CN116783579A - 自动化样本分析器 - Google Patents
自动化样本分析器 Download PDFInfo
- Publication number
- CN116783579A CN116783579A CN202180087636.2A CN202180087636A CN116783579A CN 116783579 A CN116783579 A CN 116783579A CN 202180087636 A CN202180087636 A CN 202180087636A CN 116783579 A CN116783579 A CN 116783579A
- Authority
- CN
- China
- Prior art keywords
- user
- sample analyzer
- automated sample
- processing circuitry
- current user
- 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
- 230000003993 interaction Effects 0.000 claims abstract description 170
- 238000012545 processing Methods 0.000 claims abstract description 154
- 230000015654 memory Effects 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 239000007788 liquid Substances 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 85
- 230000009471 action Effects 0.000 claims description 82
- 238000013473 artificial intelligence Methods 0.000 claims description 58
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 238000005457 optimization Methods 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000001815 facial effect Effects 0.000 claims description 10
- 230000006378 damage Effects 0.000 claims description 8
- 238000011068 loading method Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 5
- 230000003750 conditioning effect Effects 0.000 claims 2
- 238000012549 training Methods 0.000 description 37
- 238000010801 machine learning Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 24
- 210000002569 neuron Anatomy 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000011156 evaluation Methods 0.000 description 19
- 239000000126 substance Substances 0.000 description 19
- 238000012423 maintenance Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000002360 preparation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 239000003153 chemical reaction reagent Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000006735 deficit Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00722—Communications; Identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00722—Communications; Identification
- G01N2035/00891—Displaying information to the operator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N2035/0097—Control arrangements for automatic analysers monitoring reactions as a function of time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
系统包括:样本分析装置,其读取与液体样本相关联的测量结果;显示装置,其向自动化样本分析器的当前用户显示图形用户界面(GUI);处理电路系统;以及存储器,该存储器存储:接收引擎,其从样本分析装置接收与液体样本相关联的测量结果并且将接收到的测量结果存储在存储器中;配置控制引擎,其将用户模型的配置设置成对应于自动化样本分析器的当前用户;学习引擎,其检测并收集当前用户与GUI的交互的至少一种模式;以及用户界面引擎,其根据与当前用户对应的用户模型的配置的用户相关的配置数据来配置GUI。
Description
相关申请的交叉引用和优先权要求
本申请要求于2020年12月29日提交的美国临时申请序列号第63/131,458号的优先权,该申请通过引用以其全部并入本文中。
技术领域
实现方式涉及用于分析液体样本的自动化样本分析器。
背景技术
用于分析液体样本的自动化样本分析器通常由许多不同的人(例如,科研人员、实验室技术人员、维修人员等)对于不同的使用情况来使用。然而,自动化样本分析器可以为每个用户提供相同的用户界面。
附图说明
图1示出了根据一些实现方式的机器学习程序的训练和使用。
图2示出了根据一些实现方式的示例神经网络。
图3示出了根据一些实现方式的图像识别机器学习程序的训练。
图4示出了根据一些实现方式的特征提取处理和分类器训练。
图5是根据一些实现方式的计算机器的框图。
图6是根据一些实现方式的自动化样本分析器的框图。
图7是示出根据一些实现方式的用于更新用户数据存储库的示例方法的流程图。
图8是示出根据一些实现方式的用于标识和存储交互的模式的示例方法的流程图。
图9示出了根据一些实现方式的示例菜单。
图10示出了根据一些实现方式的示例折叠菜单层次体系。
图11A至图11C示出了根据一些实现方式的与自动化样本分析器相关联的示例显示数据。
图12是根据一些实现方式的用于分析标本的示例自动化样本分析器的框图。
图13示出了根据一些实现方式的示例自动化样本分析器。
图14示出了根据一些实现方式的用于基于从自动化样本分析器的用户的交互的模式得出的配置数据来配置自动化样本分析器的示例系统。
发明内容
下面的描述和附图充分地说明了具体实现方式,以使本领域的技术人员能够实践这些具体实现方式。其他实现方式可以合并结构、逻辑、电气、过程和其他变化。一些实现方式的部分和特征可以包括在其他实现方式的部分和特征中,或者替代其他实现方式的部分或特征。权利要求中阐述的实现方式包含这些权利要求的所有可用等同物。
根据一些实现方式,系统可以包括自动化样本分析器,自动化样本分析器包括:接收液体样本的样本输入装置;读取与液体样本相关联的测量结果的样本分析装置;向自动化样本分析器的当前用户显示图形用户界面(GUI)的显示装置,该GUI用于由当前用户控制或维护自动化样本分析器;处理电路系统;以及存储器。存储器存储接收引擎,该接收引擎从样本分析装置接收与液体样本相关联的测量结果并且将接收到的测量结果存储在存储器中。存储器存储配置控制引擎,该配置控制引擎当由处理电路系统执行时,使处理电路系统将用户模型的配置设置成对应于自动化样本分析器的当前用户。存储器存储学习引擎,该学习引擎当由处理电路系统执行时,使处理电路系统检测并收集当前用户与GUI的交互的至少一种模式。存储器存储用户界面引擎,该用户界面引擎当由处理电路系统执行时,使处理电路系统根据与当前用户对应的用户模型的配置的用户相关的配置数据来配置GUI,该用户相关的配置数据是从用户数据存储库接收的。
一些实现方式包括存储存储在存储器中的指令和数据的所有或一部分的机器可读介质。一些实现方式包括用于执行上述技术的所有或一部分的方法。一些实现方式包括包含用于执行上述技术的所有或一部分的装置的设备。
具体实施方式
下面的描述和附图充分地说明了具体实现方式,以使本领域的技术人员能够实践这些具体实现方式。其他实现方式可以合并结构、逻辑、电气、过程和其他变化。一些实现方式的部分和特征可以被包括在其他实现方式的部分和特征中,或者替代其他实现方式的部分或特征。权利要求中阐述的实现方式包含这些权利要求的所有可用等同物。
用于分析液体样本的自动化样本分析器通常由许多不同的人(例如,科研人员、实验室技术人员、维修人员等)对于不同的使用情况来使用。然而,自动化样本分析器可以为每个用户提供具有相同的可选择的用户界面元素的相同系列的用户界面,从而导致针对自动化样本分析器的每个用户的固定配置。这使得使用自动化样本分析器的用户体验不用户友好,因为用户可能不得不通过若干不同的菜单来执行他/她经常执行的任务。也就是说,用户可能不得不浏览与用户正在执行的任务无关的一个或更多个用户界面。例如,由于自动化样本分析器的菜单和用户界面元素的固定配置,对自动化样本分析器执行维护的用户在到达用于对自动化样本分析器执行维护的用户界面之前,可以浏览与分析样本有关的一个或更多个用户界面。另外,操作自动化样本分析器以分析第一样本类型的用户,在访问配置成分析第一样本类型的用户界面之前,可以浏览与第二样本类型的分析对应的一个或更多个用户界面。如前面说明的,用于自动化样本分析器的更用户友好的用户界面——其适应当前用户——是可取的。
此外,本文中描述的实现方式可以提供由自动化样本分析器的用户所采取的动作的、现有系统中不存在的可追踪性的水平。例如,在现有系统中,由于没有使用图像识别技术和/或机器学习技术来监测或跟踪由用户执行的动作,因此与样本的测试、分析器的校准和/或分析器的维护有关的动作可以在用户没有执行在系统中标识的动作的情况下被执行。本文中描述的系统、分析器、方法和技术可以用于监测由自动化样本分析器的每个用户执行的动作,并且使使用自动化样本分析器的实体能够追踪回到一个或更多个用户的动作,以便遵守内部要求或外部要求。
一些实现方式针对用户友好自动化样本分析器。为了说明,可以使用机器学习技术分析自动化样本分析器的个体用户的交互,以确定个体用户与自动化样本分析器的交互的模式。交互的模式可以包括被个体用户访问的一系列用户界面。另外,交互的模式可以包括在自动化样本分析器的操作期间由个体用户选择的用户界面元素。交互的模式可以用于确定自动化样本分析器的针对个体用户的定制配置,所述定制配置使由用户访问自动化样本分析器的菜单和用户界面以执行与由个体用户利用自动化样本分析器要完成的动作有关的操作所花费的时间最小化。因此,个体用户可以更有效地操作样本分析器,并且比现有分析器的工作流程更有效的针对样本分析器的用户的工作流程可以被开发。
根据一些实现方式,自动化样本分析器包括:接收液体样本的样本输入装置,读取与液体样本相关联的测量结果的样本分析装置,向自动化样本分析器的当前用户显示图形用户界面(GUI)的显示装置,该GUI用于通过当前用户、处理电路系统以及存储器来控制或维护自动化样本分析器。存储器存储接收引擎,接收引擎接收来自样本分析装置的与液体样本相关联的测量结果,并且将接收到的测量结果存储在存储器中。存储器存储配置控制引擎,该配置控制引擎当由处理电路系统执行时使处理电路系统设置用户模型的配置以对应于自动化样本分析器的当前用户。存储器存储学习引擎,该学习引擎当由处理电路系统执行时使处理电路系统检测并收集当前用户与GUI的交互的至少一种模式。存储器存储用户界面引擎,该用户界面引擎当由处理电路系统执行时使处理电路系统根据与当前用户对应的用户模型的配置的用户相关的配置数据来配置GUI,该用户相关的配置数据是从用户数据存储库中接收的。
学习引擎当由处理电路系统执行时使处理电路系统:标识访问用户,并且在验证的时候,将访问用户建立为当前用户;与时间相关联地监测当前用户与GUI之间的交互并存储当前用户的交互数据;基于交互数据,确定当前用户与GUI之间的交互的至少一种时间循环模式;以及存储交互的至少一种时间循环模式。
配置控制引擎当由处理电路系统执行时使处理电路系统:标识访问用户,并且在验证的时候,将访问用户建立为当前用户;基于当前时间和存储的交互的至少一种时间循环模式,确定当前时间的交互模式;以及在GUI内显示快捷方式用于实现当前时间的交互模式。在一些情况下,处理电路系统响应于用户请求而放弃显示快捷方式。配置控制引擎可以与学习引擎异步地(例如,在不同时间处)操作。
如本文中使用的,短语“时间循环模式”包含其简单和普通的含义,并且可以包括例如如下模式,其基于一天中的时间、一周中的天、一个月中的天等是循环的。例如,用户可以在每个月的第一个星期四下午打开自动化样本分析器以供清洗,或者每个星期二上午将试剂装载入自动化样本分析器。
本公开内容的各方面可以作为计算机系统的一部分来实现。计算机系统可以是一台物理机器,或者可以分布在多台物理机器当中,例如按角色或功能分布在多台物理机器当中,或者在云计算分布式模型的情况下按进程线程分布在多台物理机器当中。在各种实现方式中,本发明的各方面可以被配置成在虚拟机中运行,虚拟机又在一台或更多台物理机器上执行。本领域的技术人员将理解,本发明的特征可以通过各种不同的合适的机器实现方式来实现。
系统包括各种引擎,引擎中的每一个被构造、编程、配置或以其他方式调整以执行一个功能或一组功能。如本文中使用的术语引擎意指通过以下方式实现的有形装置、部件或部件的排列:例如使用硬件诸如通过专用集成电路(ASIC)或现场可编程门阵列(FPGA);或者作为硬件和软件的组合,诸如通过基于处理器的计算平台和将计算平台转化为专用装置以实现特定功能的一组程序指令。引擎也可以作为二者的组合来实现,其中某些功能仅由硬件促进,而其他功能则由硬件和软件的组合促进。
在示例中,软件可以以可执行形式或不可执行形式驻留在有形的机器可读存储介质上。以非可执行形式驻留的软件可以在运行时间前或运行时间期间被编译、翻译或以其他方式转换成可执行形式。在示例中,软件当由引擎的底层硬件执行时使硬件执行指定的操作。因此,引擎被物理地构造、或专门配置(例如,硬接线)、或临时配置(例如,编程)以以指定的方式操作或以执行本文中描述的与该引擎有关的任何操作的部分或全部。
考虑到其中引擎被临时配置的示例,引擎中的每一个可以在不同的时刻处被实例化。例如,在引擎包括使用软件配置的通用硬件处理器核的情况下;通用硬件处理器核可以在不同时间处被配置为相应不同的引擎。软件可以相应地将硬件处理器核配置成例如在时间的一个实例处构成特定引擎,而在时间的不同实例处构成不同的引擎。
在某些实现方式中,引擎的至少一部分,并且在一些情况下,引擎的全部,可以在一台或更多台计算机的处理器上执行,这些计算机执行操作系统、系统程序和应用程序,同时还使用多任务、多线程、分布式(例如,聚类、点对点、云等)处理在适当情况下或其他这样的技术来实现引擎。因此,每个引擎可以以各种合适的配置来实现,而且一般不应当限于本文中例示的任何特定实现方式,除非明确地指出了这样的限制。
另外,引擎可以本身由多于一个的子引擎组成,子引擎中的每一个可以被视为引擎本身内的引擎。此外,在本文中描述的实现方式中,各种引擎中的每一个对应于限定的功能;然而,应当理解的是,在其他预期的实现方式中,每个功能可以被分布于多于一个的引擎。同样地,在其他预期的实现方式中,多个限定的功能可以由执行这些多个功能连同可能其他功能一起的单个引擎来实现,或者在一组引擎当中与本文中的示例具体示出的不同地分布。
图1示出了根据一些示例实现方式的机器学习程序的训练和使用。在一些示例实现方式中,机器学习程序(MLP)——也称为机器学习算法或工具——被用于执行与机器学习任务诸如图像识别或机器翻译相关联的操作。
机器学习是使计算机能够在不被明确编程的情况下进行学习的研究领域。机器学习探索算法——在本文中也称为工具——的研究和构造,其可以根据现有数据进行学习并且做出关于新数据的预测。这样的机器学习工具通过根据示例训练数据112构建模型来操作,以便做出被表达为输出或评价(assessment)120的数据驱动的预测或决策。尽管相对于几个机器学习工具呈现了示例实现方式,但是本文中呈现的原理可以被应用于其他机器学习工具。
在一些示例实现方式中,可以使用不同的机器学习工具。例如,可以使用逻辑回归(LR)、朴素贝叶斯、随机森林(RF)、神经网络(NN)、矩阵分解和支持向量机(SVM)工具来对任务发布进行分类或评分。
机器学习中的两种常见类型的问题是分类问题和回归问题。分类问题——也称为归类问题——旨在将项目分类为若干类别值之一(例如,该对象是苹果还是橘子)。回归算法旨在对一些项目进行量化(例如,通过提供作为实数的值进行量化)。机器学习算法利用训练数据112找到影响结果的标识特征102当中的相关性。
机器学习算法利用特征102来分析数据以生成评价120。特征102是被观察的现象的个体可测量属性。特征的概念与在诸如线性回归的统计技术中使用的解释变量的概念有关。选择信息性的、有区分性的和独立的特征对于模式识别、分类和回归中的MLP的有效操作是重要的。特征可以是不同类型的,诸如数字特征、字符串和图形。
在一个示例实现方式中,特征102可以是不同的类型,并且可以包括消息词103、消息概念104、通信历史105、过去的用户行为106、消息的主题107、其他消息属性108、发送方109和用户数据110中的一个或更多个。
机器学习算法利用训练数据112找到影响结果或评价120的经标识特征102当中的相关性。在一些示例实现方式中,训练数据112包括标记数据,其是关于一个或更多个标识特征102和一个或更多个结果的已知数据,例如检测通信模式、检测消息的含义、生成消息的摘要、检测消息中的动作项、检测消息中的紧迫性、检测用户与发送方的关系、计算分数属性、计算消息分数等。
利用训练数据112和标识特征102,在操作114处训练机器学习工具。机器学习工具在特征102与训练数据112相关时对特征102的值进行估量。训练的结果是经训练的机器学习程序116。
当机器学习程序116被用于执行评价时,新数据118作为输入被提供至经训练的机器学习程序116,并且机器学习程序116生成评价120作为输出。例如,当针对动作项校验消息时,机器学习程序利用消息内容和消息元数据来确定消息中是否存在对动作的请求。
机器学习技术对模型进行训练以对馈送到模型中的数据准确地做出预测(例如,用户在给定话语中说了什么;名词是人、地点还是事物;如明天的天气将会如何)。在学习阶段期间,针对输入的训练数据集开发模型以优化模型,以正确地预测针对给定输入的输出。通常,学习阶段可以是监督的、半监督的或无监督的;指示对应于训练输入提供“正确”输出的下降程度。在监督学习阶段,所有输出都被提供至模型,并且模型旨在开发将输入映射至输出的一般规则或算法。相比之下,在无监督学习阶段,未提供针对输入的期望输出,使得模型可以开发其自己的规则来发现训练数据集内的关系。在半监督学习阶段,提供了不完全标记的训练集,其中对于训练数据集,一些输出是已知的,而一些是未知的。
模型可以针对训练数据集运行若干时期(例如,迭代),其中训练数据集被重复馈送到模型中以完善其结果。例如,在监督学习阶段中,开发模型以预测关于给定输入集的输出,并且在若干时期内对模型进行评估以针对训练数据集的最大数目的输入更可靠地提供被指定为对应于给定输入的输出。在另一示例中,对于无监督学习阶段,开发模型以将数据集聚类成n个组,并且在若干时期内关于以下方面对模型进行评估:模型如何一致地将给定输入放到给定组中,以及模型如何可靠地跨每个时期产生n个期望的聚类。
一旦运行了一个时期,就对生成的预测进行评估并且调节其变量的值以尝试以迭代的方式更好地完善预测。在各个方面,评估偏向于假阴性,偏向于假阳性,或相对于模型的总体准确度均匀地偏向。取决于所使用的机器学习技术,可以以若干方式调节这些值。例如,在遗传算法或进化算法中,在预测期望输出方面最成功的模型的值被用于开发供模型在后续时期期间使用的值,这可能包括随机变化/突变以提供附加的数据点。本领域的普通技术人员将熟悉可以与本公开内容一起应用的若干其他机器学习算法,包括线性回归、随机森林、决策树学习、神经网络、深度神经网络等。
每个模型通过改变影响输入以更接近地映射到期望结果的一个或更多个变量的值来在若干时期内开发规则或算法,但是由于训练数据集可能变化并且优选地非常大,因此完美的准确度和精度可能无法实现。因此,构成学习阶段的多个时期可以被设置为给定的试验数目或固定的时间/计算预算,或者当给定模型的准确度足够高或足够低或者准确度平台期已经达到时,构成学习阶段的多个时期可以在达到该数目/预算之前终止。例如,如果训练阶段被设计成运行n个时期并且产生具有至少95%准确度的模型,并且这样的模型是在第n时期之前产生的,则学习阶段可能提早结束并且使用满足最终目标准确度阈值的产生的模型。类似地,如果给定模型不足够准确而不能满足随机机会阈值(例如,该模型在确定给定输入的真/假输出时仅55%准确),则该模型的学习阶段可以提前终止,但是学习阶段中的其他模型可以继续训练。类似地,当给定模型跨多个时期持续在其结果中提供类似的准确度或波动时——已经达到性能平台期——给定模型的学习阶段可以在达到时期数目/计算预算之前终止。
一旦完成了学习阶段,模型就最终确定。在一些示例实现方式中,针对测试标准来评估最终确定的模型。在第一示例中,将包括针对其输入的已知输出的测试数据集馈送到最终模型中,以确定该模型在处理尚未被训练的数据时的准确性。在第二示例中,可以使用假阳率或假阴率来评估最终确定之后的模型。在第三示例中,使用数据聚类之间的描绘来选择产生其数据的聚类的最清晰边界的模型。
图2示出了根据一些实现方式的示例神经网络204。如所示出的,神经网络204接收源域数据202作为输入。该输入通过多个层206传递以到达输出。每个层206包括多个神经元208。神经元208接收来自前一层的神经元的输入,并且将权重应用于从那些神经元接收的值以便生成神经元输出。将来自最终层206的神经元输出进行组合以生成神经网络204的输出。
如图2的底部所示,输入是向量x。该输入通过多个层206传递,其中将权重W1、W2、……、Wi应用于每个层的输入,以得到fI(x)、f2(x)、……、fi-1(x),直到最终计算了输出f(x)。
在一些示例实现方式中,神经网络204(例如,深度学习、深度卷积或递归神经网络)包括布置到网络中的一系列神经元208,诸如长短期记忆(LSTM)节点。神经元208是用于数据处理和人工智能、特别是机器学习中的架构元素,神经元208包括存储器,该存储器可以基于提供至给定神经元208的输入的权重来决定何时“记住”和何时“忘记”该存储器中容纳的值。文本中使用的神经元208中的每一个被配置成接受来自神经网络204中其他神经元208的预定数目的输入,以为正在分析的帧的内容提供相关的和子相关的输出。可以以神经网络的各种配置将个体神经元208链在一起和/或组织成树结构,以提供为得到话语中的帧中的每一个是如何彼此关联的交互和关系学习建模。
例如,用作神经元的LSTM节点包括用于操纵输入向量(例如,来自话语的音素)、记忆单元和输出向量(例如,上下文表示)的若干门。输入门和输出门分别控制流入和流出记忆单元的信息,而遗忘门基于来自神经网络中早期链接单元的输入来可选地从记忆单元中移除信息。各种门的权重和偏置向量在训练阶段的过程内被调节,并且一旦训练阶段完成,那些权重和偏置就被最终确定以用于正常操作。本领域的技术人员将理解,可以以编程方式(例如,经由软件指令)来构造神经元和神经网络或经由专门的硬件链接每个神经元以形成神经网络。
神经网络利用特征来分析数据以生成评价(例如,识别言语单元)。特征是被观察的现象的个体可测量属性。特征的概念与在诸如线性回归的统计技术中使用的解释变量的概念有关。此外,深度特征表示深度神经网络的隐藏层中节点的输出。
神经网络——有时称为人工神经网络——是基于对动物大脑的生物神经网络的考虑的计算系统/设备。这样的系统/设备逐渐地提高了执行任务的性能——这称为学习——而通常没有任务特定的编程。例如,在图像识别中,可以教导神经网络通过分析已标记有对象的名称的示例图像并且已经学习该对象和名称来标识包含对象的图像,并且神经网络可以使用分析结果来标识未标记图像中的对象。神经网络基于称为神经元的连接单元的集合,其中神经元之间的每个连接可以传送具有随连接的强度变化的激活强度的单向信号。接收神经元可以激活信号并将信号传播至连接至接收神经元的下游神经元,这通常基于来自可能许多传送神经元的组合进入信号是否具有足够的强度,其中强度是参数。
深度神经网络(DNN)是由多个层组成的堆叠神经网络。这些层由松散地分布在人大脑中的神经元上的节点组成,这些节点是计算发生的位置,这当人大脑遭遇足够的刺激时就会激发。节点将来自数据的输入与一组系数或权重进行组合,这些系数或权重放大或减弱该输入,这为算法尝试学习的任务的输入指定重要性。对这些输入-权重乘积进行求和,并通过所谓的节点的激活函数传递该和,以确定该信号是否以及在多大程度上进一步通过网络进行以影响最终结果。DNN使用多层非线性处理单元的级联以进行特征提取和转换。每个连续层都使用来自前一层的输出作为输入。较高级别特征是从较低级别特征得出的,以形成分层表示。输入层之后的层可以是产生特征图的卷积层,这些特征图是输入的过滤结果并且被接下来的卷积层所使用。
在DNN架构的训练中,构造为用于估计变量当中的关系的一组统计过程的回归可以包括成本函数的最小化。该成本函数可以被实现为返回表示神经网络在将训练示例映射至正确输出方面执行得有多好的数字的函数。在训练中,如果成本函数值不在预定的范围内,则基于已知的训练图像使用反向传播,其中反向传播是与诸如随机梯度下降(SGD)方法的优化方法一起使用的训练人工神经网络的常用方法。
反向传播的使用可以包括传播和权重更新。当输入被呈现给神经网络时,它会通过神经网络一层一层地向前传播,直到它达到输出层。然后使用成本函数将神经网络的输出与期望的输出进行比较,并针对输出层中的节点中的每一个计算误差值。误差值从输出开始向后传播,直到每个节点都具有相关联的误差值,该值大致表示其对原始输出的贡献。反向传播可以使用这些误差值来计算成本函数相对于神经网络中的权重的梯度。计算出的梯度被馈送到所选择的优化方法以更新权重以尝试使成本函数最小化。
图3示出了根据一些实现方式的图像识别机器学习程序的训练。机器学习程序可以在一个或更多个计算机器处实现。块302示出了训练集,其包括多个类304。每个类304包括与类相关联的多个图像306。每个类304可以对应于图像306中对象的类型(例如,数字0至9,男人或女人,猫或狗等)。在一个示例中,机器学习程序被训练成识别美国的总统的图像,并且每个类对应于每个总统(例如,一个类对应于贝拉克·奥巴马(Barack Obama),一个类对应于乔治·沃克·布什(George W.Bush)等)。在块308处,例如使用深度神经网络来训练机器学习程序。在块310处,由块308的训练生成的经训练的分类器识别图像312,并且在块314处图像被识别出。例如,如果图像312是比尔·克林顿(Bill Clinton)的照片,则在块314处分类器将图像识别为对应于比尔·克林顿。
图4示出了根据一些示例实现方式的特征提取处理和分类器训练。训练分类器可以被划分为特征提取层402和分类器层414。每个图像由特征提取层402中的多个层406至413依次分析。
随着深度卷积神经网络的发展,面部识别中的焦点一直是学习好的面部特征空间,在该面部特征空间中相同人员的面部彼此接近而不同人员的面部彼此相差较远。例如,使用LFW(Labeled Faces in the Wild)数据集的核实任务已经经常用于面部核实。
许多面部标识任务(例如,MegaFace和LFW)基于图库集中的图像与查询集中的图像之间的相似度比较,这本质上是估计人员的身份的K最近邻(KNN)方法。在理想情况下,存在好的面部特征提取器(类间距离总是大于类内距离),并且KNN方法足以估计人员的身份。
特征提取是减少描述一大组数据所需的资源量的处理。当执行复杂数据的分析时,主要问题之一源于所涉及的变量的数目。具有大量变量的分析通常需要大量的内存和计算能力,并且其可能导致分类算法对训练样本过度拟合而对新样本泛化很差。特征提取是描述构造变量的组合以解决这些大型数据集问题同时仍以足够的准确度描述数据以达到期望目的方法的通用术语。
在一些示例实现方式中,特征提取从测量数据的初始集合开始,并且构建旨在是信息性的和非冗余的得出值(特征),从而促进后续的学习和泛化步骤。此外,特征提取与降维有关,例如将大向量(有时具有非常稀疏的数据)降低为捕获相同或相似信息量的较小向量。
确定初始特征的子集称为特征选择。所选择的特征被预期包含来自输入数据的相关信息,使得可以通过使用这种简化的表示而不是完全的初始数据来执行期望的任务。DNN利用一堆层,其中每个层执行功能。例如,该层可以是卷积、非线性变换、平均数的计算等。最终,该DNN产生通过分类器414的输出。在图4中,数据从左到右行进,并且特征被提取。训练神经网络的目标是找到所有层的使它们足以完成期望任务的参数。
如图4中所示,在层406处应用“步长为4”的过滤器,并且在层407至层413处应用最大池化。步长控制过滤器如何围绕输入体积进行卷积。“步长为4”是指过滤器一次围绕输入体积进行卷积四个单位。最大池化是指通过选择每个最大池化区域中的最大值来进行下采样。
在一些示例实现方式中,每个层的结构是预定义的。例如,卷积层可以包含小的卷积核及其相应的卷积参数,而求和层可以计算输入图像的两个像素的和或加权和。训练有助于限定权重系数以用于求和。
提高DNN的性能的一种方式是为特征提取层标识更新的结构,而另一种方式是通过改进在不同层处标识参数的方式以完成期望任务。挑战在于,对于典型的神经网络,可能存在数百万个参数要被优化。尝试从头开始优化所有这些参数可能需要数小时、数天或者甚至数周,这取决于可用的计算资源量和训练集中的数据量。
图5示出了根据一些实现方式的计算机器500的电路框图。在一些实现方式中,计算机器500的部件可以存储或集成到图5的电路框图中所示的其他部件中。例如,计算机器500的部分可以驻留在处理器502中并且可以称为“处理电路系统”。处理电路系统可以包括处理硬件,例如,一个或更多个中央处理单元(CPU)、一个或更多个图形处理单元(GPU)等。在替选实现方式中,计算机器500可以作为独立的装置操作,或者可以连接(例如,联网)至其他计算机。在联网部署中,计算机器500可以在服务器-客户端网络环境中以服务器、客户端或二者的能力操作。在示例中,计算机器500可以用作对等(P2P)(或其他分布式)网络环境中的对等机器。在本文献中,短语P2P、装置到装置(D2D)和侧链路(sidelink)可以可互换地使用。计算机器500可以是专用计算机、个人计算机(PC)、平板PC、个人数字助理(PDA)、移动电话、智能电话、网络设备、网络路由器、交换机或桥接器、或能够执行指令(顺序或以其他方式)的任何机器,这些指令指定了要由该机器采取的动作。
如本文中描述的示例可以包括逻辑器件或者多个部件、模块或机制,或者可以在逻辑器件或者多个部件、模块或机制上操作。模块和部件是能够执行指定操作的有形实体(例如,硬件),并且可以以某种方式被配置或布置。在示例中,可以以指定方式将电路布置(例如,在内部或者相对于诸如其他电路的外部实体)为模块。在示例中,一个或更多个计算机系统/设备(例如,单机、客户端或服务器计算机系统)或一个或更多个硬件处理器的全部或部分可以由固件或软件(例如,指令、应用部分或应用)配置成这样的模块,其操作以执行指定操作。在示例中,软件可以驻留在机器可读介质上。在示例中,软件当被模块的底层硬件执行时,使硬件执行指定操作。
因此,术语“模块”(和“部件”)被理解成包含有形实体,有形实体是如下实体:该实体被物理地构造、具体地配置(例如,硬连线)或临时地(例如,暂时地)配置(例如,编程)成以指定方式操作或者执行本文中描述的任何操作的部分或全部。考虑到其中模块被临时地配置的示例,模块中的每一个都无需在任何时刻处被实例化。例如,在模块包括使用软件配置的通用硬件处理器的情况下,该通用硬件处理器可以在不同时间处被配置为相应不同的模块。软件可以相应地将硬件处理器配置成例如在时间的一个实例处构成特定模块,而在时间的不同实例处构成不同的模块。
计算机器500可以包括硬件处理器502(例如,中央处理单元(CPU)、GPU、硬件处理器核、或其任意组合)、主存储器504和静态存储器506,它们中的一些或所有可以经由互连链路(例如,总线)508彼此通信。尽管未示出,但是主存储器504可以包含可移除存储器件和不可移除存储器件、易失性存储器或非易失性存储器中的任何一个或所有。计算机器500还可以包括视频显示单元510(或其他显示单元)、字母数字输入装置512(例如,键盘)和用户界面(UI)导航装置514(例如,鼠标)。在示例中,显示单元510、输入装置512和UI导航装置514可以是触摸屏显示器。计算机器500可以另外包括存储装置(例如,驱动单元)516、信号生成装置518(例如,扬声器)、网络接口装置520以及一个或更多个传感器521,诸如全球定位系统(GPS)传感器、指南针、加速度计或其他传感器。计算机器500可以包括输出控制器528,诸如串行(例如,通用串行总线(USB)、并行或其他有线或无线(例如,红外(IR)、近场通信(NFC)等)连接,以与一个或更多个外围装置(例如,打印机、读卡器等)通信或控制一个或更多个外围装置(例如,打印机、读卡器等)。
驱动单元516(例如,存储装置)可以包括机器可读介质522,其上存储有实施本文中描述的技术或功能中的任何一种或更多种或者由本文中描述的技术或功能中的任何一种或更多种利用的一组或更多组数据结构或指令524(例如,软件)。在由计算机器500执行指令524期间,指令524还可以全部地或至少部分地驻留在主存储器504内、静态存储器506内或硬件处理器502内。在示例中,硬件处理器502、主存储器504、静态存储器506或存储装置516的一个或任何组合可以构成机器可读介质。
尽管机器可读介质522被示出为单个介质,但是术语“机器可读介质”可以包括被配置成存储一个或更多个指令524的单个介质或多个介质(例如,集中式或分布式数据库、和/或相关联的高速缓冲存储器和服务器)。
术语“机器可读介质”可以包括能够存储、编码或携带指令或者能够存储、编码或携带由这样的指令使用或与这样的指令相关联的数据结构的任何介质,所述指令用于由计算机器500执行并且使计算机器500执行本公开内容的技术中的任何一个或更多个。非限制性机器可读介质示例可以包括固态存储器以及光学和磁性介质。机器可读介质的具体示例可以包括:非易失性存储器,诸如半导体存储器装置(例如,电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪速存储器装置;磁盘,诸如内部硬盘和可移动盘;磁光盘;随机存取存储器(RAM);以及CD-ROM和DVD-ROM盘。在一些示例中,机器可读介质可以包括非暂态机器可读介质。在一些示例中,机器可读介质可以包括不是暂态传播信号的机器可读介质。
还可以利用多个传输协议(例如,帧中继、因特网协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任何一个经由网络接口装置520使用传输介质通过通信网络526传送或接收指令524。示例通信网络可以包括局域网(LAN)、广域网(WAN)、分组数据网络(例如,因特网)、移动电话网络(例如,蜂窝网络)、普通老式电话(POTS)网络以及无线数据网络(例如,被称为的电气和电子工程师协会(IEEE)802.11标准族、被称为/>的IEEE 802.16标准族、IEEE 802.15.4标准族、长期演进(LTE)标准族、通用移动电信系统(UMTS)标准族、对等(P2P)网络等)。在示例中,网络接口装置520可以包括一个或更多个物理插孔(例如,以太网、同轴或电话插孔)或用于连接至通信网络526的一个或更多个天线。
图6是根据一些实现方式的自动化样本分析器600的框图。如所示出的,自动化样本分析器600与用户数据存储库620通信地耦接(例如,经由网络或其他连接)。在替选实现方式中,用户数据存储库620可以驻留在自动化样本分析器600内(例如,驻留在存储器610内)。用户数据存储库620存储关于自动化样本分析器600的用户的信息。用户数据存储库620可以是数据库。
自动化样本分析器600包括样本输入装置602、样本分析装置604、显示装置606、摄像装置622、处理电路系统608、以及存储器610。样本输入装置602接收一个液体样本(或多个液体样本)。如所示出的,样本输入装置602可以包括门或访问面板603或与门或访问面板603耦接。样本分析装置604接纳并读取与液体样本相关联的测量结果。显示装置606(例如,监视器或屏幕)向自动化样本分析器600的当前用户显示GUI。该GUI用于由当前用户控制或维护自动化样本分析器600。处理电路系统608可以包括一个或更多个硬件处理器,这些硬件处理器可以被配置在处理单元例如中央处理单元(CPU)或图形处理单元(GPU)中。摄像装置622接收图像数据,图像数据可以由处理电路系统608使用存储器610中存储的指令进行处理。
存储器610可以包括高速缓冲存储器单元或存储单元。存储器610可以包括非暂态机器可读介质。如所示出的,存储器610存储接收引擎612、配置(配置)控制引擎614、学习引擎616、用户界面引擎618和图像识别引擎624。接收引擎612当被执行时,从样本分析装置604接收与液体样本相关联的测量结果,并且将接收到的测量结果存储在存储器610中。配置控制引擎614当被执行时,将用户模型的配置设置成对应于自动化样本分析器600的当前用户。配置控制引擎614使处理电路系统608执行图7中所示的方法700。学习引擎616当被执行时,检测和收集当前用户与GUI的交互的至少一种模式。学习引擎616使处理电路系统608执行图8中所示的方法800。用户界面引擎618当被执行时,根据与当前用户对应的用户模型的配置的用户相关的配置数据来配置GUI。用户相关的配置数据是从用户数据存储库620接收的。
学习引擎616可以包括人工神经网络。人工神经网络可以建立与当前用户的交互的模式、与当前用户的交互的历史和用户模型的配置之间的相关性。替选地,统计模型可以建立与当前用户的交互的模式、与当前用户的交互的历史和用户模型的配置之间的相关性。
在一些实现方式中,学习引擎616提供表示对用户模型所做的改变的输出,并且经由GUI请求来自当前用户的关于对用户模型所做的改变的反馈。在一些实现方式中,学习引擎616经由GUI(例如在弹出窗口中)提供表示当前用户的先前动作的输出。在一些实现方式中,学习引擎616生成表示先前在菜单中呈现的先前动作的输出,这些先前动作不包括在先前没有在菜单中呈现的当前动作的对应集中。在一些实现方式中,学习引擎616通过以下方式来预测接下来的动作:通过图像识别(例如,通过摄像装置拍摄用户正手持的对象的图像,该对象是使用图像识别而标识的,以及/或者通过使用由同一用户在时间循环的同一时间处的同一时隙(例如,一天的同一时间或一周的同一天)期间的存储的先前动作的高频菜单)。在一些实现方式中,学习引擎616提供指示当前用户关于操作自动化样本分析器600的至少一些硬件的输出。
在一些实现方式中,学习引擎616提供指示当前用户如何操作自动化样本分析器的硬件的输出。自动化样本分析器的硬件可以包括门/访问面板603或与门/访问面板603耦接,门/访问面板603用于到样本输入装置602(参见例如图13的块1310)中的试剂装载(参见例如图13的块1312)。在一些实现方式中,学习引擎616在GUI中显示的图中示出先前动作。GUI可以提供界面用于用户(例如,通过点击鼠标或触摸显示装置606的触摸屏)选择用于在该图中演示的先前动作中的一个或更多个先前动作。
学习引擎616可以例如通过监测当前用户的反应时间、输入装置的动作的不稳定性(例如,悸动)、扩张的眼睛(利用面部识别摄像装置)、过多的不正确的菜单选择或通过使用任何其他损伤测试来确定当前用户的损伤。如果检测到预定水平的损伤,则可以由实现学习引擎616的处理电路系统608传送当前用户的损伤报告(例如,传送至当前用户的监督者)。
在一些实现方式中,用户相关的配置数据包括菜单优化数据,该菜单优化数据限定包括用于在GUI内的呈现的菜单集或用于在GUI的菜单内的呈现的菜单项集的菜单优化。该菜单优化数据可以例如通过当前用户的在前(prior)菜单使用或在前菜单项使用的人工智能菜单使用检查来从当前用户的在前菜单使用或在前菜单项使用中得出。具体地,人工智能引擎可以分析当前用户的在前菜单使用频率,以生成用户相关的配置数据。在一些示例中,图1至图4中所示的技术被用于得出菜单优化数据。可以自动地实现菜单优化,而不提示当前用户引起菜单优化。替选地,这可以响应于用户请求菜单优化而进行。自动化样本分析器600可以:显示优化的菜单;经由GUI接收回复至菜单的在前版本的请求;以及响应于该请求,显示菜单的在前版本。人工智能引擎可以计算用户生产率值,以及使用户生产率值与至少一个度量(例如,自动化样本分析器600的正常运行时间、自动化样本分析器600的可靠度、自动化样本分析器600的可靠度等)相关。
在一些情况下,在用户数据存储库620中更新的新的用户相关的配置数据包括用于不同时间的不同GUI配置,其至少具有用于第一时间范围的第一GUI配置和用于第二时间范围的第二GUI配置。在一些情况下,用于不同时间的不同GUI配置基于当前用户与GUI之间的在预定天数内的交互而确定。第一时间范围或第二时间范围可以是一天中的某个时间(例如,中午12点至下午3点)或一周中的某天(例如,星期一)。用户可能能够拖动/改变时间范围。
在一些实现方式中,处理电路系统608从摄像装置622接收表示消耗品(例如,如结合图12描述的容器1210)的图像数据以用于放置到自动化样本分析器600中。消耗品可以包括以下中的一种或更多种:混合器(用于替换)、电极(用于替换)、光源灯(用于替换)、样本和/或试剂(用于装载)、以及机架或机架托盘(用于装载)。处理电路系统608基于图像数据使用存储器610中存储的图像识别引擎624将消耗品分类到消耗品的类中。消耗品的类可以包括以下中的一种或更多种:混合器、电极、光源灯、样本、试剂等。图像识别引擎624可以使用例如如图1至图4中所示的人工智能和/或机器学习技术操作。处理电路系统608传送控制信号以物理地调节样本输入装置602以接收消耗品。控制信号与消耗品的类对应。物理地调节样本输入装置602可以包括例如通过打开门/访问面板603来提供对样本输入装置602的贮器(receptacle)的访问。
在一些实现方式中,处理电路系统608向显示装置606传送用于显示图像数据的一部分或消耗品的类的视觉表示的显示信号。在一些实现方式中,处理电路系统608向显示装置606传送用于显示图像数据的至少一部分的显示信号。
图7是示出根据一些实现方式的用于更新用户数据存储库620的示例方法700的流程图。方法700可以由处理电路系统608在执行配置控制引擎614时实现。
在操作710处,处理电路系统608标识自动化样本分析器600的访问用户,并且在验证的时候,将访问用户建立为当前用户。该验证可以包括以下中的一项或更多项:面部识别、指纹识别、用户标识符和密码验证、语音识别、和多因素认证。学习引擎616可以将当前验证输入和在前验证输入进行比较,并且在当前验证输入被认证的时候,用当前验证输入自动地校准验证标准。
在操作720处,处理电路系统608接收来自与当前用户对应的用户数据存储库620的用户相关的配置数据的至少一部分。用户相关的配置数据可以包括访问控制数据和/或使用模型数据。访问控制数据可以包括以下中的一项或更多项:判定失效的授权、对自动化样本分析器执行维护的授权、以及对配置自动化样本分析器的授权。使用模型数据可以包括以下中的一项或更多项:测试运行的类型、供应品装载频率、执行每个工作流程的次数、语言、以及维护任务的优选顺序(参见例如图13的块1302、1304、1306和1308)。
在操作730处,当新的用户相关的配置数据由学习引擎616提供时,处理电路系统608用新的用户相关的配置数据修正来自用户数据存储库620的用户相关的配置数据的一部分。
在操作740处,处理电路系统608用新的用户相关的配置数据更新用户数据存储库620。
图8是示出根据一些实现方式的用于标识和存储交互的模式的示例方法800的流程图。方法800可以由处理电路系统608在执行学习引擎616时实现。
在操作810处,处理电路系统608监测当前用户与GUI之间的交互。
在操作820处,处理电路系统608评估交互以标识当前用户与GUI的交互的至少一种模式。交互的模式可以至少部分地基于当前用户在自动化样本分析器处工作花费的时间量。交互的模式可以至少部分地基于由当前用户对自动化样本分析器的使用频率。使用频率可以通过GUI上的颜色(例如编码的颜色)来指示。例如,菜单项可以被颜色编码以指示哪些任务已经完成。
在操作830处,处理电路系统608将交互的模式转换成与用户数据存储库620的用户相关的配置数据的一部分兼容的格式。
在操作840处,处理电路系统608以兼容的格式向配置控制引擎614提供交互的模式。
在一些实现方式中,自动化样本分析器600包括被配置成访问外部数据存储库的网络连接。用户数据存储库620的至少一部分被存储在外部数据存储库中。
在一些实现方式中,配置控制引擎614被配置成将访问用户建立为新的用户,以及将新的用户登记在用户数据存储库620中。替选地,访问用户可以是多个登记用户之一,这些登记用户已经在用户数据存储库620中登记。
在一些实现方式中,学习引擎616将当前用户的在前菜单项使用记录在日志中。该日志被用来生成用户相关的配置数据,例如,通过分析关于特定功能、操作员、时间、班次、一周中的几天等的统计上的高频率来生成用户相关的配置数据。人工智能引擎可以分析由当前用户对自动化样本分析器的在前菜单项使用,以生成用户相关的配置数据。
在一些实现方式中,配置控制引擎614使处理电路系统608基于用户(或其他用户)的存储在用户数据存储库620中的历史使用信息经由GUI提供用户的最可能的接下来的动作的表示。配置控制引擎614可以使处理电路系统608经由GUI向当前用户提供(例如,使用如图1至图4中所示的人工智能或机器学习技术)预测的到最终目标的顺序动作的快捷方式的表示。配置控制引擎614可以使处理电路系统608经由GUI向当前用户提供缩短的工作流程的表示。该缩短的工作流程基于由学习引擎616标识的当前用户的经验水平而被选择。配置控制引擎614可以使处理电路系统608经由GUI提供缩短的工作流程的表示,该缩短的工作流程基于由学习引擎616标识的当前用户的至少一个先前的菜单项选择而被选择。例如,如图9中所示,某些菜单项可以被加粗或突出显示。表示可以通过经由被用户界面引擎控制的扬声器播放音频而提供。
自动化样本分析器600可以在同一时间窗口内显示最多的(或前n频繁,其中n是正整数,例如50)模式或交互的菜单。然后,在用户选择(例如,点击)的时候,可以显示快捷方式。
图9示出了根据一些实现方式的示例菜单900。菜单900可以呈现在自动化样本分析器600的显示装置606处,并且可以使用耦接至自动化样本分析器600的(例如,显示装置606的)触摸屏或鼠标、键盘、操纵杆等控制。如所示出的,菜单900包括子菜单910、920、930和940。最初呈现子菜单910。当用户选择“诊断”时,示出子菜单920。当用户选择“系统诊断”时,示出子菜单930。当用户选择“起动(Priming)”时,示出子菜单940。菜单项“诊断”、“系统诊断”、“起动(Priming)”和“基层”以粗体打印,这是因为它们是当前用户最常选择的。这允许当前用户更容易地使自动化样本分析器600进行当前用户经常请求或可能请求的任务。
在一些实现方式中,在用户完成当前动作之后,GUI在完成的时候改变当前动作(例如,在菜单中)的颜色。在菜单中表示动作的菜单项可以被颜色编码以指示当前用户采取动作的频率。
根据一些方案,所有用户遵循相同的工作流程以经由显示装置606检查自动化样本分析器600的不同元素的细节。如果用户针对自动化样本分析器600足够地训练或体验了,则她可能期望绕过该工作流程的部分,并且可能期望通过菜单查看至她在给定时间(例如,星期一早上的上午9点)可能做或经常做的任务的更短路径。
根据一些方案,菜单层次体系通过将菜单项划分成不同的子菜单来帮助用户定位功能。有经验的用户可能知道她正在寻找的特定菜单项,并且可能不需要菜单层次体系来定位合适的项。
图10示出了根据一些实现方式的示例折叠菜单层次体系1000。如所示出的,菜单1010可以被折叠成菜单1020。
一些实现方式使用面部识别技术(例如,如结合图1至图4描述的人工智能或机器学习引擎)来识别用户。一些实现方式监测用户在过去的时间段(例如,过去30天)内在自动化样本分析器处的活动的全部。一些实现方式基于一周中的天、一天中的小时等对用户活动进行排列,并且相应地调节GUI。
图11A至图11C示出了根据一些实现方式的与自动化样本分析器相关的示例显示数据。
如图11A中所示,用户1102(例如,使用面部识别)被标识。作为响应,显示装置1104被划分成至少原始屏幕数据1106和建议屏幕数据1108。建议屏幕数据1108包括过去30天(或其他时间段)内的总操作帕雷托(pareto)1110、按时间隔离的操作1112、以及每个时间块1114中的操作概率。用户可以拖动按时间分隔的操作1112来调节针对每个时间块1114中的操作概率的时间块。可以使用人工智能技术(例如,如图1至图4中所示的人工智能技术)来标识建议屏幕数据1108中建议的动作。
图11B与图11A不同,因为原始屏幕数据1106示出了至选择的动作的路径。选择的动作选自每个时间块1114中的操作概率,时间块可以示出前五个(或其他数目的)动作。用户可以选择这前五个动作中的一个作为选择的动作,针对该选择的动作的路径示出在原始屏幕数据1106中。原始屏幕数据1106现在可以包括针对选择的任务的快捷方式。
图11C与图11A不同,因为每个时间块1114中的操作概率使今天(或另一时间段内)已经完成的任务变成灰色。建议屏幕数据1108可以突出显示以前已经经常完成的任务和/或今天(或另一时间段期间)尚未完成的任务。
图12是根据一些实现方式的用于分析生物(或其他)标本的示例自动化样本分析器1200的框图。在一些实现方式中,自动化样本分析器1200包括物质制备系统1202、制备评估系统1204和物质评估系统1206。一个或更多个容器1210与自动化样本分析器1200的系统一起使用,并且包括分配梢部1212和器皿1214。还示出了仪器1200中设置的一个或更多个容器托架装置1216。此外,制备评估系统1204包括体积检测系统1220、分配梢部评估系统1222、和托架检测系统1226。在一些实现方式中,体积检测系统1220利用分配梢部图像捕获单元1230和器皿图像捕获单元1232。在一些实现方式中,分配梢部评估系统1222使用分配梢部图像捕获单元1230,而颗粒浓度校验系统1224使用器皿图像捕获单元1232。在一些实现方式中,托架检测系统1226使用托架图像捕获单元1234。
自动化样本分析器1200操作以出于各种目的分析生物标本。在一些实现方式中,自动化样本分析器1200被配置成分析血液样本,并且操作以收集、测试、处理、储存和/或灌输血及其成分。
物质制备系统1202操作以制备一种或更多种物质,以供由物质评估系统1206进一步分析。在一些实现方式中,物质制备系统1202操作以将物质1218关于容器1210等分,从容器1210抽吸物质1218,以及将物质1218分配至容器1210。
制备评估系统1204操作以评估物质的制备,以用于由物质评估系统1206进行的后续分析。在一些实现方式中,制备评估系统1204利用一个或更多个图像捕获单元来确定物质1218是否已经被适当地制备以用于分析。如本文中描述的,制备评估系统1204提供对物质1218的体积或完整性的直接且简单的测量,以确定物质1218是否被适当地制备,使得物质评估系统1206使用物质1218产生可靠的结果。
物质评估系统1206操作以评估由物质制备系统1202制备的物质1218。
图13示出了根据一些实现方式的示例自动化样本分析器1300。在一些实现方式中,用户可以手持容器1210(例如,消耗品)以用于插入到自动化样本分析器1300中(例如,插入到样本输入装置602中)。
在一些情况下,用户可能希望在自动化样本分析器1300的维护期间替换/清理其零件。这方面的示例包括替换混合器1302、替换电极1304、替换光源灯1306、以及替换样本和试剂1308。在一些情况下,用户可能希望用机架或机架托盘1310装载样本。在一些情况下,用户可以装载试剂1312。
图14示出了根据一些实现方式的基于从自动化样本分析器的用户的交互的模式得出的配置数据来配置自动化样本分析器的示例系统1400。系统1400可以包括自动化样本分析器1402。自动化样本分析器1402可以由诸如第一用户1404和第二用户1406的多个用户操作。在一个或更多个示例中,自动化样本分析器1402的用户的至少一部分可以出于不同的目的操作自动化样本分析器1402。在一个或更多个附加示例中,自动化样本分析器1402的用户的至少一部分可以出于同一目的操作自动化样本分析器1402。
在一个或更多个说明性示例中,自动化样本分析器1402的用户的第一部分可以操作自动化样本分析器1402以对自动化样本分析器1402执行维护。在一个或更多个附加的说明性示例中,自动化样本分析器1402的用户的第二部分可以操作自动化样本分析器1402以分析提供给自动化样本分析器1402的样本。在一个或更多个其他说明性示例中,自动化样本分析器1402的其他用户可以操作自动化样本分析器1402以关于自动化样本分析器1402执行诊断操作或校准操作。在还是其他说明性示例中,自动化样本分析器1402的附加用户可以操作自动化样本分析器1402以获得由自动化样本分析器1402存储的信息,诸如测试结果或操作日志。
自动化样本分析器1402可以监测用户1404、1406与自动化样本分析器1402的交互。监测与自动化样本分析器1402的交互可以包括标识由第一用户1404和第二用户1406在自动化样本分析器1402的操作期间访问的用户界面。监测与自动化样本分析器1402的交互还可以包括标识由第一用户1404和第二用户1406在自动化样本分析器1402的操作期间访问的菜单。附加地,监测与自动化样本分析器1402的交互可以包括确定对由自动化样本分析器1402显示的用户界面中包括的用户界面元素或用户界面项的选择。如本文中使用的,用户界面元素或用户界面项可以对应于用户界面的能够选择成使自动化样本分析器1402执行动作的一部分。该动作可以包括以下中的至少一种:显示信息,导航至另一用户界面,或者使自动化样本分析器1402的部件执行操作,例如使访问面板打开或关闭或使样本被分析。在一个或更多个说明性示例中,用户界面元素可以包括制表符、字段、单选框、工具栏、下拉式菜单、按钮、切换键、其一个或更多个组合等。在一个或更多个附加的说明性示例中,自动化样本分析器1402可以监测自动化样本分析器1402的用户的交互的时间、天等。
在各种示例中,用户与自动化样本分析器1402的交互可以被自动化样本分析器1402的摄像装置捕获。这样,自动化样本分析器1402可以生成指示用户与自动化样本分析器1402的交互的图像数据。例如,自动化样本分析器1402可以捕获由用户提供给自动化样本分析器1402的样本的图像。在一个或更多个示例中,图像可以包括容器上的标签,这些容器包括正在由自动化样本分析器1402分析的样本。标签可以包括关于样本的信息。图像还可以指示样本的特性,诸如颜色、形状、透明度、其一个或更多个组合等。由自动化样本分析器1402捕获的图像也可以示出用户访问、移动或以其他方式与自动化样本分析器1402的物理部件交互。为了说明,由自动化样本分析器1402捕获的图像可以示出用户打开访问面板或将样本放置到自动化样本分析器1402的腔室中。
自动化样本分析器1402可以基于与自动化样本分析器1402的交互生成交互数据1408,并且将交互数据1408发送至学习引擎616。交互数据1408可以对应于由自动化样本分析器1402收集的与用户与自动化样本分析器1402的交互有关的数据。在一个或更多个示例中,学习引擎616可以包括人工智能引擎1410,人工智能引擎1410分析交互数据1408以找到交互数据1408的各部分之间的相关性、模式和/或其他关系。交互数据1408可以包括对用户界面元素的选择、导航至一个或更多个用户界面、经由一个或更多个菜单提供的输入、打开或关闭自动化样本分析器1402的访问面板、或者相对于自动化样本分析器1402执行的其他动作。交互数据1408可以被自动化样本分析器1402的一个或更多个输入装置捕获。在各种示例中,人工智能引擎1410可以分析交互数据1408以针对自动化样本分析器1402的用户生成用户模型。
附加地,学习引擎616可以耦接至用户数据存储库620或以其他方式访问用户数据存储库620。用户数据存储库620可以存储用户简档1412。用户简档1412可以包括关于自动化样本分析器1402的用户的信息。在一个或更多个示例中,用户简档1412可以包括标识数据1414。标识数据1414可以用于核实请求访问自动化样本分析器1402的用户的身份,并且使用户能够响应于对用户的身份的核实而访问自动化样本分析器1402。配置数据1416可以指示自动化样本分析器1402的与自动化样本分析器1402的用户对应的一个或更多个配置。配置数据1416可以响应于用户访问自动化样本分析器1402例如经由使用标识数据1414的认证过程访问自动化样本分析器1402而被提供至自动化样本分析器1402。
人工智能引擎1410可以分析交互数据1408,以确定个体用户与自动化样本分析器1402的交互的模式。在一个或更多个示例中,人工智能引擎1410可以分析交互数据1408中对应于第一用户1404的部分以确定第一用户1404与自动化样本分析器1402的交互。在各种示例中,人工智能引擎1410可以通过相对于第一用户1404的标识符诸如雇员标识号分析交互数据1408来确定与自动化样本分析器1402的交互对应于第一用户1404。在一个或更多个说明性示例中,当第一用户1404使用认证程序启动与自动化样本分析器1402的会话时,第一用户1404的标识符可以和第一用户1404与自动化样本分析器1402的交互相关联。在一个或更多个附加示例中,人工智能引擎1410可以基于由自动化样本分析器1402的一个或更多个摄像装置捕获的图像数据来确定第一用户1404的身份和由第一用户1404执行的动作。这样,人工智能引擎1410可以确定包括在交互数据1408中的与第一用户1404对应的交互。因此,可以跟踪由第一用户1404关于自动化样本分析器1402的使用的会话所执行的动作。
人工智能引擎1410可以通过标识由第一用户1404在自动化样本分析器1402处提供的输入之间的相关性来确定第一用户1404与自动化样本分析器1402的交互的模式。例如,人工智能引擎1410可以确定由第一用户1404使用自动化样本分析器1402作出的一系列输入或更多个系列的输入。一系列输入可以对应于由第一用户1404访问的一系列用户界面和/或第一用户1404在自动化样本分析器1402处的一系列用户界面元素选择。在至少一些示例中,人工智能引擎1410可以确定第一用户1404的交互模式对应于一段时间,诸如在第一用户1404的工作日期间的时间窗口。例如,该段时间可以包括执行动作的时间或日期中的至少一个。该段时间也可以对应于其中执行动作的班次。在各种示例中,人工智能引擎1410可以确定第一用户1404在第一用户1404的工作日的第一时间段期间的第一交互模式和第一用户1404在第一用户1404的工作日的第二时间段期间的第二交互模式。在一个或更多个说明性示例中,第一交互模式可以对应于访问一系列用户界面并向自动化样本分析器1402的腔室提供样本,而第二交互模式可以对应于访问附加的一系列用户界面以使用由自动化样本分析器1402存储的数据或自动化样本分析器1402以其他方式可访问的数据来生成报告。在一个或更多个示例中,第一用户1404的交互模式可以包括提供给自动化样本分析器1402以生成报告的按发生时间顺序排列的一系列输入。
在一个或更多个示例中,人工智能引擎1410可以关于自动化样本分析器1402的用户的类确定交互模式。例如,人工智能引擎1410可以确定自动化样本分析器1402的具有相同或类似头衔、具有相同的监督者、具有相同或类似的工作职责、或在组织内以其他方式有关的用户,以确定个体的类。在各种示例中,人工智能引擎1410可以通过访问用户简档1412中存储的信息来确定用户的头衔、监督者或工作职责。在一个或更多个附加示例中,人工智能引擎1410可以通过标识自动化样本分析器1402的具有相同或类似的与自动化样本分析器1402的交互的模式的用户来确定个体的类。人工智能引擎1410还可以通过标识执行至少阈值百分比的相对于自动化样本分析器1402相同的交互的个体来确定个体具有相同或类似的与自动化样本分析器1402的交互的模式。附加地,人工智能引擎1410可以通过标识执行至少具有阈值数目的公共交互的一系列交互的个体来确定具有相同或类似的交互模式的个体。在确定自动化样本分析器1402的可以被包括在同一类中的多个用户之后,人工智能引擎1410可以关于自动化样本分析器1402的用户分析交互数据1408,以确定由自动化样本分析器1402的包括在该类中的用户执行的交互的一个或更多个模式。在一个或更多个说明性示例中,用于确定包括在同一类中的用户的交互可以不同于用于确定自动化样本分析器1402的针对用户的类的配置的交互。
由人工智能引擎1410关于自动化样本分析器1402的个体用户和/或用户的类确定的交互模式可以被人工智能引擎1410使用以确定自动化样本分析器1402的个体用户和/或用户的类的配置数据1416。配置数据1416可以指示与配置数据相关联的用户可以访问的一系列用户界面。配置数据1416还可以指示包括在可以被与配置数据1416相关联的用户访问的用户界面中的一个或更多个用户界面元素的布局、外观或功能。在一个或更多个附加示例中,配置数据1416可以指示如下快捷方式,其可以显示在用户界面中,以便访问由自动化样本分析器1402的一个或更多个用户经常访问的一个或更多个附加用户界面。
在一个或更多个说明性示例中,配置数据1416可以指示通过多个用户界面的导航路径。在一个或更多个示例中,可以通过突出显示与导航路径对应的用户界面元素来在多个用户界面中指示导航路径。例如,用于使用自动化样本分析器1402分析样本的导航路径可以包括第一用户界面、第二用户界面和第三用户界面。第一用户界面可以包括能够选择成导航至第一数目的附加用户界面的第一多个用户界面元素,而第二用户界面可以包括能够选择成导航至第二数目的附加用户界面的第二多个用户界面元素。在这种场景下,配置数据1416可以突出显示第一多个用户界面元素中能够选择成导航至第二用户界面的用户界面元素,以及突出显示第二多个用户界面元素中能够选择成导航至第三用户界面的用户界面元素。这样,由用户利用以导航至第三用户界面的时间和资源的量被最小化。在各种示例中,与导航路径相关联的用户界面元素可以通过加粗与用户界面元素相关联的字和/或符号来突出显示,从而使用户界面元素具有与其他用户界面元素的特性相比不同的特性诸如颜色、形状等或者其组合。在一个或更多个附加示例中,第一用户界面可以包括能够选择成导航至第二用户界面的单个用户界面元素,诸如“接下来的”按钮,而第二用户界面可以包括用于导航至第三用户界面的单个用户界面元素。
在一个或更多个示例中,人工智能引擎1410可以实现一个或更多个机器学习技术,以标识自动化样本分析器1402的用户的交互和/或配置的一个或更多个模式。在一个或更多个说明性示例中,人工智能引擎1410可以实现一个或更多个神经网络,这些神经网络分析交互数据1408的部分以确定自动化样本分析器1402的用户的交互和配置的模式。人工智能引擎1410还可以实现一个或更多个机器学习技术以确定自动化样本分析器1402的用户的交互的模式和/或确定自动化样本分析器1402的用户的配置。为了说明,包括由给定用户在多个会话期间经由自动化样本分析器1402的一个或更多个菜单提供的输入和/或由自动化样本分析器1402的摄像装置中的至少一个捕获的输入的交互数据可以作为输入数据被提供至人工智能引擎1410的经训练的模型。然后,人工智能引擎1410可以使用经训练的模型为给定用户生成自动化样本分析器1402的配置。在一个或更多个说明性示例中,配置可以包括以下中的至少一个:在自动化样本分析器1402的会话期间可以被给定用户访问的一系列菜单,在会话期间由自动化样本分析器1402显示的一个或更多个用户界面的布局,或在自动化样本分析器1402的会话期间能够用于给定用户的快捷方式。由人工智能引擎1410实现的机器学习技术可以分析由自动化样本分析器1402获得的大量数据,以便关于用户与自动化样本分析器1402的交互提供准确的预测。这样,人工智能引擎1410可以为自动化样本分析器1402的大量用户生成准确地对应于用户与自动化样本分析器1402的交互的配置,并且为利用自动化样本分析器1402的用户提供定制的、精简的体验。
附加地,人工智能引擎1410可以关于自动化样本分析器1402实现一个或更多个机器学习技术,以便分析由自动化样本分析器1402捕获的图像数据。在一个或更多个示例中,人工智能引擎1410可以实现用于执行面部识别的一个或更多个机器学习技术,以使自动化样本分析器1402的用户能够访问自动化样本分析器1402。此外,人工智能引擎1410可以使用一个或更多个机器学习技术来分析由自动化样本分析器1402获得的和用户与自动化样本分析器1402的交互对应的图像,以确定与自动化样本分析器1402的交互的模式。例如,人工智能引擎1410可以实现一个或更多个机器学习技术以分析从自动化样本分析器1402获得的图像,以确定第一用户1404与自动化样本分析器1402的交互的模式包括将样本放置到自动化样本分析器1402的腔室中或打开访问面板以对自动化样本分析器1402执行维护。
在一个或更多个说明性示例中,第一用户1404可以通过提供分析器访问数据1418来请求访问自动化样本分析器1402。分析器访问数据1418可以包括以下中的至少一个:用户1406的一个或更多个图像、用户1406的生物计量数据、或用户1406的登录凭证,诸如用户名和密码。响应于接收到分析器访问数据1418,配置控制引擎614可以通过相对于包括在第一用户1404的用户简档1412中的标识数据1412分析分析器访问数据1418来核实用户1404的身份。在用户1404的认证之后,配置控制引擎614可以访问包括在第一用户1404的用户简档1412中的配置数据1416。配置控制引擎614可以根据存储在第一用户1404的用户简档1412中的配置数据1416生成第一用户配置数据1420,并且将第一用户配置数据1420发送至用户界面引擎618。在一个或更多个附加示例中,第一用户配置数据1420可以至少是基于时间的。也就是说,第一用户1404的第一用户配置数据1420可以指示在特定的时间段处诸如在班次的开始处实现的一个或更多个用户界面和/或用户界面的布局。在一个或更多个其他示例中,第一用户配置数据1420可以至少部分地基于第一用户1404的角色或类来确定。例如,第一用户1404的用户简档1412可以指示第一用户1404是监督者、维护工人、校准工人、质量控制工人、或者其一个或更多个组合。在各种示例中,自动化样本分析器1402的不同配置可以与监督者、维护工人、校准人员和质量控制工人相关联。
第一用户配置数据1420可以包括用户界面引擎618可以使用以生成用户界面数据1422的数据。用户界面数据1422可以指示其中用于经由自动化样本分析器1402的显示装置显示一个或更多个用户界面的次序。用户界面数据1422还可以指示经由自动化样本分析器1402显示的个体用户界面的用户界面元素的布局。此外,用户界面数据1422可以指示用于显示在一个或更多个用户界面中的快捷方式,该快捷方式可以直接使第一用户1404到由第一用户1404访问的一个或更多个菜单和/或用户界面,并且绕过第一用户1404不访问的其他菜单/用户界面。这样,在自动化样本分析器1402的操作期间,可以向用户1402提供定制的且精简的体验。附加地,人工智能引擎1410可以确定配置和工作流程,这些配置和工作流程可以用于标识当用户偏离指定配置或工作流程时发生的情况。因此,当用户执行不对应于给定工作流程或配置的操作时,自动化样本分析器1402可以提醒用户。自动化样本分析器1402还可以确定一个或更多个操作、菜单和/或用户选择,这些操作、菜单和/或用户选择可以执行成纠正错误以及呈现能够选择成重新实现指定配置或工作流程的一个或更多个用户界面元素。
在各种示例中,人工智能引擎1410还可以利用一个或更多个机器学习技术以识别与包括在交互模式中的交互对应的图像,以及使包括在交互模式中的后续动作发生。为了说明,在分析了由自动化样本分析器1402获得的图像以确定自动化样本分析器1402的第一用户1404已经将样本放置到自动化样本分析器1402中并关闭访问面板之后,自动化样本分析器1402可以执行样本的分析中所涉及的一个或更多个操作。附加地,人工智能引擎1410还可以实现一个或更多个机器学习技术以分析样本的图像,以确定与样本有关的类型,例如样本是否包括全血或样本是否包括血浆。响应于确定样本的类型,自动化样本分析器1402可以执行与分析放置到自动化样本分析器1402中的样本类型有关的操作。
尽管图14的说明性示例包括单个自动化样本分析器1402和两个用户1404、1406,但是在附加实现方式中,系统1400可以包括多个自动化样本分析器,其中每个自动化样本分析器具有多个用户。附加地,系统1400可以包括位于多个不同组织和/或位于多个不同位置中的自动化样本分析器。此外,在一个或更多个实现方式中,配置控制引擎614、学习引擎616、用户界面引擎618和/或用户数据存储库620中的至少一部分可以被定位于自动化样本分析器1402内。在一个或更多个附加示例中,配置控制引擎614、学习引擎616、用户界面引擎618和/或用户数据存储库620中的至少一部分可以远离自动化样本分析器1402实现,例如在云计算或其他分布式架构中实现。
一些实现方式可以被描述为编号的示例(示例1、2、3等)。这些编号的示例仅作为示例提供,并且不限制所公开的技术。
示例1是一种自动化样本分析器,包括:接收液体样本的样本输入装置;读取与液体样本相关联的测量结果的样本分析装置;向自动化样本分析器的当前用户显示图形用户界面(GUI)的显示装置,该GUI用于由当前用户控制或维护自动化样本分析器;处理电路系统;以及存储器,该存储器存储:接收引擎,该接收引擎当由处理电路系统执行时,从样本分析装置接收与液体样本相关联的测量结果并且将接收到的测量结果存储在存储器中;配置控制引擎,该配置控制引擎当由处理电路系统执行时,使处理电路系统将用户模型的配置设置成对应于自动化样本分析器的当前用户;学习引擎,该学习引擎当由处理电路系统执行时,使处理电路系统检测并收集当前用户与GUI的交互的至少一种模式;以及用户界面引擎,该用户界面引擎当由处理电路系统执行时,使处理电路系统根据与当前用户对应的用户模型的配置的用户相关的配置数据来配置GUI,该用户相关的配置数据是从用户数据存储库接收的;其中,学习引擎当由处理电路系统执行时,使处理电路系统:标识访问用户,并且在验证的时候,将访问用户建立为当前用户;与时间相关联地监测当前用户与GUI之间的交互并存储当前用户的交互数据;基于交互数据,确定当前用户与GUI之间的交互的至少一种时间循环模式;以及存储交互的至少一种时间循环模式。
在示例2中,示例1的主题包括,其中,配置控制引擎当由处理电路系统执行时,使处理电路系统:标识访问用户,并且在验证的时候,将访问用户建立为当前用户;基于当前时间和存储的交互的至少一种时间循环模式,确定当前时间的交互模式;以及在GUI内显示快捷方式用于实现当前时间的交互模式。
在示例3中,示例2的主题包括,其中,配置控制引擎当由处理电路系统执行时,还使处理电路系统:响应于用户请求而放弃显示快捷方式。
在示例4中,示例2至3的主题包括,其中,配置控制引擎与学习引擎异步地操作。
在示例5中,示例1至4的主题包括,其中,用户数据存储库包括数据库。
在示例6中,示例1至5的主题包括被配置成访问外部数据存储库的网络连接,其中,用户数据存储库的至少一部分被存储在外部数据存储库处。
在示例7中,示例1至6的主题包括,其中,配置控制引擎被配置成:在验证的时候,将访问用户建立为新的用户;以及将新的用户登记在用户数据存储库中。
在示例8中,示例1至7的主题包括,其中,访问用户是多个登记用户之一。
在示例9中,示例1至8的主题包括,其中,用户相关的配置数据包括菜单优化数据,该菜单优化数据限定包括用于在GUI内的呈现的菜单集或用于在GUI的菜单内的呈现的菜单项集的菜单优化。
在示例10中,示例9的主题包括,其中,菜单优化数据从当前用户的在前菜单使用或在前菜单项使用中得出。
在示例11中,示例10的主题包括,其中,菜单优化数据通过当前用户的在前菜单使用的人工智能菜单使用检查得出。
在示例12中,示例11的主题包括,其中,人工智能引擎分析当前用户的在前菜单使用频率以生成用户相关的配置数据。
在示例13中,示例11至12的主题包括,其中,菜单优化在不提示当前用户引起菜单优化的情况下实现。
在示例14中,示例11至13的主题包括:显示优化的菜单;经由GUI接收回复至菜单的在前版本的请求;以及响应于该请求,显示菜单的先前版本。
在示例15中,示例10至14的主题包括,其中,菜单优化响应于用户请求菜单优化而实现。
在示例16中,示例1至15的主题包括,其中,在用户数据存储库中更新的新的用户相关的配置数据包括用于不同时间的不同GUI配置,其至少具有用于第一时间范围的第一GUI配置和用于第二时间范围的第二GUI配置。
在示例17中,示例16的主题包括,其中,用于不同时间的不同GUI配置基于当前用户与GUI之间的在预定时间范围内的交互而确定。
在示例18中,示例1至17的主题包括,其中,学习引擎包括神经网络。
在示例19中,示例18的主题包括,其中,神经网络建立与当前用户的交互的至少一种模式、与当前用户的交互的历史以及用户模型的配置之间的相关性。
在示例20中,示例19的主题包括,其中,统计模型建立与当前用户的交互的至少一种模式、与当前用户的交互的历史以及用户模型的配置之间的相关性。
在示例21中,示例1至20的主题包括,其中,验证包括面部识别。
在示例22中,示例1至21的主题包括,其中,验证包括指纹识别。
在示例23中,示例1至22的主题包括,其中,验证包括密码验证。
在示例24中,示例1至23的主题包括,其中,验证包括语音识别。
在示例25中,示例1至24的主题包括,其中,验证包括多因素认证。
在示例26中,示例1至25的主题包括,其中,学习引擎将当前验证输入和在前验证输入进行比较,并且在当前验证输入被认证的时候,用当前验证输入自动地校准验证标准。
在示例27中,示例1至26的主题包括,其中,学习引擎将当前用户的在前菜单项使用记录在日志中,其中,该日志被用来生成用户相关的配置数据。
在示例28中,示例1至27的主题包括,其中,人工智能引擎分析由当前用户对自动化样本分析器的在前菜单项使用,以生成用户相关的配置数据。
在示例29中,示例1至28的主题包括,其中,交互的至少一种模式至少部分地基于当前用户在自动化样本分析器处工作花费的时间量。
在示例30中,示例1至29的主题包括,其中,交互的至少一种模式至少部分地基于由当前用户对自动化样本分析器的使用频率。
在示例31中,示例30的主题包括,其中,使用频率通过GUI上的颜色来指示。
在示例32中,示例1至31的主题包括,其中,配置控制引擎经由GUI提供最可能的接下来的动作的表示。
在示例33中,示例1至32的主题包括,其中,配置控制引擎经由GUI向当前用户提供到最终动作的顺序动作的快捷方式的表示。
在示例34中,示例1至33的主题包括,其中,配置控制引擎经由GUI向当前用户提供缩短的工作流程的表示,该缩短的工作流程基于由学习引擎标识的当前用户的经验水平而被选择。
在示例35中,示例1至34的主题包括,其中,配置控制引擎经由GUI提供缩短的工作流程的表示,该缩短的工作流程基于由学习引擎标识的当前用户的至少一个先前的菜单项选择而被选择。
在示例36中,示例32至35的主题包括,其中,所述表示通过经由被用户界面引擎控制的扬声器播放音频而提供。
在示例37中,示例1至36的主题包括,其中,人工智能引擎计算用户生产率值,并且使该用户生产率值与至少一个度量相关。
在示例38中,示例37的主题包括,其中,至少一个度量包括自动化样本分析器的正常运行时间。
在示例39中,示例37至38的主题包括,其中,至少一个度量包括自动化样本分析器的可靠度。
在示例40中,示例1至39的主题包括,其中,学习引擎提供表示对用户模型所做的改变的输出,并且经由GUI请求来自当前用户的关于对用户模型所做的改变的反馈。
在示例41中,示例1至40的主题包括,其中,学习引擎经由GUI提供表示当前用户的先前动作的输出。
在示例42中,示例41的主题包括,其中,表示先前动作的输出被显示在弹出窗口中。
在示例43中,示例1至42的主题包括,其中,学习引擎生成表示先前在菜单中呈现的先前动作的输出,这些先前动作不包括在先前没有在菜单中呈现的当前动作的对应集中。
在示例44中,示例1至43的主题包括,其中,学习引擎通过图像识别来预测接下来的动作。
在示例45中,示例44的主题包括,其中,学习引擎提供指示当前用户如何操作自动化样本分析器的硬件的输出。
在示例46中,示例45的主题包括,其中,自动化样本分析器的硬件包括用于装载消耗品的门。
在示例47中,示例46的主题包括,其中,学习引擎在GUI中显示的图中示出先前动作,GUI提供界面用于用户选择用于在所述图中演示的先前动作中的一个或更多个先前动作。
在示例48中,示例47的主题包括,其中,用户选择通过点击而完成。
在示例49中,示例47至48的主题包括,用户选择通过触摸而完成。
在示例50中,示例47至49的主题包括,其中,GUI在完成的时候改变当前动作的颜色。
在示例51中,示例47至50的主题包括,其中,当前动作被颜色编码以指示频率。
在示例52中,示例1至51的主题包括,其中,学习引擎确定当前用户的损伤。
在示例53中,示例52的主题包括,其中,如果检测到预定水平的损伤,则由学习引擎传送损伤报告。
在示例54中,示例53的主题包括,其中,损伤报告被传送至当前用户的监督者。
示例55是一种方法,包括:在自动化样本分析器的处理电路系统处,从自动化样本分析器的样本分析装置接收与放置到自动化样本分析器中的液体样本相关联的测量结果,并且将接收到的测量结果存储在自动化样本分析器的存储器中;在处理电路系统处,将用户模型的配置设置成对应于自动化样本分析器的当前用户;在处理电路系统处,检测并收集当前用户与图形用户界面(GUI)的交互的至少一种模式;在处理电路系统处,根据与当前用户对应的用户模型的配置的用户相关的配置数据来配置GUI,该用户相关的配置数据是从用户数据存储库接收的;以及使用存储器中存储的且由处理电路系统执行的学习引擎:标识访问用户,并且在验证的时候,将访问用户建立为当前用户;与时间相关联地监测当前用户与GUI之间的交互并存储当前用户的交互数据;基于交互数据,确定当前用户与GUI之间的交互的至少一种时间循环模式;以及存储交互的至少一种时间循环模式。
示例56是一种存储指令的机器可读介质,所述指令当由机器执行时,使机器执行示例55的方法。
示例57是一种包括用于执行示例55的方法的装置的设备。
示例58是一种在自动化样本分析器的处理电路系统处实现的方法,该自动化样本分析器包括处理电路系统、存储器、摄像装置和样本输入装置,该方法包括:从摄像装置接收表示用于放置到自动化样本分析器中的消耗品的图像数据;基于图像数据使用存储器中存储的图像识别引擎将消耗品分类到消耗品的类中;使用处理电路系统传送控制信号,以物理地调节样本输入装置以接收消耗品,控制信号对应于消耗品的类。
在示例59中,示例58的主题包括,向自动化样本分析器的显示装置传送用于显示图像数据的一部分或消耗品的类的视觉表示的显示信号。
在示例60中,示例58至59的主题包括,向自动化样本分析器的显示装置传送用于显示图像数据的至少一部分的显示信号。
在示例61中,示例58至60的主题包括,其中,物理地调节样本输入装置包括提供对样本输入装置的贮器的访问。
在示例62中,示例61的主题包括,其中,提供对样本输入装置的贮器的访问包括打开门。
示例63是一种自动化样本分析器,包括:处理电路系统;存储器;摄像装置;以及样本输入装置,存储器存储指令,所述指令当由处理电路系统执行时,使处理电路系统执行示例58至62中任一项的方法。
示例64是一种存储指令的机器可读介质,所述指令当由机器执行时,使机器执行示例58至62中任一项的方法。
示例65是一种包括用于执行示例58至62中任一项的方法的装置的设备。
示例66是包括指令的至少一个机器可读介质,所述指令当由处理电路系统执行时,使处理电路系统执行用于实现示例1至65中任一项的操作。
示例67是一种包括用于实现示例1至65中任一项的装置的设备。
示例68是一种用于实现示例1至65中任一项的系统。
示例69是一种用于实现示例1至65中任一项的方法。
示例70是一种系统,包括:处理电路系统;和存储器,该存储器存储:学习引擎,该学习引擎当由处理电路系统执行时,使处理电路系统:标识自动化样本分析器的访问用户,并且在验证的时候将访问用户建立为当前用户;监测当前用户与自动化样本分析器之间的交互以生成交互数据;基于交互数据,确定当前用户与自动化样本分析器之间的交互的至少一种模式;基于交互的至少一种模式,确定当前用户的配置数据,配置数据指示由自动化样本分析器显示的一系列图形用户界面或由自动化样本分析器显示的图形用户界面的外观中的至少一者;将配置数据与当前用户的用户简档相关联地存储在数据存储库中;配置控制引擎,该配置控制引擎当由处理电路系统执行时,使处理电路系统访问用户数据存储库中存储的配置数据;以及用户界面引擎,该用户界面引擎当由处理电路系统执行时,使处理电路系统根据配置数据来配置一个或更多个图形用户界面用于通过自动化样本分析器的显示。
在示例71中,示例70的主题包括,其中,配置控制引擎当由处理电路系统执行时,使处理电路系统:标识访问用户,并且在验证的时候,将访问用户建立为当前用户;基于当前时间和交互的至少一种模式,确定当前时间的交互模式;以及使在自动化样本分析器的图形用户界面内显示快捷方式用于实现当前时间的交互模式。
在示例72中,示例70或71的主题包括,其中,配置控制引擎当由处理电路系统执行时,使处理电路系统:在验证的时候,将访问用户建立为新的用户;以及将新的用户登记在用户数据存储库中。
在示例73中,示例70至72的主题包括,其中,配置数据包括菜单优化数据,该菜单优化数据限定包括用于在一个或更多个图形用户界面内的呈现的菜单集或用于在一个或更多个图形用户界面的菜单内的呈现的菜单项集的菜单优化。
在示例74中,示例73的主题包括,其中,菜单优化数据从当前用户的在前菜单使用或在前菜单项使用中得出。
在示例75中,示例74的主题包括,其中,菜单优化数据通过当前用户的在前菜单使用的人工智能菜单使用检查得出。
在示例76中,示例75的主题包括,其中,人工智能引擎分析当前用户的在前菜单使用频率以生成配置数据。
在示例77中,示例75或76的主题包括,其中,菜单优化在不提示当前用户引起菜单优化的情况下实现。
在示例78中,示例70至77的主题包括,其中,配置数据在用户数据存储库中被更新并且包括用于不同时间的不同图形用户界面配置,其至少具有用于第一时间范围的第一图形用户界面配置和用于第二时间范围的第二图形用户界面配置。
在示例79中,示例78的主题包括,其中,用于不同时间的不同图形用户界面配置基于当前用户与由自动化样本分析器显示的一个或更多个图形用户界面之间的在预定时间范围内的交互而确定。
在示例80中,示例70至79的主题包括,其中,学习引擎包括神经网络。
在示例81中,示例80的主题包括,其中,神经网络建立与当前用户的交互的至少一种模式、与当前用户的交互的历史以及自动化样本分析器的配置之间的相关性。
在示例82中,示例70至81的主题包括,其中,学习引擎将当前用户的在前菜单项使用记录在日志中,并且其中,该日志被用来生成配置数据。
在示例83中,示例70至82的主题包括,其中,人工智能引擎分析由当前用户对自动化样本分析器的在前菜单项使用,以生成配置数据。
在示例84中,示例70至83的主题包括,其中,交互的至少一种模式至少部分地基于当前用户在自动化样本分析器处工作花费的量。
在示例85中,示例70至84的主题包括,其中,交互的至少一种模式至少部分地基于由当前用户对自动化样本分析器的使用频率。
在示例86中,示例70至85的主题包括,其中,配置控制引擎经由图形用户界面提供最可能的接下来的动作的表示。
在示例87中,示例70至86的主题包括,其中,配置控制引擎经由图形用户界面向当前用户提供到动作的顺序动作的快捷方式的表示。
在示例88中,示例70至87的主题包括,其中,配置控制引擎经由图形用户界面向当前用户提供缩短的工作流程的表示,该缩短的工作流程基于由学习引擎标识的当前用户的经验水平而被选择。
在示例89中,示例70至88的主题包括,其中,配置控制引擎经由图形用户界面提供缩短的工作流程的表示,该缩短的工作流程基于由学习引擎标识的当前用户的至少一个先前的菜单项选择而被选择。
在示例90中,示例70至89的主题包括,其中,学习引擎提供表示对配置数据所做的改变的输出,并且经由图形用户界面请求来自当前用户的关于对配置数据所做的改变的反馈。
在示例91中,示例70至90的主题包括,其中,学习引擎经由图形用户界面提供表示当前用户的先前动作的输出。
在示例92中,示例91的主题包括,其中,表示先前动作的输出被显示在弹出窗口中。
在示例93中,示例70至92的主题包括,其中,学习引擎生成表示先前在菜单中呈现的先前动作的输出,所述先前动作不包括在先前没有在菜单中呈现的当前动作的对应集中。
在示例94中,示例70至93的主题包括,其中,学习引擎通过图像识别来预测接下来的动作。
在示例95中,示例94的主题包括,其中,学习引擎提供指示当前用户如何操作自动化样本分析器的硬件的输出。
在示例96中,示例95的主题包括,其中,自动化样本分析器的硬件包括用于装载消耗品的门或访问面板。
在示例97中,示例96的主题包括,其中,学习引擎在图形用户界面中显示的图中示出先前动作,图形用户界面提供界面用于用户选择用于在所述图中演示的先前动作中的一个或更多个先前动作。
示例98是一种方法,包括:由处理电路系统标识自动化样本分析器的访问用户,并且在验证的时候,将访问用户建立为当前用户;由处理电路系统监测当前用户与自动化样本分析器之间的交互以生成交互数据;由处理电路系统并且基于交互数据,确定当前用户与自动化样本分析器之间的交互的至少一种模式;由处理电路系统并且基于交互的至少一种模式,确定当前用户的配置数据,配置数据指示由自动化样本分析器显示的一系列图形用户界面或由自动化样本分析器显示的图形用户界面的外观中的至少一者;由处理电路系统将配置数据与当前用户的用户简档相关联地存储在用户数据存储库中;由处理电路系统访问用户数据存储库中存储的配置数据;以及由处理电路系统根据配置数据来配置一个或更多个图形用户界面用于通过自动化样本分析器的显示。
示例99是一种在自动化样本分析器的处理电路系统处实现的方法,该自动化样本分析器包括处理电路系统、存储器、摄像装置和样本输入装置,该方法包括:从摄像装置接收表示用于放置到自动化样本分析器中的消耗品的图像数据;基于图像数据使用存储器中存储的图像识别引擎将消耗品分类到消耗品的类中;使用处理电路系统传送控制信号,以物理地调节样本输入装置以接收消耗品,控制信号对应于消耗品的类。
在示例100中,示例99的主题包括,向自动化样本分析器的显示装置传送用于显示图像数据的一部分或消耗品的类的视觉表示的显示信号。
在示例101中,示例99或100的主题包括,向自动化样本分析器的显示装置传送用于显示图像数据的至少一部分的显示信号。
在示例102中,示例99至101的主题包括,其中,物理地调节样本输入装置包括提供对样本输入装置的贮器的访问。
在示例103中,示例102的主题包括,其中,提供对样本输入装置的贮器的访问包括打开门或访问面板。
尽管已经参照具体示例实现方式描述了实现方式,但是将明显的是,在不背离本公开内容的更广泛的精神和范围的情况下,可以对这些实现方式进行各种修改和改变。因此,说明书和附图被视为示出性意义而非限制性意义。形成其一部分的附图通过说明而非限制的方式示出了可以实践本主题的具体实现方式。足够详细地描述了所示的实现方式,以使本领域技术人员能够实践本文中公开的教导。可以利用并且由此得出其它实现方式,使得可以在不背离本公开内容的范围的情况下做出结构性和逻辑性替换和改变。因此,具体实施方式不以限制性意义理解,并且各种实现方式的范围仅由所附权利要求连同这样的权利要求所赋予的等同物的全部范围来限定。
虽然本文中已经示出和描述了具体实现方式,但是应当理解,可以用被计算以实现相同目的的任何布置来替换所示出的具体实现方式。本公开内容旨在涵盖各种实现方式的任何以及全部调整或变型。对于本领域技术人员而言,在查阅上述描述时,上述实现方式以及本文中未具体描述的其它实现方式的组合将是明显的。
在本文献中,如在专利文献中常见的那样,不受“至少一个”或“一个或更多个”的任何其他实例或用法支配,使用术语“一”或“一个”来包括一个或多于一个。在本文献中,除非另有指示,否则术语“或”用于指代非排他性的或,使得“A或B”包括“A但不是B”、“B但不是A”以及“A和B”。在本文献中,术语“包含(including)”和“其中(in which)”被用作相应术语“包括(comprising)”和“其中(wherein)”的简明英语等同物。此外,在所附权利要求中,术语“包含”和“包括”是开放式的,也就是说,包括除了在权利要求中的这样的术语之后列出的那些要素之外的要素的系统、用户设备(UE)、物品、成分、配方或处理仍然被认为落入该权利要求的范围内。此外,在所附权利要求中,术语“第一”、“第二”和“第三”等仅用作标记,并且不旨在对其对象强加数值要求。
提供本公开内容的摘要以符合37C.F.R.§1.72(b),其要求将允许读者快速确定本技术公开内容的性质的摘要。摘要是基于以下理解提交的:摘要不会用于解释或限制权利要求的范围或含义。另外,在前述具体实施方式中,可以看到的是,出于使本公开内容精简的目的,各种特征在单个实现方式中被组合在一起。本公开内容的方法不被解释为反映如下意图:所要求保护的示例需要比在每个权利要求中明确列举的特征更多的特征。相反,如所附权利要求所反映的,发明主题在于少于单个公开的实现方式的所有特征。因此,所附权利要求在此被并入具体实施方式中,其中每个权利要求作为单独的实现方式独立存在。
Claims (99)
1.一种系统(1400),包括:
处理电路系统(608);以及
存储器(610),所述存储器存储:
学习引擎(616),所述学习引擎当由所述处理电路系统执行时,使所述处理电路系统:
标识自动化样本分析器(600)的访问用户,并且在验证的时候将所述访问用户建立为当前用户;
监测所述当前用户与所述自动化样本分析器之间的交互以生成交互数据;
基于所述交互数据,确定所述当前用户与所述自动化样本分析器之间的交互的至少一种模式;
基于所述交互的至少一种模式,确定所述当前用户的配置数据,所述配置数据指示由所述自动化样本分析器显示的一系列图形用户界面或由所述自动化样本分析器显示的图形用户界面的外观中的至少一者;
将所述配置数据与所述当前用户的用户简档相关联地存储在数据存储库(620)中;
配置控制引擎(614),所述配置控制引擎当由所述处理电路系统执行时,使所述处理电路系统访问所述用户数据存储库中存储的所述配置数据;以及
用户界面引擎(618),所述用户界面引擎当由所述处理电路系统执行时,使所述处理电路系统根据所述配置数据来配置一个或更多个图形用户界面以用于通过所述自动化样本分析器的显示。
2.根据权利要求1所述的系统,其中,所述配置控制引擎当由所述处理电路系统执行时,使所述处理电路系统:
标识所述访问用户,并且在验证的时候,将所述访问用户建立为所述当前用户;
基于当前时间和所述交互的至少一种模式,确定所述当前时间的交互模式;以及
使在所述自动化样本分析器的图形用户界面内显示快捷方式用于实现所述当前时间的所述交互模式。
3.根据权利要求1或2所述的系统,其中,所述配置控制引擎当由所述处理电路系统执行时,使所述处理电路系统:
在验证的时候,将所述访问用户建立为新的用户;以及
将所述新的用户登记在所述用户数据存储库中。
4.根据权利要求1至3中任一项所述的系统,其中,所述配置数据包括菜单优化数据,所述菜单优化数据限定包括用于在一个或更多个图形用户界面内的呈现的菜单集或用于在所述一个或更多个图形用户界面的所述菜单内的呈现的菜单项集的菜单优化。
5.根据权利要求4所述的系统,其中,所述菜单优化数据从所述当前用户的在前菜单使用或在前菜单项使用中得出。
6.根据权利要求5所述的系统,其中,所述菜单优化数据通过所述当前用户的所述在前菜单使用的人工智能菜单使用检查得出。
7.根据权利要求6所述的系统,其中,人工智能引擎分析所述当前用户的在前菜单使用频率以生成所述配置数据。
8.根据权利要求6或7中任一项所述的系统,其中,所述菜单优化在不提示所述当前用户引起所述菜单优化的情况下实现。
9.根据权利要求1至8中任一项所述的系统,其中,所述配置数据在所述用户数据存储库中被更新并且包括用于不同时间的不同图形用户界面配置,所述用于不同时间的不同图形用户界面配置至少具有用于第一时间范围的第一图形用户界面配置和用于第二时间范围的第二图形用户界面配置。
10.根据权利要求9所述的系统,其中,所述用于不同时间的不同图形用户界面配置基于所述当前用户与由所述自动化样本分析器显示的一个或更多个图形用户界面之间的在预定时间范围内的交互而确定。
11.根据权利要求1至10中任一项所述的系统,其中,所述学习引擎包括神经网络。
12.根据权利要求11所述的系统,其中,所述神经网络建立与所述当前用户的交互的至少一种模式、与所述当前用户的交互的历史以及所述自动化样本分析器的配置之间的相关性。
13.根据权利要求1至12中任一项所述的系统,其中,所述学习引擎将所述当前用户的在前菜单项使用记录在日志中,并且其中,所述日志被用来生成所述配置数据。
14.根据权利要求1至13中任一项所述的系统,其中,人工智能引擎分析由所述当前用户对所述自动化样本分析器的在前菜单项使用,以生成所述配置数据。
15.根据权利要求1至14中任一项所述的系统,其中,所述交互的至少一种模式至少部分地基于所述当前用户在所述自动化样本分析器处工作花费的时间量。
16.根据权利要求1至15中任一项所述的系统,其中,所述交互的至少一种模式至少部分地基于由所述当前用户对所述自动化样本分析器的使用频率。
17.根据权利要求1至16中任一项所述的系统,其中,所述配置控制引擎经由图形用户界面提供最可能的接下来的动作的表示。
18.根据权利要求1至17中任一项所述的系统,其中,所述配置控制引擎经由图形用户界面向所述当前用户提供到某动作的顺序动作的快捷方式的表示。
19.根据权利要求1至18中任一项所述的系统,其中,所述配置控制引擎经由图形用户界面向所述当前用户提供缩短的工作流程的表示,所述缩短的工作流程基于由所述学习引擎标识的所述当前用户的经验水平而被选择。
20.根据权利要求1至19中任一项所述的系统,其中,所述配置控制引擎经由图形用户界面提供缩短的工作流程的表示,所述缩短的工作流程基于由所述学习引擎标识的所述当前用户的至少一个先前的菜单项选择而被选择。
21.根据权利要求1至20中任一项所述的系统,其中,所述学习引擎提供表示对所述配置数据所做的改变的输出,并且经由图形用户界面请求来自所述当前用户的关于所述对所述配置数据所做的改变的反馈。
22.根据权利要求1至21中任一项所述的系统,其中,所述学习引擎经由图形用户界面提供表示所述当前用户的先前动作的输出。
23.根据权利要求22所述的系统,其中,表示所述先前动作的所述输出被显示在弹出窗口中。
24.根据权利要求1至23中任一项所述的系统,其中,所述学习引擎生成表示先前在菜单中呈现的先前动作的输出,所述先前动作不包括在先前没有在所述菜单中呈现的当前动作的对应集中。
25.根据权利要求1至24中任一项所述的系统,其中,所述学习引擎通过图像识别来预测接下来的动作。
26.根据权利要求25所述的系统,其中,所述学习引擎提供指示所述当前用户如何操作所述自动化样本分析器的硬件的输出。
27.根据权利要求26所述的系统,其中,所述自动化样本分析器的硬件包括用于装载消耗品的门或访问面板(603)。
28.根据权利要求27所述的系统,其中,所述学习引擎在图形用户界面中显示的图中示出所述先前动作,所述图形用户界面提供界面用于用户选择用于在所述图中演示的所述先前动作中的一个或更多个先前动作。
29.一种方法,包括:
由处理电路系统(608)标识自动化样本分析器(600)的访问用户,并且在验证的时候,将所述访问用户建立为当前用户;
由所述处理电路系统监测所述当前用户与所述自动化样本分析器之间的交互以生成交互数据;
由所述处理电路系统并且基于所述交互数据,确定所述当前用户与所述自动化样本分析器之间的交互的至少一种模式;
由所述处理电路系统并且基于所述交互的至少一种模式,确定所述当前用户的配置数据,所述配置数据指示由所述自动化样本分析器显示的一系列图形用户界面或由所述自动化样本分析器显示的图形用户界面的外观中的至少一者;
由所述处理电路系统将所述配置数据与所述当前用户的用户简档相关联地存储在用户数据存储库(620)中;
由所述处理电路系统访问所述用户数据存储库中存储的所述配置数据;以及
由所述处理电路系统根据所述配置数据来配置一个或更多个图形用户界面以用于通过所述自动化样本分析器的显示。
30.一种在自动化样本分析器(600)的处理电路系统(608)处实现的方法,所述自动化样本分析器包括所述处理电路系统(608)、存储器(610)、摄像装置(622)和样本输入装置(602),所述方法包括:
从所述摄像装置接收表示用于放置到所述自动化样本分析器中的消耗品的图像数据;
基于所述图像数据使用所述存储器中存储的图像识别引擎(624)将所述消耗品分类到消耗品的类中;
使用所述处理电路系统传送控制信号,以物理地调节所述样本输入装置以接收所述消耗品,所述控制信号对应于所述消耗品的类。
31.根据权利要求30所述的方法,还包括:
向所述自动化样本分析器的显示装置(606)传送用于显示所述图像数据的部分或所述消耗品的类的视觉表示的显示信号。
32.根据权利要求30或31所述的方法,还包括:
向所述自动化样本分析器的显示装置(606)传送用于显示所述图像数据的至少一部分的显示信号。
33.根据权利要求30至32中任一项所述的方法,其中,物理地调节所述样本输入装置包括提供对所述样本输入装置的贮器的访问。
34.根据权利要求33所述的方法,其中,提供对所述样本输入装置的贮器的访问包括打开门或访问面板(603)。
35.一种自动化样本分析器(600),包括:
接收液体样本的样本输入装置(602);
读取与所述液体样本相关联的测量结果的样本分析装置(604);
向所述自动化样本分析器的当前用户显示图形用户界面(GUI)的显示装置(606),所述GUI用于由所述当前用户控制或维护所述自动化样本分析器;
处理电路系统(608);以及
存储器(610),所述存储器存储:
接收引擎(612),所述接收引擎当由所述处理电路系统执行时,从所述样本分析装置接收与所述液体样本相关联的所述测量结果并且将所接收到的测量结果存储在存储器中;
配置控制引擎(614),所述配置控制引擎当由所述处理电路系统执行时,使所述处理电路系统将用户模型的配置设置成对应于所述自动化样本分析器的当前用户;
学习引擎(616),所述学习引擎当由所述处理电路系统执行时,使所述处理电路系统检测并收集所述当前用户与所述GUI的交互的至少一种模式;以及
用户界面引擎(618),所述用户界面引擎当由所述处理电路系统执行时,使所述处理电路系统根据与所述当前用户对应的所述用户模型的配置的用户相关的配置数据来配置所述GUI,所述用户相关的配置数据是从用户数据存储库接收的;
其中,所述学习引擎当由所述处理电路系统执行时,使所述处理电路系统:
标识访问用户,并且在验证的时候,将所述访问用户建立为所述当前用户;
与时间相关联地监测所述当前用户与所述GUI之间的交互并存储所述当前用户的交互数据;
基于所述交互数据,确定所述当前用户与所述GUI之间的交互的至少一种时间循环模式;以及
存储所述交互的至少一种时间循环模式。
36.根据权利要求35所述的自动化样本分析器,其中,所述配置控制引擎当由所述处理电路系统执行时,使所述处理电路系统:
标识所述访问用户,并且在验证的时候,将所述访问用户建立为所述当前用户;
基于当前时间和所存储的交互的至少一种时间循环模式,确定所述当前时间的交互模式;以及
在所述GUI内显示快捷方式用于实现所述当前时间的所述交互模式。
37.根据权利要求36所述的自动化样本分析器,其中,所述配置控制引擎当由所述处理电路系统执行时,还使所述处理电路系统:
响应于用户请求而放弃显示所述快捷方式。
38.根据权利要求36或37中任一项所述的自动化样本分析器,其中,所述配置控制引擎与所述学习引擎异步地操作。
39.根据权利要求35至38中任一项所述的自动化样本分析器,其中,所述用户数据存储库包括数据库。
40.根据权利要求35至39中任一项所述的自动化样本分析器,包括被配置成访问外部数据存储库的网络连接,其中,所述用户数据存储库的至少一部分被存储在所述外部数据存储库处。
41.根据权利要求35至40中任一项所述的自动化样本分析器,其中,所述配置控制引擎被配置成:
在验证的时候,将所述访问用户建立为新的用户;以及
将所述新的用户登记在所述用户数据存储库中。
42.根据权利要求35至41中任一项所述的自动化样本分析器,其中,所述访问用户是多个登记用户之一。
43.根据权利要求35至42中任一项所述的自动化样本分析器,其中,所述用户相关的配置数据包括菜单优化数据,所述菜单优化数据限定包括用于在所述GUI内的呈现的菜单集或用于在所述GUI的所述菜单内的呈现的菜单项集的菜单优化。
44.根据权利要求43所述的自动化样本分析器,其中,所述菜单优化数据从所述当前用户的在前菜单使用或在前菜单项使用中得出。
45.根据权利要求44所述的自动化样本分析器,其中,所述菜单优化数据通过所述当前用户的在前菜单使用的人工智能菜单使用检查得出。
46.根据权利要求45所述的自动化样本分析器,其中,人工智能引擎分析所述当前用户的在前菜单使用频率以生成所述用户相关的配置数据。
47.根据权利要求45至46中任一项所述的自动化样本分析器,其中,所述菜单优化在不提示所述当前用户引起所述菜单优化的情况下实现。
48.根据权利要求45至47中任一项所述的自动化样本分析器,还包括:
显示优化的菜单;
经由所述GUI接收回复至所述菜单的在前版本的请求;以及
响应于所述请求,显示所述菜单的所述在前版本。
49.根据权利要求45至48中任一项所述的自动化样本分析器,其中,所述菜单优化响应于用户请求菜单优化而实现。
50.根据权利要求35至49中任一项所述的自动化样本分析器,其中,在所述用户数据存储库中更新的所述新的用户相关的配置数据包括用于不同时间的不同GUI配置,所述用于不同时间的不同GUI配置至少具有用于第一时间范围的第一GUI配置和用于第二时间范围的第二GUI配置。
51.根据权利要求50所述的自动化样本分析器,其中,所述用于不同时间的不同GUI配置基于所述当前用户与所述GUI之间的在预定时间范围内的交互而确定。
52.根据权利要求35至51中任一项所述的自动化样本分析器,其中,所述学习引擎包括神经网络。
53.根据权利要求52所述的自动化样本分析器,其中,所述神经网络建立与所述当前用户的所述交互的至少一种模式、与所述当前用户的交互的历史以及所述用户模型的配置之间的相关性。
54.根据权利要求53所述的自动化样本分析器,其中,统计模型建立与所述当前用户的所述交互的至少一种模式、与所述当前用户的所述交互的历史以及所述用户模型的配置之间的所述相关性。
55.根据权利要求35至54中任一项所述的自动化样本分析器,其中,所述验证包括面部识别。
56.根据权利要求35至55中任一项所述的自动化样本分析器,其中,所述验证包括指纹识别。
57.根据权利要求35至56中任一项所述的自动化样本分析器,其中,所述验证包括密码验证。
58.根据权利要求35至57中任一项所述的自动化样本分析器,其中,所述验证包括语音识别。
59.根据权利要求35至58中任一项所述的自动化样本分析器,其中,所述验证包括多因素认证。
60.根据权利要求35至59中任一项所述的自动化样本分析器,其中,所述学习引擎将当前验证输入和在前验证输入进行比较,并且在所述当前验证输入被认证的时候,用所述当前验证输入自动地校准验证标准。
61.根据权利要求35至60中任一项所述的自动化样本分析器,其中,所述学习引擎将所述当前用户的在前菜单项使用记录在日志中,其中,所述日志被用来生成所述用户相关的配置数据。
62.根据权利要求35至61中任一项所述的自动化样本分析器,其中,人工智能引擎分析由所述当前用户对所述自动化样本分析器的所述在前菜单项使用,以生成所述用户相关的配置数据。
63.根据权利要求35至62中任一项所述的自动化样本分析器,其中,所述交互的至少一种模式至少部分地基于所述当前用户在所述自动化样本分析器处工作花费的时间量。
64.根据权利要求35至63中任一项所述的自动化样本分析器,其中,所述交互的至少一种模式至少部分地基于由所述当前用户对所述自动化样本分析器的使用频率。
65.根据权利要求64所述的自动化样本分析器,其中,所述使用频率通过所述GUI上的颜色来指示。
66.根据权利要求35至65中任一项所述的自动化样本分析器,其中,所述配置控制引擎经由所述GUI提供最可能的接下来的动作的表示。
67.根据权利要求35至66中任一项所述的自动化样本分析器,其中,所述配置控制引擎经由所述GUI向所述当前用户提供到最终动作的顺序动作的快捷方式的表示。
68.根据权利要求35至67中任一项所述的自动化样本分析器,其中,所述配置控制引擎经由所述GUI向所述当前用户提供缩短的工作流程的表示,所述缩短的工作流程基于由所述学习引擎标识的所述当前用户的经验水平而被选择。
69.根据权利要求66至68中任一项所述的自动化样本分析器,其中,所述配置控制引擎经由所述GUI提供缩短的工作流程的表示,所述缩短的工作流程基于由所述学习引擎标识的所述当前用户的至少一个先前的菜单项选择而被选择。
70.根据权利要求66至68中任一项所述的自动化样本分析器,其中,所述表示通过经由被所述用户界面引擎控制的扬声器播放音频而提供。
71.根据权利要求35至70中任一项所述的自动化样本分析器,其中,所述人工智能引擎计算用户生产率值,并且使所述用户生产率值与至少一个度量相关。
72.根据权利要求71所述的自动化样本分析器,其中,所述至少一个度量包括所述自动化样本分析器的正常运行时间。
73.根据权利要求71至72中任一项所述的自动化样本分析器,其中,所述至少一个度量包括所述自动化样本分析器的可靠度。
74.根据权利要求35至73中任一项所述的自动化样本分析器,其中,所述学习引擎提供表示对所述用户模型所做的改变的输出,并且经由所述GUI请求来自所述当前用户的关于所述对所述用户模型所做的改变的反馈。
75.根据权利要求35至74中任一项所述的自动化样本分析器,其中,所述学习引擎经由所述GUI提供表示所述当前用户的先前动作的输出。
76.根据权利要求75所述的自动化样本分析器,其中,表示所述先前动作的所述输出被显示在弹出窗口中。
77.根据权利要求35至76中任一项所述的自动化样本分析器,其中,所述学习引擎生成表示先前在菜单中呈现的先前动作的输出,所述先前动作不包括在先前没有在所述菜单中呈现的当前动作的对应集中。
78.根据权利要求35至77中任一项所述的自动化样本分析器,其中,所述学习引擎通过图像识别来预测接下来的动作。
79.根据权利要求78所述的自动化样本分析器,其中,所述学习引擎提供指示所述当前用户如何操作所述自动化样本分析器的硬件的输出。
80.根据权利要求79所述的自动化样本分析器,其中,所述自动化样本分析器的硬件包括用于装载消耗品的门或访问面板(603)。
81.根据权利要求80所述的自动化样本分析器,其中,所述学习引擎在所述GUI中显示的图中示出所述先前动作,所述GUI提供界面用于用户选择用于在所述图中演示的所述先前动作中的一个或更多个先前动作。
82.根据权利要求81所述的自动化样本分析器,其中,所述用户选择通过点击而完成。
83.根据权利要求81所述的自动化样本分析器,其中,所述用户选择通过触摸而完成。
84.根据权利要求81至83中任一项所述的自动化样本分析器,其中,所述GUI在完成的时候改变所述当前动作的颜色。
85.根据权利要求81至84中任一项所述的自动化样本分析器,其中,所述当前动作被颜色编码以指示频率。
86.根据权利要求35至85中任一项所述的自动化样本分析器,其中,所述学习引擎确定所述当前用户的损伤。
87.根据权利要求86所述的自动化样本分析器,其中,如果检测到预定水平的损伤,则由所述学习引擎传送损伤报告。
88.根据权利要求87所述的自动化样本分析器,其中,所述损伤报告被传送至所述当前用户的监督者。
89.一种方法,包括:
在自动化样本分析器(600)的处理电路系统(608)处,从所述自动化样本分析器的样本分析装置(602)接收与放置到所述自动化样本分析器中的液体样本相关联的测量结果,并且将所接收到的测量结果存储在所述自动化样本分析器的存储器(610)中;
在所述处理电路系统处,将用户模型的配置设置成对应于所述自动化样本分析器的当前用户;
在所述处理电路系统处,检测并收集所述当前用户与图形用户界面(GUI)的交互的至少一种模式;
在所述处理电路系统处,根据与所述当前用户对应的所述用户模型的配置的用户相关的配置数据来配置所述GUI,所述用户相关的配置数据是从用户数据存储库接收的;以及
使用所述存储器中存储的且由所述处理电路系统执行的学习引擎(616):
标识访问用户,并且在验证的时候,将所述访问用户建立为所述当前用户;
与时间相关联地监测所述当前用户与所述GUI之间的交互并存储所述当前用户的交互数据;
基于所述交互数据,确定所述当前用户与所述GUI之间的交互的至少一种时间循环模式;以及
存储所述交互的至少一种时间循环模式。
90.一种存储指令的机器可读介质,所述指令当由机器执行时,使所述机器执行权利要求89所述的方法。
91.一种包括用于执行权利要求89所述的方法的装置的设备。
92.一种在自动化样本分析器(600)的处理电路系统(608)处实现的方法,所述自动化样本分析器包括所述处理电路系统、存储器(610)、摄像装置(622)和样本输入装置(602),所述方法包括:
从所述摄像装置接收表示用于放置到所述自动化样本分析器中的消耗品的图像数据;
基于所述图像数据使用所述存储器中存储的图像识别引擎(624)将所述消耗品分类到消耗品的类中;
使用所述处理电路系统传送控制信号,以物理地调节所述样本输入装置以接收所述消耗品,所述控制信号对应于所述消耗品的类。
93.根据权利要求92所述的方法,还包括:
向所述自动化样本分析器的显示装置(606)传送用于显示所述图像数据的部分或所述消耗品的类的视觉表示的显示信号。
94.根据权利要求92至93中任一项所述的方法,还包括:
向所述自动化样本分析器的显示装置(606)传送用于显示所述图像数据的至少一部分的显示信号。
95.根据权利要求92至94中任一项所述的方法,其中,物理地调节所述样本输入装置包括提供对所述样本输入装置的贮器的访问。
96.根据权利要求95所述的方法,其中,提供对所述样本输入装置的贮器的访问包括打开门或访问面板(603)。
97.一种自动化样本分析器(600),包括:
处理电路系统(608);
存储器(610);
摄像装置(622);以及
样本输入装置(602),所述存储器存储指令,所述指令当由所述处理电路系统执行时,使所述处理电路系统执行权利要求92至96中任一项所述的方法。
98.一种存储指令的机器可读介质,所述指令当由机器执行时,使所述机器执行权利要求92至96中任一项所述的方法。
99.一种包括用于执行权利要求92至96中任一项所述的方法的装置的设备。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063131458P | 2020-12-29 | 2020-12-29 | |
US63/131,458 | 2020-12-29 | ||
PCT/US2021/064952 WO2022146842A1 (en) | 2020-12-29 | 2021-12-22 | Automated sample analyzer |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116783579A true CN116783579A (zh) | 2023-09-19 |
Family
ID=80222590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180087636.2A Pending CN116783579A (zh) | 2020-12-29 | 2021-12-22 | 自动化样本分析器 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240069047A1 (zh) |
EP (1) | EP4272076A1 (zh) |
CN (1) | CN116783579A (zh) |
WO (1) | WO2022146842A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10671704B2 (en) * | 2015-07-23 | 2020-06-02 | PrioBio, LLC | Predicting immune response |
-
2021
- 2021-12-22 US US18/259,941 patent/US20240069047A1/en active Pending
- 2021-12-22 WO PCT/US2021/064952 patent/WO2022146842A1/en active Application Filing
- 2021-12-22 CN CN202180087636.2A patent/CN116783579A/zh active Pending
- 2021-12-22 EP EP21854845.1A patent/EP4272076A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4272076A1 (en) | 2023-11-08 |
WO2022146842A1 (en) | 2022-07-07 |
US20240069047A1 (en) | 2024-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10607331B1 (en) | Image segmentation into overlapping tiles | |
US20200193296A1 (en) | Neural network architecture for attention based efficient model adaptation | |
US11551026B2 (en) | Dynamic reconfiguration training computer architecture | |
Hutchinson et al. | Models and machines: how deep learning will take clinical pharmacology to the next level | |
Nobile et al. | Computational intelligence for parameter estimation of biochemical systems | |
WO2020236483A1 (en) | Cross-lingual information retrieval and information extraction | |
US11902043B2 (en) | Self-learning home system and framework for autonomous home operation | |
CN110245772A (zh) | 分析核心与聚合 | |
US20230084638A1 (en) | Method and apparatus for classification model training and classification, computer device, and storage medium | |
CN112868026A (zh) | 推理显微镜 | |
US20220198326A1 (en) | Spectral data processing for chemical analysis | |
CN107942956A (zh) | 信息处理装置、信息处理方法、信息处理程序及记录介质 | |
US20190228297A1 (en) | Artificial Intelligence Modelling Engine | |
Halibas et al. | Performance analysis of machine learning classifiers for ASD screening | |
CN115552481A (zh) | 用于微调图像分类神经网络的系统和方法 | |
CN117390499A (zh) | 一种应用于食品农药残留检测的多样品检测系统 | |
JP7214863B2 (ja) | 人工画像生成用コンピュータアーキテクチャ | |
US20230252060A1 (en) | Artificial Intelligence (AI)-based Engine for Processing Service Requests | |
Khankhoje | AI-Based Test Automation for Intelligent Chatbot Systems | |
US20220078198A1 (en) | Method and system for generating investigation cases in the context of cybersecurity | |
CN112486784A (zh) | 诊断和优化数据分析系统的方法、设备和介质 | |
US20200402658A1 (en) | User-aware explanation selection for machine learning systems | |
US20240069047A1 (en) | Automated sample analyzer | |
US20220261998A1 (en) | Adaptive machine learning system for image-based biological sample constituent analysis | |
Mejia-Escobar et al. | Towards a Better Performance in Facial Expression Recognition: A Data‐Centric Approach |
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 |