CN117192141A - 全自动凝血测试仪的质量控制系统及方法 - Google Patents
全自动凝血测试仪的质量控制系统及方法 Download PDFInfo
- Publication number
- CN117192141A CN117192141A CN202311464578.8A CN202311464578A CN117192141A CN 117192141 A CN117192141 A CN 117192141A CN 202311464578 A CN202311464578 A CN 202311464578A CN 117192141 A CN117192141 A CN 117192141A
- Authority
- CN
- China
- Prior art keywords
- module
- coagulation
- control
- model
- fault detection
- 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
- 230000015271 coagulation Effects 0.000 title claims abstract description 141
- 238000005345 coagulation Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000003908 quality control method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 105
- 230000008569 process Effects 0.000 claims abstract description 78
- 238000011084 recovery Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 239000010931 gold Substances 0.000 claims abstract description 24
- 229910052737 gold Inorganic materials 0.000 claims abstract description 24
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000002198 surface plasmon resonance spectroscopy Methods 0.000 claims abstract description 20
- 238000011217 control strategy Methods 0.000 claims abstract description 18
- 238000011897 real-time detection Methods 0.000 claims abstract description 13
- 230000023555 blood coagulation Effects 0.000 claims abstract description 12
- 230000008846 dynamic interplay Effects 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 239000002086 nanomaterial Substances 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005094 computer simulation Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 108010073385 Fibrin Proteins 0.000 claims description 6
- 102000009123 Fibrin Human genes 0.000 claims description 6
- BWGVNKXGVNDBDI-UHFFFAOYSA-N Fibrin monomer Chemical compound CNC(=O)CNC(=O)CN BWGVNKXGVNDBDI-UHFFFAOYSA-N 0.000 claims description 6
- 108090000190 Thrombin Proteins 0.000 claims description 6
- 229950003499 fibrin Drugs 0.000 claims description 6
- 229960004072 thrombin Drugs 0.000 claims description 6
- 239000002105 nanoparticle Substances 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012306 spectroscopic technique Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 17
- 238000000329 molecular dynamics simulation Methods 0.000 abstract description 10
- 239000012620 biological material Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 20
- 230000003287 optical effect Effects 0.000 description 10
- 230000035945 sensitivity Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011534 incubation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 108010039209 Blood Coagulation Factors Proteins 0.000 description 3
- 102000015081 Blood Coagulation Factors Human genes 0.000 description 3
- 239000003114 blood coagulation factor Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- 206010053567 Coagulopathies Diseases 0.000 description 1
- 230000010100 anticoagulation Effects 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000035602 clotting Effects 0.000 description 1
- 238000012165 high-throughput sequencing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及生物材料检测技术领域,尤其涉及全自动凝血测试仪的质量控制系统及方法。首先,引入新型凝血检测算法,将多种生物分子的动力学相互作用过程描述为非线性动力学方程,建立凝血过程模型;然后,将分子浓度映射到宏观的凝血指标,基于模型预测控制的控制策略利用非线性动力学模型预测凝血过程;引入基于纳米材料的新型传感器技术,开发基于纳米金的表面等离子体共振传感器;最后,构建基于拓扑结构变异的自适应故障检测算法和恢复策略。解决了现有技术忽略了微观层面分子动力学的影响,以及选用的传感器在低样本浓度下的检测精度和稳定性面临挑战;缺乏有效的自适应故障检测和恢复策略,不能实现对系统故障的实时检测和自主恢复的问题。
Description
技术领域
本发明涉及生物材料检测技术领域,尤其涉及全自动凝血测试仪的质量控制系统及方法。
背景技术
凝血测试是医学实验室中常见的一种检测方法,主要用于评估患者的凝血功能,为临床诊断和治疗提供重要依据。随着医学技术的进步和临床需求的增加,凝血测试的精度、速度和稳定性要求越来越高。为满足这些需求,各种全自动凝血测试仪应运而生。
传统的凝血检测方法主要基于宏观层面的物理变化,如颜色、粘度等的变化,而忽略了微观层面分子动力学的影响;传感器的灵敏度和检测精度在某些特定条件下仍有待提高;系统的故障检测和恢复能力也存在一定的局限性。近年来,全自动凝血测试仪市场上出现了许多新型产品,XL3690全自动凝血测试仪凭借其高精度、高稳定性和用户友好的操作界面,受到了广大用户的欢迎和认可。
我国专利申请号:CN201911207126.5,公开日:2021.06.01,公开了一种凝血检测仪,所述凝血检测仪包括:用于孵育样本的孵育模块、用于光学凝血分析的光学检测模块、用于非光学凝血分析的非光学检测模块、用于转移反应杯的反应杯转移模块、控制器;所述孵育模块、所述光学检测模块、所述非光学检测模块依次设置;所述反应杯转移模块位于所述孵育模块、所述光学检测模块、所述非光学检测模块的上方;所述控制器与所述孵育模块、所述光学检测模块、所述非光学检测模块、所述反应杯转移模块电连接。该发明的凝血检测仪结构简单、检测效率高且能够智能化地选择采用哪种检测方法。此外,还提出了一种凝血检测方法。
但上述技术至少存在如下技术问题:现有技术忽略了微观层面分子动力学的影响,导致凝血过程的模拟和预测不够精确,选用的传感器在低样本浓度下的检测精度和稳定性面临挑战,尤其是在微小变化的实时监测方面可能存在一定的局限性;缺乏有效的自适应故障检测和恢复策略,不能实现对系统故障的实时检测和自主恢复。
发明内容
本申请实施例通过提供全自动凝血测试仪的质量控制系统及方法,解决了现有技术忽略了微观层面分子动力学的影响,导致凝血过程的模拟和预测不够精确,选用的传感器在低样本浓度下的检测精度和稳定性面临挑战,尤其是在微小变化的实时监测方面可能存在一定的局限性;缺乏有效的自适应故障检测和恢复策略,不能实现对系统故障的实时检测和自主恢复。实现了凝血过程的精确模拟、预测和控制,极大提高了全自动凝血测试仪的质量控制能力,具有显著的有益效果。
本申请提供了全自动凝血测试仪的质量控制系统及方法,具体包括以下技术方案:
全自动凝血测试仪的质量控制系统,包括以下部分:
动态模拟模块、参数辨识模块、映射模块、控制模块、高灵敏度传感器模块、自适应故障检测模块和恢复模块;
所述动态模拟模块,用于利用非线性动力学方程模拟凝血过程中各生物分子的动态相互作用,动态模拟模块通过数据传输的方式与参数辨识模块、映射模块、自适应故障检测模块相连;
所述参数辨识模块,用于通过梯度下降法优化算法,最小化预测值与实际测量值之间的均方误差,所述参数辨识模块通过数据传输的方式与动态模拟模块、自适应故障检测模块相连;
所述映射模块,用于将微观层面的分子浓度映射到宏观的凝血指标,映射模块通过数据传输的方式与控制模块、自适应故障检测模块相连;
所述控制模块,用于利用模型预测控制的策略,预测未来的凝血过程,并通过优化算法计算最优的外部控制输入;控制模块通过数据传输的方式与自适应故障检测模块相连;
所述高灵敏度传感器模块,用于利用基于纳米金的表面等离子体共振传感器,实时监测凝血过程中的微小变化,高灵敏度传感器模块通过数据传输的方式与动态模拟模块、参数辨识模块、自适应故障检测模块相连;
所述自适应故障检测模块,用于实现对系统故障的实时检测,一旦检测到故障,立即启动恢复模块,自适应故障检测模块通过数据传输的方式与恢复模块相连;
所述恢复模块,用于根据故障检测模块提供的信息,调整各模块的参数或状态,恢复模块通过数据传输的方式与其他所有模块相连。
全自动凝血测试仪的质量控制方法,包括以下步骤:
S100:引入基于非线性动力学的新型凝血检测算法,将多种生物分子的动力学相互作用过程描述为非线性动力学方程,建立凝血过程模型;
S200:将分子浓度映射到宏观的凝血指标,建立和验证微观-宏观映射函数,基于模型预测控制的控制策略利用非线性动力学模型预测凝血过程;
S300:引入基于纳米材料的新型传感器技术,开发基于纳米金的表面等离子体共振传感器;
S400:构建基于拓扑结构变异的自适应故障检测算法和恢复策略。
优选的,所述S100,具体包括:
引入非线性动力学方程,使用矩阵-向量形式的微分方程来描述整个系统的动态,将分子的浓度作为模型的变量,利用非线性动力学方程描述它们的动态变化。
优选的,所述S200,具体包括:
利用实验数据和理论分析,探讨各种分子浓度与凝血时间、凝块硬度的宏观指标之间的关系,从而建立和验证微观-宏观映射函数。
优选的,所述S200,还包括:
利用模型预测控制理论,设计控制策略;基于非线性动力学模型的凝血检测算法能在微观层面预测宏观的凝血现象;同时,引入外部控制输入和基于模型预测控制的控制策略。
优选的,所述S300,具体包括:
开发了基于纳米金的表面等离子体共振传感器,所述表面等离子体共振传感器利用纳米金的局域表面等离子体共振效应,增强传感器对凝血过程微小变化的检测能力;当凝血过程发生时,相关的生物分子,包括凝血酶、纤维蛋白,与纳米金颗粒的表面发生相互作用,导致其局域表面等离子体共振特性发生变化,所述变化通过光谱技术检测。
优选的,所述S400,具体包括:
构建基于拓扑结构变异的自适应故障检测算法,实时监测系统各个模块的工作状态参数,构建拓扑结构,将各个参数的状态映射到拓扑结构的各个节点上,将实际的物理参数转化为可以进行数学分析的模型。
优选的,所述S400,还包括:
通过分析所述拓扑结构的变异,检测潜在的故障;定义系统的正常工作范围模型为各参数的非线性组合,进一步定义偏差,所述偏差通过拓扑结构变异距离来计算,反映了当前工作状态参数与正常工作范围模型的偏差,从而反映了系统的工作状态是否正常。
优选的,所述S400,还包括:
利用基于拓扑结构变异的分析,确定故障的传播路径和影响范围;调整所述影响范围内的参数;进一步,利用基于拓扑结构变异的算法,不断优化故障恢复的策略。
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、通过引入基于非线性动力学的新型凝血检测算法,在微观层面精确描述和模拟凝血过程中多种生物分子的动力学相互作用过程;利用非线性动力学方程,更精确地预测凝血过程的动态变化,从而提高凝血检测的精度和可靠性;
2、通过引入基于纳米材料的新型传感器技术,特别是基于纳米金的表面等离子体共振传感器,实时监测凝血过程中的微小变化,极大提高凝血测试的灵敏度;利用纳米金的局域表面等离子体共振效应,极大地增强传感器对凝血过程微小变化的检测能力,从而实现高灵敏度的检测;
3、通过构建基于拓扑结构变异的自适应故障检测算法和恢复策略,实现对系统故障的实时检测和自主恢复,提高系统的可靠性和稳定性;利用拓扑结构变异的分析,确定故障的传播路径和影响范围,并通过调整影响范围内的参数,尽可能减小故障的影响;
4、通过基于模型预测控制的控制策略,实现凝血过程的精确控制,进一步提高凝血测试的可靠性和稳定性;利用非线性动力学模型预测未来的凝血过程,并通过优化算法计算最优的外部控制输入,实现凝血过程的精确控制;通过深度学习等机器学习算法,自动学习和优化模型中的非线性函数和参数,同时开发一套自动化的参数辨识和模型验证平台,以提高模型建立的效率和准确性。
5、本申请的技术方案能够有效解决现有技术忽略了微观层面分子动力学的影响,导致凝血过程的模拟和预测不够精确,选用的传感器在低样本浓度下的检测精度和稳定性面临挑战,尤其是在微小变化的实时监测方面可能存在一定的局限性;缺乏有效的自适应故障检测和恢复策略,不能实现对系统故障的实时检测和自主恢复。实现了凝血过程的精确模拟、预测和控制,极大提高了全自动凝血测试仪的质量控制能力,具有显著的有益效果。
附图说明
图1为本申请所述的全自动凝血测试仪的质量控制系统结构图;
图2为本申请所述的全自动凝血测试仪的质量控制方法流程图。
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质量控制系统及方法,解决了现有技术忽略了微观层面分子动力学的影响,导致凝血过程的模拟和预测不够精确,选用的传感器在低样本浓度下的检测精度和稳定性面临挑战,尤其是在微小变化的实时监测方面可能存在一定的局限性;缺乏有效的自适应故障检测和恢复策略,不能实现对系统故障的实时检测和自主恢复。
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:
通过引入基于非线性动力学的新型凝血检测算法,在微观层面精确描述和模拟凝血过程中多种生物分子的动力学相互作用过程;利用非线性动力学方程,更精确地预测凝血过程的动态变化,从而提高凝血检测的精度和可靠性;通过引入基于纳米材料的新型传感器技术,特别是基于纳米金的表面等离子体共振传感器,实时监测凝血过程中的微小变化,极大提高凝血测试的灵敏度;利用纳米金的局域表面等离子体共振效应,极大地增强传感器对凝血过程微小变化的检测能力,从而实现高灵敏度的检测;通过构建基于拓扑结构变异的自适应故障检测算法和恢复策略,实现对系统故障的实时检测和自主恢复,提高系统的可靠性和稳定性;利用拓扑结构变异的分析,确定故障的传播路径和影响范围,并通过调整影响范围内的参数,尽可能减小故障的影响;通过基于模型预测控制的控制策略,实现凝血过程的精确控制,进一步提高凝血测试的可靠性和稳定性;利用非线性动力学模型预测未来的凝血过程,并通过优化算法计算最优的外部控制输入,实现凝血过程的精确控制;通过深度学习等机器学习算法,自动学习和优化模型中的非线性函数和参数,同时开发一套自动化的参数辨识和模型验证平台,以提高模型建立的效率和准确性。
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质量控制系统包括以下部分:
动态模拟模块10、参数辨识模块20、映射模块30、控制模块40、高灵敏度传感器模块50、自适应故障检测模块60和恢复模块70;
所述动态模拟模块10,用于利用非线性动力学方程模拟凝血过程中各生物分子的动态相互作用,动态模拟模块10通过数据传输的方式与参数辨识模块20、映射模块30、自适应故障检测模块60相连;
所述参数辨识模块20,用于通过梯度下降法优化算法,最小化预测值与实际测量值之间的均方误差,实现模型参数的自动学习和优化,参数辨识模块20通过数据传输的方式与动态模拟模块10、自适应故障检测模块60相连;
所述映射模块30,用于将微观层面的分子浓度映射到宏观的凝血指标,映射模块30通过数据传输的方式与控制模块40、自适应故障检测模块60相连;
所述控制模块40,用于利用模型预测控制的策略,预测未来的凝血过程,并通过优化算法计算最优的外部控制输入,实现凝血过程的精确控制;控制模块40通过数据传输的方式与自适应故障检测模块60相连;
所述高灵敏度传感器模块50,用于利用基于纳米金的表面等离子体共振传感器,实时监测凝血过程中的微小变化,高灵敏度传感器模块50通过数据传输的方式与动态模拟模块10、参数辨识模块20、自适应故障检测模块60相连;
所述自适应故障检测模块60,用于实现对系统故障的实时检测,一旦检测到故障,立即启动恢复模块70,自适应故障检测模块60通过数据传输的方式与恢复模块70相连;
所述恢复模块70,用于根据故障检测模块提供的信息,调整各模块的参数或状态,以最小化故障的影响,恢复模块70通过数据传输的方式与其他所有模块相连。
参照附图2,本申请所述的全自动凝血测试仪的质量控制方法包括以下步骤:
S100:引入基于非线性动力学的新型凝血检测算法,将多种生物分子的动力学相互作用过程描述为非线性动力学方程,建立凝血过程模型;
凝血过程涉及多种生物分子的复杂相互作用,传统的凝血检测算法通常基于宏观层面的物理变化,如颜色、粘度等的变化,而忽略了微观层面分子动力学的影响。在凝血检测的微观层面,凝血过程可以被看作是多种生物分子(如凝血酶、纤维蛋白等)的动力学相互作用过程,引入基于非线性动力学的新型凝血检测算法,将多种生物分子的动力学相互作用过程精确地描述为非线性动力学方程。通过分析凝血过程中的微观分子动力学变化,利用非线性动力学理论建立一个全新的凝血过程模型。
具体的,动态模拟模块10引入非线性动力学方程,使用一个矩阵-向量形式的微分方程来描述整个系统的动态,假设有一个分子浓度的向量表示为,分别表示凝血酶、纤维蛋白、凝血因子、抗凝血因子、钙离子、血小板的浓度,/>表示转置,在构建模型时,将这些分子的浓度作为模型的变量,利用非线性动力学方程描述它们的动态变化。分子浓度随时间变化的微分方程如下所示:
,
其中,是分子浓度随时间变化的速率,/>是一个6x1的向量函数,描述了在没有外部输入时系统的自然动态,这个函数通常包含了各种非线性项和交互项,例如/>、、/>等,/>是一个6xN的矩阵函数,描述了外部输入/>如何影响各个分子的变化速率,/>是一个Nx1的向量,表示外部输入,例如添加的化学物质的浓度、温度变化等,t代表时间。这一步骤的实施将深入探讨凝血过程中的各种生物分子相互作用的微观机制,并通过高通量测序、质谱分析等技术获取大量实验数据,为后续模型建立和参数辨识提供数据支持。
进一步,参数辨识模块20采用基于梯度下降的优化算法,通过定义损失函数为预测值与实际测量值之间的均方误差:
,
其中,是损失函数,/>是参数向量,包括/>和/>中的所有参数,/>是数据点的数量,/>是模型预测的分子浓度,/>是实际测量的分子浓度。利用梯度下降法来最小化损失函数,更新参数:
,
其中,表示在梯度下降法的第/>次迭代中的参数向量,/>是学习率,/>是损失函数关于参数/>在/>处的梯度。此环节将利用大量实验数据,通过深度学习等机器学习算法,自动学习和优化模型中的非线性函数和参数,同时开发一套自动化的参数辨识和模型验证平台,以提高模型建立的效率和准确性。
S200:将分子浓度映射到宏观的凝血指标,建立和验证微观-宏观映射函数,基于模型预测控制的控制策略利用非线性动力学模型预测凝血过程;
映射模块30进行微观-宏观映射环节,定义映射函数,将分子浓度/>映射到宏观的凝血指标(例如凝血时间/>、凝块硬度/>等):
,
此阶段将深入研究微观层面的分子动力学如何影响宏观层面的凝血现象,并利用实验数据和理论分析,探讨各种分子浓度与凝血时间、凝块硬度等宏观指标之间的关系,从而建立和验证微观-宏观映射函数。
控制模块40设计控制策略,基于模型预测控制的控制策略首先利用非线性动力学模型预测未来的凝血过程。然后,通过优化算法计算最优的外部控制输入,以实现凝血过程的精确控制:
,
,
,
其中,是性能指标,例如凝血时间和凝块硬度的偏差,/>是预测的终止时间。此阶段将深入研究凝血过程的动态特性和控制要求,利用模型预测控制理论,设计一种能够实现凝血过程精确控制的控制策略,以提高控制策略的设计效率和验证效率。基于非线性动力学模型的凝血检测算法能在微观层面准确预测宏观的凝血现象,极大提高凝血测试的精度和重复性。同时,通过引入外部控制输入和基于模型预测控制的控制策略,实现凝血过程的精确控制,进一步提高凝血测试的可靠性和稳定性。
S300:引入基于纳米材料的新型传感器技术,开发基于纳米金的表面等离子体共振传感器;
在全自动凝血测试仪的质量控制系统中,高灵敏度传感器模块50的实现显得尤为关键,尤其是在极低样本浓度下实现准确检测的能力。为此,引入基于纳米材料的新型传感器技术,特别是选择具有高比表面积和特殊表面活性的纳米材料,例如纳米金。纳米金颗粒通过物理或化学方法制备,并固定在传感器的工作电极上,利用其表面等离子体共振效应来实现凝血因子的高灵敏度检测。当凝血因子吸附到纳米金颗粒的表面时,会引起等离子体共振效应的变化,进而改变传感器的电学性质。
传统的传感器由于其固有的物理和化学性质的限制,在低样本浓度下的检测精度和稳定性常常面临挑战。为了解决这一问题,开发了基于纳米金的表面等离子体共振(SPR)传感器。这种传感器利用纳米金的局域表面等离子体共振(LSPR)效应,能够极大地增强传感器对凝血过程微小变化的检测能力,从而实现高灵敏度的检测。具体来说,当凝血过程发生时,相关的生物分子(例如凝血酶、纤维蛋白等)会与纳米金颗粒的表面发生相互作用,导致其LSPR特性发生变化,这一变化可以通过光谱技术精确检测,从而实现对凝血过程的实时监测。
在凝血检测的实际应用中,利用基于纳米材料的传感器实时监测凝血过程中的微小变化,例如凝血酶的活性变化、纤维蛋白的生成速率等。这些微小变化的检测不仅可以帮助我们更精确地掌握凝血过程的动态特性,也为进一步提高凝血检测的精度和灵敏度提供了可能。
进一步地,通过分析这些传感器获取的微小变化数据,来进一步优化凝血检测的参数设置。例如,通过分析不同阶段凝血过程的动态数据,调整检测的时间窗口、改变检测的策略等,以更精确地捕捉到凝血过程的关键信息。这些优化不仅可以在后续的凝血检测中得到应用,也为提高检测的精度和稳定性提供了重要的理论依据。
S400:构建基于拓扑结构变异的自适应故障检测算法和恢复策略。
在全自动凝血测试仪的质量控制系统中,自适应故障检测模块60和恢复模块70用于保持系统的稳定运行,及时检测并恢复可能出现的故障。自适应故障检测模块60构建基于拓扑结构变异的自适应故障检测算法,实时监测系统各个模块的工作状态参数,其中/>包含了系统各模块的工作状态参数,如温度、压力、流速等。
构建一个拓扑结构,将各个参数的状态映射到拓扑结构的各个节点上,将实际的物理参数转化为可以进行数学分析的模型。通过分析拓扑结构的变异,检测到潜在的故障。定义系统的正常工作范围模型为各参数的非线性组合:
,
其中,、/>和/>是各参数的权重系数,/>是系统的工作状态参数。正常工作范围模型/>反映了系统在正常工作状态下的参数表现。
进一步定义偏差通过拓扑结构变异距离来计算,拓扑结构变异距离为:
,
其中,是模型/>预测的各参数的正常值,是在正常工作条件下,参数/>的期望值,是拓扑结构中第i个节点的变异系数,反映了该节点在拓扑结构中的变异程度。偏差/>反映了当前工作状态参数与正常工作范围模型的偏差,从而反映了系统的工作状态是否正常。
在故障恢复的过程中,恢复模块70利用基于拓扑结构变异的分析,确定故障的传播路径和影响范围。通过调整影响范围内的参数,尽可能减小故障的影响。进一步,利用基于拓扑结构变异的算法,不断优化故障恢复的策略。为了实现动态权重系数的调整,采用拓扑结构变异的方法来实现:
,
其中,表示在时间t时第i个参数的权重系数,/>,/>是学习率,是损失函数,可以定义为系统的故障损失和参数调整的代价之和:
,
其中,是故障损失的权重系数,/>是第i个参数调整的代价系数,/>是参数调整后的值。通过不断迭代,寻找能够最小化损失函数的参数调整方案。所述参数调整方案包括了各参数的调整值和调整顺序等。
通过上述基于拓扑结构变异的自适应故障检测和恢复算法,全自动凝血测试仪的质量控制系统能够实现对系统故障的实时检测和自主恢复,提高系统的可靠性和稳定性。
综上所述,便完成了本申请所述的全自动凝血测试仪的质量控制系统及方法。
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、通过引入基于非线性动力学的新型凝血检测算法,在微观层面精确描述和模拟凝血过程中多种生物分子的动力学相互作用过程;利用非线性动力学方程,更精确地预测凝血过程的动态变化,从而提高凝血检测的精度和可靠性;
2、通过引入基于纳米材料的新型传感器技术,特别是基于纳米金的表面等离子体共振传感器,实时监测凝血过程中的微小变化,极大提高凝血测试的灵敏度;利用纳米金的局域表面等离子体共振效应,极大地增强传感器对凝血过程微小变化的检测能力,从而实现高灵敏度的检测;
3、通过构建基于拓扑结构变异的自适应故障检测算法和恢复策略,实现对系统故障的实时检测和自主恢复,提高系统的可靠性和稳定性;利用拓扑结构变异的分析,确定故障的传播路径和影响范围,并通过调整影响范围内的参数,尽可能减小故障的影响;
4、通过基于模型预测控制的控制策略,实现凝血过程的精确控制,进一步提高凝血测试的可靠性和稳定性;利用非线性动力学模型预测未来的凝血过程,并通过优化算法计算最优的外部控制输入,实现凝血过程的精确控制;通过深度学习等机器学习算法,自动学习和优化模型中的非线性函数和参数,同时开发一套自动化的参数辨识和模型验证平台,以提高模型建立的效率和准确性。
效果调研:
本申请的技术方案能够有效解决现有技术忽略了微观层面分子动力学的影响,导致凝血过程的模拟和预测不够精确,选用的传感器在低样本浓度下的检测精度和稳定性面临挑战,尤其是在微小变化的实时监测方面可能存在一定的局限性;缺乏有效的自适应故障检测和恢复策略,不能实现对系统故障的实时检测和自主恢复。并且,上述系统或方法经过了一系列的效果调研,通过验证,最终实现了凝血过程的精确模拟、预测和控制,极大提高了全自动凝血测试仪的质量控制能力,具有显著的有益效果。
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质量控制系统,其特征在于,包括以下部分:
动态模拟模块、参数辨识模块、映射模块、控制模块、高灵敏度传感器模块、自适应故障检测模块和恢复模块;
所述动态模拟模块,用于利用非线性动力学方程模拟凝血过程中各生物分子的动态相互作用,动态模拟模块通过数据传输的方式与参数辨识模块、映射模块、自适应故障检测模块相连;
所述参数辨识模块,用于通过梯度下降法优化算法,最小化预测值与实际测量值之间的均方误差,所述参数辨识模块通过数据传输的方式与动态模拟模块、自适应故障检测模块相连;
所述映射模块,用于将微观层面的分子浓度映射到宏观的凝血指标,映射模块通过数据传输的方式与控制模块、自适应故障检测模块相连;
所述控制模块,用于利用模型预测控制的策略,预测未来的凝血过程,并通过优化算法计算最优的外部控制输入;控制模块通过数据传输的方式与自适应故障检测模块相连;
所述高灵敏度传感器模块,用于利用基于纳米金的表面等离子体共振传感器,实时监测凝血过程中的微小变化,高灵敏度传感器模块通过数据传输的方式与动态模拟模块、参数辨识模块、自适应故障检测模块相连;
所述自适应故障检测模块,用于实现对系统故障的实时检测,一旦检测到故障,立即启动恢复模块,自适应故障检测模块通过数据传输的方式与恢复模块相连;
所述恢复模块,用于根据故障检测模块提供的信息,调整各模块的参数或状态,恢复模块通过数据传输的方式与其他所有模块相连。
2.全自动凝血测试仪的质量控制方法,其特征在于,包括以下步骤:
S100:引入基于非线性动力学的新型凝血检测算法,将多种生物分子的动力学相互作用过程描述为非线性动力学方程,建立凝血过程模型;
S200:将分子浓度映射到宏观的凝血指标,建立和验证微观-宏观映射函数,基于模型预测控制的控制策略利用非线性动力学模型预测凝血过程;
S300:引入基于纳米材料的新型传感器技术,开发基于纳米金的表面等离子体共振传感器;
S400:构建基于拓扑结构变异的自适应故障检测算法和恢复策略。
3.根据权利要求2所述的全自动凝血测试仪的质量控制方法,其特征在于,所述S100,具体包括:
引入非线性动力学方程,使用矩阵-向量形式的微分方程来描述整个系统的动态,将分子的浓度作为模型的变量,利用非线性动力学方程描述它们的动态变化。
4.根据权利要求2所述的全自动凝血测试仪的质量控制方法,其特征在于,所述S200,具体包括:
利用实验数据和理论分析,探讨各种分子浓度与凝血时间、凝块硬度的宏观指标之间的关系,从而建立和验证微观-宏观映射函数。
5.根据权利要求2所述的全自动凝血测试仪的质量控制方法,其特征在于,所述S200,还包括:
利用模型预测控制理论,设计控制策略;基于非线性动力学模型的凝血检测算法能在微观层面预测宏观的凝血现象;引入外部控制输入和基于模型预测控制的控制策略。
6.根据权利要求2所述的全自动凝血测试仪的质量控制方法,其特征在于,所述S300,具体包括:
开发了基于纳米金的表面等离子体共振传感器,所述表面等离子体共振传感器利用纳米金的局域表面等离子体共振效应,增强传感器对凝血过程微小变化的检测能力;当凝血过程发生时,相关的生物分子,包括凝血酶、纤维蛋白,与纳米金颗粒的表面发生相互作用,导致其局域表面等离子体共振特性发生变化,所述变化通过光谱技术检测。
7.根据权利要求2所述的全自动凝血测试仪的质量控制方法,其特征在于,所述S400,具体包括:
构建基于拓扑结构变异的自适应故障检测算法,实时监测系统各个模块的工作状态参数,构建拓扑结构,将各个参数的状态映射到拓扑结构的各个节点上,将实际的物理参数转化为可以进行数学分析的模型。
8.根据权利要求7所述的全自动凝血测试仪的质量控制方法,其特征在于,所述S400,还包括:
通过分析所述拓扑结构的变异,检测潜在的故障;定义系统的正常工作范围模型为各参数的非线性组合,进一步定义偏差,所述偏差通过拓扑结构变异距离来计算,反映了当前工作状态参数与正常工作范围模型的偏差,从而反映了系统的工作状态是否正常。
9.根据权利要求8所述的全自动凝血测试仪的质量控制方法,其特征在于,所述S400,还包括:
利用基于拓扑结构变异的分析,确定故障的传播路径和影响范围;调整所述影响范围内的参数;进一步,利用基于拓扑结构变异的算法,不断优化故障恢复的策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464578.8A CN117192141B (zh) | 2023-11-07 | 2023-11-07 | 全自动凝血测试仪的质量控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464578.8A CN117192141B (zh) | 2023-11-07 | 2023-11-07 | 全自动凝血测试仪的质量控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117192141A true CN117192141A (zh) | 2023-12-08 |
CN117192141B CN117192141B (zh) | 2024-01-23 |
Family
ID=89005639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311464578.8A Active CN117192141B (zh) | 2023-11-07 | 2023-11-07 | 全自动凝血测试仪的质量控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117192141B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0932041A2 (en) * | 1998-01-23 | 1999-07-28 | Medical Laboratory Automation Inc. | Blood coagulation analyzer |
GB0722767D0 (en) * | 2003-08-22 | 2008-01-02 | Fernandez Dennis S | Integrated biosensor and simulation system for diognosis and therapy |
US20090292195A1 (en) * | 2007-12-18 | 2009-11-26 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | System, devices, and methods for detecting occlusions in a biological subject including spectral learning |
US20130122608A1 (en) * | 2011-11-14 | 2013-05-16 | National Chung Cheng University | Method for Estimating Binding Kinetic Rate Constants by Using Fiber Optics Particle Plasmon Resonance (FOPPR) Sensor |
CN103403538A (zh) * | 2010-10-20 | 2013-11-20 | 快速诊断技术公司 | 利用共振传感器测量结合动力的装置和方法 |
US20150308970A1 (en) * | 2012-12-07 | 2015-10-29 | T2 Biosystems, Inc. | Methods for monitoring tight clot formation |
CN109085215A (zh) * | 2018-06-20 | 2018-12-25 | 东南大学 | 一种原位制备绿色光电化学pH传感器及其制备方法 |
CN112444632A (zh) * | 2019-08-30 | 2021-03-05 | 深圳迈瑞生物医疗电子股份有限公司 | 凝血检测方法及其检测装置与凝血分析仪 |
CN113655099A (zh) * | 2021-08-26 | 2021-11-16 | 中科质谱(天津)医疗科技有限公司 | 一种电化学传感器及其在人体生理生化指标检测中的应用 |
-
2023
- 2023-11-07 CN CN202311464578.8A patent/CN117192141B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0932041A2 (en) * | 1998-01-23 | 1999-07-28 | Medical Laboratory Automation Inc. | Blood coagulation analyzer |
GB0722767D0 (en) * | 2003-08-22 | 2008-01-02 | Fernandez Dennis S | Integrated biosensor and simulation system for diognosis and therapy |
US20090292195A1 (en) * | 2007-12-18 | 2009-11-26 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | System, devices, and methods for detecting occlusions in a biological subject including spectral learning |
CN103403538A (zh) * | 2010-10-20 | 2013-11-20 | 快速诊断技术公司 | 利用共振传感器测量结合动力的装置和方法 |
US20130122608A1 (en) * | 2011-11-14 | 2013-05-16 | National Chung Cheng University | Method for Estimating Binding Kinetic Rate Constants by Using Fiber Optics Particle Plasmon Resonance (FOPPR) Sensor |
US20150308970A1 (en) * | 2012-12-07 | 2015-10-29 | T2 Biosystems, Inc. | Methods for monitoring tight clot formation |
CN109085215A (zh) * | 2018-06-20 | 2018-12-25 | 东南大学 | 一种原位制备绿色光电化学pH传感器及其制备方法 |
CN112444632A (zh) * | 2019-08-30 | 2021-03-05 | 深圳迈瑞生物医疗电子股份有限公司 | 凝血检测方法及其检测装置与凝血分析仪 |
CN113655099A (zh) * | 2021-08-26 | 2021-11-16 | 中科质谱(天津)医疗科技有限公司 | 一种电化学传感器及其在人体生理生化指标检测中的应用 |
Also Published As
Publication number | Publication date |
---|---|
CN117192141B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu | Multiway Gaussian mixture model based adaptive kernel partial least squares regression method for soft sensor estimation and reliable quality prediction of nonlinear multiphase batch processes | |
CN109407654B (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
AU5984796A (en) | A method and apparatus for predicting the presence of congenital and acquired imbalances and therapeutic conditions | |
AU2012296458B2 (en) | Extrapolation of interpolated sensor data to increase sample throughput | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
CN113155178B (zh) | 传感器系统和方法 | |
Hernández Rodríguez et al. | Predicting industrial‐scale cell culture seed trains–A Bayesian framework for model fitting and parameter estimation, dealing with uncertainty in measurements and model parameters, applied to a nonlinear kinetic cell culture model, using an MCMC method | |
CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
JP2016186504A (ja) | 試料処理量を高めるための内挿センサデータの外挿 | |
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 | |
WO2014087374A1 (pt) | Método e sonda de monitorização da fermentação alcoólica com espectroscopia uv-vis-swnir | |
CN117192141B (zh) | 全自动凝血测试仪的质量控制系统及方法 | |
CN101916394A (zh) | 一种基于知识融合的在线软测量方法 | |
Solle et al. | Chemometric modelling based on 2D-fluorescence spectra without a calibration measurement | |
CN117554302B (zh) | 液体检测方法、装置、设备及存储介质 | |
CN110222825A (zh) | 一种水泥成品比表面积预测方法及系统 | |
Sonnleitner | Bioprocess automation and bioprocess design | |
CN110057742B (zh) | 锂离子电池极片孔隙率在线检测方法及其应用 | |
CN115127965B (zh) | 一种混杂颗粒系粒径分布反演方法与系统 | |
CN115031794B (zh) | 一种多特征图卷积的新型气固两相流流量测量方法 | |
CN103675012B (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
CN112257017B (zh) | 标准化残差检验法一元线性逐点分析方法及系统和装置 | |
CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
CN113988311A (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
CN108549351A (zh) | 一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |