述步骤S1中的数据采集主要利用传感器对试剂进行测量，所述传感器包括称重传感器、温度传感器和比重传感器中的至少一种，采集到的数据为仪器的输出数据；对采集到的输出数据进行深度学习，所述步骤S4中线性模型可表示为：y＝w0+w1x1+w2 x2；所述w0是截距，w1和w2是参数，所述x1和x2分别是两个不同称重传感器的输出数据；所述步骤S4中的深度学习利用标准的梯度下降法进行学习，从而得到线性模型的参数；所述步骤S5中代价函数是用于衡量深度学习得到的线性模型参数相关性的指标函数，通过计算代价函数的值从而确定深度学习是否终止，输出线性函数参数，代价函数表示为：其中y(i)是采用标准方法实际测得的数据；采用步骤S1中输出数据经过线性模型的计算后得到的数据，当代价函数的取值J(W)为最小值时，表明深度学习的线性函数参数值准确值最高，可终止深度学习过程，并将此时得到的线性模型输出；所述步骤S6中使用测试集中的数据进行测试，将测试集中的输出数据代入线性模型进行计算，将模型计算得到的预期结果与实际测试的数据与进行对比，若是方差大于5％，表示不满足预期结果，线性模型拟合不成功，则回到步骤S1，重新对检测的数据采集，进行多次测试和对比；相反，若是得到的方差小于5％，则表示线性模型拟合成功；所述步骤S7包括将线性模型转化为计算机代码的形式固化到装置中，从而完成一个传感器的数据拟合输出。
本发明的试剂精准化检测工艺方法检测快捷、灵敏、精确、高效；对待测试剂进行全方位测量，并快速得以将试剂的物理特征转化为电信号输送至试剂存储器内进行存储，通过控制处理器，可在试剂测量前后，对各测量模块内部含有的元件进行控制，通过无线信号传输器，可将试剂信息存储器内存储的试剂的物理特征信息进行无线传输，通过无线信号接受器，可在试剂测量前，远程对试剂信息存储器传输数据，也可远程传输信号至控制处理器，远程对试剂测量进行控制；同时采用基于深度学习的方法模拟各个传感器的输出数据与测试结果之间的关系，使得测试结果全面准确。
本发明还提供一种试剂精准化检测系统，应用于上述的试剂精准化检测工艺方法，所述试剂精准化检测系统包括试剂测量端和控制传输端，所述试剂测量端包括温度检测模块、称重测量模块和比重测量模块，所述温度检测模块包括温度传感器和温度变送器，所述温度检测模块是通过温度传感器对试剂的温度进行测量，并通过温度变送器将检测到的试剂温度转化为电信号进行输送；所述称重测量模块包括称重传感器和称重变送器，所述称重测量模块是通过称重传感器将进入的试剂进行称量，并通过称重变送器将检测到的试剂重量转化为电信号进行输送；所述比重测量模块包括比重传感器和比重变送器，所述比重测量模块是通过比重传感器将进入的试剂进行比重测量，并通过比重变送器将检测到的试剂重量转化为电信号进行输送；
所述控制传输端包括控制存储模块和信息传输模块，所述控制存储模块包括控制处理器和试剂信息存储器，所述控制存储模块是通过控制处理器对试剂物理特征进行测量时所需的元件进行控制和调整，所述试剂信息存储器是将温度变送器、称重变送器和比重变送器转化的电信号化为数据进行存储；所述信息传输模块包括无线信号接收器和无线信号传输器，所述无线信号接收器是通过无线接收外部信息，所述无线信号传输器是通过无线将存储的信息进行传输。
基于上文的描述可知，本发明优点在于：
本发明的试剂精准化检测工艺方法检测快捷、灵敏、精确、高效；对待测试剂进行全方位测量，并快速得以将试剂的物理特征转化为电信号输送至试剂存储器内进行存储，通过控制处理器，可在试剂测量前后，对各测量模块内部含有的元件进行控制，通过无线信号传输器，可将试剂信息存储器内存储的试剂的物理特征信息进行无线传输，通过无线信号接受器，可在试剂测量前，远程对试剂信息存储器传输数据，也可远程传输信号至控制处理器，远程对试剂测量进行控制；同时采用基于深度学习的方法模拟各个传感器的输出数据与测试结果之间的关系，使得测试结果全面准确。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种试剂精准化检测工艺方法，其特征在于，包括以下步骤：
S1：系统对试剂检测数据进行采集；
S2：采用步骤S1中采集的数据进行深度学习，建立数据模型；
S3：将步骤S1中采集到的输出数据分为训练集和测试集；
S4：创建线性模型，使用步骤S3中采集到的训练集中的数据进行深度学习，得到线性模型的参数；
S5：使用测量系统的输出数据和步骤S4的输出数据，创建代价函数，以此代价函数的值来确定何时停止深度学习过程；当代价函数的值为最小值时，深度学习结束；
S6：使用测试集中的数据进行测试，将实际测试结果与模型计算得到的预期结果进行对比；
S7：将训练好的模型固化到测量系统中；
S8：采用建立的数据模型对试剂检测数据进行分析检测。
2.根据权利要求1所述的试剂精准化检测工艺方法，其特征在于，所述步骤S1中的数据采集主要利用传感器对试剂进行测量，所述传感器包括称重传感器、温度传感器和比重传感器中的至少一种，采集到的数据为仪器的输出数据。
3.根据权利要求2所述的试剂精准化检测工艺方法，其特征在于，对采集到的输出数据进行深度学习，所述步骤S4中线性模型可表示为：y＝w0+w1 x1+w2 x2。
4.根据权利要求3所述的试剂精准化检测工艺方法，其特征在于，所述w0是截距，w1和w2是参数，所述x1和x2分别是两个不同称重传感器的输出数据；所述步骤S4中的深度学习利用标准的梯度下降法进行学习，从而得到线性模型的参数。
5.根据权利要求1所述的试剂精准化检测工艺方法，其特征在于，所述步骤S5中代价函数是用于衡量深度学习得到的线性模型参数相关性的指标函数，通过计算代价函数的值从而确定深度学习是否终止，输出线性函数参数，代价函数表示为：
其中y(i)是采用标准方法实际测得的数据；采用步骤S1中输出数据经过线性模型的计算后得到的数据，当代价函数的取值J(W)为最小值时，表明深度学习的线性函数参数值准确值最高，可终止深度学习过程，并将此时得到的线性模型输出。
6.根据权利要求1所述的试剂精准化检测工艺方法，其特征在于，所述步骤S6中使用测试集中的数据进行测试，将测试集中的输出数据代入线性模型进行计算，将模型计算得到的预期结果与实际测试的数据与进行对比，若是方差大于5％，表示不满足预期结果，线性模型拟合不成功，则回到步骤S1，重新对检测的数据采集，进行多次测试和对比；相反，若是得到的方差小于5％，则表示线性模型拟合成功。
