CN117007825A - 一种全自动凝血测试仪的试剂自动识别与定位系统及方法 - Google Patents
一种全自动凝血测试仪的试剂自动识别与定位系统及方法 Download PDFInfo
- Publication number
- CN117007825A CN117007825A CN202311276955.5A CN202311276955A CN117007825A CN 117007825 A CN117007825 A CN 117007825A CN 202311276955 A CN202311276955 A CN 202311276955A CN 117007825 A CN117007825 A CN 117007825A
- Authority
- CN
- China
- Prior art keywords
- reagent
- data
- real
- positioning
- identification
- 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
- 239000003153 chemical reaction reagent Substances 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000015271 coagulation Effects 0.000 title claims description 42
- 238000005345 coagulation Methods 0.000 title claims description 42
- 230000004927 fusion Effects 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000023555 blood coagulation Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000004807 localization Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 230000007246 mechanism Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 206010053567 Coagulopathies Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000035602 clotting Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/86—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood coagulating time or factors, or their receptors
-
- 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
- G01N35/00594—Quality control, including calibration or testing of components of the analyser
-
- 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
- G01N35/00594—Quality control, including calibration or testing of components of the analyser
- G01N35/00613—Quality control
- G01N35/00663—Quality control of consumables
-
- 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
- G01N35/0092—Scheduling
-
- 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
- G01N35/10—Devices for transferring samples or any liquids to, in, or from, the analysis apparatus, e.g. suction devices, injection devices
- G01N35/1009—Characterised by arrangements for controlling the aspiration or dispense of liquids
- G01N35/1011—Control of the position or alignment of the transfer device
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G01N35/00594—Quality control, including calibration or testing of components of the analyser
- G01N35/00613—Quality control
- G01N35/00663—Quality control of consumables
- G01N2035/00673—Quality control of consumables of reagents
-
- 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
- G01N35/0092—Scheduling
- G01N2035/0096—Scheduling post analysis management of samples, e.g. marking, removing, storing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Urology & Nephrology (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Food Science & Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Medicinal Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及数据识别领域,尤其涉及一种全自动凝血测试仪的试剂自动识别与定位系统及方法。首先,对输入的试剂图像进行微结构分析,识别出试剂的微小结构特征,将微小结构转化为可识别的编码,动态调整特征的权重;然后,采用多模态数据融合技术,将不同来源的数据进行有效融合,引入动态反馈融合算法,动态地调整动态反馈融合算法形成的融合策略;最后,采用基于波形能量映射的算法,对所有试剂的波形能量进行捕获并将其映射到高维空间,使用优化算法在高维空间中找到试剂的定位。解决了现有技术主要依赖于简单的图像处理技术,在复杂背景或试剂外观变化时容易出错,以及试剂识别和定位的速度不够快,不能满足实时性要求的技术问题。
Description
技术领域
本发明涉及数据识别领域,尤其涉及一种全自动凝血测试仪的试剂自动识别与定位系统及方法。
背景技术
在医疗实验室中,凝血测试是一种常见的血液检测,用于评估血液的凝固功能。全自动凝血测试仪是一种可以自动完成血液样本添加、混合、检测和结果分析的设备,大大提高了实验室的工作效率。然而,为了确保测试结果的准确性和可靠性,试剂的准确识别和定位至关重要。试剂的种类繁多,其外观、颜色、形状和大小可能会因生产批次、生产商或存储条件的变化而有所不同。因此,准确、迅速地识别和定位试剂不仅可以提高实验的效率,还能确保实验的准确性和可靠性。传统的试剂识别和定位方法主要依赖于人工操作,这不仅效率低,而且容易出错。因此,开发一种能够自动、准确、迅速地识别和定位试剂的系统对于提高全自动凝血测试仪的性能和可靠性至关重要。
我国专利申请号:“CN201711207257.4”,公开日:2018.02.16,公开了一种全自动凝血测试仪,涉及凝血检测技术领域。全自动凝血测试仪包括机箱,设置于机箱内部的测试位、试剂冷藏位、XYZ三轴联动系统和蠕动泵,所述测试位包括第一底座,滑动连接在第一底座上的第一支撑滑座,固设在第一支撑滑座上的轨道槽,位于第一支撑滑座一侧的测试杯盘,位于轨道槽入口侧的驱动机构,驱动机构将测试杯盘的卷带及测试杯输送至轨道槽中,位于轨道槽出口侧的退杯机构,固设在退杯机构上的到位机构,以及与驱动结构、退杯机构和到位机构均电连接的控制组件。该发明通过提供一种全自动凝血测试仪,将各个独立部件整合到同一装置中,同时利用测试仪中的测试位解决了现有测试杯测试位的各部件分布臃肿且分散的问题。
但上述技术至少存在如下技术问题:现有技术可能主要依赖于简单的图像处理技术,在复杂背景或试剂外观变化时容易出错,试剂识别和定位的速度不够快,不能满足实时性的要求,系统可能没有有效的资源管理机制,容易出现资源瓶颈,影响系统的稳定性和运行效率,在不断变化的环境中不能自适应地调整参数和策略,从而影响识别的准确性。
发明内容
本申请实施例通过提供一种全自动凝血测试仪的试剂自动识别与定位系统及方法,解决了现有技术可能主要依赖于简单的图像处理技术,在复杂背景或试剂外观变化时容易出错,以及试剂识别和定位的速度不够快,不能满足实时性的要求的技术问题,同时,系统可能没有有效的资源管理机制,容易出现资源瓶颈,影响系统的稳定性和运行效率,并且在不断变化的环境中不能自适应地调整参数和策略,从而影响识别的准确性的技术问题。实现了全自动凝血测试仪中试剂的高准确性自动识别与定位,结合深度学习、量子计算和动态资源管理,提高了系统的效率、稳定性和实时性。
本申请提供了一种全自动凝血测试仪的试剂自动识别与定位系统及方法具体包括以下技术方案:
一种全自动凝血测试仪的试剂自动识别与定位系统,包括以下部分:
试剂图像识别模块、多模态数据融合模块、实时校准与反馈模块、快速定位模块、动态资源调度与管理模块;
所述试剂图像识别模块,用于对输入的试剂图像进行微结构分析,识别出试剂的微小结构特征,并将这些特征转化为可识别的编码;动态调整特征的权重;试剂图像识别模块通过数据传输的方式与多模态数据融合模块相连;
所述多模态数据融合模块,用于将来自试剂图像识别模块的数据与其他模态的数据进行有效融合,多模态数据融合模块通过数据传输的方式与实时校准与反馈模块相连;
所述实时校准与反馈模块,用于根据实时反馈调整识别参数,引入动态反馈融合算法,根据系统在进行试剂识别过程中所获得的即时信息,形成实时反馈,调用系统的数据库中存储的历史数据,由实时反馈和历史数据动态调整融合策略,实时校准与反馈模块通过数据传输的方式与快速定位模块相连;
所述快速定位模块,用于采用基于波形能量映射的算法,对所有试剂的波形能量进行捕获,将波形能量数据映射到高维空间,并使用优化算法在高维空间中找到试剂的定位;
所述动态资源调度与管理模块,用于实时监控系统的关键资源使用情况,并根据系统的实时负载动态调整资源分配,动态资源调度与管理模块通过数据传输的方式与整个系统的其他所有模块相连。
一种全自动凝血测试仪的试剂自动识别与定位方法,包括以下步骤:
S100:对输入的试剂图像进行微结构分析,识别出试剂的微小结构特征,将微小结构转化为可识别的编码,动态调整特征的权重;
S200:采用多模态数据融合技术,将不同来源的数据进行有效融合,引入动态反馈融合算法,动态地调整动态反馈融合算法形成的融合策略;
S300:采用基于波形能量映射的算法,对所有试剂的波形能量进行捕获,将波形能量数据映射到高维空间,使用优化算法在高维空间中找到试剂的定位;
应用于所述的一种全自动凝血测试仪的试剂自动识别与定位系统。
优选的,所述S100,具体包括:
对输入的试剂图像进行微结构分析,使用高斯核来加权微结构的局部特征,识别出试剂的微小结构特征;引入微结构编码技术,将微小结构转化为可识别的编码。
优选的,所述S100,还包括:
试剂的特征随时间发生变化,所以需要动态调整特征的权重。
优选的,所述S100,还包括:
使用量子比特表示试剂的特征,并利用量子计算的并行性,实现试剂识别;通过量子傅里叶变换实现量子识别。
优选的,所述S200,具体包括:
所述多模态数据融合技术,基于不同模态数据对识别准确性的贡献度,为每种模态的数据分配一个权重;定义损失函数,所述损失函数用于衡量融合后的数据与真实标签之间的差异,优化每种模态数据的权重,以最小化所述融合后的数据与真实标签之间的差异。
优选的,所述步骤S200,还包括:
引入动态反馈融合算法,根据系统在进行试剂识别过程中所获得的即时信息,形成实时反馈,调用系统的数据库中存储的历史数据,由所述实时反馈和所述历史数据动态地调整动态反馈融合算法形成的融合策略;基于所述实时反馈和所述历史数据对识别准确性的贡献度来分配权重,使用所述权重来融合所述实时反馈和所述历史数据。
优选的,所述步骤S300,具体包括:
全自动凝血测试仪的传感器阵列被用于捕获试剂产生的波形能量,将捕获的能量转化为数值数据;由于试剂的种类和性质的差异,导致试剂产生的波形能量有所不同;因此,使用自适应滤波器来调整全自动凝血测试仪的传感器的灵敏度。
优选的,所述步骤S300,还包括:
将波形能量数据映射到一个高维空间,在高维空间中,每个维度代表全自动凝血测试仪的一个潜在位置;不同的试剂和全自动凝血测试仪变化会影响波形能量映射的准确性,因此使用迁移学习技术,根据不同的试剂和全自动凝血测试仪训练模型。
优选的,所述步骤S300,还包括:
使用优化算法在高维空间中找到波形能量最大的位置,所述位置即为试剂的预测位置;高维空间的优化会受到不确定性和噪声的影响,因此使用贝叶斯优化技术。
有益效果:
本申请实施例中提供的多个技术方案,至少具有如下技术效果或优点:
1、通过结合微结构特征提取、深度学习技术和多模态数据融合,本系统能够准确地识别和定位各种试剂,即使是在复杂的背景和不同的生产批次、生产商或存储条件下,也具有很高的灵活性,能够适应各种试剂和全自动凝血测试仪的变化;
2、通过多模态数据融合技术,结合了不同模态的数据,提高了识别的准确性;通过实时校准与反馈模块,能够根据实时反馈调整识别参数,从而进一步提高识别的准确性;这种多模态数据融合和实时校准与反馈的结合,使得整个系统具有很高的灵活性和准确性;
3、系统能够根据实时反馈动态调整识别参数和融合策略,使得系统在不断变化的环境中始终保持最佳的识别性能;引入的动态资源调度与管理模块确保了系统在长时间运行和面对不同试剂更换的情况下的稳定性和运行效率,避免了资源瓶颈和性能下降。
4、本申请的技术方案能够有效解决现有技术可能主要依赖于简单的图像处理技术,在复杂背景或试剂外观变化时容易出错,以及试剂识别和定位的速度不够快,不能满足实时性的要求的技术问题,同时,系统可能没有有效的资源管理机制,容易出现资源瓶颈,影响系统的稳定性和运行效率,并且在不断变化的环境中不能自适应地调整参数和策略,从而影响识别的准确性的技术问题。能够实现全自动凝血测试仪中试剂的高准确性自动识别与定位,结合深度学习、量子计算和动态资源管理,提高了系统的效率、稳定性和实时性。
附图说明
图1为本申请所述的一种全自动凝血测试仪的试剂自动识别与定位系统结构图;
图2为本申请所述的一种全自动凝血测试仪的试剂自动识别与定位方法流程图。
具体实施方式
本申请实施例通过提供一种全自动凝血测试仪的试剂自动识别与定位系统及方法,解决了现有技术可能主要依赖于简单的图像处理技术,在复杂背景或试剂外观变化时容易出错,以及试剂识别和定位的速度不够快,不能满足实时性的要求的技术问题,同时,系统可能没有有效的资源管理机制,容易出现资源瓶颈,影响系统的稳定性和运行效率,并且在不断变化的环境中不能自适应地调整参数和策略,从而影响识别的准确性的技术问题。
本申请实施例中的技术方案为解决上述问题,总体思路如下:
通过结合微结构特征提取、深度学习技术和多模态数据融合,本系统能够准确地识别和定位各种试剂,即使是在复杂的背景和不同的生产批次、生产商或存储条件下,也具有很高的灵活性,能够适应各种试剂和全自动凝血测试仪的变化;通过多模态数据融合技术,结合了不同模态的数据,提高了识别的准确性;通过实时校准与反馈模块,能够根据实时反馈调整识别参数,从而进一步提高识别的准确性;这种多模态数据融合和实时校准与反馈的结合,使得整个系统具有很高的灵活性和准确性;系统能够根据实时反馈动态调整识别参数和融合策略,使得系统在不断变化的环境中始终保持最佳的识别性能;引入的动态资源调度与管理模块确保了系统在长时间运行和面对不同试剂更换的情况下的稳定性和运行效率,避免了资源瓶颈和性能下降。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1,本申请所述的一种全自动凝血测试仪的试剂自动识别与定位系统,包括以下部分:
试剂图像识别模块10、多模态数据融合模块20、实时校准与反馈模块30、快速定位模块40、动态资源调度与管理模块50;
所述试剂图像识别模块10,用于对输入的试剂图像进行微结构分析,识别出试剂的微小结构特征,并将这些特征转化为可识别的编码;通过动态调整特征的权重,提高识别的准确性;试剂图像识别模块10通过数据传输的方式与多模态数据融合模块20相连;
所述多模态数据融合模块20,用于将来自试剂图像识别模块10的数据与其他模态的数据进行有效融合,以提高试剂识别的准确性,多模态数据融合模块20通过数据传输的方式与实时校准与反馈模块30相连;
所述实时校准与反馈模块30,用于根据实时反馈调整识别参数,进一步提高识别的准确性,引入动态反馈融合算法,根据系统在进行试剂识别过程中所获得的即时信息,形成实时反馈,调用系统的数据库中存储的历史数据,由实时反馈和历史数据动态调整融合策略,以适应试剂的变化,实时校准与反馈模块30通过数据传输的方式与快速定位模块40相连;
所述快速定位模块40,用于采用基于波形能量映射的算法,对所有试剂的波形能量进行捕获,将波形能量数据映射到高维空间,并使用优化算法在高维空间中找到试剂的定位;
所述动态资源调度与管理模块50,用于实时监控系统的关键资源使用情况,并根据系统的实时负载动态调整资源分配,确保系统的稳定运行,动态资源调度与管理模块50通过数据传输的方式与整个系统的其他所有模块相连。
参照附图2,本申请所述的一种全自动凝血测试仪的试剂自动识别与定位方法,包括以下步骤:
S100:对输入的试剂图像进行微结构分析,识别出试剂的微小结构特征,将微小结构转化为可识别的编码,动态调整特征的权重;
凝血测试仪中的试剂种类繁多,试剂的外观、颜色、形状和大小可能会因生产批次、生产商或存储条件的变化而有所不同,每种试剂都有其特定的应用和处理方式。因此,准确、迅速地识别和定位试剂不仅可以提高实验的效率,还能确保实验的准确性和可靠性。
为了自动识别不同的试剂,系统采用了基于深度学习的试剂图像识别模块10,结合传统的图像处理技术与深度学习的特点,提高试剂识别效率。在图像处理中,微结构特征提取是一个关键步骤,试剂在图像中可能只占据一个很小的区域,但它的微小结构特征是其识别的关键。为了从复杂的背景中准确地提取出试剂的特征,需要对输入图像进行微结构分析。
具体的,对输入的试剂图像进行微结构分析,识别出试剂的微小结构特征,数学描述为:
,
其中,表示试剂图像位置/>的微小结构特征,/>是图像的空间坐标,表示试剂图像在位置/>处的亮度值,/>、/>表示微结构的空间变量,/>表示高斯核的标准偏差,控制了权重的分布范围,/>是微结构的大小。上述公式使用了高斯核来加权微结构的局部特征,从而更好地提取出试剂的微小结构。
为了确保提取的特征不仅能够准确地描述试剂,还能够区分不同的试剂,引入了微结构编码技术,将微小结构转化为可识别的编码。具体的数学描述为:
,
其中,表示微小结构的编码值,/>表示第i个编码权重,/>表示第i个微小结构的空间坐标。上述公式使用了对数变换来增强微小的特征差异,增强图像的对比度,使得微小的差异在编码中更加明显。
试剂的特征可能会随时间发生变化,为了确保提取的特征始终保持最佳状态,提高识别的准确性,需要动态调整特征的权重,具体的数学描述为:
,
其中,是原始特征矩阵,/>是调整后的特征矩阵,/>是一个动态权重,来源于试剂的动态变化,/>是矩阵的行和列索引,/>和/>是特征矩阵在坐标i和j方向的均值,/>是标准偏差。
为了进一步提高识别的速度和准确性,使用量子比特表示试剂的特征,并利用量子计算的并行性,实现超快速的试剂识别,减少计算复杂度,提高算法的实时性。具体的数学描述为:
,
其中,是量子比特表示的试剂特征,/>是第k个量子比特/>的概率振幅,来源于特征的强度。量子识别则通过量子傅里叶变换实现:
,
其中,是量子识别的结果,/>是量子傅里叶变换。使用量子傅里叶变换来加速识别过程,使得识别更加快速和准确,从而实现了试剂的自动识别。
S200:采用多模态数据融合技术,将不同来源的数据进行有效融合,引入动态反馈融合算法,动态地调整动态反馈融合算法形成的融合策略;
在完成了试剂的自动识别后,为了进一步提高识别的准确性,引入了多模态数据融合模块20和实时校准与反馈模块30。
试剂识别不仅仅依赖于图像信息。在实际应用中,其他模态的数据,如不同波长的光、电化学传感器数据、温度等,也可以为识别提供有价值的信息。因此,多模态数据融合模块20采用了一个多模态数据融合技术,将这些不同来源的数据进行有效融合,以提高识别的准确性。
具体的,基于不同模态数据对识别准确性的贡献度,为每种模态的数据分配一个权重。定义一个损失函数,该函数用于衡量融合后的数据与真实标签之间的差异。优化这些权重,使得该差异最小,上述过程的数学描述为:
,
,
其中,和/>是两种模态数据,/>是表示使损失函数/>最小化的权重,/>是损失函数,/>是权重系数,用于平衡两种模态数据/>和/>在融合过程中的贡献,它的取值范围是[0,1];/>是识别函数,用于将融合后的数据映射到一个识别结果;/>是真实标签;/>是优化后的权重,/>是学习率,/>表示损失函数/>对权重/>的梯度。上述公式的意义是在所有可能的/>值中,/>是那个使得损失函数达到最小值的/>值,使得融合后的数据与真实标签的差异最小,并使用梯度下降法来优化权重/>,从而最小化损失函数。
实时校准与反馈模块30根据实时反馈调整识别参数,进一步提高识别的准确性。使用随机梯度下降法来实时更新识别参数,每当有新的数据进入系统时,根据这些数据和之前的参数计算一个梯度,然后用这个梯度来更新参数。对于将试剂自动识别过程中的参数、/>、/>组合成一个参数向量/>,然后使用更新公式来同时更新所有的参数,具体的更新公式为:
,
其中,表示损失函数/>对参数向量/>的梯度。
为了进一步提高识别的准确性,还引入了一个动态反馈融合算法,根据系统在进行试剂识别过程中所获得的即时信息,形成实时反馈,调用全自动凝血测试仪的数据库中存储的历史数据,由所述实时反馈和所述历史数据动态地调整动态反馈融合算法形成的融合策略。所述实时反馈包括但不限于识别结果的置信度、用户反馈、系统状态信息等。
具体的,基于实时反馈和历史数据对识别准确性的贡献度,为其分配一个权重,使用所述权重来融合实时反馈和历史数据,从而得到一个更准确的识别结果,计算公式为:
,
其中,是实时反馈,/>是历史数据,/>是权重,决定了实时反馈和历史数据的融合比例。
在动态系统中,系统的状态是随时间变化的。因此,需要一个动态的融合策略,能够根据实时反馈和历史数据动态调整融合策略。这种多模态数据融合和实时校准与反馈的结合,使得整个系统具有很高的灵活性和准确性。使用了多种不同的数据源,引入了实时反馈机制,使得系统能够根据实际情况动态地调整自己的行为。通过上述方法的组合,实现了试剂的高准确性识别。
S300:采用基于波形能量映射的算法,对所有试剂的波形能量进行捕获,将波形能量数据映射到高维空间,使用优化算法在高维空间中找到试剂的定位。
快速定位模块40采用基于波形能量映射的算法,结合试剂的物理特性和其在全自动凝血测试仪中的位置产生的波形能量分布,实现了高准确性和高效性的定位。
具体的,全自动凝血测试仪的传感器阵列被用于捕获试剂产生的波形能量,将捕获的波形能量转化为数值数据。由于试剂的种类和性质的差异,它们产生的波形能量可能会有所不同。因此,使用自适应滤波器来调整传感器的灵敏度,确保对所有试剂的波形能量都能有效捕获。
将第r个传感器捕获的波形能量表示为:
,
其中,是第r个传感器在时间t的信号,/>和/>是采集的起始和结束时间,/>是一个调整系数,用于平衡积分和激活函数的影响,/>是传感器的数量,/>。
将波形能量数据映射到一个高维空间,在高维空间中,每个维度代表全自动凝血测试仪的一个可能位置。不同的试剂和全自动凝血测试仪变化可能会影响波形能量映射的准确性,因此使用迁移学习技术,根据不同的试剂和全自动凝血测试仪训练模型,确保映射的准确性。
将映射后的高维空间坐标表示为:
,
其中,和/>是波形能量E的权重矩阵和偏置,/>是激活函数,/>是一个调整系数,用于平衡原始映射和tanh函数的影响,/>是权重矩阵集合中的第k个权重矩阵,m是权重矩阵的数量,m个权重矩阵对应于不同的试剂属性,/>。
使用优化算法在高维空间中找到波形能量最大的位置,该位置即为试剂的预测位置。高维空间的优化可能会受到不确定性和噪声的影响,因此使用贝叶斯优化技术,考虑不确定性和噪声,确保位置预测的准确性。
将预测的位置表示为:
,
其中,是高维空间坐标/>中的一个位置坐标,/>是一个调整系数,用于平衡原始预测和后半部分函数的影响,/>是映射后的高维空间坐标/>中的坐标点数量,/>。这种基于波形能量映射的算法结合了试剂的物理特性和其在全自动凝血测试仪中的位置产生的波形能量分布,实现了高准确性的定位。为了确保系统的稳定性,如果预测的位置与实际位置有较大偏差,系统会发出警告,并重新进行能量采集和映射。
随着全自动凝血测试仪的长时间运行和不同试剂的不断更换,系统可能面临资源瓶颈,导致性能下降。为了确保系统的稳定性和长时间的运行效率,动态资源调度与管理模块50实时监控系统的CPU、内存、存储和其他关键资源的使用情况。这不仅涉及到需要在预定的时间间隔收集系统的资源使用数据,还需要使用滑动窗口方法计算资源的平均使用率,从而评估当前的试剂识别和定位任务的资源需求。
通过使用ARIMA或其他时间序列分析方法,基于历史资源使用数据预测未来的资源需求。考虑到试剂的更换和新任务的添加,预测模型的参数需要进行相应的调整。此外,根据历史数据和当前任务队列,预测未来的试剂识别和定位任务的增长也是必要的。
如果预测的资源需求超过了系统的最大资源容量,那么应优先分配资源给关键任务,如试剂的识别和定位。这可以通过使用优先级队列来确保关键任务的资源需求得到满足。而在资源充足的情况下,可以为非关键任务分配更多资源。
通过上述动态资源调度与管理模块50,全自动凝血测试仪可以确保在长时间运行和面对不同试剂更换的情况下,使系统的稳定性和运行效率得到保障。
综上所述,便完成了本申请所述的一种全自动凝血测试仪的试剂自动识别与定位系统及方法。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
1、通过结合微结构特征提取、深度学习技术和多模态数据融合,本系统能够准确地识别和定位各种试剂,即使是在复杂的背景和不同的生产批次、生产商或存储条件下,也具有很高的灵活性,能够适应各种试剂和全自动凝血测试仪的变化;
2、通过多模态数据融合技术,结合了不同模态的数据,提高了识别的准确性;通过实时校准与反馈模块,能够根据实时反馈调整识别参数,从而进一步提高识别的准确性;这种多模态数据融合和实时校准与反馈的结合,使得整个系统具有很高的灵活性和准确性;
3、系统能够根据实时反馈动态调整识别参数和融合策略,使得系统在不断变化的环境中始终保持最佳的识别性能;引入的动态资源调度与管理模块确保了系统在长时间运行和面对不同试剂更换的情况下的稳定性和运行效率,避免了资源瓶颈和性能下降。
效果调研:
本申请的技术方案能够有效解决现有技术可能主要依赖于简单的图像处理技术,在复杂背景或试剂外观变化时容易出错,以及试剂识别和定位的速度不够快,不能满足实时性的要求的技术问题,同时,系统可能没有有效的资源管理机制,容易出现资源瓶颈,影响系统的稳定性和运行效率,并且在不断变化的环境中不能自适应地调整参数和策略,从而影响识别的准确性的技术问题。并且,上述系统或方法经过了一系列的效果调研,通过验证,最终能够实现全自动凝血测试仪中试剂的高准确性自动识别与定位,结合深度学习、量子计算和动态资源管理,提高了系统的效率、稳定性和实时性。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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)
1.一种全自动凝血测试仪的试剂自动识别与定位系统,其特征在于,包括以下部分:
试剂图像识别模块、多模态数据融合模块、实时校准与反馈模块、快速定位模块、动态资源调度与管理模块;
所述试剂图像识别模块,用于对输入的试剂图像进行微结构分析,识别出试剂的微小结构特征,并将这些特征转化为可识别的编码;动态调整特征的权重;试剂图像识别模块通过数据传输的方式与多模态数据融合模块相连;
所述多模态数据融合模块,用于将来自试剂图像识别模块的数据与其他模态的数据进行有效融合,多模态数据融合模块通过数据传输的方式与实时校准与反馈模块相连;
所述实时校准与反馈模块,用于根据实时反馈调整识别参数,引入动态反馈融合算法,根据系统在进行试剂识别过程中所获得的即时信息,形成实时反馈,调用系统的数据库中存储的历史数据,由实时反馈和历史数据动态调整融合策略,实时校准与反馈模块通过数据传输的方式与快速定位模块相连;
所述快速定位模块,用于采用基于波形能量映射的算法,对所有试剂的波形能量进行捕获,将波形能量数据映射到高维空间,并使用优化算法在高维空间中找到试剂的定位;
所述动态资源调度与管理模块,用于实时监控系统的关键资源使用情况,并根据系统的实时负载动态调整资源分配,动态资源调度与管理模块通过数据传输的方式与整个系统的其他所有模块相连。
2.一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,包括以下步骤:
S100:对输入的试剂图像进行微结构分析,识别出试剂的微小结构特征,将微小结构转化为可识别的编码,动态调整特征的权重;
S200:采用多模态数据融合技术,将不同来源的数据进行有效融合,引入动态反馈融合算法,动态地调整动态反馈融合算法形成的融合策略;
S300:采用基于波形能量映射的算法,对所有试剂的波形能量进行捕获,将波形能量数据映射到高维空间,使用优化算法在高维空间中找到试剂的定位;
应用于权利要求1所述的一种全自动凝血测试仪的试剂自动识别与定位系统。
3.根据权利要求2所述的一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,所述S100,具体包括:
对输入的试剂图像进行微结构分析,使用高斯核来加权微结构的局部特征,识别出试剂的微小结构特征;引入微结构编码技术,将微小结构转化为可识别的编码。
4.根据权利要求2所述的一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,所述S100,还包括:
试剂的特征随时间发生变化,所以需要动态调整特征的权重。
5.根据权利要求4所述的一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,所述S100,还包括:
使用量子比特表示试剂的特征,并利用量子计算的并行性,实现试剂识别;通过量子傅里叶变换实现量子识别。
6.根据权利要求2所述的一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,所述S200,具体包括:
所述多模态数据融合技术,基于不同模态数据对识别准确性的贡献度,为每种模态的数据分配一个权重;定义损失函数,所述损失函数用于衡量融合后的数据与真实标签之间的差异,优化每种模态数据的权重,以最小化所述融合后的数据与真实标签之间的差异。
7.根据权利要求2所述的一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,所述步骤S200,还包括:
引入动态反馈融合算法,根据系统在进行试剂识别过程中所获得的即时信息,形成实时反馈,调用系统的数据库中存储的历史数据,由所述实时反馈和所述历史数据动态地调整动态反馈融合算法形成的融合策略;基于所述实时反馈和所述历史数据对识别准确性的贡献度来分配权重,使用所述权重来融合所述实时反馈和所述历史数据。
8.根据权利要求2所述的一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,所述步骤S300,具体包括:
全自动凝血测试仪的传感器阵列被用于捕获试剂产生的波形能量,将捕获的能量转化为数值数据;由于试剂的种类和性质的差异,导致试剂产生的波形能量有所不同;因此,使用自适应滤波器来调整全自动凝血测试仪的传感器的灵敏度。
9.根据权利要求8所述的一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,所述步骤S300,还包括:
将波形能量数据映射到一个高维空间,在高维空间中,每个维度代表全自动凝血测试仪的一个潜在位置;不同的试剂和全自动凝血测试仪变化会影响波形能量映射的准确性,因此使用迁移学习技术,根据不同的试剂和全自动凝血测试仪训练模型。
10.根据权利要求9所述的一种全自动凝血测试仪的试剂自动识别与定位方法,其特征在于,所述步骤S300,还包括:
使用优化算法在高维空间中找到波形能量最大的位置,所述位置即为试剂的预测位置;高维空间的优化会受到不确定性和噪声的影响,因此使用贝叶斯优化技术。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276955.5A CN117007825B (zh) | 2023-10-07 | 2023-10-07 | 一种全自动凝血测试仪的试剂自动识别与定位系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276955.5A CN117007825B (zh) | 2023-10-07 | 2023-10-07 | 一种全自动凝血测试仪的试剂自动识别与定位系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117007825A true CN117007825A (zh) | 2023-11-07 |
CN117007825B CN117007825B (zh) | 2023-12-22 |
Family
ID=88573047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311276955.5A Active CN117007825B (zh) | 2023-10-07 | 2023-10-07 | 一种全自动凝血测试仪的试剂自动识别与定位系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117007825B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104735713A (zh) * | 2015-03-23 | 2015-06-24 | 山东大学 | 一种适应于宽带无线定位系统中的精确信号传播时延估计方法及实现装置 |
CN105296662A (zh) * | 2015-12-02 | 2016-02-03 | 北京中科紫鑫科技有限责任公司 | 一种基于试剂自适应调整的dna图像采集测序系统 |
CN112295617A (zh) * | 2020-09-18 | 2021-02-02 | 济南大学 | 一种基于实验场景态势感知的智能烧杯 |
WO2021208091A1 (zh) * | 2020-04-13 | 2021-10-21 | 吴刚 | 一种基于神经网络的病毒筛查与防疫系统及方法 |
CN113966538A (zh) * | 2019-06-19 | 2022-01-21 | 合同会社予幸集团中央研究所 | 程序、检查装置、信息处理装置和信息处理方法 |
CN115015250A (zh) * | 2022-05-30 | 2022-09-06 | 广东昊朗医疗科技有限责任公司 | 药液的智能检测方法及系统 |
CN116539704A (zh) * | 2022-01-26 | 2023-08-04 | 中国医学科学院药物研究所 | 一种对组织中ros分布进行可视化分析的方法及其应用 |
-
2023
- 2023-10-07 CN CN202311276955.5A patent/CN117007825B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104735713A (zh) * | 2015-03-23 | 2015-06-24 | 山东大学 | 一种适应于宽带无线定位系统中的精确信号传播时延估计方法及实现装置 |
CN105296662A (zh) * | 2015-12-02 | 2016-02-03 | 北京中科紫鑫科技有限责任公司 | 一种基于试剂自适应调整的dna图像采集测序系统 |
CN113966538A (zh) * | 2019-06-19 | 2022-01-21 | 合同会社予幸集团中央研究所 | 程序、检查装置、信息处理装置和信息处理方法 |
WO2021208091A1 (zh) * | 2020-04-13 | 2021-10-21 | 吴刚 | 一种基于神经网络的病毒筛查与防疫系统及方法 |
CN112295617A (zh) * | 2020-09-18 | 2021-02-02 | 济南大学 | 一种基于实验场景态势感知的智能烧杯 |
CN116539704A (zh) * | 2022-01-26 | 2023-08-04 | 中国医学科学院药物研究所 | 一种对组织中ros分布进行可视化分析的方法及其应用 |
CN115015250A (zh) * | 2022-05-30 | 2022-09-06 | 广东昊朗医疗科技有限责任公司 | 药液的智能检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
宋新平, 张毅, 李亚滨: "模式识别在纺织材料图像分析中的应用", 棉纺织技术, vol. 30, no. 05, pages 48 - 50 * |
Also Published As
Publication number | Publication date |
---|---|
CN117007825B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6253644B2 (ja) | 統合バイアス補正およびクラス予測を用いてバイオマーカシグネチャを生成するためのシステムおよび方法 | |
JP7286863B2 (ja) | 医療データの自動化された検証 | |
CN111103325B (zh) | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 | |
JP2014105989A (ja) | 建物動力設備のエネルギー消費量予測方法 | |
CN110996280B (zh) | 一种rfid室内定位指纹库更新系统及方法 | |
CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
CN116340796B (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN115691722B (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
CN117152152A (zh) | 检测试剂盒的生产管理系统及方法 | |
CN117476214A (zh) | 一种基于医院信息的数据治理方法和系统 | |
CN116383727A (zh) | 一种电厂系统测量粗大误差识别方法、系统、设备及介质 | |
CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN112363465B (zh) | 一种专家规则集训练方法、训练器和工业设备预警系统 | |
CN117007825B (zh) | 一种全自动凝血测试仪的试剂自动识别与定位系统及方法 | |
CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
CN113988311B (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
CN114004138A (zh) | 基于大数据人工智能的建筑监测方法、系统及存储介质 | |
CN114622006A (zh) | 一种基于12v电压驱动的核酸变温扩增系统 | |
CN113744318A (zh) | 一种rfid无设备人体追踪系统的择优标签方法 | |
CN117129698B (zh) | 全自动凝血测试仪的异常报警与重测系统及方法 | |
CN118072929B (zh) | 便携式无菌手术器械包储存设备实时数据智能管理方法 | |
CN117192141B (zh) | 全自动凝血测试仪的质量控制系统及方法 | |
CN112767350B (zh) | 血栓弹力图最大区间预测方法、装置、设备和存储介质 | |
CN117476110B (zh) | 基于人工智能的多尺度生物标记物发现系统 | |
CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |