CN117129698B - 全自动凝血测试仪的异常报警与重测系统及方法 - Google Patents
全自动凝血测试仪的异常报警与重测系统及方法 Download PDFInfo
- Publication number
- CN117129698B CN117129698B CN202311393807.1A CN202311393807A CN117129698B CN 117129698 B CN117129698 B CN 117129698B CN 202311393807 A CN202311393807 A CN 202311393807A CN 117129698 B CN117129698 B CN 117129698B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- abnormal
- abnormality
- retest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013102 re-test Methods 0.000 title claims abstract description 41
- 230000015271 coagulation Effects 0.000 title claims description 39
- 238000005345 coagulation Methods 0.000 title claims description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 90
- 238000012360 testing method Methods 0.000 claims abstract description 81
- 238000002955 isolation Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000010354 integration Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000023555 blood coagulation Effects 0.000 claims abstract description 19
- 238000000746 purification Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000010183 spectrum analysis Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 57
- 238000004458 analytical method Methods 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 239000003153 chemical reaction reagent Substances 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102000015081 Blood Coagulation Factors Human genes 0.000 description 1
- 108010039209 Blood Coagulation Factors Proteins 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003114 blood coagulation factor Substances 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 239000011538 cleaning material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000249 desinfective effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 208000031169 hemorrhagic disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G01N35/00594—Quality control, including calibration or testing of components of the analyser
- G01N35/00603—Reinspection of samples
-
- 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
- G01N35/00623—Quality control of instruments
-
- 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
- G01N35/00693—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G01N35/00693—Calibration
- G01N2035/00702—Curve-fitting; Parameter matching; Calibration constants
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本发明涉及凝血检测技术领域,尤其涉及全自动凝血测试仪的异常报警与重测系统及方法。首先,通过实时异常检测模块对输入的实时测试数据进行分析,判断数据信号状态,得到异常信号;然后,对所述异常信号进行验证,确认异常信号或误报状态;基于验证后的异常信号,进行样本隔离;基于隔离状态报告及需要重新测试的样本信息,净化与复位模块开始工作;基于净化和复位的环境状态和隔离的样本,在纯净的环境下重新进行测试,系统优化与集成模块整合新的测试数据;最后,根据数据和操作负载动态地调整整机的能源使用和处理速度。解决了现有技术在进行异常测试时测试不够准确,效率较慢的技术问题。
Description
技术领域
本发明涉及凝血检测技术领域,尤其涉及全自动凝血测试仪的异常报警与重测系统及方法。
背景技术
凝血测试是检测血液中凝血因子功能和数量的一种重要的临床检验。通过这一测试可以评估患者的凝血状态,并对一些疾病如出血性疾病、血栓性疾病等进行诊断;当前的凝血测试仪器可能由于样品干扰、操作差错或设备故障导致测试结果的偏差,传统的报警系统可能仅限于硬件故障,而不考虑到样品或操作上的异常,当测试结果异常时,需要手动介入进行重测,效率较低;因而,需要开发一种能够自动识别凝血测试结果异常、自动触发重测并及时报警的系统。
对于凝血测试的研究方法有很多,杨军京提出的申请号:“CN202010254634.5”,公开日:2020.06.23,发明名称:“一种全自动凝血测试仪”,主要包括:测试平台,测试平台包括用于载入测试杯并加热的浴温位、用于存放R1试剂的第一试剂位、用于存放样品的样品位、用于运杯测试的测试位及用于存放R2试剂的第二试剂位;加样臂单元,用于将 R1试剂和样品加入到浴温位的测试杯以及将R2试剂加入到测试位的测试杯内;测试杯输送单元,用于将浴温位的测试杯输送至测试位以及将 测试完的测试杯丢弃至指定位置。该发明提供的全自动凝血测试仪,结构紧凑,性能优越且可靠性高。
但上述技术至少存在如下技术问题:在进行异常测试时测试不够准确,效率较慢的技术问题。
发明内容
本申请实施例通过提供全自动凝血测试仪的异常报警与重测系统及方法,解决了现有技术在进行异常测试时测试不够准确,效率较慢的技术问题,实现了高效高准确的全自动凝血测试仪的异常报警与重测的技术效果。
本申请提供了全自动凝血测试仪的异常报警与重测系统及方法具体包括以下技术方案:
全自动凝血测试仪的异常报警与重测系统,具体包括:
实时异常检测模块,误报过滤模块,自动样本隔离和重测模块,净化与复位模块,系统优化与集成模块,高效能源与速度管理模块;
所述实时异常检测模块在检测到异常时,将异常信号发送到所述误报过滤模块进行误报过滤;一旦所述误报过滤模块确认了异常信号,就将异常样本信息传递给所述自动样本隔离和重测模块进行样本隔离和重测;所述自动样本隔离和重测模块在进行样本重测之前,与所述净化与复位模块互动;所述系统优化与集成模块与所有其他模块相互联系,接收各个模块的数据流和指令,然后输出优化后的数据处理和指令;所述系统优化与集成模块整合的操作将影响能耗和速度,并与所述高效能源与速度管理模块互动。
全自动凝血测试仪的异常报警与重测系统,还包括:
所述实时异常检测模块,核心功能是监控凝血测试过程中的数据变化,当数据超出正常范围时,即认为是一个异常,并产生相应的异常信号,包含异常的种类和其程度;
所述误报过滤模块,在接收到所述实时异常检测模块产生的异常信号后,将对所述异常信号进行深入的验证,确认这些异常信号是否是真实的异常或只是简单的误报;
所述自动样本隔离和重测模块,在所述误报过滤模块确认异常后,所述自动样本隔离和重测模块立刻采取行动,对确认为异常的样本进行隔离;隔离后,对所述异常的样本进行重新测试,但在重新测试之前,要确保测试环境得到正确的净化和复位;
所述净化与复位模块,当自动样本隔离和重测系统决定进行重测时,所述净化与复位模块开始工作,确保每次的重测都在纯净的测试环境中进行;
所述系统优化与集成模块,用于整合所有其他模块的操作,并进行相应的优化,所述系统优化与集成模块不停地接收所有其他模块的数据流和操作命令,然后输出经过优化后的数据处理方式和模块操作指令;
所述高效能源与速度管理模块,用于动态地调整整机的能源使用和数据处理速度,基于从系统优化与集成模块接收到的操作负载信息,调整和优化仪器的能源使用和处理速度。
全自动凝血测试仪的异常报警与重测方法,应用于全自动凝血测试仪的异常报警与重测系统,包括以下步骤:
S1. 通过实时异常检测模块对输入的实时测试数据进行分析,判断数据信号状态,得到异常信号;
S2. 对所述异常信号进行验证,确认异常信号或误报状态;
S3. 基于验证后的异常信号,进行样本隔离;
S4. 基于隔离状态报告及需要重新测试的样本信息,净化与复位模块开始工作;
S5. 基于净化和复位的环境状态和隔离的样本,在纯净的环境下重新进行测试,系统优化与集成模块整合新的测试数据;
S6. 根据数据和操作负载动态地调整整机的能源使用和处理速度。
优选的,所述S1,具体包括:
在进行数据分析前期的数据校正时,引入非线性基于核的校正算法。
优选的,在所述S1中,还包括:
在进行数据分析前期的数据校正时,引入阈值截断校正。
优选的,在所述S1中,还包括:
在对校正后的数据进行数据分析时,引入最小正交因子解耦。
优选的,在所述S1中,还包括:
在对校正后的数据进行数据分析时,进一步,引入基于密度的异常敏感度调节算法。
优选的,所述S2,具体包括:
在进行验证时,引入基于频谱分析的方法:异常验证滤波器;提出动态异常权重计算。
优选的,所述S5,具体包括:
在测试进行中,纠错编码系统被启动,所述纠错编码系统可以实时捕捉并纠正任何传输错误;同时,数据经过预处理操作;调用历史数据库,将预处理后的数据与过去的数据进行对比;在进行数据对比时,引入高纬度数据一致性算法量化高维数据间的一致性。
优选的,在所述S5中,还包括:
引入快速模型选择算法,采用所述快速模型选择算法识别出最适合当前数据的模型。
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、本申请通过引入非线性校正提供了对数据偏差的强大校正能力,从而确保了数据质量和准确性,采用阈值截断校正,防止数据失真,确保校正后的数据仍然在可接受的范围内;通过最小正交因子解耦,成功消除了多重共线性,使得每个凝血指标都能被独立地分析和解释,基于密度的异常敏感度调节算法确保了对真实异常的准确识别,避免了对正常值的误判。
2、本申请引入基于频谱分析的异常验证滤波器,有效地消除了数据中的噪声,从而使得异常信号更加清晰和明确,降低了误报的可能性,提供了一个具有多个可调参数的自定义频谱滤波器,使得滤波器可以根据实际需求和历史数据的特性进行灵活的设计和调整,从而满足不同的验证需求,通过动态计算过滤后的数据与历史数据的差异权重,可以更准确地评估异常的严重性,从而为后续的处理提供了有力的依据。
3、本申请通过引入高纬度数据一致性算法,降低数据的复杂性,同时不损失主要信息,这使得数据的对比和分析更为准确,通过马氏距离快速、准确地评估新数据与历史数据的一致性,有助于及时发现异常或错误;同时,自动选择最适合的模型进行数据分析,减少了时间消耗和计算量。
4、本申请的技术方案能够有效解决在进行异常测试时测试不够准确,效率较慢的技术问题,通过引入非线性校正提供了对数据偏差的强大校正能力,从而确保了数据质量和准确性,采用阈值截断校正,防止数据失真,确保校正后的数据仍然在可接受的范围内;通过最小正交因子解耦,成功消除了多重共线性,使得每个凝血指标都能被独立地分析和解释,基于密度的异常敏感度调节算法确保了对真实异常的准确识别,避免了对正常值的误判;引入基于频谱分析的异常验证滤波器,有效地消除了数据中的噪声,从而使得异常信号更加清晰和明确,降低了误报的可能性,提供了一个具有多个可调参数的自定义频谱滤波器,使得滤波器可以根据实际需求和历史数据的特性进行灵活的设计和调整,从而满足不同的验证需求,通过动态计算过滤后的数据与历史数据的差异权重,可以更准确地评估异常的严重性,从而为后续的处理提供了有力的依据;引入高纬度数据一致性算法,降低数据的复杂性,同时不损失主要信息。这使得数据的对比和分析更为准确,通过马氏距离快速、准确地评估新数据与历史数据的一致性,有助于及时发现异常或错误;同时,自动选择最适合的模型进行数据分析,减少了时间消耗和计算量。
附图说明
图1为本申请全自动凝血测试仪的异常报警与重测系统的模块图;
图2为本申请全自动凝血测试仪的异常报警与重测方法的流程图;
具体实施方式
本申请实施例通过提供全自动凝血测试仪的异常报警与重测系统及方法,解决了现有技术中在进行异常测试时测试不够准确,效率较慢的技术问题,总体思路如下:
实时异常检测模块,误报过滤模块,自动样本隔离和重测模块,净化与复位模块,系统优化与集成模块,高效能源与速度管理模块;所述实时异常检测模块在检测到异常时,将异常信号发送到所述误报过滤模块进行误报过滤;一旦所述误报过滤模块确认了异常信号,它会将异常样本信息传递给所述自动样本隔离和重测模块进行样本隔离和重测;所述自动样本隔离和重测模块在进行样本重测之前,会与所述净化与复位模块互动,确保测试环境被正确地净化和复位;所述系统优化与集成模块与所有其他模块相互联系,接收各个模块的数据流和指令,然后输出优化后的数据处理和指令;所述系统优化与集成模块整合的操作可能影响能耗和速度,它会与所述高效能源与速度管理模块互动,确保在最佳条件下执行这些操作;通过引入非线性校正提供了对数据偏差的强大校正能力,从而确保了数据质量和准确性,采用阈值截断校正,防止数据失真,确保校正后的数据仍然在可接受的范围内;通过最小正交因子解耦,成功消除了多重共线性,使得每个凝血指标都能被独立地分析和解释,基于密度的异常敏感度调节算法确保了对真实异常的准确识别,避免了对正常值的误判;引入基于频谱分析的异常验证滤波器,有效地消除了数据中的噪声,从而使得异常信号更加清晰和明确,降低了误报的可能性,提供了一个具有多个可调参数的自定义频谱滤波器,使得滤波器可以根据实际需求和历史数据的特性进行灵活的设计和调整,从而满足不同的验证需求,通过动态计算过滤后的数据与历史数据的差异权重,可以更准确地评估异常的严重性,从而为后续的处理提供了有力的依据;引入高纬度数据一致性算法,降低数据的复杂性,同时不损失主要信息。这使得数据的对比和分析更为准确,通过马氏距离快速、准确地评估新数据与历史数据的一致性,有助于及时发现异常或错误;同时,自动选择最适合的模型进行数据分析,减少了时间消耗和计算量。
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,本申请所述的全自动凝血测试仪的异常报警与重测系统包括以下部分:
实时异常检测模块,误报过滤模块,自动样本隔离和重测模块,净化与复位模块,系统优化与集成模块,高效能源与速度管理模块;
所述实时异常检测模块,核心功能是监控凝血测试过程中的数据变化,当数据超出正常范围时,即认为这是一个异常,并产生相应的异常信号,这其中包含了异常的种类和其程度;
所述误报过滤模块,在接收到所述实时异常检测模块产生的异常信号后,此模块开始行动,它将对这些异常信号进行深入的验证,确认这些异常信号是否是真实的异常或只是简单的误报;
所述自动样本隔离和重测模块, 在误报过滤模块确认异常后,此模块会立刻采取行动,对确认为异常的样本进行隔离,以确保不影响其他测试;隔离后,选择一个合适的时机对这些样本进行重新测试,但在重新测试之前,它要确保测试环境得到了正确的净化和复位;
所述净化与复位模块,当自动样本隔离和重测系统决定进行重测时,这个模块开始工作,确保每次的重测都在一个纯净的测试环境中进行;
所述系统优化与集成模块,此模块的功能是整合所有其他模块的操作,并进行相应的优化,以确保整个仪器的高效运行,它不停地接收所有其他模块的数据流和操作命令,然后输出经过优化后的数据处理方式和模块操作指令。
所述高效能源与速度管理模块,为了保持凝血测试仪的高效和稳定运行,此模块的任务是动态地调整整机的能源使用和数据处理速度,基于从系统优化与集成模块接收到的操作负载信息,它会调整和优化仪器的能源使用和处理速度,确保所有操作都在最佳的条件下执行;
各个模块之间的联系:
所述实时异常检测模块在检测到异常时,将异常信号发送到所述误报过滤模块进行误报过滤;
一旦所述误报过滤模块确认了异常信号,它会将异常样本信息传递给所述自动样本隔离和重测模块进行样本隔离和重测;
所述自动样本隔离和重测模块在进行样本重测之前,会与所述净化与复位模块互动,确保测试环境被正确地净化和复位;
所述系统优化与集成模块与所有其他模块相互联系,接收各个模块的数据流和指令,然后输出优化后的数据处理和指令;
所述系统优化与集成模块整合的操作可能影响能耗和速度,它会与所述高效能源与速度管理模块互动,确保在最佳条件下执行这些操作。
参照附图2,本申请所述全自动凝血测试仪的异常报警与重测方法包括以下步骤:
S1. 通过实时异常检测模块对输入的实时测试数据进行分析,判断数据信号状态,得到异常信号;
使用高精度传感器将采集到的凝血测试仪器的生物化学信号转换为模拟信号,再模拟-数字转换器(ADC)对模拟信号进行转换,产生数字数据,得到标准化的数字凝血测试数据,通过通信协议(如USB、蓝牙等)将数字数据传输到处理单元,进行数据预处理;所述数据预处理利用滑动窗口滤波器减少数据噪声,使用Z-score方法标准化处理数据;因为设备的日常校准、操作者的差异、甚至患者样本的特性等原因,凝血测试数据可能出现误差。因此,需要对数据进行进一步的校正:
为了解决随着时间的推移和环境的变化,引起的数据非线性偏差,本申请引入非线性基于核的校正算法,所述非线性基于核的校正算法具体实现如下:
,
这是一个三次多项式函数,其中,表示原始的、未校正的凝血测试值;a、b、c和d是待定系数,通过使用最小二乘法确定这些系数的值,以最小化原始数据与校正数据之间的差异;得到校正后的数据/>;
进一步,为了避免在某些极端条件下,非线性校正导致数据失真,本申请引入阈值截断校正;具体如下:
,
上述过程为了防止数据失真,当校正值超出某个范围时,将其截断到该范围的上限或下限, 和/>是预设的上限和下限阈值,根据经验法获得;
最后得到最终的校正数据,并存储以备后用;
进一步,对校正后的数据进行数据分析与对比:
在进行任何复杂分析之前,首先需要对数据进行描述性统计以获取数据的总览,描述性统计不仅提供了数据的大致分布和中心趋势,还为后续的分析建立了基础,设定参数和初始阈值;计算每个凝血指标的平均值、标准差、中位数和四分位范围;识别任何可能的异常值和离群值;
通过上述过程,获得了原始数据的“地图”,有助于识别可能的数据问题,并为后续的最小正交因子解耦和基于密度的异常敏感度调节算法提供参考指标和初步异常标识;
为了解决高度相关的凝血指标导致的多重共线性问题,引入最小正交因子解耦,所述最小正交因子解耦,首先将校正后的凝血测试数据视为矩阵,其中每一列代表一个凝血指标,计算/>的协方差矩阵/>:
,
再对协方差矩阵进行特征分解:
,
其中,是特征值矩阵;/>是特征向量矩阵;
通过特征值的倒数平方根构建解耦矩阵/>:
,
计算解耦后的数据:
,
描述性统计中识别的异常值在此步骤中特别重要,因为它们可能对协方差矩阵和特征分解造成影响,此外,通过比较数据的描述性统计与解耦后的结果,可以进一步优化解耦过程;
进一步,为了避免异常值的高敏感性,引入基于密度的异常敏感度调节算法,所述基于密度的异常敏感度调节算法,首先计算经过最小正交因子解耦处理后的数据中每个点的局部密度/>:
,
其中,是数据点/>的局部密度。其值高意味着该点周围有更多的数据点,而低值则意味着该点可能是异常或噪声,是局部密度/>的任意一个元素;/>是高斯核的宽度参数,它可以根据描述性统计中的数据分布范围进行设置;/>是数据集中的总数据点数量;
再使用局部密度调节异常敏感度/>:
,
,
其中,表示局部密度最大值;/>是数据点i出的异常敏感度,是异常敏感度/>中的任意一个元素;
最后,使用敏感度更新异常分数:
,
其中,是在不考虑数据密度的情况下根据现有异常检测算法Isolation Forest得到的原始异常分数;
接下来,使用基于密度的异常敏感度调节算法得到的异常分数,对数据点进行分类,即确定一个阈值,超过该阈值的被认为是异常,这个阈值可以基于描述性统计中的四分位数范围进行设定;并标注每个数据点,表明它是正常的还是异常的;
通过上述过程得到异常信号;
本申请通过引入非线性校正提供了对数据偏差的强大校正能力,从而确保了数据质量和准确性,采用阈值截断校正,防止数据失真,确保校正后的数据仍然在可接受的范围内;通过最小正交因子解耦,成功消除了多重共线性,使得每个凝血指标都能被独立地分析和解释,基于密度的异常敏感度调节算法确保了对真实异常的准确识别,避免了对正常值的误判。
S2. 对所述异常信号进行验证,确认异常信号或误报状态;
在异常信号验证环节,首先通过异常信号标识,利用这一标识自动搜寻并对比数据库中近期与此类似的异常数据,得到近期相似异常的历史数据参考,与此同时,在检测到异常信号后,迅速启动多次连续采样,以捕获异常周围的数据,确保对异常的持续性进行准确判断,产生一个连续的临时数据序列;
接下来,所述序列与从数据库提取的历史数据结合,进行深入分析对比:
首先,调整连续临时数据至一个共同基线是至关重要的,这可以通过以下公式完成:
,
其中,是调整后的连续临时数据,/>是当前的连续临时数据,而是历史数据的平均值。这样,如此便将临时数据与历史数据进行了相对比对;
然而在进行验证时,临时数据受到环境噪声影响,引起验证不准确,为了解决这一问题,本申请引入了一个基于频谱分析的方法:异常验证滤波器:
首先,转换数据到频率域:
,
其中,是频率,是对应的数据频率,代表数据中各种信号变化的速度;
然后,使用自定义的频谱滤波器以消除数据中的噪声部分,滤波器的设计需要基于历史数据的频谱特性,筛选出主要的有用频率成分并削弱噪声部分:
,
其中,是一个自定义频谱滤波器,设计目的是为了去除可能导致误报的噪声;/>的计算公式:
,
其中,当前的频率,来自信号的傅里叶变换和采样率;/>是信号的最大频率,来自信号的傅里叶变换和采样率;/>是调节窗口幅度的系数,控制窗口的幅度,进而影响窗口对信号各部分的衰减程度,由系统的设计者根据所需的滤波器性质来设定;/>调节正弦调制的深度的系数,控制正弦调制的深度,对滤波器的频率响应起到调节作用,由系统的设计者根据所需的滤波器性质来设定;/>是正弦调制的中心频率,选择正弦调制的中心频率,决定了信号哪部分被调节,根据需要调节的信号频段来设定;/>是衰减系数,影响滤波器对高频成分的响应,为滤波器增加了一个指数衰减,对高频成分的响应会更加迅速地衰减,由系统设计者根据对高频响应的需求来设定;
最后,进行反向快速傅里叶变换再次转换数据回到时域:
,
滤波器的选择是基于对历史数据的频谱特性分析,挑选出对应的主要频率部分;最后得到经过"异常验证滤波器"处理的数据;
接下来,考虑如何与历史数据进行比对并确认异常,本申请提出"动态异常权重计算":
首先,计算权重,所述权重是基于过滤后的数据与历史数据的差异:
,
接下来,设定一个阈值,如果/>超出这个阈值, 则认为有异常出现,这个阈值是基于历史数据的方差确定的;得到异常判定权重/>;
结合上述两个算法,对异常数据进行验证,进一步确定异常数据状态;
经过上述深入分析对比处理后,获得了关于异常信号的更准确的判定结果,无论是确认的异常还是误报状态;
最后,根据上述比对的结果决定下一步的行动,如果经过仔细核查后确认为真实的异常,会自动触发隔离机制,确保问题数据信号被隔离,并进行后续处理。反之,如果经过分析确定为误报,系统会重新进入正常的测试流程,继续进行其他样本的检测;
本申请引入基于频谱分析的异常验证滤波器,有效地消除了数据中的噪声,从而使得异常信号更加清晰和明确,降低了误报的可能性,提供了一个具有多个可调参数的自定义频谱滤波器,使得滤波器可以根据实际需求和历史数据的特性进行灵活的设计和调整,从而满足不同的验证需求,通过动态计算过滤后的数据与历史数据的差异权重,可以更准确地评估异常的严重性,从而为后续的处理提供了有力的依据。
S3. 基于验证后的异常信号,进行样本隔离;
在全自动凝血测试仪的异常报警与重测系统中,样本隔离是至关重要的环节,当系统接收到验证后的异常信号时,首先通过数据解析算法解析该异常信号,从中识别出异常样本的批号、样本位置、异常类型等,进一步,系统会对这些解析出的异常样本信息进行风险评估,如计算可能影响其他样本的概率,并使用预定的决策树或机器学习模型预估所需的隔离容器数量和位置;
接着,控制单元会查询数据库或内存,检查当前可用的隔离容器数量。若隔离容器不足,系统会通过内部通讯模块发出紧急警报,要求人工干预;但若隔离容器足够,调度算法会为异常样本计算最优的容器分配策略。有了这些准备,系统内部的精密机械臂便可以启动,利用PID控制算法确保样本稳定地从原位置移至隔离容器。在此移动过程中,系统会实时监控样本的温度、压力等物理条件,确保不会因为环境的改变而产生更多问题;
随后,一旦样本被成功隔离至容器,系统的高分辨率摄像头和图像识别算法会启动,确认样本已成功隔离,并利用RFID或二维码扫描技术对隔离容器内的样本进行标识和记录;
最后,为了记录整个过程并为后续步骤提供数据,信息整合模块会将所有数据整合入数据库,同时,报告生成模块根据数据库中的信息生成详细的隔离状态报告,并通过SMTP协议或API接口自动将该报告发送至预定的接收端,确保实时的监控和随时的数据获取;
S4. 基于隔离状态报告及需要重新测试的样本信息,净化与复位模块开始工作;
首先,通过内置传感器进行状态检查与评估,仪器内部的环境参数,如pH、温度、湿度都将被捕获,然后,与预设的正常范围进行对比,以确定存在异常的部分,形成一份评估报告,标明哪些仪器部件和区域需要净化和复位;
接下来,根据这份评估报告,使用决策树算法动态生成一个设备清洗策略,确保每一个涉及的部件和所需使用的清洁方法都被详细列举,随后,利用自动化仓储管理系统选择并分配适当的清洗剂和工具,与此同时,无人机械臂按照先前形成的清洗计划准备所需的清洁材料;
在准备工作完成后,无人机械臂开始按照清洗计划操作,对设备进行局部或整体的清洗,清洗完毕后,还会用紫外线灯对设备进行短时间的消毒处理,确保测试环境是无菌的。这一阶段完成后,形成一个清洗和净化后的设备状态报告;
随后,控制系统根据这份状态报告,检查仪器内的所有参数,并与预设的标准配置进行比对,任何与预设不符的参数都会被重置,确保仪器达到一个完全复位的状态,完全准备好进行重新测试;
最后,为确保所有步骤都已正确完成,仪器会启动一次最终检查与验证程序,这一程序会利用内置传感器和摄像头进行全面检查,同时也会运行一个简单的自我检测,确保整个系统无误,准备好进行凝血测试;
S5. 基于净化和复位的环境状态和隔离的样本,在纯净的环境下重新进行测试,系统优化与集成模块整合新的测试数据;
首先,通过传感器实时检测测试区的温度、湿度和其他关键参数,评估环境的适宜性,随后,使用内嵌的控制软件,将仪器设备自动调整到初始状态,如清洗探针、复位吸头等;为确保精准度,系统会启动温控设备,确保测试区达到标准操作温度,并开启环境稳定系统,确保温度稳定且不受外部因素干扰;
进一步,高分辨率摄像头扫描样本外观,判断其完好性,一旦确认样本的完整性,精确的机械臂会启动并按预定轨迹移动样本从隔离区到测试区;为确保后续操作的流畅性,红外定位技术被用来精准地定位样本的位置和姿态;
在图形用户界面(GUI)上,选择针对特定样本的测试程序。随后,AI助手自动分析样本信息,推荐最佳的测试参数并进行相应调整。为确保整个测试过程的透明性,系统会开启测试过程的视频监控,同时实时显示数据流;
进一步,为确保数据的完整性和准确性,在测试进行中,纠错编码系统被启动,该系统可以实时捕捉并纠正任何传输错误;同时,数据会经过数字滤波、信号放大和基线调整等预处理操作;为了确保数据安全,处理过的数据会实时写入高速缓存数据库,并为长期存储备份到硬盘;
接下来,深度学习算法被用于新数据的特征提取和异常检测。调用历史数据库,新数据会与过去的数据进行对比,评估其一致性和可靠性。为了更深入地分析和了解数据,系统还会运用统计工具进行回归分析、主成分分析等,从中提取关键参数。
接下来,处理的测试数据进行数据集成处理,首先,为了确保数据的完整性和准确性,系统从数据库或云存储中访问历史数据,根据当前测试样本的类型和日期,筛选出相应的历史数据并加载到当前工作空间;
接着,使用数据对比算法,如相关性分析、均方误差计算等,进行新旧数据的对比,这个步骤中,关键指标的对比尤为重要,因为它们确保没有明显的偏差或异常,如果在这个阶段检测到任何异常,那么将会生成异常报告并进入后续的深入分析;
在进行数据对比时,存在数据的高维度和高复杂度,导致传统的相关性分析和均方误差计算无法准确反映数据的真实关系,本申请引入高纬度数据一致性算法,所述高维数据一致性算法,基于高维测试数据矩阵,使用PCA降低数据的维度到/>,其中 (/>为原始维度):
,
其中,是降维后的数据矩阵,它仍然包含了原始数据的主要信息,但其维度已经降低;
再计算降维后数据的均值和协方差矩阵/>:/>
,
,
其中,是降维后数据的均值,表示在降维空间中的数据中心;/>是降维后数据的协方差矩阵,描述了降维后的数据特征间的关系;
再计算新数据和历史数据在降维空间中的马氏距离:
,
其中,是新数据的降维表示,表示在相同的降维空间中新样本的位置;
上述算法可有效量化高维数据间的一致性,减少了噪声和不必要的信息,更准确地反映了数据的内在关系;
进一步,在全自动凝血测试仪的数据集成过程中,马氏距离可以用于评估新数据和历史数据间的一致性,具体有:首先,根据经验法设定一个马氏距离的阈值/>,这个阈值根据专家的经验确定,将计算出的马氏距离/>与阈值 />进行比较,如果/>,说明新数据与历史数据存在较大差异,可能是异常值或者测试过程中的错误导致,此时应触发报警机制,提醒相关人员进行检查;如果 />,说明新数据与历史数据较为一致,可以进入下一步操作;
在没有异常的情况下,可以进一步利用统计工具进行数据的统计分析,例如,计算数据的均值、标准差、置信区间等,为了更好地理解复杂的数据模式或趋势,选择合适的数据模型进行拟合也是至关重要的,如线性回归、逻辑回归或神经网络,这些模型不仅帮助分析当前的数据,还可以预测未来的数据趋势或分析潜在的因素;
在大量候选模型中快速而准确地选择最优模型,本申请引入快速模型选择算法,所述快速模型选择算法,将一组候选模型和训练数据/>作为模型输入,在进行算法实现时,以第m个模型为例,首选,初始化模型评价得分/>;然后使用梯度提升的方式逐一尝试每个模型/>,并对模型输出的预测误差/>进行优化:
,
其中,是模型/>的预测误差。衡量了模型预测与实际观测之间的差异;/>真实的观测值,从凝血测试仪中直接获得的原始结果;/>是模型的预测值,模型/>基于输入数据/>的预测结果;
进一步,更新模型得分:
,
其中,是模型/>的更新得分,它是模型/>在当前迭代中的性能指标;/>是学习率,一个正的常数,用于调整模型得分更新的速度;/>表示初始评分;
进一步,选择得分最低的模型为最优模型,得到最优模型;
上述算法大大减少了模型选择所需的计算量和时间,同时能够准确地识别出最适合当前数据的模型;
然而,如果在之前的对比中检测到了异常,这一阶段就需要进行深入的异常分析,这涉及到对异常的原因进行深入挖掘,这些原因可能包括仪器故障、样本问题或其他外部因素,数据可视化工具在这里也起到了关键作用,它们通过各种图形如散点图、箱型图等详细展示异常数据,基于异常分析的结果,会给出相应的建议,比如是否需要重新进行测试或是需要修复某个部分的硬件;
最后,所有这些报告和分析将被整合成一个完整的测试数据集成报告。报告详细列出了测试的过程、方法、结果和建议,并经过了格式化和优化,确保其可读性和准确性;
进一步,系统根据测试结果智能推荐样本的后续处理方式,如保存、丢弃或进一步分析,精确的机械臂会根据这些建议将样本移至对应的位置,最终,系统会集成所有数据与图像,生成完整、可视化的测试报告,同时提供下载、打印等功能;
最终得到,重新测试的结果数据;
本申请通过引入高纬度数据一致性算法,降低数据的复杂性,同时不损失主要信息。这使得数据的对比和分析更为准确,通过马氏距离快速、准确地评估新数据与历史数据的一致性,有助于及时发现异常或错误;同时,自动选择最适合的模型进行数据分析,减少了时间消耗和计算量。
S6. 根据数据和操作负载动态地调整整机的能源使用和处理速度。
首先,使用传感器和内置分析工具进行数据采集,通过多通道输入输出(IO)接口实时读取设备上的各种传感器数据,并采用时间序列分析,对这些数据进行分类和标记,生成标记后的工作状态数据;
接下来,为了预测能源消耗,一个能源消耗模型被建立,使用机器学习算法,例如决策树,这一模型基于过去的数据预测即将的能源需求,在模型的训练过程中,它会不断地调整自己以适应新的设备状态,从而输出能源需求的预测值;
在速度方面,通过内置计时器和处理器状态读取工具来判断处理速度的需求,根据重新测试的数据复杂性以及设备任务队列的长度,该系统可以实时判断处理速度的需求,并使用相应的算法来确定是否需要更高或更低的处理速度,从而得出处理速度需求的评估;
随着能源需求的预测,设备可以动态地调整电池或电源的输出,使用模糊逻辑控制器,根据上述的能源需求预测值,电源的供电电压和电流可以得到动态的调整,确保实时的能源供应状态保持在最优;
处理速度也可以根据需求进行调整,这是通过使用硬件加速或动态频率调整技术来实现的,根据处理速度需求的评估,处理器的时钟频率可以动态地被改变,或者某些核心可以被启动/关闭,对于非关键任务,还可以考虑使用低功耗模式或背景处理,确保设备始终在最佳的速度和模式下运行;
最后,为了确保设备的稳定性和持续优化,必须持续地收集设备的运行状态并进行反馈,利用设备的自我检测功能和内部状态监测工具,设备的运行状态被实时收集,如果检测到任何异常,系统会立即触发警报并启动自我纠正程序,保证设备的稳定运行并生成实时的设备状态监测报告和异常记录;
综上所述,便完成了本申请所述的全自动凝血测试仪的异常报警与重测系统及方法。
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、本申请通过引入非线性校正提供了对数据偏差的强大校正能力,从而确保了数据质量和准确性,采用阈值截断校正,防止数据失真,确保校正后的数据仍然在可接受的范围内;通过最小正交因子解耦,成功消除了多重共线性,使得每个凝血指标都能被独立地分析和解释,基于密度的异常敏感度调节算法确保了对真实异常的准确识别,避免了对正常值的误判。
2、本申请引入基于频谱分析的异常验证滤波器,有效地消除了数据中的噪声,从而使得异常信号更加清晰和明确,降低了误报的可能性,提供了一个具有多个可调参数的自定义频谱滤波器,使得滤波器可以根据实际需求和历史数据的特性进行灵活的设计和调整,从而满足不同的验证需求,通过动态计算过滤后的数据与历史数据的差异权重,可以更准确地评估异常的严重性,从而为后续的处理提供了有力的依据。
3、本申请通过引入高纬度数据一致性算法,降低数据的复杂性,同时不损失主要信息,这使得数据的对比和分析更为准确,通过马氏距离快速、准确地评估新数据与历史数据的一致性,有助于及时发现异常或错误;同时,自动选择最适合的模型进行数据分析,减少了时间消耗和计算量。
效果调研:
本申请的技术方案能够有效解决在进行异常测试时测试不够准确,效率较慢的技术问题,并且,上述系统或方法经过了一系列的效果调研,通过引入非线性校正提供了对数据偏差的强大校正能力,从而确保了数据质量和准确性,采用阈值截断校正,防止数据失真,确保校正后的数据仍然在可接受的范围内;通过最小正交因子解耦,成功消除了多重共线性,使得每个凝血指标都能被独立地分析和解释,基于密度的异常敏感度调节算法确保了对真实异常的准确识别,避免了对正常值的误判;引入基于频谱分析的异常验证滤波器,有效地消除了数据中的噪声,从而使得异常信号更加清晰和明确,降低了误报的可能性,提供了一个具有多个可调参数的自定义频谱滤波器,使得滤波器可以根据实际需求和历史数据的特性进行灵活的设计和调整,从而满足不同的验证需求,通过动态计算过滤后的数据与历史数据的差异权重,可以更准确地评估异常的严重性,从而为后续的处理提供了有力的依据;引入高纬度数据一致性算法,降低数据的复杂性,同时不损失主要信息。这使得数据的对比和分析更为准确,通过马氏距离快速、准确地评估新数据与历史数据的一致性,有助于及时发现异常或错误;同时,自动选择最适合的模型进行数据分析,减少了时间消耗和计算量。
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 (9)
1.全自动凝血测试仪的异常报警与重测系统,其特征在于,具体包括:
实时异常检测模块,误报过滤模块,自动样本隔离和重测模块,净化与复位模块,系统优化与集成模块,高效能源与速度管理模块;
所述实时异常检测模块,核心功能是监控凝血测试过程中的数据变化,当数据超出正常范围时,即认为是一个异常,并产生相应的异常信号,包含异常的种类和其程度,将异常信号发送到误报过滤模块进行误报过滤;
所述误报过滤模块,在接收到所述实时异常检测模块产生的异常信号后,将对所述异常信号进行深入的验证,确认这些异常信号是否是真实的异常或只是简单的误报;一旦确认了异常信号,就将异常样本信息传递给自动样本隔离和重测模块进行样本隔离和重测;
所述自动样本隔离和重测模块,在所述误报过滤模块确认异常后,所述自动样本隔离和重测模块立刻采取行动,对确认为异常的样本进行隔离;隔离后,对所述异常的样本进行重新测试,在重新测试之前,与净化与复位模块互动,确保测试环境得到正确的净化和复位;
所述净化与复位模块,当自动样本隔离和重测系统决定进行重测时,所述净化与复位模块开始工作,确保每次的重测都在纯净的测试环境中进行;
所述系统优化与集成模块,用于整合所有其他模块的操作,并进行相应的优化,所述系统优化与集成模块不停地接收所有其他模块的数据流和操作命令,然后输出经过优化后的数据处理方式和模块操作指令;系统优化与集成模块与所有其他模块相互联系,接收各个模块的数据流和指令,然后输出优化后的数据处理和指令;系统优化与集成模块整合的操作将影响能耗和速度,并与高效能源与速度管理模块互动;
所述高效能源与速度管理模块,用于动态地调整整机的能源使用和数据处理速度,基于从系统优化与集成模块接收到的操作负载信息,调整和优化仪器的能源使用和处理速度。
2.全自动凝血测试仪的异常报警与重测方法,应用于权利要求1所述的全自动凝血测试仪的异常报警与重测系统,其特征在于,包括以下步骤:
S1. 通过实时异常检测模块对输入的实时测试数据进行分析,判断数据信号状态,得到异常信号;
S2. 对所述异常信号进行验证,确认异常信号或误报状态;
S3. 基于验证后的异常信号,进行样本隔离;
S4. 基于隔离状态报告及需要重新测试的样本信息,净化与复位模块开始工作;
S5. 基于净化和复位的环境状态和隔离的样本,在纯净的环境下重新进行测试,系统优化与集成模块整合新的测试数据;
S6. 根据数据和操作负载动态地调整整机的能源使用和处理速度。
3.根据权利要求2所述的全自动凝血测试仪的异常报警与重测方法,其特征在于,所述S1,具体包括:
在进行数据分析前期的数据校正时,引入非线性基于核的校正算法。
4.根据权利要求3所述的全自动凝血测试仪的异常报警与重测方法,其特征在于,在所述S1中,还包括:
在进行数据分析前期的数据校正时,引入阈值截断校正。
5.根据权利要求4所述的全自动凝血测试仪的异常报警与重测方法,其特征在于,在所述S1中,还包括:
在对校正后的数据进行数据分析时,引入最小正交因子解耦。
6.根据权利要求5所述的全自动凝血测试仪的异常报警与重测方法,其特征在于,在所述S1中,还包括:
在对校正后的数据进行数据分析时,进一步,引入基于密度的异常敏感度调节算法。
7.根据权利要求2所述的全自动凝血测试仪的异常报警与重测方法,其特征在于,所述S2,具体包括:
在进行验证时,引入基于频谱分析的方法:异常验证滤波器:
首先,转换数据到频率域;
然后,使用自定义的频谱滤波器消除数据中的噪声部分,所述自定义的频谱滤波器的计算公式为:
,
其中,是当前的频率;/>是信号的最大频率;/>是调节窗口幅度的系数;/>用于调节正弦调制的深度的系数;/>是正弦调制的中心频率;/>是衰减系数;
最后,进行反向快速傅里叶变换再次转换数据回到时域;
接下来,提出动态异常权重计算。
8.根据权利要求2所述的全自动凝血测试仪的异常报警与重测方法,其特征在于,所述S5,具体包括:
在测试进行中,纠错编码系统被启动,所述纠错编码系统可以实时捕捉并纠正任何传输错误;同时,数据经过预处理操作;调用历史数据库,将预处理后的数据与过去的数据进行对比;在进行数据对比时,引入高纬度数据一致性算法量化高维数据间的一致性。
9.根据权利要求8所述的全自动凝血测试仪的异常报警与重测方法,其特征在于,在所述S5中,还包括:
引入快速模型选择算法,采用所述快速模型选择算法识别出最适合当前数据的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311393807.1A CN117129698B (zh) | 2023-10-26 | 2023-10-26 | 全自动凝血测试仪的异常报警与重测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311393807.1A CN117129698B (zh) | 2023-10-26 | 2023-10-26 | 全自动凝血测试仪的异常报警与重测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117129698A CN117129698A (zh) | 2023-11-28 |
CN117129698B true CN117129698B (zh) | 2024-01-23 |
Family
ID=88858481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311393807.1A Active CN117129698B (zh) | 2023-10-26 | 2023-10-26 | 全自动凝血测试仪的异常报警与重测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117129698B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1933247A2 (en) * | 2001-08-24 | 2008-06-18 | Bio-Rad Laboratories, Inc. | Biometric quality control process |
CN111106959A (zh) * | 2019-12-20 | 2020-05-05 | 贵州黔岸科技有限公司 | 用于运输管理系统的异常监控报警系统及方法 |
CN112232529A (zh) * | 2019-06-26 | 2021-01-15 | 豪夫迈·罗氏有限公司 | 用于实验室系统的维护方法 |
CN113755309A (zh) * | 2020-06-01 | 2021-12-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种凝血检测方法和凝血分析仪 |
US11509674B1 (en) * | 2019-09-18 | 2022-11-22 | Rapid7, Inc. | Generating machine learning data in salient regions of a feature space |
CN115711999A (zh) * | 2021-08-23 | 2023-02-24 | 深圳市帝迈生物技术有限公司 | 样本检测的控制方法、装置、存储介质及凝血分析仪 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11885952B2 (en) * | 2018-07-30 | 2024-01-30 | Essenlix Corporation | Optics, device, and system for assaying and imaging |
-
2023
- 2023-10-26 CN CN202311393807.1A patent/CN117129698B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1933247A2 (en) * | 2001-08-24 | 2008-06-18 | Bio-Rad Laboratories, Inc. | Biometric quality control process |
CN112232529A (zh) * | 2019-06-26 | 2021-01-15 | 豪夫迈·罗氏有限公司 | 用于实验室系统的维护方法 |
US11509674B1 (en) * | 2019-09-18 | 2022-11-22 | Rapid7, Inc. | Generating machine learning data in salient regions of a feature space |
CN111106959A (zh) * | 2019-12-20 | 2020-05-05 | 贵州黔岸科技有限公司 | 用于运输管理系统的异常监控报警系统及方法 |
CN113755309A (zh) * | 2020-06-01 | 2021-12-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种凝血检测方法和凝血分析仪 |
CN115711999A (zh) * | 2021-08-23 | 2023-02-24 | 深圳市帝迈生物技术有限公司 | 样本检测的控制方法、装置、存储介质及凝血分析仪 |
Also Published As
Publication number | Publication date |
---|---|
CN117129698A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
EP2478423A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
JP6200833B2 (ja) | プラントと制御装置の診断装置 | |
US20190376991A1 (en) | Methods and apparatus for predicting and preventing failure of in vitro diagnostic instruments | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
US20200151547A1 (en) | Solution for machine learning system | |
CN113671917A (zh) | 针对多模态工业过程异常状态的检测方法、系统、设备 | |
CN111862020A (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
CN111611294A (zh) | 星敏感器数据异常检测方法 | |
CN116304909A (zh) | 一种异常检测模型训练方法、故障场景定位方法及装置 | |
CN116337135A (zh) | 一种仪表故障诊断方法、系统、电子设备及可读存储介质 | |
CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
EP3712728A1 (en) | Apparatus for predicting equipment damage | |
CN117129698B (zh) | 全自动凝血测试仪的异常报警与重测系统及方法 | |
CN117038079A (zh) | 基于神经网络的儿童心脏病风险评估与预警系统 | |
US20220343113A1 (en) | Automatic model reconstruction method and automatic model reconstruction system for component recognition model | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
US20220414555A1 (en) | Prediction system, information processing apparatus, and information processing program | |
CN116415128A (zh) | 用于润滑评估的方法、系统及介质 | |
CN113419502A (zh) | 基于人工智能的制壳生产过程的工序监测方法与系统 | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
CN117554218B (zh) | 直馏沥青浇筑式钢桥面复合梁试件疲劳试验装置及方法 | |
RU2784981C1 (ru) | Способ диагностики и мониторинга аномалий в кибер-физической системе | |
WO2023168359A2 (en) | Diagnostic laboratory systems and methods of updating | |
Król et al. | Analysis system for logistics and production processes: a methodological approach to signal analysis for forecasting |
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 |