CN116705163A - 一种实时荧光pcr数据管理系统 - Google Patents
一种实时荧光pcr数据管理系统 Download PDFInfo
- Publication number
- CN116705163A CN116705163A CN202310629526.5A CN202310629526A CN116705163A CN 116705163 A CN116705163 A CN 116705163A CN 202310629526 A CN202310629526 A CN 202310629526A CN 116705163 A CN116705163 A CN 116705163A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- monitoring
- unit
- curve
- 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.)
- Granted
Links
- 238000013523 data management Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000011160 research Methods 0.000 claims abstract description 25
- 238000012806 monitoring device Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000003908 quality control method Methods 0.000 claims description 48
- 238000004088 simulation Methods 0.000 claims description 47
- 230000004044 response Effects 0.000 claims description 35
- 230000003321 amplification Effects 0.000 claims description 28
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 28
- 108090000623 proteins and genes Proteins 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 239000003153 chemical reaction reagent Substances 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 239000000523 sample Substances 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 244000052769 pathogen Species 0.000 description 3
- 230000001717 pathogenic effect Effects 0.000 description 3
- 239000013074 reference sample Substances 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003753 real-time PCR Methods 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 102000016928 DNA-directed DNA polymerase Human genes 0.000 description 1
- 108010014303 DNA-directed DNA polymerase Proteins 0.000 description 1
- 101150045515 O gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000003205 genotyping method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/20—Polymerase chain reaction [PCR]; Primer or probe design; Probe optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/323—Visualisation of programs or trace data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Bioethics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
Abstract
本发明公开了一种实时荧光PCR数据管理系统，包括：数据采集模块，用于自动读取各个监测设备上的荧光PCR数据；数据解析模块，用于对读取到的荧光PCR数据进行解析，获得解析数据；辅助研判模块，用于基于机器学习模型，对所述解析数据进行辅助研判。实现数据自动读取、辅助研判方案以及自动监测数据上报效果。
Description
技术领域
本发明涉及数据管理技术领域，具体涉及一种实时荧光PCR数据管理系统。
背景技术
PCR检测技术是是利用一段DNA为模板，在DNA聚合酶和核苷酸、底物共同参与下，将该段DNA大量复制，以便进行结构和功能分析的检测技术，广泛应用于基础研究、生命科学、遗传工程、法医学、考古等领域。实时荧光PCR技术，是指在PCR反应体系中加入荧光基团，利用荧光信号积累实时监测整个PCR进程，实现对起始模板定量及定性的分析方法。荧光定量PCR设备完成整个检测过程一般需要几十次循环，会产生大量的分析检测数据，然后由检验人员对结果进行判定。
当前国内外有很多不同的荧光定量PCR设备的厂家及型号，受限于社会、市场等因素，在一家实验室内经常会配有不同品牌、不同型号的PCR设备.在大型PCR实验室，这种情况更加明显。
另外，现有荧光PCR实验室检测人员在完成上机操作后，必须待机器PCR程序运行结束后回到该机器操作电脑前，根据设备品牌型号和所使用试剂去进行结果分析，查看扩增曲线变化来判定结果。针对非标准或异常扩增曲线需要借助于检测人员个人的检测经验来进行研究分析。
区域卫生管理部门，如果需要掌握全区域的某种病原的监测数据，则需要通过各荧光PCR实验室人工进行上报，无法保障上报数据的准确性、及时性。
发明内容
本发明提供一种实时荧光PCR数据管理系统，以解决现有技术中存在的上述问题。
本发明提供一种实时荧光PCR数据管理系统，包括：
数据采集模块，用于自动读取各个监测设备上的荧光PCR数据；
数据解析模块，用于对读取到的荧光PCR数据进行解析，获得解析数据；
辅助研判模块，用于基于机器学习模型，对所述解析数据进行辅助研判。
优选的，还包括：
心跳监测模块，用于对监测设备进行心跳监测；向所有监测设备定时发送心跳监测指令，若监测设备发生故障或存在异常情况时，通过自动预警方式进行提醒；
所述存在异常情况包括：监测设备异常掉线、在设定时间段内监测设备的检测量小于等于检测量阈值或监测设备的监测量降低速率大于速率阈值。
优选的，所述数据采集模块包括：
标准接口设置单元，用于为每个监测设备构建标准数据传输接口；
数据采集节点单元，用于监测PCR试验反应完成的时间，根据完成的时间，获得数据采集节点，在数据采集节点自动读取相应监测设备上的荧光PCR数据，所述荧光PCR数据包括：扩展系列数据，所述扩展系列数据包括：每个循环点的荧光响应值及使用的试剂；
数据存储单元，用于将采集的荧光PCR数据进行存储，并对PCR工作站文件夹进行监控，当产生新文件时，采集程序与服务器之间建立连接，并获取上传令牌，获得令牌后，文件通过数据采集通道传输到文件采集服务器。
优选的，所述数据解析模块包括：
解析标识标注单元，用于文件服务器接收到待解析文件时，为待解析文件进行解析标识标注；
解析标识识别单元，用于识别文件服务器上的数据库中标识为待解析的文件；
监测设备匹配单元，用于获取待解析的文件所匹配的监测设备，所述监测设备采用设备ID的方式进行标注；
解析脚本获取单元，用于根据所匹配的监测设备对应的解析脚本，获得匹配的解析脚本；
解析单元，基于获得匹配的解析脚本完成数据解析，获得每次循环的荧光响应值和对应的试剂耗材信息；基于试剂耗材信息自动计算响应阈值；所述响应阈值用于PCR检测的判断依据。
优选的，所述辅助研判模块包括：
结果质控单元，用于在研判过程中以内标扩增效果来进行结果质控，获得质控结果；
结果判定单元，用于根据响应阈值CT值并结合试剂靶标探针对结果进行阴阳性判定；
质控评价单元，用于基于机器学习模型对曲线拟合进行曲线质量判定，基于曲线质量判定对试验结果进行质控评价；
辅助判定单元，用于结合质控结果及响应阈值判定对最终检测结果进行辅助判定。
优选的，所述质控评价单元具体用于采用混淆矩阵的机器学习模型来对基因曲线扩增趋势及图形进行自动研判，包括：
原始数据获取子单元，用于采用有监督学习模式获取大量曲线扩增原始数据；所述曲线扩增原始数据的数据来源为每个循环产生的荧光响应值；
预设子单元，用于预先设置每条训练数据的曲线趋势；
训练子单元，用于通过多次训练获得混淆矩阵的机器学习模型；
输出子单元，用于根据输入的曲线，基于混淆矩阵的机器学习模型对曲线的类型进行识别。
优选的，所述结果质控单元具体用于针对试验内标基因进行曲线判定，如果内标异常则质控不合格，数据作废；
所述质控评价单元中的曲线拟合是根据每个样品的每个循环的响应结果以循环点作为横坐标，以响应值为纵坐标进行曲线自动拟合；
如果内标异常则质控不合格的判断方式包括：判断如果内标基因曲线扩增是否为S型，如果不是S型，判定为内标异常则质控不合格。
优选的，通过自动预警方式进行提醒中，采用预警模块进行预警提醒；
所述预警模块包括：设备模拟单元、安全预警单元和控制单元；
设备模拟单元和安全预警单元均与控制单元电连接，控制单元用于采集监测设备的模型信息和实时数据传输至设备模拟单元生成对应的模拟模型，并根据设备模拟单元中的全部模块和对监测设备的实时数据进行实时模拟，当实时模拟的实际指标超过预设指标时，则发送相关数据至安全预警单元的对应模块中，生成预警信息和决策信息。
优选的，所述设备模拟单元包括控制模型和功能模型；所述控制模型和功能模型控制连接，所述功能模型包括根据监测设备建立的三维模型，所述功能模型用于模拟监测设备的监测过程；所述控制模型用于模拟数据管理系统对监测设备的控制功能；
所述控制模型用于将控制信号发送到物理空间和模拟空间；所述控制模型还接收模拟空间的控制信号，并将所述控制信号解析为监测信号，所述控制模型通过所述监测信号控制所述功能模型执行模拟作业；
所述模拟空间用于所述物理空间与监测设备模拟单元的连接与映射；所述模拟空间包括模型映射模块和性能分析优化模块；所述模型映射模块用于建立物理空间和监测设备模拟单元之间的映射关系，所述性能分析优化模块用于根据荧光PCR数据和所述功能模型的运行数据对所述功能模型进行参数调节。
优选的，还包括优化模型构建模块，用于构建机器学习模型的优化模型；
所述优化模型构建模块包括：
根据在指定时间段内通过机器学习模型执行机器学习操作后得到的曲线质量判定结果，从所述机器学习模型中选择目标模型；
确定作为目标模型的输入数据的各候选特征数据；
针对每个候选特征数据，将该候选特征数据输入到所述目标模型中，得到该候选特征数据对应的输出结果；根据该候选特征数据对应的输出结果，确定该候选特征数据对所述目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度；根据每个候选特征数据对应的影响程度，从所述各候选特征数据中筛选出目标特征数据，所述目标特征数据中包含有若干特征维度；
将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果；
根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重；
根据确定出的每个特征维度对应的权重，对所述目标模型进行优化。
与现有技术相比，本发明具有以下优点：
本发明提供一种实时荧光PCR数据管理系统，包括：数据采集模块，用于自动读取各个监测设备上的荧光PCR数据；数据解析模块，用于对读取到的荧光PCR数据进行解析，获得解析数据；辅助研判模块，用于基于机器学习模型，对所述解析数据进行辅助研判。实现数据自动读取、综合研判解决方案以及自动监测数据上报效果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种实时荧光PCR数据管理系统的结构示意图；
图2为本发明实施例中内标实例图；
图3为本发明实施例中阳性参考曲线图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种实时荧光PCR数据管理系统，请参照图1，该实时荧光PCR数据管理系统包括：
数据采集模块，用于自动读取各个监测设备上的荧光PCR数据；
数据解析模块，用于对读取到的荧光PCR数据进行解析，获得解析数据；
辅助研判模块，用于基于机器学习模型，对所述解析数据进行辅助研判。
上述技术方案的工作原理为：本实施例采用的方案是数据采集模块，用于自动读取各个监测设备上的荧光PCR数据；数据解析模块，用于对读取到的荧光PCR数据进行解析，获得解析数据；辅助研判模块，用于基于机器学习模型，对所述解析数据进行辅助研判。
在另一实施例中，还包括：
心跳监测模块，用于对监测设备进行心跳监测；向所有监测设备定时发送心跳监测指令，若监测设备发生故障或存在异常情况时，通过自动预警方式进行提醒；
所述存在异常情况包括：监测设备异常掉线、在设定时间段内监测设备的检测量小于等于检测量阈值或监测设备的监测量降低速率大于速率阈值。
在另一实施例中，所述数据采集模块包括：
标准接口设置单元，用于为每个监测设备构建标准数据传输接口；
数据采集节点单元，用于监测PCR试验反应完成的时间，根据完成的时间，获得数据采集节点，在数据采集节点自动读取相应监测设备上的荧光PCR数据，所述荧光PCR数据包括：扩展系列数据，所述扩展系列数据包括：每个循环点的荧光响应值及使用的试剂；
数据存储单元，用于将采集的荧光PCR数据进行存储，并对PCR工作站文件夹进行监控，当产生新文件时，采集程序与服务器之间建立连接，并获取上传令牌，获得令牌后，文件通过数据采集通道传输到文件采集服务器。
在另一实施例中，所述数据解析模块包括：
解析标识标注单元，用于文件服务器接收到待解析文件时，为待解析文件进行解析标识标注；
解析标识识别单元，用于识别文件服务器上的数据库中标识为待解析的文件；
监测设备匹配单元，用于获取待解析的文件所匹配的监测设备，所述监测设备采用设备ID的方式进行标注；
解析脚本获取单元，用于根据所匹配的监测设备对应的解析脚本，获得匹配的解析脚本；
解析单元，基于获得匹配的解析脚本完成数据解析，获得每次循环的荧光响应值和对应的试剂耗材信息；基于试剂耗材信息自动计算响应阈值；所述响应阈值用于PCR检测的判断依据。
在另一实施例中，所述辅助研判模块包括：
结果质控单元，用于在研判过程中以内标扩增效果来进行结果质控，获得质控结果；
结果判定单元，用于根据响应阈值CT值并结合试剂靶标探针对结果进行阴阳性判定；
质控评价单元，用于基于机器学习模型对曲线拟合进行曲线质量判定，基于曲线质量判定对试验结果进行质控评价；
辅助判定单元，用于结合质控结果及响应阈值判定对最终检测结果进行辅助判定。
在另一实施例中，所述质控评价单元具体用于采用混淆矩阵的机器学习模型来对基因曲线扩增趋势及图形进行自动研判，包括：
原始数据获取子单元，用于采用有监督学习模式获取大量曲线扩增原始数据；所述曲线扩增原始数据的数据来源为每个循环产生的荧光响应值；
预设子单元，用于预先设置每条训练数据的曲线趋势；
训练子单元，用于通过多次训练获得混淆矩阵的机器学习模型；
输出子单元，用于根据输入的曲线，基于混淆矩阵的机器学习模型对曲线的类型进行识别。
在另一实施例中，所述结果质控单元具体用于针对试验内标基因进行曲线判定，如果内标异常则质控不合格，数据作废；
所述质控评价单元中的曲线拟合是根据每个样品的每个循环的响应结果以循环点作为横坐标，以响应值为纵坐标进行曲线自动拟合；
如果内标异常则质控不合格的判断方式包括：判断如果内标基因曲线扩增是否为S型，如果不是S型，判定为内标异常则质控不合格。
本实施例中主要通过以下三个步骤完成：建立PCR数据采集管理、建立辅助研判机制和实现监测数据自动上报及预警。
首先建立PCR数据采集管理采用如下的方式实现：
本发明可以为荧光PCR检测机构在系统中建立账号，并为每台设备分配ID，在PCR试验反应完成后，后台自动读取扩展系列数据，包括每个循环点的荧光响应值及使用的试剂。在完成数据解析之后，将数据抓取到统一平台中。首先，采用数据对接的方式后台自动抓取数据文件；其次，对数据文件进行解析，拆分出每次循环的响应值；最后，根据所使用的试剂要求解析检测数据。
具体的，本实施例采用的方式包括以下四部分：
第一，数据获取：PCR设备在运行过程中会产生源文件(.PCR\.DT\.EXCEL\.ABS等)，工作站将任务经过转换，传达给仪器，并在试样完成产生报告文件后，分析仪器会自动将结果保存到工作站系统指定的文件路径下，系统在指定文件路径下调取测试结果，存储在系统内。仪器的工作站软件可以将结果输出为.CXV、.EXCEL、.TXT等格式，系统通过软件内置的DCU工具，对PCR工作站文件夹进行监控，当产生新文件时，采集程序与服务器之间建立起连接，打通通信隧道，获取上传令牌，拿到令牌后，系统将文件通过采集隧道传输到文件采集服务器。
第二，文件解析：采集完成后，文件会自动上传到文件服务器，并在数据库中进行标识，文件解析服务器不间断的读取数据库中待解析的文件，当读取到文件时，匹配到是哪台PCR设备传输的文件，自动匹配到采集解析脚本，完成数据解析，并根据解析到的试剂耗材信息，自动进行阈值计算。整个计算过程可以根据维护的试剂信息进行变换，随时满足试验方案的变更。解析完成后，将数据进行分类存储的数据库中，便于后续环节进行数据展示分析。
第三，静默运行：静默运行动态监测发送数据，为了抓取数据和监控，需要在每台设备上按照动态监测和数据抓取工具，为了防止实验室人员刻意的关闭抓取服务或调整采集文件，提供的抓取服务在安装过程中都采用后面静默运行的方式，实验人员全程无感化。
第四，心跳监测：为了防止实验室人员通过断网或者使用新购置的设备来避开系统监测,系统会在每台设备上定时发送心跳监测服务，如果某台设备出现异常掉线，系统就会直接报警。如果某台设备检测量大幅度下滑，检测总数量大幅度下滑，系统会判定可能出现新设备脱离管控，系统就会自动预警。
其次，建立辅助研判机制：
本发明提供PCR数据辅助研判功能，可以根据靶标基因、内标、探针、试剂、每个循环的响应值来辅助人工进行判定，基于机器学习模型来辅助人工进行预测。
需要说明的是，曲线拟合：系统可以根据每个样品的每个循环的响应结果以循环点作为横坐标，以响应值为纵坐标进行曲线自动拟合。
内标判定：系统可以针对试验内标基因进行曲线判定，如果内标异常则质控不合格，数据作废。
响应阈值CT值判定：系统读取CT值和试剂探针信息之后，系统根据阈值进行初步研判。
具体实施如下：1、在研判过程中以内标扩增效果来进行结果质控；2、根据响应阈值CT值并结合试剂靶标探针对结果进行阴阳性判定；3、使用机器模型对曲线拟合判定曲线质量来对试验结果进行质控评价，具体判定路线；4、结合质控结果及阈值判定来对最终检测结果进行辅助判定；5、在辅助研判体系中，采用混淆矩阵的机器学习模型来对基因曲线扩增趋势及图形进行自动研判，具体方式为采用有监督学习模式，提供大量曲线扩增原始数据(每个循环就会产生一次荧光值)并预制每条训练数据的曲线趋势(S型/空白型/斜直/末尾起跳/山域型/尖峰型/多峰等)，经过多次训练后如果有新的未知曲线输入，可以自动识别曲线类型，如下表1所示，给出的三组数据，分别为空白曲线，末尾起跳、S型曲线。
表1
另外，针对有监督学习模型介绍如下：
系统基于混淆矩阵模型进行有监督学习对PCR数据进行分析，判定数据扩增趋势，是否符合阳性/阴性/异常曲线特点，混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息。矩阵中的每一行代表实例的预测类别，每一列代表实例的真实类别。
结合质量控制结果、曲线扩增分析、试剂、阈值ct值对输出最终研判结果，具体采用的判定方式如下：
1.质控判定：在进行PCR试验时，除了目标检测基因之外，还会插入一条内标基因，如果内标基因曲线扩增为S型，则可以初步判定试验条件满足要求，否则试验质控不合格，如图2所示，内标3所示曲线是是标准的S型曲线，代表内标质控合格，如果显示效果为系列1/系列2的的曲线则代表内标未能正常检测出，则可判定本次试验质量控制不合格，该样品结果不可靠。(此处需要说明的是，内标质控不合格的原因可能是多样的，包括试验过程操作不合规、样品采集不规范、运输污染等，无论是什么原因导致出现这个情况，本样品的检测结果不应该被采信)。
除了内标之外，在开展PCR实验室，需要一次实验中，插入阳性参考样品，需要对阳性参样品的扩增趋势进行研判，如果阳性参考无法扩增S型，则本次试验结果也被判定质控不合格，如下表2和图3所示，表2为阳参循环响应值，图3为阳性参考曲线图；根据循环荧光值，判定阳性参考样品的扩增结果内标基因和参考基因都表现出标准的S型，证明阳参满足要求。
表2：阳参循环响应值
2.被测样品结果研判：扩增数据代入机器模型，输出曲线分类，以一次PCR检测完成96个样品扩增来计算，系统会在质控合格后，针对每个样品的测定基因，先用学习模型判断其曲线分类，再代入判定表中进行结果预判，并对异常情况进行原因分析，以新冠病毒的Orf/1ab(O基因)和N基因为例，规则结果如下：
另外，曲线特征与研判结果的对应关系如下所示：
最后，实现监测数据自动上报及预警：
本发明为区域卫生监管机构提供了一种新的疾病监测方式，通过制定病原体靶标基因来实现该病原监测数据自动上报，如有阳性结果即进行预警。这种监测管理方式无论是在日常疾病监测工作中还是大规模传染病爆发期都是具有非常重要的作用。1、监测数据自动上报，无需人工干预；2、可根据靶标基因选择要监测的数据类型；3、可以远程对监测数据进行查看和二次研判分析。
综上，本实施例提供的方案会在每台设备上后台静默运行，文件采集服务会自动在后台运行,且每次开机后会自动启动，以无感化的形式在后台运行，采集过程不需要人工干预和操作，系统自动监测设备运行情况，如果出现仪器设备离线等状态，系统会自动进行预警。实验人员无感化操作，完成仪器数据推送和仪器设备状态监测工作。在数据解析完成之后，系统可以建立监测任务单，按照基因分型有选择的进行数据获取，比如新冠监测需要选中ORF1ab和N基因，就会自动上报这两个基因的PCR技术。并且，随着数据同步传输的是以数据流传输过来的PCR原始文件，监测者可以在系统中二次打开监测文件进行分析，二次研判。
在另一实施例中，通过自动预警方式进行提醒中，采用预警模块进行预警提醒；
所述预警模块包括：设备模拟单元、安全预警单元和控制单元；
设备模拟单元和安全预警单元均与控制单元电连接，控制单元用于采集监测设备的模型信息和实时数据传输至设备模拟单元生成对应的模拟模型，并根据设备模拟单元中的全部模块和对监测设备的实时数据进行实时模拟，当实时模拟的实际指标超过预设指标时，则发送相关数据至安全预警单元的对应模块中，生成预警信息和决策信息。
在另一实施例中，所述设备模拟单元包括控制模型和功能模型；所述控制模型和功能模型控制连接，所述功能模型包括根据监测设备建立的三维模型，所述功能模型用于模拟监测设备的监测过程；所述控制模型用于模拟数据管理系统对监测设备的控制功能；
所述控制模型用于将控制信号发送到物理空间和模拟空间；所述控制模型还接收模拟空间的控制信号，并将所述控制信号解析为监测信号，所述控制模型通过所述监测信号控制所述功能模型执行模拟作业；
所述模拟空间用于所述物理空间与监测设备模拟单元的连接与映射；所述模拟空间包括模型映射模块和性能分析优化模块；所述模型映射模块用于建立物理空间和监测设备模拟单元之间的映射关系，所述性能分析优化模块用于根据荧光PCR数据和所述功能模型的运行数据对所述功能模型进行参数调节。
上述技术方案的有益效果为：采用本实施例提供的方案通过物理空间和模拟空间之间建立映射关系，降低了功能模型和控制模型的设计难度，同时可以更真实地反映监测设备的工作状态，提高了模拟调试的真实性。
在另一实施例中，还包括优化模型构建模块，用于构建机器学习模型的优化模型；
所述优化模型构建模块包括：
根据在指定时间段内通过机器学习模型执行机器学习操作后得到的曲线质量判定结果，从所述机器学习模型中选择目标模型；
确定作为目标模型的输入数据的各候选特征数据；
针对每个候选特征数据，将该候选特征数据输入到所述目标模型中，得到该候选特征数据对应的输出结果；根据该候选特征数据对应的输出结果，确定该候选特征数据对所述目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度；根据每个候选特征数据对应的影响程度，从所述各候选特征数据中筛选出目标特征数据，所述目标特征数据中包含有若干特征维度；
将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果；
根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重；
根据确定出的每个特征维度对应的权重，对所述目标模型进行优化。
上述技术方案的有益效果为：采用本实施例提供的方案筛选出业务结果准确率低的模型作为目标模型，从而可以根据目标模型的输入的特征数据，以及目标模型的输出结果进行拟合，从而可以确定出输入到目标模型中的特征数据的每个特征维度对应的权重值，进而可以根据确定出的特征数据的每个特征维度对应的权重值，确定出目标模型对特征数据中的哪些特征维度的数据更为关注，并根据目标模型关注的特征维度，对目标模型进行优化。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种实时荧光PCR数据管理系统，其特征在于，包括：
数据采集模块，用于自动读取各个监测设备上的荧光PCR数据；
数据解析模块，用于对读取到的荧光PCR数据进行解析，获得解析数据；
辅助研判模块，用于基于机器学习模型，对所述解析数据进行辅助研判。
2.根据权利要求1所述的一种实时荧光PCR数据管理系统，其特征在于，还包括：
心跳监测模块，用于对监测设备进行心跳监测；向所有监测设备定时发送心跳监测指令，若监测设备发生故障或存在异常情况时，通过自动预警方式进行提醒；
所述存在异常情况包括：监测设备异常掉线、在设定时间段内监测设备的检测量小于等于检测量阈值或监测设备的监测量降低速率大于速率阈值。
3.根据权利要求1所述的一种实时荧光PCR数据管理系统，其特征在于，所述数据采集模块包括：
标准接口设置单元，用于为每个监测设备构建标准数据传输接口；
数据采集节点单元，用于监测PCR试验反应完成的时间，根据完成的时间，获得数据采集节点，在数据采集节点自动读取相应监测设备上的荧光PCR数据，所述荧光PCR数据包括：扩展系列数据，所述扩展系列数据包括：每个循环点的荧光响应值及使用的试剂；
数据存储单元，用于将采集的荧光PCR数据进行存储，并对PCR工作站文件夹进行监控，当产生新文件时，采集程序与服务器之间建立连接，并获取上传令牌，获得令牌后，文件通过数据采集通道传输到文件采集服务器。
4.根据权利要求1所述的一种实时荧光PCR数据管理系统，其特征在于，所述数据解析模块包括：
解析标识标注单元，用于文件服务器接收到待解析文件时，为待解析文件进行解析标识标注；
解析标识识别单元，用于识别文件服务器上的数据库中标识为待解析的文件；
监测设备匹配单元，用于获取待解析的文件所匹配的监测设备，所述监测设备采用设备ID的方式进行标注；
解析脚本获取单元，用于根据所匹配的监测设备对应的解析脚本，获得匹配的解析脚本；
解析单元，基于获得匹配的解析脚本完成数据解析，获得每次循环的荧光响应值和对应的试剂耗材信息；基于试剂耗材信息自动计算响应阈值；所述响应阈值用于PCR检测的判断依据。
5.根据权利要求1所述的一种实时荧光PCR数据管理系统，其特征在于，所述辅助研判模块包括：
结果质控单元，用于在研判过程中以内标扩增效果来进行结果质控，获得质控结果；
结果判定单元，用于根据响应阈值CT值并结合试剂靶标探针对结果进行阴阳性判定；
质控评价单元，用于基于机器学习模型对曲线拟合进行曲线质量判定，基于曲线质量判定对试验结果进行质控评价；
辅助判定单元，用于结合质控结果及响应阈值判定对最终检测结果进行辅助判定。
6.根据权利要求5所述的一种实时荧光PCR数据管理系统，其特征在于，所述质控评价单元具体用于采用混淆矩阵的机器学习模型来对基因曲线扩增趋势及图形进行自动研判，包括：
原始数据获取子单元，用于采用有监督学习模式获取大量曲线扩增原始数据；所述曲线扩增原始数据的数据来源为每个循环产生的荧光响应值；
预设子单元，用于预先设置每条训练数据的曲线趋势；
训练子单元，用于通过多次训练获得混淆矩阵的机器学习模型；
输出子单元，用于根据输入的曲线，基于混淆矩阵的机器学习模型对曲线的类型进行识别。
7.根据权利要求5所述的一种实时荧光PCR数据管理系统，其特征在于，所述结果质控单元具体用于针对试验内标基因进行曲线判定，如果内标异常则质控不合格，数据作废；
所述质控评价单元中的曲线拟合是根据每个样品的每个循环的响应结果以循环点作为横坐标，以响应值为纵坐标进行曲线自动拟合；
如果内标异常则质控不合格的判断方式包括：判断如果内标基因曲线扩增是否为S型，如果不是S型，判定为内标异常则质控不合格。
8.根据权利要求2所述的一种实时荧光PCR数据管理系统，其特征在于，通过自动预警方式进行提醒中，采用预警模块进行预警提醒；
所述预警模块包括：设备模拟单元、安全预警单元和控制单元；
设备模拟单元和安全预警单元均与控制单元电连接，控制单元用于采集监测设备的模型信息和实时数据传输至设备模拟单元生成对应的模拟模型，并根据设备模拟单元中的全部模块和对监测设备的实时数据进行实时模拟，当实时模拟的实际指标超过预设指标时，则发送相关数据至安全预警单元的对应模块中，生成预警信息和决策信息。
9.根据权利要求8所述的一种实时荧光PCR数据管理系统，其特征在于，所述设备模拟单元包括控制模型和功能模型；所述控制模型和功能模型控制连接，所述功能模型包括根据监测设备建立的三维模型，所述功能模型用于模拟监测设备的监测过程；所述控制模型用于模拟数据管理系统对监测设备的控制功能；
所述控制模型用于将控制信号发送到物理空间和模拟空间；所述控制模型还接收模拟空间的控制信号，并将所述控制信号解析为监测信号，所述控制模型通过所述监测信号控制所述功能模型执行模拟作业；
所述模拟空间用于所述物理空间与监测设备模拟单元的连接与映射；所述模拟空间包括模型映射模块和性能分析优化模块；所述模型映射模块用于建立物理空间和监测设备模拟单元之间的映射关系，所述性能分析优化模块用于根据荧光PCR数据和所述功能模型的运行数据对所述功能模型进行参数调节。
10.根据权利要求5所述的一种实时荧光PCR数据管理系统，其特征在于，还包括优化模型构建模块，用于构建机器学习模型的优化模型；
所述优化模型构建模块包括：
根据在指定时间段内通过机器学习模型执行机器学习操作后得到的曲线质量判定结果，从所述机器学习模型中选择目标模型；
确定作为目标模型的输入数据的各候选特征数据；
针对每个候选特征数据，将该候选特征数据输入到所述目标模型中，得到该候选特征数据对应的输出结果；根据该候选特征数据对应的输出结果，确定该候选特征数据对所述目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度；根据每个候选特征数据对应的影响程度，从所述各候选特征数据中筛选出目标特征数据，所述目标特征数据中包含有若干特征维度；
将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果；
根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重；
根据确定出的每个特征维度对应的权重，对所述目标模型进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310629526.5A CN116705163B (zh) | 2023-05-31 | 2023-05-31 | 一种实时荧光pcr数据管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310629526.5A CN116705163B (zh) | 2023-05-31 | 2023-05-31 | 一种实时荧光pcr数据管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116705163A true CN116705163A (zh) | 2023-09-05 |
| CN116705163B CN116705163B (zh) | 2024-01-26 |
Family
ID=87838547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310629526.5A Active CN116705163B (zh) | 2023-05-31 | 2023-05-31 | 一种实时荧光pcr数据管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116705163B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522338A (zh) * | 2023-11-24 | 2024-02-06 | 扬州市疾病预防控制中心 | 一种基于区域高位监督的卫生检测实验室信息管理平台 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101198706A (zh) * | 2004-04-20 | 2008-06-11 | 犹他大学研究基金会 | 用饱和染料进行核酸解链分析 |
| CN102046807A (zh) * | 2008-04-24 | 2011-05-04 | 3M创新有限公司 | 利用小波变换分析核酸扩增曲线 |
| CN105755159A (zh) * | 2016-05-13 | 2016-07-13 | 苏州国科闻普生物科技有限公司 | 自动快速判别荧光定量pcr结果的方法 |
| WO2017021023A1 (en) * | 2015-08-06 | 2017-02-09 | Yaya Diagnostics Gmbh | Means and methods for the detection of targets |
| CN112185468A (zh) * | 2020-12-01 | 2021-01-05 | 南京溯远基因科技有限公司 | 一种用于基因数据分析和处理的云端管理系统及方法 |
| CN112997255A (zh) * | 2018-06-08 | 2021-06-18 | 帝国理工学院创新有限公司 | 分析实时扩增数据的方法 |
| CN114550826A (zh) * | 2022-03-23 | 2022-05-27 | 安阳市中心血站 | 一种实时荧光定量pcr的数据分析系统及其方法 |
| CN114693539A (zh) * | 2020-12-31 | 2022-07-01 | 上海驷格生物科技有限公司 | 一种基于荧光图片的pcr数据处理与曲线拟合方法及pcr仪器 |
| CN115985396A (zh) * | 2022-12-16 | 2023-04-18 | 苏州思迈德生物科技有限公司 | 一种实时荧光定量pcr扩增数据的分析处理方法及装置 |
| CN116110503A (zh) * | 2023-02-17 | 2023-05-12 | 泸州品创科技有限公司 | 基于gc-ms和机器学习模型的白酒陈酿时间检测方法 |
| WO2023086970A2 (en) * | 2021-11-12 | 2023-05-19 | Arna Genomics Us Incorporated | Methods and compositions for analyzing nucleic acids and nucleases in a body fluid as indicators of disease |
-
2023
- 2023-05-31 CN CN202310629526.5A patent/CN116705163B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101198706A (zh) * | 2004-04-20 | 2008-06-11 | 犹他大学研究基金会 | 用饱和染料进行核酸解链分析 |
| CN102046807A (zh) * | 2008-04-24 | 2011-05-04 | 3M创新有限公司 | 利用小波变换分析核酸扩增曲线 |
| WO2017021023A1 (en) * | 2015-08-06 | 2017-02-09 | Yaya Diagnostics Gmbh | Means and methods for the detection of targets |
| CN105755159A (zh) * | 2016-05-13 | 2016-07-13 | 苏州国科闻普生物科技有限公司 | 自动快速判别荧光定量pcr结果的方法 |
| CN112997255A (zh) * | 2018-06-08 | 2021-06-18 | 帝国理工学院创新有限公司 | 分析实时扩增数据的方法 |
| US20210257051A1 (en) * | 2018-06-08 | 2021-08-19 | Imperial College Of Science, Technology And Medicine | A method for analysis of real-time amplification data |
| CN112185468A (zh) * | 2020-12-01 | 2021-01-05 | 南京溯远基因科技有限公司 | 一种用于基因数据分析和处理的云端管理系统及方法 |
| CN114693539A (zh) * | 2020-12-31 | 2022-07-01 | 上海驷格生物科技有限公司 | 一种基于荧光图片的pcr数据处理与曲线拟合方法及pcr仪器 |
| WO2023086970A2 (en) * | 2021-11-12 | 2023-05-19 | Arna Genomics Us Incorporated | Methods and compositions for analyzing nucleic acids and nucleases in a body fluid as indicators of disease |
| CN114550826A (zh) * | 2022-03-23 | 2022-05-27 | 安阳市中心血站 | 一种实时荧光定量pcr的数据分析系统及其方法 |
| CN115985396A (zh) * | 2022-12-16 | 2023-04-18 | 苏州思迈德生物科技有限公司 | 一种实时荧光定量pcr扩增数据的分析处理方法及装置 |
| CN116110503A (zh) * | 2023-02-17 | 2023-05-12 | 泸州品创科技有限公司 | 基于gc-ms和机器学习模型的白酒陈酿时间检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| MELIH GUNAY等: "Machine Learning for Optimum CT-Prediction for qPCR", 2016 15TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA), pages 588 - 592 * |
| 李萌等: "实时荧光定量PCR技术的应用与研究进展", 饲料博览, no. 7, pages 94 * |
| 邓平建等: "转基因成分实时荧光PCR定量分析数学方程的理论研究", 中国卫生检验杂志, vol. 15, no. 7, pages 769 - 772 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522338A (zh) * | 2023-11-24 | 2024-02-06 | 扬州市疾病预防控制中心 | 一种基于区域高位监督的卫生检测实验室信息管理平台 |
| CN117522338B (zh) * | 2023-11-24 | 2024-05-03 | 扬州市疾病预防控制中心 | 一种基于区域高位监督的卫生检测实验室信息管理平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116705163B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
| KR101106201B1 (ko) | 임상검사분석장치, 임상검사분석방법 및 그 방법을 컴퓨터에 실행시키는 프로그램을 저장하는 컴퓨터 판독 가능한 기록매체 | |
| CN116705163B (zh) | 一种实时荧光pcr数据管理系统 | |
| CN115643159B (zh) | 一种基于边缘计算的设备异常预警方法及系统 | |
| JPH10510385A (ja) | ソフトウエア品質のアーキテクチャに基づく分析のための方法およびシステム | |
| RU2009146122A (ru) | Моделирование дистанционной диагностики | |
| JPH08234832A (ja) | プラント監視診断装置および方法 | |
| CN201017232Y (zh) | 基于fisher的工业过程非线性故障诊断装置 | |
| CN112462744A (zh) | 一种坦克火控系统状态评估与故障诊断系统 | |
| CN115392313A (zh) | 一种屏蔽电机阀门的状态检测和故障智能诊断系统 | |
| CN116522248B (zh) | 基于机器学习的核酸异常数据智能研判系统 | |
| CN117806912B (zh) | 一种服务器异常监测方法及系统 | |
| CN112782236A (zh) | 变流器柜体的材料状态监测方法、系统、装置及存储介质 | |
| CN116436166B (zh) | 一种基于物联网的电力数据分析监控方法及系统 | |
| CN117615338B (zh) | 基于生成式ai的门诊管理方法及系统 | |
| CN118523970B (zh) | 一种网络安全态势感知方法及系统 | |
| CN118378196B (zh) | 基于多模态数据融合的工控主机异常行为识别方法 | |
| CN117908522B (zh) | 基于模拟分析的发控设备故障定位方法 | |
| CN117952328B (zh) | 一种基于数据分析的自动化测试系统及方法 | |
| Wright et al. | Maintenance data mining and visualization for fault trend analysis | |
| CN117114651A (zh) | 基于机理与数据分析融合的设备管理系统及方法 | |
| CN118306216A (zh) | 一种基于大数据分析的新能源汽车配电监管系统 | |
| CN114232032A (zh) | 一种基于LoRa无线测控技术的铝电解槽况诊断系统及方法 | |
| CN117407436A (zh) | 一种数据可信度的等级划分系统 | |
| CN117831026A (zh) | 基于机器学习的食品质量检测方法及装置 |
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 |