7.根据权利要求1所述的试剂精准化检测工艺方法，其特征在于，所述步骤S7包括将线性模型转化为计算机代码的形式固化到装置中，从而完成一个传感器的数据拟合输出。
8.一种试剂精准化检测系统，应用于权利要求1-7中任意一项所述的试剂精准化检测工艺方法，其特征在于，所述试剂精准化检测系统包括试剂测量端和控制传输端，所述试剂测量端包括温度检测模块、称重测量模块和比重测量模块，所述温度检测模块包括温度传感器和温度变送器，所述温度检测模块是通过温度传感器对试剂的温度进行测量，并通过温度变送器将检测到的试剂温度转化为电信号进行输送；所述称重测量模块包括称重传感器和称重变送器，所述称重测量模块是通过称重传感器将进入的试剂进行称量，并通过称重变送器将检测到的试剂重量转化为电信号进行输送；所述比重测量模块包括比重传感器和比重变送器，所述比重测量模块是通过比重传感器将进入的试剂进行比重测量，并通过比重变送器将检测到的试剂重量转化为电信号进行输送；
所述控制传输端包括控制存储模块和信息传输模块，所述控制存储模块包括控制处理器和试剂信息存储器，所述控制存储模块是通过控制处理器对试剂物理特征进行测量时所需的元件进行控制和调整，所述试剂信息存储器是将温度变送器、称重变送器和比重变送器转化的电信号化为数据进行存储；所述信息传输模块包括无线信号接收器和无线信号传输器，所述无线信号接收器是通过无线接收外部信息，所述无线信号传输器是通过无线将存储的信息进行传输。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310411380.7A CN116481592A (zh) | 2023-04-17 | 2023-04-17 | 一种试剂精准化检测工艺方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310411380.7A CN116481592A (zh) | 2023-04-17 | 2023-04-17 | 一种试剂精准化检测工艺方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116481592A true CN116481592A (zh) | 2023-07-25 |
Family
ID=87214980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310411380.7A Pending CN116481592A (zh) | 2023-04-17 | 2023-04-17 | 一种试剂精准化检测工艺方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116481592A (zh) |
-
2023
- 2023-04-17 CN CN202310411380.7A patent/CN116481592A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210287766A1 (en) | System and method for analysing the image of a point-of-care test result | |
| US20090324036A1 (en) | Method for analyzing image data relating to agglutination assays | |
| JP3213097B2 (ja) | 粒子分析装置及び方法 | |
| CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
| CN116481592A (zh) | 一种试剂精准化检测工艺方法及系统 | |
| CN115356479B (zh) | 一种金免疫层析检测方法和系统 | |
| CN103197060A (zh) | 胶体金免疫层析盒自主识别定位定量检测系统及检测方法 | |
| KR102047989B1 (ko) | 급성 열성 질환을 진단하기 위한 현장 진단 시스템 및 방법 | |
| CN115312134A (zh) | 一种试剂开发实验方法、装置、终端及储存介质 | |
| CN115656529A (zh) | 一种基于尿液检测人体肾功能用分析系统 | |
| CN110276044A (zh) | 体温预测方法及采用该体温预测方法预测体温的体温计 | |
| EP1571451A1 (en) | Method and apparatus for estimating due date | |
| Pereira | Evaluation of rapid diagnostic test performance' | |
| CN108139321A (zh) | 用于确定表面等离子体共振生物传感器系统的仪器依赖参数的方法 | |
| CN116702813A (zh) | 一种检测试剂采集器及其分析方法 | |
| Rajasekariah et al. | Assessment of assay sensitivity and precision in a malaria antibody ELISA | |
| CN109324188B (zh) | 一种精准化动态尿液测量方法和系统 | |
| CN110457359B (zh) | 一种关联性分析方法 | |
| CN112964673B (zh) | 特定蛋白反应曲线的异常识别方法及识别装置 | |
| Bang et al. | 10 Studies of Diagnostic Accuracy | |
| CN115919273A (zh) | 一种基于深度学习的亚健康预警系统及相关设备 | |
| CN116484898A (zh) | 一种检测试剂阅读系统及数据处理方法 | |
| CN117664882A (zh) | 基于反应曲线的长度检测待检测样本的前带现象的方法和装置 | |
| CN116298324A (zh) | β2-微球蛋白的检测方法、装置、设备及可读存储介质 | |
| CN117405896A (zh) | 辅助诊断方法、装置、设备、系统及介质 |
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 |