CN117769641A - 实时短样本吸入故障检测 - Google Patents
实时短样本吸入故障检测 Download PDFInfo
- Publication number
- CN117769641A CN117769641A CN202280049643.8A CN202280049643A CN117769641A CN 117769641 A CN117769641 A CN 117769641A CN 202280049643 A CN202280049643 A CN 202280049643A CN 117769641 A CN117769641 A CN 117769641A
- Authority
- CN
- China
- Prior art keywords
- inhalation
- suction
- automated
- moving average
- algorithm
- 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
- 238000001514 detection method Methods 0.000 title claims description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 40
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 14
- 239000000523 sample Substances 0.000 claims description 114
- 239000007788 liquid Substances 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 25
- 239000012472 biological sample Substances 0.000 claims description 16
- 238000013473 artificial intelligence Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 14
- 230000006399 behavior Effects 0.000 abstract description 3
- 230000001052 transient effect Effects 0.000 abstract description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 9
- 238000007689 inspection Methods 0.000 description 6
- 230000002547 anomalous effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 239000013060 biological fluid Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 210000002381 plasma Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- ZINJLDJMHCUBIP-UHFFFAOYSA-N ethametsulfuron-methyl Chemical compound CCOC1=NC(NC)=NC(NC(=O)NS(=O)(=O)C=2C(=CC=CC=2)C(=O)OC)=N1 ZINJLDJMHCUBIP-UHFFFAOYSA-N 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 210000002700 urine Anatomy 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
- G01N35/10—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
- G01N35/1016—Control of the volume dispensed or introduced
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F22/00—Methods or apparatus for measuring volume of fluids or fluent solid material, not otherwise provided for
- G01F22/02—Methods or apparatus for measuring volume of fluids or fluent solid material, not otherwise provided for involving measurement of pressure
-
- 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
- G01N35/1016—Control of the volume dispensed or introduced
- G01N2035/1018—Detecting inhomogeneities, e.g. foam, bubbles, clots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
实时检测自动化诊断分析系统中的短样本吸入故障的方法包括基于吸入压力测量信号的压力斜率波形的谱分析。谱分析可以包括:使用移动平均滤波器或小波变换,诸如例如连续小波变换(CWT)或离散小波变换(DWT),以在压力斜率波形中识别独特瞬态行为。这些方法准确地识别短样本吸入故障,使得自动化诊断分析系统可以及时终止所检测到的短样本的分析,以避免可能错误的样本测试结果。还提供了用于实时检测短样本吸入故障的装置,作为其他方面。
Description
相关申请的交叉引用
本申请要求2021年7月13日提交的、名称为“REAL-TIME SHORT-SAMPLEASPIRATIONFAULT DETECTION”的美国临时专利申请No.63/221,453的权益,该美国临时专利申请的公开内容出于所有目的以其全文通过引用并入本文。
技术领域
本公开涉及自动化诊断分析系统中的液体的吸入。
背景技术
在医学测试中,可以使用自动化诊断分析系统以分析生物样本以识别样本中的分析物或其他组分。生物样本可以是例如尿液、全血、血清、血浆、间质液、脑脊液等等。这种生物液体样本通常被包含在样本容器(例如试管、小瓶等)中,且可以是经由容器载体和自动化轨道而向和从自动化诊断分析系统内的各种成像、处理和分析器站运输的。
自动化诊断分析系统典型地包括:自动化吸入和分配装置,其被配置成吸入(吸进)来自液体容器的液体(例如,生物液体或液体试剂的样本、要与该样本混合的酸或碱)并将液体分配到反应容器(例如,小玻璃管)中。吸入和分配装置典型地包括:探测器(例如,移液管),被安装在执行吸入和分配功能且将样本或试剂传送到反应容器的可移动机器人臂或其他自动化机构上。
在吸入过程期间,可由系统控制器或处理器控制的可移动机器人臂可以将探测器定位在液体容器上面,且然后将探测器降低到容器中,直到探测器部分地浸入液体中。然后激活泵或其他吸入设备,以将来自容器的液体的部分吸入(吸进)探测器的内部。然后从容器撤回探测器,使得液体可以被传送到反应容器且被分配到反应容器中以用于处理和/或分析。在吸入期间或之后,可以分析吸入压力信号以确定是否发生了任何异常,诸如例如不足量的液体的吸入,该异常在下文中可以被称作短样本吸入故障。
尽管传统系统可能能够检测一些短样本吸入故障,但这种检测可能不准确、可能引起高计算成本、和/或可能在样本分析过程中发生得太晚而不能防止短样本不利地影响测试结果。
相应地,存在针对用于准确实时检测短样本吸入故障以便避免错误或不准确样本测试的改进方法和装置的需要。
发明内容
在一些实施例中,提供了一种检测自动化诊断分析系统中的短样本吸入故障的方法。所述方法包括:在所述自动化诊断分析系统中吸入液体时,经由压力传感器来执行吸入压力测量。所述方法进一步包括:经由执行算法的处理器来分析吸入压力测量信号波形。所述算法被配置成:从所述吸入压力测量信号波形导出斜率波形;以及计算所述斜率波形的移动平均值或计算所述斜率波形的小波变换。所述方法进一步包括:响应于所述分析,经由所述处理器来识别短样本吸入故障并对短样本吸入故障作出响应。
在一些实施例中,提供了一种自动化吸入和分配装置,其包括:机器人臂;探测器,耦合到所述机器人臂;泵,耦合到所述探测器;压力传感器,被配置成在吸入液体时经由所述探测器来执行吸入压力测量;以及处理器,被配置成执行在吸入过程期间检测短样本吸入故障并对短样本吸入故障作出响应的算法。所述算法被配置成通过下述操作来分析从所述压力传感器接收的吸入压力测量信号波形:从所述吸入压力测量信号波形导出斜率波形;以及通过计算所述斜率波形的移动平均值或小波变换来执行所述斜率波形的谱分析。
在一些实施例中,一种非瞬变计算机可读储存介质包括:处理器可执行算法,被配置成基于从吸入压力测量信号波形导出的压力斜率波形的谱分析来检测短样本吸入故障。所述算法被配置成:通过计算所述压力斜率波形的移动平均值或小波变换来执行所述压力斜率波形的谱分析。
在一些实施例中,提供了一种检测自动化诊断分析系统中的短样本吸入故障的方法。所述方法包括:在所述自动化诊断分析系统中吸入液体时,从由压力传感器作出的吸入压力测量导出吸入压力测量信号波形。所述方法还包括:识别正常吸入的一个或多个第一吸入压力测量信号波形中的图案;以及定义在一个或多个第二吸入压力测量信号波形中识别的反常的时间窗定位,其中所述反常由所述短样本吸入故障导致。所述方法进一步包括:导出合适鉴别度量以检测所述反常,其中将简单阈值化、非监督分类器或监督的基于学习的分类器与所述鉴别度量一起使用以识别后续吸入压力测量信号波形中的反常。
本公开的另外其他方面、特征和优势可以从包括所想到的用于实施本发明的最佳模式的多个示例实施例和实现方式的以下详细描述和图示中明显可见。本公开还可以有其他和不同实施例的能力,并且,可以在各种方面中修改其若干细节,全部在不脱离本发明范围的情况下。例如,尽管下面的描述涉及自动化诊断分析系统,但本文公开的短样本吸入故障检测方法和装置可以被容易地适配到将从短样本吸入故障的准确实时检测中受益的其他自动化系统。本公开意在覆盖落在所附权利要求书(进一步参见下面)的范围内的所有修改、等同方案和可替换方案。
附图说明
下面描述的附图用于图示性目的,而不必按比例绘制。相应地,附图和描述应被视为本质上图示性的,而不应被视为限制性的。附图不意在以任何方式限制本发明范围。
图1图示了根据本文提供的实施例的被配置成分析生物样本的自动化诊断分析系统的顶部示意图。
图2A和2B均图示了根据本文提供的实施例的样本容器的前视图。
图3图示了根据本文提供的实施例的吸入和分配装置的前部示意图。
图4图示了根据本文提供的实施例的检测自动化诊断分析系统中的短样本吸入故障的方法的流程图。
图5A图示了根据本文提供的实施例的正常吸入的吸入压力信号波形相对于时间的曲线图。
图5B图示了根据本文提供的实施例的图5A的吸入压力信号波形的吸入压力斜率波形相对于时间的曲线图。
图6A图示了根据本文提供的实施例的异常吸入(短样本吸入故障)的吸入压力信号波形相对于时间的曲线图。
图6B图示了根据本文提供的实施例的图6A的吸入压力信号波形的吸入压力斜率波形相对于时间的曲线图。
图7A图示了根据本文提供的实施例的表示正常吸入的斜率波形的移动平均值(MA)的曲线图。
图7B图示了根据本文提供的实施例的基于图7A的移动平均值(MA)的差量(delta)信号的曲线图。
图8A图示了根据本文提供的实施例的表示异常吸入的斜率波形的移动平均值(MA)的曲线图。
图8B图示了根据本文提供的实施例的基于图8A的移动平均值(MA)的差量信号的曲线图。
图9图示了根据本文提供的实施例的基于八样本吸入压力信号波形的移动平均值(MA)的多个差量信号的曲线图。
图10图示了根据本文提供的实施例的针对图9的八样本吸入压力信号波形的差量信号的信噪比(SNR)相对于SNR度量的条形曲线图。
图11图示了根据本文提供的实施例的八测试样本吸入压力信号波形的压力斜率相对于时间的曲线图。
图12图示了根据本文提供的实施例的图11的八测试样本吸入压力信号波形的最大斜率度量的两集群分类的曲线图。
图13图示了根据本文提供的实施例的针对基于连续小波变换(CWT)的正常吸入样本的SNR度量相对于时间的曲线图。
图14图示了根据本文提供的实施例的针对基于CWT的异常吸入样本的SNR度量相对于时间的曲线图。
图15图示了根据本文提供的实施例的针对基于离散小波变换(DWT)的正常吸入样本的SNR度量相对于时间的曲线图。
图16图示了根据本文提供的实施例的针对基于DWT的异常吸入样本的SNR度量相对于时间的曲线图。
图17图示了根据本文提供的实施例的多级离散小波变换(DWT)滤波器组的示意图。
具体实施方式
本文描述的实施例提供了用于及时且准确地实时检测短样本吸入故障的方法和装置。当吸入未能吸取足够体积的液体(这可能由例如具有不足体积的液体的液体容器、阻塞和/或有缺陷装备(例如有缺陷吸入泵、不适当地将探测器定位在液体容器内的有缺陷机器人臂、有缺陷软件等)导致)时,短样本吸入故障发生。在一些实施例中,短样本可以被视为对于100μL的标称/目标吸入体积而言小于92μL。其他体积可以被视为短样本。短样本吸入故障的及时和准确实时检测可以使自动化诊断分析系统能够终止样本的分析和/或实现合适差错状态过程,以有利地避免错误分析结果。在一些实施例中,短样本吸入故障的检测可以在吸入过程期间或在吸入过程完成之后立即被检测到的情况下被视为及时的。
根据一个或多个实施例,可以经由在自动化诊断分析系统或自动化吸入和分配装置的系统控制器、处理器或其他相似计算机设备上执行的软件或固件算法,来实现短样本吸入故障的及时和准确实时检测。在一些实施例中,算法可以是基于学习的AI(人工智能)算法。算法可以被配置成:执行从由压力传感器提供的吸入压力测量信号导出的压力斜率波形的谱分析,以在压力斜率波形中识别独特瞬态行为。谱分析可以包括时域分析,诸如移动平均滤波器分析或经带通滤波的信号的分析,或者谱分析可以使用短时快速傅里叶变换(STFT)或小波变换分析。优选实施例可以包括:移动平均滤波器分析,由于其简易性;或者小波变换分析,由于其在时间和刻度(谱内容)中进行定位的能力。
移动平均滤波器分析可以包括:在吸入过程期间在斜率波形的合适检测窗内以合适时间步长计算移动平均值(在合适移动平均窗内确定)与斜率波形之间的差值。然后可以将合适信噪比(SNR)阈值应用于所计算的差值,以将吸入分类为正常的或异常的。
鉴别信号度量可以是以下各项中的一个或多个:(a)感兴趣的预定时间窗中的压力斜率的某个统计衡量,诸如最大值、中值、标准差、第75百分位值等;或者(b)感兴趣的预定时间窗中的压力斜率与压力斜率的移动平均值之间的差值。
小波变换分析可以包括:使用连续小波变换(CWT)或离散小波变换(DWT);基于具体刻度范围中的变换系数来询问度量;以及然后应用合适SNR阈值以用于将吸入分类为正常的或异常的。
可以使用更高级的基于学习的分类器,以便以鲁棒方式自动设置将异常(短样本吸入)与正常吸入分离的阈值或鉴别边界,以实现高分类准确度。在一些实施例中,可以使用k均值群集以便以非监督方式基于SNR度量将吸入分类为正常的或异常的。可替换地,还可以使用简单的基于阈值化的模糊分类器或者简单的基于规则的准则或模式,以将样本分类为正常的或异常的(短样本吸入)。还可以使用监督的基于学习的分类器,诸如逻辑函数分类器或支持向量机。
有利地,移动平均滤波器分析和小波变换分析两者都可以是在吸入过程期间在线且实时地实现的。每个在线分析具有低计算复杂度(O(N))和低存储器要求,且因而可以以固件或软件容易地实现。
根据一个或多个实施例,下面将结合图1-17更详细地解释用于及时且准确地实时检测短样本吸入故障的方法和装置。
图1图示了根据一个或多个实施例的自动化诊断分析系统100。自动化诊断分析系统100可以被配置成:自动处理和/或分析被包含在样本容器102中的生物样本。可以在系统100处在装载区域106处提供的一个或多个机架104中接收样本容器102。可以在装载区域106处提供机器人容器搬运器108,以从机架104之一抓住样本容器102并将样本容器102装载到位于自动化轨道112上的容器载体110中。可以遍及系统110经由自动化轨道112将样本容器102运输到例如质量检验站114、吸入和分配站116和/或一个或多个分析器站118A-C。
质量检验站114可以针对干扰物或其他不期望特性而预筛选生物样本,以确定样本是否适于分析。在成功预筛选之后,可以在吸入和分配站116处将生物液体样本与液体试剂、酸、碱或其他溶液进行混合,以实现和/或促进在一个或多个分析器站118A-C处样本的分析。分析器站118A-C可以针对目标实体(分析物)(诸如例如DNA或RNA)的存在、量或功能性活动而分析样本。普遍测试的其他分析物可以包括酶、基质、电解质、特异性蛋白质、滥用的药物和治疗药物。可以在系统100中使用更多或更少数目的分析器站118A-C,并且系统100可以包括其他站(未示出)。
自动化诊断分析系统100还可以包括计算机120,或可替换地可以被配置成与外部计算机120远程通信。计算机120可以是例如系统控制器等等,且可以具有基于微处理器的中央处理单元(CPU)和/或(一个或多个)其他合适计算机处理器。计算机120可以包括用于操作和/或控制系统100的各种部件(包括质量检验站114、吸入和分配站116以及分析器站118A-C)的合适存储器、软件、电子器件和/或设备驱动器。例如,计算机120可以控制载体110到和从装载区域106、关于轨道112、到和从质量检验站114、吸入和分配站116以及分析器站118A-C、以及到和从系统100的其他站和/或部件的移动。质量检验站114、吸入和分配站116以及分析器站118A-C中的一个或多个可以直接耦合到计算机120或通过包括有线和无线网络的网络122来与计算机120通信,网络122诸如是局域网(LAN)、广域网(WAN)或其他合适通信网络。计算机120可以被容纳作为系统100的一部分或者可以远离于系统100。
在一些实施例中,计算机120可以耦合到实验室信息系统(LIS)数据库124。LIS数据库124可以包括例如患者信息、要在生物样本上执行的测试、获得了生物样本的时间和日期、医学设施信息、和/或跟踪和路由信息。还可以包括其他信息。
计算机120可以耦合到计算机接口模块(CIM)126。CIM 126和/或计算机120可以耦合到显示器128,显示器128可以包括图形用户界面。结合显示器128,CIM 126使用户能够访问多种控制和状态显示屏并将数据输入到计算机120中。这些控制和状态显示屏可以显示并使得能够控制质量检验站114、吸入和分配站116以及分析器站118A-C的一些或所有方面,以用于预筛选、准备和分析样本容器102中的生物样本。CIM 126可以用于促进用户与系统100之间的交互。显示器128可以用于显示包括图标、滚动条、框和按钮的菜单,通过该菜单,用户(例如,系统操作者)可以与系统100对接。菜单可以包括被编程成显示和/或操作系统100的功能性方面的多个功能性元件。
图2A和2B分别图示了样本容器202A和202B,其均表示图1的样本容器102。样本容器202A和202B可以是任何合适液体容器,包括透明或半透明容器,诸如血液收集管、试管、样本杯、小玻璃管、或者能够包含并允许其中的生物样本被预筛选、处理(例如,吸入)和分析的其他容器。如图2A中所示,样本容器202A可以包括管230A和帽232A。管230A可以在其上包括:标签234A,其可以以条形码、字母字符、数字字符或其组合的形式指示患者、样本和/或测试信息。管230A可以在其中包含:生物样本236A,其可以包括血清或血浆部分236SP、沉降血液部分236SB和位于其间的凝胶分离物216GA。如图2B中所示,可在结构上与样本容器202A相同的样本容器202B可以在其中包含均质生物样本236B,其中管230B具有凝胶底部236GB。
图3图示了根据一个或多个实施例的吸入和分配装置316。吸入和分配装置316可以是自动化诊断分析系统100的吸入和分配站116的一部分或表示该吸入和分配站116。注意,可以将本文描述的用于检测短样本吸入故障的方法和装置与吸入和分配装置的其他实施例(诸如,位于分析器118A、118B和/或118C处的吸入和分配装置)一起使用。
吸入和分配装置316可以将生物样本(例如,样本236A和/或236B)、试剂等等吸入和分配到反应容器中,以实现或促进在一个或多个分析器站118A-118C处生物样本的分析。吸入和分配装置316可以包括:机器人338,被配置成在吸入和分配站内移动探测器组件340。探测器组件340可以包括:探测器340P,被配置成吸入例如来自试剂包344的试剂342,如所示的那样。探测器组件340还可以被配置成:经由例如自动化轨道112来吸入来自样本容器302的生物样本336(在其帽被移除之后,如所示的那样),样本容器302位于吸入和分配装置316处。试剂342、其他试剂和样本336的部分可以被探测器340P分配到反应容器(诸如,小玻璃管346)中。在一些实施例中,小玻璃管346可以被配置成保持仅几微升的液体。生物样本336的其他部分可以连同其他试剂或液体一起被探测器340P分配到其他小玻璃管(未示出)中。
吸入和分配装置316的一些或所有部件的操作可以由计算机320控制。计算机320可以包括处理器320P和存储器320M。存储器320M可以在其中存储有可在处理器320P上执行的软件320S。软件320S可以包括对探测器组件340的定位以及由探测器组件340对液体的吸入和分配进行控制和/或监视的算法。软件320S还可以包括:算法320A(其可以可替换地是固件),被配置成如下面进一步描述的那样检测短样本吸入故障。在一些实施例中,算法320A可以是人工智能(AI)算法。计算机320可以是耦合到计算机120的分离计算/控制设备(系统控制器)。在一些实施例中,计算机320的特征和功能可以被实现在计算机120中且由计算机120执行。而且,在一些实施例中,探测器组件定位和/或探测器组件吸入/分配的功能可以被实现在分离计算/控制设备中或被实现在计算机120中。
机器人338可以包括被配置成在系统100的例如吸入和分配站116内移动探测器组件340的一个或多个机器人臂342、第一电动机344和第二电动机346。机器人臂342可以耦合到探测器组件340和第一电动机344。第一电动机344可以由计算机320控制,以将机器人臂342移动到液体容器上方的位置且因而将探测器组件340移动到液体容器上方的位置。第二电动机346可以耦合到机器人臂342和探测器组件340。第二电动机346还可以由计算机320控制,以在垂直方向上将探测器340P移入和移出液体容器,以用于从它或向它吸入或分配液体。在一些实施例中,机器人338还可以包括:一个或多个传感器348(诸如例如振动、电流或电压和/或位置传感器),耦合到计算机320以提供反馈和/或促进机器人338的操作。
吸入和分配装置316还可以包括:泵350,机械耦合到导管352且由计算机320控制。泵350可以在导管352中生成真空或负压(例如,吸入压力)以吸入液体,且可以在导管352中生成正压(例如,分配压力)以分配液体。
吸入和分配装置316可以进一步包括:压力传感器354,被配置成测量导管352中的吸入和分配压力并相应地生成压力数据。压力数据可以由计算机320接收且可以用于控制泵350。吸入压力测量信号波形(相对于时间)可以由计算机320从所接收的压力数据导出,且可以被输入到用于在吸入过程期间检测探测器组件340中的短样本吸入故障的算法320A。在其中算法320A是AI算法的那些实施例中,还可以使用从接收自压力传感器354的压力数据导出的吸入压力测量信号波形,以训练AI算法以检测短样本吸入故障。
图4图示了根据一个或多个实施例的检测自动化诊断分析系统中的短样本吸入故障的方法400。在过程框402处,方法400可以通过在自动化诊断分析系统中吸入液体时经由压力传感器来执行吸入压力测量而开始。例如,吸入压力测量可以由(图3的)吸入和分配装置316的压力传感器354作出,吸入和分配装置316可以是(图1的)自动化诊断分析系统100的吸入和分配站116的一部分。
在过程框404处,方法400可以包括:经由执行算法的处理器来分析吸入压力测量信号波形,该算法被配置成从吸入压力测量信号波形导出斜率波形并计算斜率波形的移动平均值或斜率波形的小波变换。
分析吸入压力测量信号波形以检测短样本吸入故障基于正常吸入和异常吸入(表示短样本吸入故障)的压力测量信号波形之间的独特瞬态行为差异。
图5A图示了正常吸入的吸入压力信号波形相对于时间的曲线图500A,并且图5B图示了根据一个或多个实施例的图5A的吸入压力信号波形的斜率波形(即,压力信号波形的时间导数——d(压力信号)/dt)相对于时间的曲线图500B。相比而言,图6A图示了异常(短样本)吸入的吸入压力信号波形相对于时间的曲线图600A,并且图6B图示了根据一个或多个实施例的图6A的吸入压力信号波形的斜率波形(即,压力信号波形的时间导数——d(压力信号)/dt)相对于时间的曲线图600B。曲线图500A和600A的吸入压力信号波形可能已经均由吸入和分配装置(诸如例如(图3的)吸入和分配装置316)生成,而曲线图500B和600B的斜率波形可能已经均由算法320A从曲线图500A和600A的相应吸入压力信号波形导出。注意曲线图600A和600B分别的圆圈部分602A和602B,与曲线图500A和500B分别的对应部分相比。这些差异可由方法400检测。
在一些实施例中,在导出斜率波形之后,过程框404进一步包括:经由执行算法的处理器通过计算斜率波形的移动平均值且然后在吸入过程期间以合适时间增量(例如,每10毫秒)计算移动平均值与斜率波形之间的差值来分析所导出的斜率波形。这些所计算的差值可以被称作差量信号。在一些实施例中,移动平均值可以基于约10毫秒(+/-10%)的移动平均窗。在过程框404处执行的分析可以通过计算本底噪声振幅而继续,在一些实施例中,该本底噪声振幅可以是吸入过程的从t=0至150毫秒的差量信号的RMS(均方根)振幅。可以在检测窗内计算差量信号的一个或多个信号振幅度量(诸如例如绝对均值、RMS或第75百分位值),在一些实施例中,该检测窗可以是到吸入过程中的从270–320毫秒。然后可以计算SNR,其中SNR=20log(信号_度量/噪声)dB。图7A-10图示了以上计算。
图7A图示了表示正常吸入的斜率波形(诸如例如曲线图500B)的移动平均值的曲线图700A,并且图7B图示了根据一个或多个实施例的基于移动平均曲线图700A的差量信号的曲线图700B。在一些实施例中,移动平均值基于约10毫秒(+/-10%)的移动平均窗。差量信号曲线图700B可以包括从t=0至150毫秒的本底噪声窗702,在本底噪声窗702内,差量信号可以用于计算本底噪声振幅。差量信号曲线图700B还可以包括:检测窗704,其在一些实施例中已经被确定为从270至320毫秒最优。对检测窗704内的差量信号进行分析以确定吸入是正常的还是异常的,如下面更详细描述。
图8A图示了表示异常(短样本)吸入的斜率波形(诸如例如曲线图600B)的移动平均值的曲线图800A,并且图8B图示了根据一个或多个实施例的基于移动平均曲线图800A的差量信号的曲线图800B。移动平均值再次基于约10毫秒(+/-10%)的移动平均窗,对应于图7B的正常吸入的移动平均窗。差量信号曲线图800B可以包括也从t=0至150毫秒的本底噪声窗802,在本底噪声窗802内,差量信号可以用于计算本底噪声振幅。差量信号曲线图800B还可以包括:与检测窗704相对应的检测窗804,其在一些实施例中已经被确定为从270至320毫秒最优。对检测窗804内的差量信号进行分析以确定吸入是正常的还是异常的,如下面更详细描述。
用于确定正常和异常吸入的合适检测窗和阈值的确定可以基于已知正常和异常吸入压力信号波形的测试样本的分析。
图9图示了根据一个或多个实施例的基于八样本吸入压力信号波形的移动平均值的多个差量信号的曲线图900,其中四个被已知为正常吸入并且四个被已知为异常吸入(短样本吸入故障)。差量信号基于约10毫秒(+/-10%)的移动平均窗。检测窗904已经被最优地选择成在从270至320毫秒的范围内变动,这是因为仅异常吸入在其中示出差量信号特征。
图10图示了根据一个或多个实施例的针对图9的差量信号的SNR相对于SNR度量(绝对均值、RMS和第75百分位值)的条形曲线图1000,图9的差量信号表示八样本吸入压力信号波形S1、S2、S3、S4、S5、S6、S7和S8。针对样本S1、S3、S5和S7的所计算的SNR(=20log(信号_度量/噪声)dB)表示正常吸入,而针对样本S2、S4、S6和S8的所计算的SNR表示异常吸入。相应地,可以选择7dB的SNR阈值1006,其中7dB以下的SNR指示正常吸入并且7dB处和以上的SNR指示异常吸入(短样本吸入故障)。SNR阈值1006表示正常和异常吸入之间的清楚划分。
在其中算法320A是AI算法的一些实施例中,可以使用非监督学习方法(诸如例如K均值群集)以在压力斜率波形中识别异常吸入。可由处理器320P执行的AI算法320A可以是以人工智能编程的任何合适形式实现的,该任何合适形式包括但不限于神经网络,该神经网络包括卷积神经网络(CNN)、深度学习网络、再生网络和其他类型的机器学习算法或模型。相应地,注意,AI算法320A不是例如简单查找表。相反,AI算法320A可以被训练成检测或预测一种或多种类型的吸入故障,且能够在不被明确编程的情况下改进(作出更准确的确定或预测)。
图11图示了根据一个或多个实施例的八测试样本吸入压力信号波形的压力斜率相对于时间的曲线图1100。四测试样本吸入压力信号波形表示正常吸入,并且四测试样本吸入压力信号波形表示异常(短样本)吸入。异常吸入示出比正常吸入(参见包围区1108)更大的压力斜率量值。相应地,可以将该“最大斜率”度量与K均值群集一起使用以识别异常吸入。也就是说,可以在整个吸入过程内询问压力斜率波形的最大斜率,以将吸入分类为正常的或异常的(即,短样本)。图12图示了根据一个或多个实施例的八测试样本吸入压力信号波形的最大斜率度量的两集群分类的曲线图1200(其中X轴表示以毫秒为单位的时间并且Y轴表示压力斜率,其是归一化压力随时间的改变率)。如所示的那样,集群1(具有中心1210)和集群2(具有中心1212)被完全分离,从而指示最大斜率度量非常适于正常和异常(短样本)吸入的非监督(K均值群集)分类。
注意,可以使用其他非监督群集方法,取代K均值群集。而且,在其中可以事先对样本加标签的情况下,可以使用监督分类方法,诸如逻辑回归、SVM(支持向量机)、贝叶斯分类器等。
返回到过程框404,方法400可以可替换地包括:经由执行算法的处理器来分析吸入压力测量信号波形,该算法被配置成通过计算斜率波形的小波变换来从吸入压力测量信号波形导出斜率波形。如上面结合图7A(表示正常吸入)和图8A(表示异常(短样本)吸入)的移动平均斜率波形而讨论,两个波形之间的谱特征中的独特差异是可观察的。有利地,在该分析中采用小波的强大同时时间刻度(频率)定位和多分辨率分析能力。小波变换可以是连续小波变换(CWT)或离散小波变换(DWT)。
使用CWT的分析的概述可以包括通过使压力信号有差异来根据吸入压力测量信号波形计算压力斜率波形,如上所描述。合适移动平均滤波器可以用于减少由于差异化所致的噪声的放大。分析还可以包括在滑动时间窗内实时计算压力斜率信号的CWT,如下:
其中“a”是刻度参数并且“b”是移位参数。
分析可以进一步包括:在具体刻度范围处询问CWT系数;以及然后通过基于所识别的CWT系数计算合适度量并应用合适(所识别的)阈值,将有故障的吸入与正常吸入加以区分。
在一些实施例中,计算合适度量可以包括确定基线信号如下:在合适刻度范围(在该情况下,其已经被确定为例如<13)中以及在从0至t0(在该情况下,其已经被选择为例如t0=125毫秒)的时间窗内计算总CWT能量。接着,以每个时间步长或以针对检测窗t>200毫秒(如下面所描述的那样确定)的二次采样的时间步长计算相同刻度范围(<13)内的CWT能量,并且然后将检测SNR度量计算为:
图13图示了针对正常吸入样本的CWT SNR度量相对于时间的曲线图1300,并且图14图示了针对异常吸入样本的CWT SNR度量相对于时间的曲线图1400,均根据一个或多个实施例。基于曲线图1300(针对正常吸入样本)和1400(针对异常吸入样本)中的所得到的CWT SNR度量,可以选择t>200毫秒的合适检测窗1314和1414,并且可以选择7dB的合适SNR度量阈值1316和1416。如示出超过检测窗1414中的阈值1416的SNR度量值的由箭头1417指示的区域所示,这些CWT SNR度量适于检测异常(短样本)吸入。为了最大化分类准确度,可以使用附加正常和异常吸入样本数据以识别适当检测窗和CWT SNR阈值。
在CWT分析的一些实施例中,可以考虑以下选项:
-刻度“a”和移位“b”参数可以被限于离散值,且具体被限于二元表示,其中刻度参数被限于2的幂。
-可以使用具有刻度参数的二元表示的马勒特(Mallat's)算法或深萨(Shensa's)算法。这可以具有O(N)计算复杂度,其中N=信号向量的长度。在实际检测中,可以仅考虑针对t>200毫秒的信号,并且因此,N将是相对小的。
-如果要求刻度“a”参数的更精细离散化(例如,“a”=不需要是2的幂的整数值),那么可以使用其他方法,诸如基于样条表示的快速CWT变换算法,诸如在Unser等人的IEEETrans on Signal Proc.,1994中。这些也可以具有O(N)计算复杂度。
-可以通过检查正常和异常吸入信号样本的更大数据集来进一步调谐检测阈值、合适刻度范围、针对基线信号的衡量以及检测和基线信号时间窗。
-类似地,还可以通过进一步检查更多吸入信号样本来最优地选择要使用的小波的类型。
-被发现为适于在该分析中使用的小波类型之一可以是西姆雷特(Symlet)2小波。然而,可以使用其他合适CWT类型。
-可以使用固件或数据操控语言(DML)级软件来实现且可以在FPGA(现场可编程门阵列)、DSP(数字信号处理器)芯片或其他合适IC(集成电路)上实现小波滤波器。
在其他实施例中,吸入压力测量信号波形的分析可以包括使用DWT。使用DWT的优势可以是其在使用其多分辨率分析能力来检测瞬态(通常在较低刻度处)时的低计算成本和功效。使用DWT的分析的概述可以包括:通过使压力信号有差异来根据吸入压力测量信号波形计算压力斜率波形,如上所描述。合适移动平均滤波器可以用于减少由于差异化所致的噪声的放大。分析还可以包括:在滑动时间窗内实时计算压力斜率信号的DWT;在具体刻度范围处询问DWT系数;以及通过基于所识别的DWT系数计算合适度量并应用合适(所识别的)阈值,将有故障的吸入与正常吸入加以区分。
更特别地,DWT分析可以包括确定基线信号如下:在合适刻度范围(在该情况下,其已经被确定为例如<2)中以及在从0至t0(在该情况下,其已经被选择为例如t0=125毫秒)的时间窗内计算最大DWT范数(最大系数值)。接着,以每个时间步长或以针对检测窗t>200毫秒(如下面所描述的那样确定)的二次采样的时间步长计算相同刻度范围(<2)内的“DWT最大范数”,并且然后将检测SNR度量计算为:
图15图示了针对正常吸入样本的DWT SNR度量相对于时间的曲线图1500,并且图16图示了针对异常吸入样本的DWT SNR度量相对于时间的曲线图1600,均根据一个或多个实施例。在较低刻度(刻度=1至2)处针对t>200毫秒在正常和异常吸入样本之间观察DWTSNR度量中的清楚区别。也就是说,针对图15中所示的正常吸入样本(以及针对也如本文所描述的那样测试的若干其他正常吸入样本)的DWT SNR度量已经一致地小于0dB。相比而言,对于针对t>200毫秒的至少一个时刻,针对图16中所示的异常吸入样本(以及针对也如本文所描述的那样测试的若干其他异常吸入样本)的DWT SNR度量已经一致地至少是或大于4dB。基于这些结果,可以选择t>200毫秒的合适检测窗1514和1614,并且可以选择3dB的合适DWT SNR度量阈值1516和1616。(参见例如示出针对超过检测窗1614中的阈值1616的异常吸入样本的DWT SNR度量值的由箭头1617指示的区域)。为了最大化检测准确度,可以使用附加正常和异常吸入样本数据以识别适当检测窗和DWT SNR阈值。
图17图示了根据一个或多个实施例的可以用于实现上面描述的DWT分析的多级DWT滤波器组1700的示意图。DWT滤波器组1700可以是在每个级别处包括分离的高通和低通滤波以及下采样操作的级联滤波器组,其中“G”表示高通滤波器,且在每个步骤处提供该刻度处的信号的“细节”,并且“H”表示低通滤波器。在每个阶段处,H滤波的输出被按一半而二次采样,且继续通过级联滤波器组中的小波滤波的下一阶段。在一些实施例中,本文描述的DWT分析可以要求九个级别(注意,在图17中示出了仅三个)。然而,因为最低刻度DWT部件用于在压力斜率信号中(且因而在异常吸入中)检测瞬态,所以可能不需要以每个时间步长对压力斜率信号的完整分析。因此,DWT计算可能仅需要由DWT滤波器组1700的第一级1718执行。这有利地可能导致显著计算运行时节约,这可以允许最小固件或软件开销。在一些实施例中,可以使用西姆雷特2或多贝西二阶和四阶小波。这些可以被实现为如图17中所示的简单2阶或4阶低通和高通滤波器。
返回到图4,方法400可以在过程框406处通过响应于在过程框404处执行的分析而经由处理器识别吸入故障(即,短样本吸入故障)并对该吸入故障作出响应而继续。如上所描述,可以通过计算移动平均值、传统带通滤波器(诸如例如巴特沃思滤波器)、CWT或DWT,经由谱分析来识别短样本吸入故障。这些分析中的每一个能够准确地检测短样本吸入故障,到吸入过程结束。方法400可以通过在液体(在短样本吸入故障中所涉及)的任何分析开始之前由自动化诊断分析系统及时终止液体的分析,来对所识别的短样本吸入故障作出响应。在其他实施例中,方法400可以通过可替换地或附加地对系统实现针对差错状态的一个或多个其他过程来对所识别的短样本吸入故障作出响应。
三个谱分析(移动平均值、CWT和DWT)均包括在吸入压力信号波形的部分上执行的实时计算,从而有利地限制以每个时间步长分析的数据流的大小。每一个具有O(N)计算成本,从而使使用DSP(数字信号处理器)微芯片或FPGA(现场可编程门阵列)以固件或软件对这些分析的在线实现变得可行。
尽管本公开易受各种修改和可替换形式影响,但已经作为示例在附图中示出且本文详细描述具体方法和装置实施例。然而,应当理解,本文公开的特定方法和装置不意在限制本公开或所附权利要求书。
Claims (21)
1.一种检测自动化诊断分析系统中的短样本吸入故障的方法,所述方法包括:
在所述自动化诊断分析系统中吸入液体时,经由压力传感器来执行吸入压力测量;
经由执行算法的处理器来分析吸入压力测量信号波形,所述算法被配置成:从所述吸入压力测量信号波形导出斜率波形;以及计算:
所述斜率波形的移动平均值,或
所述斜率波形的小波变换;以及
响应于所述分析,经由所述处理器来识别短样本吸入故障并对短样本吸入故障作出响应。
2.如权利要求1所述的方法,其中被配置成计算所述移动平均值的算法进一步被配置成:计算在所述斜率波形的检测窗内以预定时间增量存在的所述移动平均值与所述斜率波形之间的差值。
3.如权利要求1所述的方法,其中被配置成计算所述移动平均值的算法进一步被配置成:计算等于20log(信号_度量/噪声)dB的信噪比,其中所述信号_度量包括在所述斜率波形的检测窗内以预定时间增量存在的所述移动平均值与所述斜率波形之间的差值的绝对均值、均方根(RMS)或第75百分位值中的至少一个。
4.如权利要求1所述的方法,其中识别和响应进一步包括:经由所述处理器通过确定是否信噪比超过阈值来识别吸入故障并对吸入故障作出响应。
5.如权利要求1所述的方法,其中所述移动平均值基于约10毫秒的移动平均窗。
6.如权利要求1所述的方法,其中所述小波变换是连续小波变换(CWT)或离散小波变换(DWT)。
7.如权利要求1所述的方法,其中被配置成计算所述小波变换的算法进一步被配置成:基于小波变换系数来计算所述小波变换的多个度量。
8.如权利要求7所述的方法,其中识别和响应进一步包括:经由所述处理器通过确定是否信噪比超过阈值来识别吸入故障并对吸入故障作出响应。
9.如权利要求1所述的方法,其中分析所述吸入压力测量信号波形发生在吸入过程的开始的在从270毫秒至320毫秒的范围内变动的检测窗期间。
10.如权利要求1所述的方法,其中识别和响应包括:由所述自动化诊断分析系统响应于识别短样本吸入故障而在所述液体的分析开始之前终止所述液体的分析。
11.一种自动化吸入和分配装置,包括:
机器人臂;
探测器,耦合到所述机器人臂;
泵,耦合到所述探测器;
压力传感器,被配置成在吸入液体时经由所述探测器来执行吸入压力测量;以及
处理器,被配置成执行在吸入过程期间检测短样本吸入故障并对短样本吸入故障作出响应的算法,所述算法被配置成通过下述操作来分析从所述压力传感器接收的吸入压力测量信号波形:从所述吸入压力测量信号波形导出斜率波形;以及通过计算所述斜率波形的移动平均值或小波变换来执行所述斜率波形的谱分析。
12.如权利要求11所述的自动化吸入和分配装置,其中所述算法进一步被配置成:计算在所述斜率波形的检测窗内以预定时间增量存在的所述移动平均值与所述斜率波形之间的差值。
13.如权利要求11所述的自动化吸入和分配装置,其中所述算法进一步被配置成:基于小波变换系数来计算所述小波变换的多个度量。
14.如权利要求11所述的自动化吸入和分配装置,其中所述算法进一步被配置成:通过确定是否信噪比超过阈值来在吸入过程期间检测短样本吸入故障并对短样本吸入故障作出响应。
15.如权利要求11所述的自动化吸入和分配装置,其中所述小波变换是连续小波变换(CWT)或离散小波变换(DWT)。
16.如权利要求11所述的自动化吸入和分配装置,其中:
所述移动平均值基于约10毫秒的移动平均窗;或者
被配置成执行所述斜率波形的谱分析的算法进一步被配置成:通过在吸入过程的开始的在从270毫秒至320毫秒的范围内变动的检测窗期间计算所述移动平均值,来执行所述斜率波形的谱分析。
17.如权利要求11所述的自动化吸入和分配装置,其中所述算法是:人工智能(AI)算法,进一步被配置成通过使用经训练的基于学习的分类器确定正常/异常阈值,来执行正常和异常(短样本)分类的自动化分类。
18.如权利要求11所述的自动化吸入和分配装置,其中执行所述算法的处理器被配置成:通过由所述自动化诊断分析系统终止所述液体的分析,来在所述吸入过程期间对短样本吸入故障作出响应。
19.一种自动化诊断分析系统,包括:
如权利要求11所述的自动化吸入和分配装置;
用于分析生物样本的一个或多个分析器站;
自动化轨道,用于向和从所述自动化吸入和分配装置以及所述一个或多个分析器站运输样本容器和反应容器。
20.一种非瞬变计算机可读储存介质,包括:处理器可执行算法,被配置成基于从吸入压力测量信号波形导出的压力斜率波形的谱分析来检测短样本吸入故障,所述算法被配置成通过计算所述压力斜率波形的移动平均值或小波变换来执行所述压力斜率波形的谱分析。
21.一种检测自动化诊断分析系统中的短样本吸入故障的方法,所述方法包括:
在所述自动化诊断分析系统中吸入液体时,从由压力传感器作出的吸入压力测量导出吸入压力测量信号波形;
识别正常吸入的一个或多个第一吸入压力测量信号波形中的图案;
定义在一个或多个第二吸入压力测量信号波形中识别的反常的时间窗定位,所述反常由所述短样本吸入故障导致;以及
导出合适鉴别度量以检测所述反常,其中将简单阈值化、非监督分类器或监督的基于学习的分类器与所述鉴别度量一起使用,以识别后续吸入压力测量信号波形中的反常。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163221453P | 2021-07-13 | 2021-07-13 | |
US63/221453 | 2021-07-13 | ||
PCT/US2022/073657 WO2023288232A1 (en) | 2021-07-13 | 2022-07-12 | Real-time short-sample aspiration fault detection |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117769641A true CN117769641A (zh) | 2024-03-26 |
Family
ID=84920600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280049643.8A Pending CN117769641A (zh) | 2021-07-13 | 2022-07-12 | 实时短样本吸入故障检测 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117769641A (zh) |
WO (1) | WO2023288232A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5915282A (en) * | 1995-12-14 | 1999-06-22 | Abbott Laboratories | Fluid handler and method of handling a fluid |
EP1261876B1 (en) * | 2000-02-29 | 2015-09-09 | Gen-Probe Incorporated | Fluid dispense and liquid surface verification system |
US10337975B2 (en) * | 2016-05-06 | 2019-07-02 | Deutsches Rheuma-Forschungszentrum Berlin | Method and system for characterizing particles using a flow cytometer |
EP3488195A4 (en) * | 2016-07-21 | 2019-08-07 | Siemens Healthcare Diagnostics Inc. | RECOGNITION OF SHORT-TERM IN A CLINICAL ANALYZER |
-
2022
- 2022-07-12 WO PCT/US2022/073657 patent/WO2023288232A1/en active Application Filing
- 2022-07-12 CN CN202280049643.8A patent/CN117769641A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023288232A1 (en) | 2023-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6800223B2 (ja) | 物質調製評価システム | |
CA2771219C (en) | Methods and apparatus for ascertaining interferents and physical dimensions in liquid samples and containers to be analyzed by a clinical analyzer | |
US9443058B2 (en) | Urine work area manager for a urine work area | |
WO2017132162A1 (en) | Methods and apparatus for classifying an artifact in a specimen | |
JP2019504997A (ja) | 側方多視点から試料を定量化するように構成された方法及び装置 | |
JP6257418B2 (ja) | 自動分析装置 | |
JP5869068B2 (ja) | 検体処理装置 | |
US9945882B2 (en) | Method for pipetting liquids in an automated analysis apparatus | |
WO2015066342A1 (en) | Methods and apparatus for determining aspiration and/or dispensing volume and/or pipette positioning | |
EP3671221B1 (en) | Classifying liquid handling procedures with a neural network | |
US20240120082A1 (en) | Apparatus and methods of predicting faults in diagnostic laboratory systems | |
US20220390936A1 (en) | Systems, apparatus, and methods of analyzing specimens | |
CN117677910A (zh) | 实时样本抽吸故障检测和控制 | |
CN117769641A (zh) | 实时短样本吸入故障检测 | |
JP3282455B2 (ja) | 液体採取方法および装置 | |
WO2023126828A1 (en) | Device and method for aspirating/dispensing operation in automated analyzer | |
JP6522608B2 (ja) | 検体検査自動化システムおよび検体チェックモジュール | |
US20150079663A1 (en) | Specimen processor | |
EP4213157A1 (en) | Device and method for monitoring rinsing processes | |
US11635444B2 (en) | Automatic analyzer and program | |
JPH04191661A (ja) | 自動化学分析装置のサンプル分取方法及びその装置 | |
WO2023168359A2 (en) | Diagnostic laboratory systems and methods of updating | |
WO2024054890A1 (en) | Systems and methods for determining test result accuracies in diagnostic laborabory systems | |
EP4226129A1 (en) | Multi-point filtering liquid level detection methods and apparatus | |
CN115901552A (zh) | 一种血液分析仪及样本分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |