CN116662933B - 一种检测试剂盒质量检测数据处理方法 - Google Patents
一种检测试剂盒质量检测数据处理方法 Download PDFInfo
- Publication number
- CN116662933B CN116662933B CN202310920647.5A CN202310920647A CN116662933B CN 116662933 B CN116662933 B CN 116662933B CN 202310920647 A CN202310920647 A CN 202310920647A CN 116662933 B CN116662933 B CN 116662933B
- Authority
- CN
- China
- Prior art keywords
- subsequence
- sequence
- distribution
- detection
- representing
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 111
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 239000006185 dispersion Substances 0.000 claims description 29
- 239000000126 substance Substances 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 3
- 239000012569 microbial contaminant Substances 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 description 6
- 231100000719 pollutant Toxicity 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 230000010460 detection of virus Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000607142 Salmonella Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003757 reverse transcription PCR Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请涉及数据处理领域，提供一种检测试剂盒质量检测数据处理方法，包括：以采集间隔时间T，采集次数M采集N个试剂盒的检测参数序列，所述检测参数序列包括多个子序列，基于每一子序列的分布情况确定每一子序列的分辨系数；其中，所述分辨系数与分布离散指数负相关，所述分布离散指数用于表征子序列的分布情况；基于每一子序列的分辨系数对子序列进行处理，从而得到所述子序列对应的融合特征序列；基于所述融合特征序列进行异常检测。该方法使得试剂盒的质量检测更为精准，检测效率高。
Description
技术领域
本申请涉及数据处理领域，特别是涉及一种检测试剂盒质量检测数据处理方法。
背景技术
传统检测病毒的方法通常是通过检测仪器与医护人员操作实现对病毒的检测与患者病情的诊断，但这种方法操作难度高、难以完成大批量检测，而抗原检测试剂盒能够简单快捷的实现对病毒的检测，解决了难以大批量检测的问题。
由于检测试剂盒在病毒检测方面的重要性，对其质量检测标准更为严格，传统检测试剂盒方法有基于频率的异常检测算法如HBOS算法，但要求各测量指标之间无相关性，否则检测结果可能出现一定误差；有基于统计模型的异常检测算法，检测速度快，模型简单，适用于高维数据，但需要预先知道数据的分布形态；有基于局部密度的异常检测算法，能够处理不规则形状的数据异常，但对于高维数据的计算复杂度较高。
发明内容
本发明提供一种检测试剂盒质量检测数据处理方法，该方法使得试剂盒的质量检测更为精准，检测效率高。
第一方面，本申请提供一种检测试剂盒质量检测数据处理方法，包括：
以采集间隔时间T，采集次数M采集N个试剂盒的检测参数序列，所述检测参数序列包括多个子序列；
基于每一子序列的分布情况确定每一子序列的分辨系数；其中，所述分辨系数与分布离散指数负相关，所述分布离散指数用于表征子序列的分布情况；
基于每一子序列的分辨系数对子序列进行处理，从而得到所述子序列对应的融合特征序列；
基于所述融合特征序列进行异常检测。
在一可选实施例中，所述检测参数序列包括：酸碱度组成的子序列、微生物污染物浓度组成的子序列和化学污染物浓度组成的子序列。
在一可选实施例中，基于每一子序列的分布情况确定每一子序列的分辨系数，包括：
确定所述检测参数序列中每一子序列的分布离散指数，所述每一子序列的分布离散指数表征所述检测参数序列的离散程度；
基于每一子序列的分布离散指数计算每一子序列的分辨系数。
在一可选实施例中，确定所述检测参数序列中每一子序列的分布离散指数，包括：
基于子序列中每一元素与子序列的序列均值之间的差异、子序列中相邻元素之间的差异、子序列中元素的数量计算子序列的分布离散指数；
其中，子序列中每一元素与子序列的序列均值之间的差异越大，子序列中相邻元素之间的差异越大，则子序列的分布离散指数越大，子序列中数据分布越离散。
在一可选实施例中，所述子序列的分布离散指数的计算方式为：
表示第k个子序列的分布离散指数，/>表示第k个子序列的序列中元素的数量，/>表示第k个子序列中第i个元素的值，/>表示第k个子序列的序列均值；/>表示第k个子序列中第i个元素与第k个子序列的序列均值之间的差异，/>表示第k个子序列中相邻的第i个元素、第i+1个元素之间的差异。
在一可选实施例中，基于每一子序列的分布离散指数计算每一子序列的分辨系数，包括：
基于子序列中每一元素与子序列的序列均值之间的差异、子序列的极差计算距离中心熵；
基于所述距离中心熵、子序列的分布离散指数计算子序列的分辨系数。
在一可选实施例中，基于子序列中每一元素与子序列的序列均值之间的差异、子序列的极差计算距离中心熵，包括：
其中，表示距离中心熵，/>表示第k个子序列中第i个元素与第k个子序列的序列均值之间的差异，/>表示第k个子序列中第i个元素的值，/>表示第k个子序列的序列均值，/>表示第k个子序列的极差，/>表示第k个子序列的序列中元素的数量。
在一可选实施例中，基于所述距离中心熵、子序列的分布离散指数计算子序列的分辨系数，包括：
表示第k个子序列的分辨系数，K表示子序列的数量，/>表示第k个子序列的分布离散指数，/>表示距离中心熵。
在一可选实施例中，基于每一子序列的分辨系数对子序列进行处理，从而得到所述子序列对应的融合特征序列，包括：
计算参考序列中每一元素与子序列中每一元素的差值，得到差值绝对值的最小值中的最小值，和差值绝对值的最大值中的最大值；
基于差值绝对值的最小值中的最小值、差值绝对值的最大值中的最大值、参考序列中每一元素与子序列中每一元素的差值和子序列的分辨系数计算子序列中每一元素与参考序列中每一元素的灰色关联系数，将计算得到的灰色关联系数作为子序列中各影响因素的权重；
基于子序列中各影响因素的权重对子序列中每一元素进行数据融合，从而得到检测参数序列中每一子序列的融合特征序列。
在一可选实施例中，基于所述融合特征序列进行异常检测，包括：
利用异常检测算法确定子序列的融合特征序列中每一融合特征的异常得分；
将异常得分大于或等于阈值的融合特征对应的试剂盒确定为质量不合格产品。
本申请的有益效果，区别于现有技术，本申请的检测试剂盒质量检测数据处理方法，包括：以采集间隔时间T，采集次数M采集N个试剂盒的检测参数序列，所述检测参数序列包括多个子序列，基于每一子序列的分布情况确定每一子序列的分辨系数；其中，所述分辨系数与分布离散指数负相关，所述分布离散指数用于表征子序列的分布情况；基于每一子序列的分辨系数对子序列进行处理，从而得到所述子序列对应的融合特征序列；基于所述融合特征序列进行异常检测。该方法使得试剂盒的质量检测更为精准，检测效率高。
附图说明
图1为本发明检测试剂盒质量检测数据处理方法的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明检测试剂盒质量检测数据处理方法的一实施例的流程示意图，具体包括：
步骤S11：以采集间隔时间T，采集次数M采集N个试剂盒的检测参数序列，所述检测参数序列包括多个子序列。
在一实施例中，检测参数序列包括：酸碱度组成的子序列、微生物污染物浓度组成的子序列和化学污染物浓度组成的子序列。
具体的，通过pH计获取检测试剂盒的酸碱度，通过色谱分析技术得到检测试剂盒的微生物污染物浓度与化学污染物浓度，本发明中选取的微生物污染物为沙门氏菌，所测微生物污染物浓度即为沙门氏菌浓度，选取的化学污染物为重金属汞，所测化学污染物浓度即为重金属汞的浓度。通过上述方法采集数据，记采集间隔为T(通常取经验值15min)，采集检测试剂盒数量为N(通常取经验值500)，每个检测试剂盒采集数据次数为M(通常取经验值5)，从而得到酸碱度组成的子序列、微生物污染物浓度组成的子序列和化学污染物浓度组成的子序列。酸碱度组成的子序列、微生物污染物浓度组成的子序列和化学污染物浓度组成的子序列组成检测参数序列。
由于采集的数据可能含有缺失值等情况，需要对数据进行填充，常用的数据填充方法有均值填充、众数填充、中位数填充、线性插值填充等，为使填充数据更具有实际意义，本发明使用线性插值对缺失数据进行填充，同时为避免量纲不同带来影响，本发明使用Z_score方法对原始数据进行归一化。
步骤S12：基于每一子序列的分布情况确定每一子序列的分辨系数。
其中，所述分辨系数与分布离散指数负相关，所述分布离散指数用于表征子序列的分布情况。
计算各指标的分布离散指数。传统的灰色关联算法中，分辨系数通常取固定经验值0.5，固定的分辨系数可能降低关联系数的有效性，导致最终的计算结果有效程度较弱，区分度不足。从灰色关联系数的计算公式中可以看出，分辨系数与比较序列（本申请中，比较序列为检测参数序列中的子序列）整体分布特性具有一定相关性，当比较序列分布较为离散时，即分布离散指数越大，为避免比较序列过于离散导致计算出的关联度不符合实际情况，分辨系数应当较小。当比较序列分布较为集中时，即分布离散指数越小，为使关联度能够充分反映信息的整体性与差异性，分辨系数应当较大。也即所述分辨系数与分布离散指数负相关。据此本发明构建分布离散指数反映比较序列的离散程度。在一实施例中，确定所述检测参数序列中每一子序列的分布离散指数，所述每一子序列的分布离散指数表征所述检测参数序列的离散程度；基于每一子序列的分布离散指数计算每一子序列的分辨系数。
在一实施例中，基于子序列中每一元素与子序列的序列均值之间的差异、子序列中相邻元素之间的差异、子序列中元素的数量计算子序列的分布离散指数。其中，子序列中每一元素与子序列的序列均值之间的差异越大，子序列中相邻元素之间的差异越大，则子序列的分布离散指数越大，子序列中数据分布越离散。
所述子序列的分布离散指数的计算方式为：
表示第k个子序列的分布离散指数，/>表示第k个子序列的序列中元素的数量，/>表示第k个子序列中第i个元素的值，/>表示第k个子序列的序列均值；/>表示第k个子序列中第i个元素与第k个子序列的序列均值之间的差异，/>表示第k个子序列中相邻的第i个元素、第i+1个元素之间的差异。
数据分布越离散，则子序列中各元素与序列均值之间的差异越大，即越大，子序列中相邻元素之间的差异越大，即/>越大，对应/>的值越大；数据分布越集中，则子序列中各元素与序列均值之间的差异越小，即/>越小，子序列中相邻元素之间的差异越小，即/>越小，对应/>的值越小。
进一步的，基于每一子序列的分布离散指数计算每一子序列的分辨系数，包括：基于子序列中每一元素与子序列的序列均值之间的差异、子序列的极差计算距离中心熵。基于所述距离中心熵、子序列的分布离散指数计算子序列的分辨系数。
在一实施例中，距离中心熵的计算公式为：
其中，表示距离中心熵，/>表示第k个子序列中第i个元素与第k个子序列的序列均值之间的差异，/>表示第k个子序列中第i个元素的值，/>表示第k个子序列的序列均值，/>表示第k个子序列的极差，/>表示第k个子序列的序列中元素的数量。
基于所述距离中心熵、子序列的分布离散指数计算子序列的分辨系数，包括：
表示第k个子序列的分辨系数，K表示子序列的数量，/>表示第k个子序列的分布离散指数，/>表示距离中心熵。
数据分布越离散，即越大，此时为保证计算出的关联度更具有有效性，对应的分辨系数应当越小；数据分布越集中，即/>越小，此时为保证计算出的关联度更能反映数据间的差异，故对应的分辨系数应当越大。数据分布越离散，/>越大，在熵的概念中，即“概率”越大，熵越小，在本发明中用子序列中各元素值到序列均值的距离表示概率，即距离越大，概率越大，距离中心熵越小，数据分布越离散，对应的分辨系数应当越小；数据分布越集中，/>越小，即距离越小，概率越小，距离中心熵越大，对应的分辨系数应当越大。
步骤S13：基于每一子序列的分辨系数对子序列进行处理，从而得到所述子序列对应的融合特征序列。
检测试剂盒的生产工序繁多，在这繁杂的生产工序中，可能存在某一步或某几步中存在污染导致检测试剂盒存在一定的质量问题，可能会造成误检，为避免检测试剂盒质量问题带来不必要的麻烦，同时为满足大批量快速检测的需求，本发明使用改进的灰色关联算法得到各测量数据对检测试剂盒质量的影响程度，进而对数据进行融合，使用LOF异常检测算法对融合后的数据计算异常得分，完成对检测试剂盒的质量检测。
在使用灰色关联算法对检测试剂盒进行质量检测时，首先确定参考序列与比较序列，参考序列即为能够反映检测试剂盒质量特征的序列，本发明中为目标菌种的浓度，记为Y，具体通过RT-PCR方法获取检测试剂盒的目标菌种的浓度。比较序列为检测试剂盒质量影响因素的检测参数序列，记为X，则，其中/>表示酸碱度组成的子序列，在一定程度上能够反映生物活性，/>表示微生物污染物浓度组成的子序列例如沙门氏菌浓度组成的子序列，/>表示化学污染物浓度组成的子序列例如重金属汞的浓度组成的子序列。
通过上述步骤所得分辨系数，使用层次分析法确定各影响因素的权重，检测参数序列中各影响因素对应的子序列为比较子序列，则可以对比较子序列使用灰色关联算法进行计算，得到一个新的序列，所得新序列中的数据即为灰色关联系数，反映了各比较子序列与参考序列的关联性，该灰色关联系数即为各影响因素的权重。
在一具体实施例中，计算参考序列中每一元素与子序列中每一元素的差值，得到差值绝对值的最小值中的最小值，和差值绝对值的最大值中的最大值；基于差值绝对值的最小值中的最小值、差值绝对值的最大值中的最大值、参考序列中每一元素与子序列中每一元素的差值和子序列的分辨系数计算子序列中每一元素与参考序列中每一元素的灰色关联系数，将计算得到的灰色关联系数作为子序列中各影响因素的权重；基于子序列中各影响因素的权重对子序列中每一元素进行数据融合，从而得到检测参数序列中每一子序列的融合特征序列。
需要说明的是，上述所说的差值绝对值的最小值中的最小值具体为：分别计算子序列与参考序列Y中每一元素的差值，子序列/>与参考序列Y中每一元素的差值会存在一个绝对值最小值，记为min1，子序列/>与参考序列Y中每一元素的差值会存在一个绝对值最小值，记为min2，子序列/>与参考序列Y中每一元素的差值会存在一个绝对值最小值，记为min3，取计算得到的绝对值最小值min1、min2、min3中的最小值。差值绝对值的最大值中的最大值同理，在此不再赘述。
在一具体实施例中，子序列中每一元素与参考序列中每一元素的灰色关联系数的计算方式为：
其中表示第i个子序列中第m个元素与参考序列第m个元素的灰色关联系数，/>表示参考序列中第m个元素，/>表示第i个子序列中第m个元素，/>表示第i个子序列与参考序列的分辨系数，/>表示参考序列分别与各子序列对应位置作差后所得最小值中最小值的绝对值，/>表示参考序列分别与各子序列对应位置作差后所得最大值中最大值的绝对值。
基于子序列中各影响因素的权重即每一元素的灰色关联系数对子序列进行数据融合，并对融合数据进行异常检测。通过上述步骤所得各影响因素的权重，使用加权平均法对各子序列进行数据融合，将同一时刻的多个影响因素特征融合为一个特征，记为融合特征，所得序列记为融合特征序列，更能适用于大批量检测，且能够提高结果的精确度与可信度。
步骤S14：基于所述融合特征序列进行异常检测。
具体的，利用异常检测算法确定子序列的融合特征序列中每一融合特征的异常得分；将异常得分大于或等于阈值的融合特征对应的试剂盒确定为质量不合格产品。
通过上述步骤所得融合特征序列，使用LOF异常检测算法计算融合特征序列中各元素的异常得分，根据异常得分则可以对检测试剂盒质量检测数据，便于后续进行异常检测。
根据上述步骤所得各检测试剂盒异常得分，将检测试剂盒异常得分大于等于阈值的检测试剂盒作为不符合生产标准的检测试剂盒，对其密封打包、压力蒸汽灭菌处理后进行销毁，将检测试剂盒异常得分小于阈值/>的检测试剂盒作为符合生产标准的检测试剂盒，可以对其进行包装后出厂，其中阈值/>通常取经验值1.2。
本发明通过分析检测试剂盒质量的影响因素，构建检测试剂盒的质量检测参数，进而计算各子序列的分布离散指数，基于分布离散指数结合分辨系数的实际意义计算分辨系数，将其作为灰色关联算法的分辨系数，进而计算各影响因素对检测试剂盒质量的影响权重，基于此对影响因素进行数据融合，得到融合特征序列，并使用LOF异常检测算法对融合特征序列进行异常检测，更准确的计算异常得分，使对检测试剂盒的质量检测更为精准，检测效率更高。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (3)
1.一种检测试剂盒质量检测数据处理方法，其特征在于，包括：
以采集间隔时间T，采集次数M采集N个试剂盒的检测参数序列，所述检测参数序列包括多个子序列；
基于每一子序列的分布情况确定每一子序列的分辨系数；其中，所述分辨系数与分布离散指数负相关，所述分布离散指数用于表征子序列的分布情况；
基于每一子序列的分辨系数对子序列进行处理，从而得到所述子序列对应的融合特征序列；
基于所述融合特征序列进行异常检测；
基于每一子序列的分布情况确定每一子序列的分辨系数，包括：
确定所述检测参数序列中每一子序列的分布离散指数，所述每一子序列的分布离散指数表征所述检测参数序列的离散程度；
基于每一子序列的分布离散指数计算每一子序列的分辨系数；
确定所述检测参数序列中每一子序列的分布离散指数，包括：
基于子序列中每一元素与子序列的序列均值之间的差异、子序列中相邻元素之间的差异、子序列中元素的数量计算子序列的分布离散指数；
其中，子序列中每一元素与子序列的序列均值之间的差异越大，子序列中相邻元素之间的差异越大，则子序列的分布离散指数越大，子序列中数据分布越离散；
所述子序列的分布离散指数的计算方式为：
表示第k个子序列的分布离散指数，/>表示第k个子序列的序列中元素的数量，/>表示第k个子序列中第i个元素的值，/>表示第k个子序列的序列均值；/>表示第k个子序列中第i个元素与第k个子序列的序列均值之间的差异，/>表示第k个子序列中相邻的第i个元素、第i+1个元素之间的差异；
基于每一子序列的分布离散指数计算每一子序列的分辨系数，包括：
基于子序列中每一元素与子序列的序列均值之间的差异、子序列的极差计算距离中心熵；
基于所述距离中心熵、子序列的分布离散指数计算子序列的分辨系数；
基于子序列中每一元素与子序列的序列均值之间的差异、子序列的极差计算距离中心熵，包括：
其中，表示距离中心熵，/>表示第k个子序列中第i个元素与第k个子序列的序列均值之间的差异，/>表示第k个子序列中第i个元素的值，/>表示第k个子序列的序列均值，表示第k个子序列的极差，/>表示第k个子序列的序列中元素的数量；
基于所述距离中心熵、子序列的分布离散指数计算子序列的分辨系数，包括：
表示第k个子序列的分辨系数，K表示子序列的数量，/>表示第k个子序列的分布离散指数，/>表示距离中心熵；
基于每一子序列的分辨系数对子序列进行处理，从而得到所述子序列对应的融合特征序列，包括：
计算参考序列中每一元素与子序列中每一元素的差值，得到差值绝对值的最小值中的最小值，和差值绝对值的最大值中的最大值；
基于差值绝对值的最小值中的最小值、差值绝对值的最大值中的最大值、参考序列中每一元素与子序列中每一元素的差值和子序列的分辨系数计算子序列中每一元素与参考序列中每一元素的灰色关联系数，将计算得到的灰色关联系数作为子序列中各影响因素的权重；
基于子序列中各影响因素的权重对子序列中每一元素进行数据融合，从而得到检测参数序列中每一子序列的融合特征序列。
2.根据权利要求1所述的一种检测试剂盒质量检测数据处理方法，其特征在于，所述检测参数序列包括：酸碱度组成的子序列、微生物污染物浓度组成的子序列和化学污染物浓度组成的子序列。
3.根据权利要求1所述的一种检测试剂盒质量检测数据处理方法，其特征在于，基于所述融合特征序列进行异常检测，包括：
利用异常检测算法确定子序列的融合特征序列中每一融合特征的异常得分；
将异常得分大于或等于阈值的融合特征对应的试剂盒确定为质量不合格产品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920647.5A CN116662933B (zh) | 2023-07-26 | 2023-07-26 | 一种检测试剂盒质量检测数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920647.5A CN116662933B (zh) | 2023-07-26 | 2023-07-26 | 一种检测试剂盒质量检测数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116662933A CN116662933A (zh) | 2023-08-29 |
| CN116662933B true CN116662933B (zh) | 2023-10-13 |
Family
ID=87722723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310920647.5A Active CN116662933B (zh) | 2023-07-26 | 2023-07-26 | 一种检测试剂盒质量检测数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662933B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007128975A2 (en) * | 2006-04-10 | 2007-11-15 | University Of Westminster | Biometric security systems |
| CN112052277A (zh) * | 2020-08-25 | 2020-12-08 | 国网福建省电力有限公司 | 一种基于大数据的电压暂降严重度评估方法及设备 |
| CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
| CN114580518A (zh) * | 2022-02-28 | 2022-06-03 | 中国科学院国家空间科学中心 | 基于符号化表示相似度度量的卫星多元参数异常检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190213328A1 (en) * | 2016-08-24 | 2019-07-11 | Ran Yahalom | Model for detection of anomalous discrete data sequences |
-
2023
- 2023-07-26 CN CN202310920647.5A patent/CN116662933B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007128975A2 (en) * | 2006-04-10 | 2007-11-15 | University Of Westminster | Biometric security systems |
| CN112052277A (zh) * | 2020-08-25 | 2020-12-08 | 国网福建省电力有限公司 | 一种基于大数据的电压暂降严重度评估方法及设备 |
| CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
| CN114580518A (zh) * | 2022-02-28 | 2022-06-03 | 中国科学院国家空间科学中心 | 基于符号化表示相似度度量的卫星多元参数异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邓氏灰色关联分析的应用模型;刘新梅;徐润芳;张若勇;;统计与决策(第10期);第23-25页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116662933A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
| CN112200237B (zh) | 一种结构健康监测系统时序监测数据异常诊断方法 | |
| WO1999027466A2 (en) | System and method for intelligent quality control of a process | |
| CN110706720A (zh) | 一种端到端无监督深度支撑网络的声学异常检测方法 | |
| CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
| CN112746934B (zh) | 一种自联想神经网络诊断风机故障方法 | |
| CN111861272A (zh) | 一种基于多源数据的复杂机电系统异常状态检测方法 | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN115127806A (zh) | 一种基于多传感器振动信号的齿轮箱故障诊断方法及装置 | |
| CN116092680B (zh) | 基于随机森林算法的腹主动脉瘤早期预测方法及系统 | |
| CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| CN117074961A (zh) | 一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 | |
| CN111898744A (zh) | 基于池化lstm的tdlas痕量气体浓度检测方法 | |
| CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及系统 | |
| CN111930601A (zh) | 一种基于深度学习的数据库状态综合评分方法及其系统 | |
| CN116662933B (zh) | 一种检测试剂盒质量检测数据处理方法 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN114936520A (zh) | 基于改进mset的汽轮机故障预警分析方法 | |
| CN117725541A (zh) | 退火炉运行状态智能监控与故障诊断系统 | |
| CN114038501A (zh) | 一种基于机器学习的背景菌判定方法 | |
| CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
| CN116595857A (zh) | 基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法 | |
| CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
| Zhang et al. | Fault Diagnosis with Bidirectional Guided Convolutional Neural Networks Under Noisy Labels | |
| CN116644368A (zh) | 一种基于改进的格拉布斯检验法的异常值识别方法 |
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 |