JP2023516295A - 機械学習を用いた自動センサトレース検証 - Google Patents

機械学習を用いた自動センサトレース検証 Download PDF

Info

Publication number
JP2023516295A
JP2023516295A JP2022551618A JP2022551618A JP2023516295A JP 2023516295 A JP2023516295 A JP 2023516295A JP 2022551618 A JP2022551618 A JP 2022551618A JP 2022551618 A JP2022551618 A JP 2022551618A JP 2023516295 A JP2023516295 A JP 2023516295A
Authority
JP
Japan
Prior art keywords
trace signal
machine learning
learning model
vector representations
trace
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
Application number
JP2022551618A
Other languages
English (en)
Inventor
マーク・エドワーズ
ヴィヴェック・シンフ
ボグダン・ジョルジェスク
アンカー・カプール
Original Assignee
シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド filed Critical シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド
Publication of JP2023516295A publication Critical patent/JP2023516295A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0721—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment within a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3331—Pressure; Flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3368—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A61M2205/52—General characteristics of the apparatus with microprocessors or computers with memories providing a history of measured variating parameters of apparatus or patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/58—Means for facilitating use, e.g. by people with impaired vision
    • A61M2205/583—Means for facilitating use, e.g. by people with impaired vision by visual feedback
    • A61M2205/584—Means for facilitating use, e.g. by people with impaired vision by visual feedback having a color code
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Automation & Control Theory (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

本開示は、センサに接続されたデバイスの不具合を検出するコンピュータ実装方法であって：機械学習モデルによって、デバイスの状態を示す、センサからのトレース信号を受信することと；機械学習モデルによって、トレース信号を複数のベクトル表現に符号化することと；機械学習モデルによって、複数のベクトル表現に基づいてトレース信号が有効であるかまたは無効であるかを判定することとを含む、方法を提供する。【選択図】図１

Description

関連出願の相互参照
本出願は、２０２０年２月２７日出願の米国特許仮出願第６２／９８２，５６８号「機械学習を用いた自動センサトレース検証（ＡＵＴＯＭＡＴＩＣ ＳＥＮＳＯＲ ＴＲＡＣＥ ＶＡＬＩＤＡＴＩＯＮ ＵＳＩＮＧ ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ）」の利益を主張するものであり、その開示全体を、あらゆる目的のために参照によって本明細書に組み入れる。
本開示は、機械学習技術を用いたセンサトレース信号の自動検証に関する。より詳細には、本開示は、センサトレース信号の検証によってデバイスの不具合を検出する方法およびシステムに関する。
免疫測定および臨床化学分析装置とは、それぞれ個別の構成要素の確実な働きに依拠する統合型の機械である。たとえば、吸引プローブを使用して、ある所望の体積の液体を吸引し、それを投薬する。予期される体積が吸引されたかどうかを検証するために、しばしば１つまたはそれ以上のセンサが設けられている。定期的に検証できない場合は、吸引プローブが機能停止し、メンテナンスを必要とすることが提案される場合がある。
典型的には、検証プロセスを自動化するために、安全マージンを規定する一連のルールが設けられている。トレース信号が安全マージンを超えるときに、タスク（たとえば、吸引）が失敗することがある。しかし、それらのセンサは、場合によっては周囲ノイズを収集する恐れもあり、それゆえ、アルゴリズム的解析はそのようなノイズに対して不変でなければならない。ノイズによって起こる変動に対処するために、ルールエンジンはしばしば、ますます複雑になり、維持することが次第に難しくなる。
本発明の実施形態は、センサトレースデータを用いたデバイスの不具合を自動的に検出する方法およびシステムを提供することによって、上記の短所および欠点のうちの１つまたはそれ以上に対処しそれらを克服する。
本開示は、センサに接続されたデバイスの不具合を検出するコンピュータ実装方法であって：機械学習モデルによって、デバイスの状態を示す、センサからのトレース信号を受信することと；機械学習モデルによって、トレース信号を複数のベクトル表現に符号化することと；機械学習モデルによって、複数のベクトル表現に基づいてトレース信号が有効であるかまたは無効であるかを判定することとを含む、方法を提供する。
本実施形態はさらに：機械学習モデルによってトレース信号を再構成することと；再構成後のトレース信号とトレース信号との間の１つまたはそれ以上の不一致をグラフィカルユーザインターフェース（ＧＵＩ）に強調表示することとをさらに含む、コンピュータ実装方法を提供する。
本実施形態はさらに：複数のベクトル表現に基づいてデバイスに関連する１つまたはそれ以上のパラメータを推定することをさらに含む、コンピュータ実装方法を提供する。
本実施形態はさらに：１つまたはそれ以上のパラメータを推定するために複数のベクトル表現を回帰処理することをさらに含む、コンピュータ実装方法を提供する。
本実施形態はさらに、複数のベクトル表現は６４次元多様体に含まれる、コンピュータ実装方法を提供する。
本実施形態はさらに：トレース信号が無効である場合に、機械学習モデルによって、不具合のカテゴリを識別することをさらに含む、コンピュータ実装方法を提供する。
本実施形態はさらに、機械学習モデルはディープニューラルネットワークである、コンピュータ実装方法を提供する。
本実施形態はさらに：機械学習モデルによって、センサからの複数のトレーニングトレース信号を受信することと；機械学習モデルによって、各トレーニングトレース信号に関する１つまたはそれ以上のラベルタグを人から受信し、１つまたはそれ以上のラベルタグは、各トレーニングトレース信号が有効であるかまたは無効であるかを示すこととをさらに含む、コンピュータ実装方法を提供する。
本開示はさらに：センサに接続された吸引プローブの不具合を検出するコンピュータ実装方法であって、機械学習モデルによって、吸引プローブの状態を示す、センサからのトレース信号を受信することと；機械学習モデルによって、トレース信号を複数のベクトル表現に符号化することと、機械学習モデルによって、複数のベクトル表現に基づいてトレース信号が有効であるかまたは無効であるかを判定することとを含む、方法を提供する。トレース信号が無効である場合は、機械学習モデルによって、吸引プローブに関連する不具合のカテゴリを識別する。
本実施形態はさらに：機械学習モデルによって、トレース信号を再構成することと；再構成後のトレース信号とトレース信号との間の１つまたはそれ以上の不一致をグラフィカルユーザインターフェース（ＧＵＩ）に強調表示することとをさらに含む、コンピュータ実装方法を提供する。
本実施形態はさらに：機械学習モデルによって、吸引プローブに関連する１つまたはそれ以上のパラメータを推定するために複数のベクトル表現を回帰処理することをさらに含む、コンピュータ実装方法を提供する。
本実施形態はさらに、１つまたはそれ以上のパラメータは、吸引プローブによって吸引された体積または吸引動作の回数を含む、コンピュータ実装方法を提供する。
本実施形態はさらに、不具合のカテゴリは、吸引がないこと、投薬がないこと、およびトレース信号がないことのうちの１つである、コンピュータ実装方法を提供する。
本実施形態はさらに、複数のベクトル表現は６４次元多様体に含まれる、コンピュータ実装方法を提供する。
本開示はさらに：センサに接続されたデバイスの不具合を検出するシステムであって、センサからの第１のトレース信号を複数のベクトル表現に符号化する、エンコーダネットワークと；複数のベクトル表現を第２のトレース信号に再構成する、デコーダネットワークと；第１のトレース信号が有効であるかまたは無効であるかを識別する、分類ネットワークとを含む、システムを提供する。
本実施形態はさらに：複数のベクトル表現に基づいてデバイスに関連する１つまたはそれ以上のパラメータを推定するための、パラメータ推定ネットワークをさらに含む、システムを提供する。
本実施形態はさらに、１つまたはそれ以上のパラメータは、複数のベクトル表現を回帰処理することによって推定される、システムを提供する。
本実施形態はさらに、複数のベクトル表現は６４次元多様体に含まれる、システムを提供する。
本実施形態はさらに、デコーダネットワークは、第１のトレース信号と第２のトレース信号との間の１つまたはそれ以上の不一致を識別するようにさらに構成されている、システムを提供する。
本実施形態はさらに、１つまたはそれ以上の不一致は、第２のトレース信号および分類ネットワークから出力される複数の勾配に基づいて識別される、システムを提供する。
本発明の付加的な構成および利点は、添付の図面を参照しながら進む、説明的実施形態の以下の詳細な説明から明らかになる。
本発明の上述のおよび他の態様は、添付の図面と併せて読むときに以下の詳細な説明から最もよく理解される。本発明を説明するために、図面には、現在好ましい実施形態が示されているが、本発明は開示される特定の手段に限定されないことが理解される。図面には、以下の図が含まれる：
本明細書に記載される実施形態による、不具合自動検出システムのブロックダイヤグラムを示す。 本明細書に記載される別の実施形態による、不具合自動検出システムのブロックダイヤグラムを示す。 本明細書に記載される実施形態による、吸引プローブに接続されたセンサからの、有効なサンプルトレース信号を示す。 本明細書に記載される実施形態による、機械学習モデルのブロックダイヤグラムを示す。 本明細書に記載される実施形態による、不具合を示すオリジナルトレース信号を示す。 本明細書に記載される実施形態による、再構成後のトレース信号を示す。 本明細書に記載される実施形態による、オリジナルトレース信号と再構成後のトレース信号との間の不一致を強調表示するオリジナルトレース信号を示す。 本明細書に記載される実施形態による、機械学習モデルを訓練する方法のフローチャートを示す。 本明細書に記載される実施形態による、デバイスの不具合を検出する方法のフローチャートを示す。 説明的実施形態の態様が実装された並列処理メモリアーキテクチャの一例を示す。
以下の開示は、センサのトレースデータを用いてデバイスの不具合を自動的に検出する方法およびシステムを対象とした本発明を、いくつかの実施形態に従って説明する。デバイス（たとえば、吸引プローブ）に接続された１つまたはそれ以上のセンサからのトレース信号を解析し、デバイスに関連するタスク（たとえば、吸引）が所望の通りに完了したかどうかを判定するために、機械学習モデルが用いられる。一実施形態では、タスクが失敗した場合に、機械学習モデルはさらに、不具合の原因を示すことができる。一実施形態では、トレース信号を再構成し、同時にタスクの不具合を検出するために、機械学習モデルにディープニューラルネットワークが用いられる。ディープニューラルネットワークは、不具合を示すことがある、オリジナルトレース信号の１つまたはそれ以上の部分を強調表示することができる。
図１は、本明細書に記載される実施形態による、不具合自動検出システム１００のブロックダイヤグラムを示す。不具合自動検出システム１００は、タスク（たとえば、吸引）を行うためのデバイス１０２（たとえば、吸引プローブ）と；デバイス１０２に接続されたセンサ１０４と；タスクの不具合および不具合の原因を識別するように訓練された、機械学習モデル１０６（たとえば、ディープニューラルネットワーク）とを含む。センサ１０４は、デバイス１０２によって行われるタスクをモニタリングし、機械学習モデル１０６に入力されるトレース信号１０８を生成する。機械学習モデル１０６は、成功したタスクを示す有効なトレース信号と、失敗したタスクを示すトレース信号とを含む多数のトレース信号によって訓練済みである。それゆえ、訓練済み機械学習モデル１０６は、失敗したタスクを示すトレース信号１０８を識別することができる。いくつかの実施形態では、情報には、不具合の原因を示す失敗のトレース信号１０８が含まれる。この情報を用いて、トレース信号１０８が失敗したタスクに対応するものとして分類されたときに不具合のカテゴリ（すなわち、不具合の原因）をさらに提供するように機械学習モデル１０６を訓練する。一実施形態では、訓練済み機械学習モデル１０６は、トレース信号１０８が有効であるかまたは無効（すなわち、不具合）であるかを識別することができる１１４。別の実施形態では、訓練済み機械学習モデル１０６はさらに、再構成後のトレース信号１１０を出力することができる。再構成後のトレース信号１１０がトレース信号１０８と異なる場合は、訓練済み機械学習モデル１０６はさらに、１つまたはそれ以上の不一致１１２が存在する領域を強調表示する、２つのトレース信号のディスプレイを作成することができる。別の実施形態では、訓練済み機械学習モデル１０６はさらに、有効であるかまたは無効であるかの識別１１４をさらに支援するために、デバイス１０２に関連する推定パラメータ１１６を出力することができる。パラメータ１１６は、デバイス１０２の機能と関連する任意のパラメータとすることができる。たとえば、デバイスが吸引プローブである場合は、パラメータ１１６は、吸引プローブによって吸引される体積または吸引動作の回数などとすることができる。
概して、センサ１０４は、デバイス１０２によって行われるタスクをモニタリングできる任意のセンサ、たとえば、圧力センサ、温度センサ、または電圧センサなどとすることができる。センサ１０４からトレース信号１０８が出力され、機械学習モデル１０６に入力される。
図２は、本明細書に記載される別の実施形態による、不具合自動検出システム２００のブロックダイヤグラムを示す。不具合自動検出システム２００は、吸引タスクを行うための吸引プローブ２０２と；吸引プローブ２０２に接続された圧力センサ２０４と；吸引の不具合および不具合の原因を識別するように訓練された機械学習モデル１０６（たとえば、ディープニューラルネットワーク）とを含む。圧力センサ２０４は、吸引プローブ２０２による吸引動作をモニタリングし、訓練済み機械学習モデル１０６に入力されるトレース信号１０８を生成する。訓練済み機械学習モデル１０６は、失敗した吸引および不具合のカテゴリ（たとえば、吸引が起きない；投薬が起きない；トレース信号が観測されないなど）を示すトレース信号１０８を識別することができる。一実施形態では、訓練済み機械学習モデル１０６は、トレース信号１０８が有効であるかまたは無効である（すなわち、不具合を示す）かを識別することができる１１４。別の実施形態では、訓練済み機械学習モデル１０６はさらに、不具合の場合の１つまたはそれ以上の不一致１１２と共に、再構成後のトレース信号１１０を出力することができる。別の実施形態では、訓練済み機械学習モデル１０６はさらに、吸引プローブ２０２によって吸引された推定体積２０６を出力することができる。図３は、本明細書に記載される実施形態による、吸引プローブ２０２に接続されたセンサからの有効なサンプルトレース信号を示す。サンプルトレース信号は、任意のセンサ（たとえば、圧力センサ２０４）から収集した、時系列の測定データを含むことができる。
図４は、本明細書に記載される実施形態による、機械学習モデル１０６のブロックダイヤグラムを示す。本実施形態では、機械学習モデル１０６は、ディープニューラルネットワークとして実装されている。当技術分野で概略的に理解されているように、「ディープニューラルネットワーク」という用語は、入力データからより高いレベルの特徴を漸進的に抽出するために複数の層を用いる人工ニューラルネットワークを指す。図４に示されている機械学習モデル１０６は、エンコーダネットワーク３０２、デコーダネットワーク３０４、分類ネットワーク３０６、およびパラメータ推定ネットワーク３０８を含む。その例では、エンコーダネットワーク３０２は、トレース信号１０８を１つまたはそれ以上のコンパクト表現３１０に符号化する。一実施形態では、コンパクト表現３１０は６４次元多様体を含む。表現３１０は、それぞれトレース信号の再構成、不具合の識別、およびパラメータの推定のために、他のネットワーク３０４、３０６、および３０８において使用される。一実施形態では、表現３１０は、トレース信号１０８を有効または無効のトレース信号として分類するために分類ネットワーク３０６に入力することができる。さらなる実施形態では、表現３１０は、トレース信号１１０を再構成するためにデコーダネットワーク３０４に入力することができる。トレース信号１０８が無効信号として識別される場合は、再構成後のトレース信号１１０はオリジナルトレース信号１０８とは異なる。再構成後のトレース信号１１０とオリジナルトレース信号１０８との間の１つまたはそれ以上の不一致１１２がディスプレイにおいて強調表示される。たとえば、一実施形態では、再構成後のトレース信号１１０およびオリジナルトレース信号１０８は、グラフィカルユーザインターフェース（ＧＵＩ）に表示され、不一致１１２は赤色で示され、そうすることで、ユーザは、不具合を通知され、起こり得る不具合の原因を迅速に特定することができる。不一致１１２は、デコーダネットワーク３０４からの再構成後のトレース信号１１０および分類ネットワーク３０６からの勾配３１２に基づいて、識別および強調表示することができる。分類ネットワーク３０６の勾配３１２をより効率的に計算するために従来のバックプロパゲーション技術を用いることができる。図５Ａは、本明細書に記載される実施形態による、不具合を示すオリジナルトレース信号５０２を示す。図５Ｂは、本明細書に記載される実施形態による、再構成後のトレース信号５０４を示す。図５Ｃは、本明細書に記載される実施形態による、オリジナルトレース信号と再構成後のトレース信号との間の不一致１１２を強調表示するオリジナルトレース信号５０２を示す。
続けて図４の例示的機械学習モデル１０６を参照すると、表現３１０はパラメータ推定のためにパラメータ推定ネットワーク３０８に入力される。たとえば、機械学習モデル１０６が吸引プローブ２０２を有する不具合自動検出システム２００に含まれる場合は、パラメータ推定ネットワーク３０８は、推定パラメータ１１６（たとえば、吸引プローブ２０２によって吸引された推定体積２０６）を取得するために表現３１０を回帰処理することができる。推定体積２０６は予想体積と比較される。推定体積と予想体積との差が所定の閾値を超える場合は、吸引は失敗であると見なされる。推定体積と予想体積との間の差が所定の閾値内にある場合は、オリジナルトレース信号１０８において観測されることがある周囲ノイズに関係なく、十分な体積が吸引されたと結論付けることができる。
トレース信号が不具合を示す場合は、分類ネットワーク３０６はさらに、不具合の原因に応じて不具合を不具合カテゴリに類別することができる。たとえば、吸引プローブ２０２に関連する不具合が検出される場合は、その不具合は異なる要因から生じる場合がある。たとえば、吸引プローブ２０２は、任意の液体の吸引に失敗することがあり；吸引プローブ２０２は、吸引後の任意の液体の投薬に失敗することがあり；圧力センサ２０４は、トレース信号が観測できないせいで機能停止することがある。分類ネットワーク３０６は、有効であるかまたは無効であるかの識別１１４に加えて、不具合を不具合カテゴリに類別することができる。一実施形態では、吸引プローブ２０２を制御するシステム（たとえば、免疫測定および臨床化学分析装置）に不具合通知が送られる。次いで、こうした不具合通知は、オペレータによるレビューまたは他の使用のためにディスプレイ上で提示することができる。代替的に、システムは、不具合を修正する（たとえば、液体を再吸引する）ために、１つまたはそれ以上の対策を自動的に取ることができる。
一実施形態では、複数のセンサを設け、それらをデバイス１０２に接続することができる。たとえば、圧力センサ、温度センサ、および電流センサが、デバイス１０２に接続される。センサはそれぞれ、異なるトレース信号１０８を生成し、トレース信号はいずれも解析のために機械学習モデル１０６に入力される。
図４を参照しながら上記で論じた機械学習モデル１０６はディープニューラルネットワークとして実装されているが、本発明の他の実施形態では他の機械学習モデルを利用できることを理解されたい。限定するものではないが、決定木モデル、勾配ブーストツリーモデル、ロジスティック回帰モデル、およびランダムフォレストモデルを含む、当技術分野で一般に知られている様々な機械学習モデルを利用することができる。
機械学習モデル１０６は、有効信号および無効信号（すなわち、不具合を示す）の両方の良好なサンプリングを用いて多数のトレース信号で訓練される。たとえば、一実施形態では、機械学習モデル１０６は、不具合を示すほぼ１０，０００のトレース信号を含む、約８０，０００のトレース信号で訓練される。こうしたトレーニングセットを用いて行った概念実証検査によれば、ディープニューラルネットワークは分類正解率が０．９９４２に到達でき、そのことは、不具合自動検出システム１００がセンサトレースデータを用いてタスクの不具合を有効に検出できるということを示している。
図６は、本明細書に記載される実施形態による、機械学習モデル１０６を訓練する方法６００のフローチャートを示す。工程６０２で、機械学習モデル１０６を訓練するために多数のトレース信号１０８が提供される。理想的には、トレース信号１０８は、対応するデバイスが動作する様々なシナリオを表す、有効および無効のトレース信号のサンプリングを用いた多数のトレース信号を含む。工程６０４で、各トレース信号１０８は、人（たとえば、デバイス１０２およびトレース信号１０８を生成するセンサ１０４に関する機械学習専門家）によってラベル付けされる。ラベルタグは、そのトレース信号１０８が有効であるかまたは無効であるかを示すことができる。ラベルタグは、他の情報、たとえば、吸引プローブ２０２によって吸引された体積、吸引動作の回数などを提供することもできる。工程６０６で、ラベル付けされたトレース信号は、訓練のために機械学習モデル１０６に入力される。教師あり学習によって、訓練済み機械学習モデル１０６は、新規トレース信号が有効であるかまたは無効であるかを識別することができる。訓練済み機械学習モデル１０６はさらに、吸引プローブ２０２によって吸引された推定体積、吸引動作の推定回数など、１つまたはそれ以上のパラメータを新規トレース信号から推定することができる。訓練済み機械学習モデル１０６はさらに、新規トレース信号を再構成することができ、その新規トレース信号はオリジナルの新規トレース信号と比較される。再構成後のトレース信号とオリジナルの新規トレース信号との間の１つまたはそれ以上の不一致１１２を強調表示することができる。
図７は、本明細書に記載される実施形態による、デバイス１０２の不具合を検出する方法のフローチャートを示す。工程７０２で、新規トレース信号が訓練済み機械学習モデル１０６に入力される。工程７０４で、訓練済み機械学習モデル１０６のエンコーダネットワーク３０２は、新規トレース信号を、本例で６４次元多様体を形成するベクトル表現３１０に符号化する。工程７０６で、分類ネットワーク３０６は、新規トレース信号が有効であるかまたは無効であるかを識別する。工程７０８で、デコーダネットワーク３０４は、ベクトル表現３１０に基づいて新規トレース信号を再構成する。工程７１０で、再構成後のトレース信号とオリジナルの新規トレース信号との間の１つまたはそれ以上の不一致１１２が、分類ネットワーク３０６によって提供された勾配３１２に基づいて強調表示される。工程７１２で、パラメータ推定ネットワーク３０８は、デバイス１０２に関連する１つまたはそれ以上のパラメータ（たとえば、吸引プローブ２０２によって吸引された推定体積、吸引動作の推定回数など）を推定する。工程７０６～７１２の順序はランダムに調節でき、いくつかの実施形態では；たとえば、工程７０６の前に工程７１２を行うことができる。
図８は、機械学習モデル１０６および本明細書で論じる様々なワークフローの他の態様を実装するために利用できる並列処理メモリアーキテクチャ８００の一例を示す。そのアーキテクチャ８００は、ＮＶＩＤＩＡ ＣＵＤＡ（商標）（または同様の並列コンピューティングプラットフォーム）が用いられている本発明の各実施形態において使用することができる。アーキテクチャは、バス８１５（たとえば、ＰＣＩｅバス）を介して接続されている、ホスト計算機（「ホスト」）８０５と、グラフィクス処理ユニット（ＧＰＵ）デバイス（「デバイス」）８１０とを含む。ホスト８０５は、プロセッサすなわち中央処理装置（「ＣＰＵ」と称される）（図８には示されていない）と、ＣＰＵにアクセス可能なホストメモリ８２５とを含む。デバイス８１０は、グラフィクス処理ユニット（ＧＰＵ）と、本明細書でデバイスメモリと称されるその関連メモリ８２０とを含む。デバイスメモリ８２０は、様々なタイプのメモリを含むことができ、それらメモリは、それぞれメモリの異なる使用法に最適化される。たとえば、いくつかの実施形態では、デバイスメモリは、グローバルメモリ、コンスタントメモリ、およびテクスチャメモリを含む。
ビッグデータプラットフォームおよび／またはビッグシミュレーションプラットフォーム（図８参照）の並列部分は、「デバイスカーネル」または単純に「カーネル」としてアーキテクチャ８００上で実行することができる。カーネルは、特定の機能を行うように構成された、パラメータ化されたコードを含む。並列コンピューティングプラットフォームは、パラメータ、設定、およびユーザによってもたらされる他の選択に基づいて、アーキテクチャ８００全体に最適な手法でこれらのカーネルを実行するように構成されている。付加的に、いくつかの実施形態では、並列コンピューティングプラットフォームは、ユーザによって提供される最小限の入力を用いて最適な手法でカーネルの自動処理を可能にする、付加的な機能性を含むことができる。
各カーネルに必要な処理は、スレッドブロックのグリッドによって行われる（以下でさらに詳細に説明する）。コンカレントカーネル実行、ストリーム、軽量イベントとの同期を用いることで、図８のアーキテクチャ８００（または同様のアーキテクチャ）は、本明細書で論じる機械学習モデルを訓練または利用する際に行われるモデルベースの演算の部分を並行化するために使用することができる。
デバイス８１０は、デバイス８１０の計算ユニットを表すスレッドブロック８３０を１つまたはそれ以上含む。スレッドブロックという用語は、共有メモリを介して協働でき、メモリアクセスを調整するようにそれらの実行を同期できるスレッドのグループを指す。たとえば、図８において、スレッド８４０、８４５および８５０は、スレッドブロック８３０において動作し、共有メモリ８３５にアクセスする。使用される並列コンピューティングプラットフォームに応じて、スレッドブロックは、グリッド構造で構成することができる。次いで、計算または一連の計算をそのグリッドにマッピングすることができる。たとえば、ＣＵＤＡを利用する実施形態では、計算は、１次元、２次元、または３次元のグリッドにマッピングすることができる。各グリッドは複数のスレッドブロックを含み、各スレッドブロックは複数のスレッドを含む。たとえば、図８では、スレッドブロック８３０は、ｍ＋１行およびｎ＋１列の２次元グリッド構造で構成されている。概して、同じグリッドの異なるスレッドブロック内のスレッドは、互いに通信も同期もできない。しかし、同じグリッドのスレッドブロックは、ＧＰＵ内の同じ多重プロセッサで同時に動作できる。各スレッドブロック内のスレッド数は、ハードウェアまたはソフトウェアの制約によって限定することができる。
続けて図８を参照すると、レジスタ８５５、８６０、および８６５は、スレッドブロック８３０に利用できる高速メモリを表している。各レジスタは単一のスレッドによってのみアクセス可能である。それゆえ、たとえば、レジスタ８５５はスレッド８４０によってのみアクセスできる。逆に共有メモリは、スレッドブロックごとに割り当てられており、したがって、そのブロック内の全てのスレッドが同じ共有メモリへのアクセスを有する。それゆえ、共有メモリ８３５は、スレッドブロック８３０の各スレッド８４０、８４５、および８５０によって並列にアクセスされるように設計されている。スレッドは、デバイスメモリ８２０から同じスレッドブロック（たとえば、スレッドブロック８３０）内の他のスレッドによってロードされた、共有メモリ８３５内のデータにアクセスすることができる。デバイスメモリ８２０は、グリッドの全てのブロックによってアクセスされ、たとえば、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）を用いて実装することができる。
各スレッドは、１つまたはそれ以上のレベルのメモリアクセスを有することができる。たとえば、図８のアーキテクチャ８００では、各スレッドは、３つのレベルのメモリアクセスを有することができる。まず、各スレッド８４０、８４５、８５０は、その対応するレジスタ８５５、８６０、および８６５に読み書きすることができる。同期の問題がなく、レジスタが概してスレッドを実行する多重プロセッサの近くに位置するため、レジスタは、スレッドに高速のメモリアクセスを提供する。次に、スレッドブロック８３０の各スレッド８４０、８４５、８５０は、そのブロック８３０に対応する共有メモリ８３５にデータを読み書きすることができる。概して、スレッドが共有メモリにアクセスするのに必要とされる時間は、スレッドブロック内の全てのスレッド間のアクセスを同期する必要があるため、レジスタのアクセスを超える。しかし、スレッドブロックのレジスタと同様に、共有メモリは、典型的には、スレッドを実行する多重プロセッサの近くに位置する。メモリアクセスの第３のレベルにより、デバイス８１０の全てのスレッドがデバイスメモリに対して読むおよび／または書くことが可能になる。デバイスで動作するスレッドブロック全体に対してアクセスが同期されなければならないため、デバイスメモリはアクセスに最長の時間を要する。
本開示の実施形態は、ハードウェアおよびソフトウェアの任意の組合せを用いて実装することができる。たとえば、図８に提示されている並列処理アーキテクチャとは別に、本明細書で論じる技術を実施するように、標準的なコンピューティングプラットフォーム（たとえば、サーバ、デスクトップコンピュータなど）を特別に構成することができる。さらに、本開示の実施形態は、たとえばコンピュータ可読の非一時的媒体を有する製品（たとえば、１つまたはそれ以上のコンピュータプログラムプロダクト）に含まれる。その媒体は、本開示の実施形態の機構を提供し容易にするためのコンピュータ可読プログラムコードを内部に組み入れることができる。製品は、コンピュータシステムの一部として含まれるかまたは別個に販売されていることがある。
本明細書で様々な態様および実施形態を開示してきたが、他の態様および実施形態が当業者には明らかである。本明細書で開示された様々な態様および実施形態は、説明のためのものであり、限定するものではなく、添付の特許請求の範囲によって真の範囲および精神が示されている。
実行可能なアプリケーションは、本明細書で用いるように、たとえばユーザのコマンドまたは入力に応答して、オペレーティングシステム、コンテキストデータ取得システムまたは他の情報処理システムなど、所定の機能を実装するようにプロセッサを調整するためのコードまたは機械可読命令を含む。実行可能な手順は、１つまたはそれ以上の特定のプロセスを行うために実行可能なアプリケーションの、コードもしくは機械可読命令のセグメント、サブルーチン、またはコードもしくは一部分の他の別個のセクションである。それらプロセスには、入力データおよび／またはパラメータを受信することと、受信した入力データに対して演算を行うことおよび／または受信した入力パラメータに応答して機能を行うことと、結果として生じた出力データおよび／またはパラメータを供給することとが含まれる。
グラフィカルユーザインターフェース（ＧＵＩ）には、本明細書で用いるように、１つまたはそれ以上のディスプレイイメージが含まれ、ディスプレイイメージは、ディスプレイプロセッサによって生成され、プロセッサまたは他のデバイスおよび関連するデータ取得および処理機能とのユーザインタラクションを可能にする。ＧＵＩは、実行可能な手順または実行可能なアプリケーションも含む。実行可能な手順または実行可能なアプリケーションは、ＧＵＩディスプレイイメージを表す信号を生成するようにディスプレイプロセッサを調整する。それら信号は、ユーザが見るための画像を表示するディスプレイ装置に供給される。プロセッサは、実行可能な手順または実行可能なアプリケーションの制御下で、入力デバイスから受信した信号に応答してＧＵＩディスプレイイメージを操作する。このように、ユーザは、入力デバイスを用いてディスプレイイメージとインタラクトすることができ、そのため、プロセッサまたは他のデバイスとのユーザインタラクションが可能になる。
本明細書では、機能およびプロセスの工程は、ユーザのコマンドに応答して自動的にまたは全体的もしくは部分的に行うことができる。自動的に行われるアクティビティ（工程を含む）は、ユーザがアクティビティを直接的に開始することなく、１つもしくはそれ以上の実行可能命令またはデバイスの動作に応答して行われる。
本明細書および特許請求の範囲では、説明的実施形態の特定の構成および要素に関して「ａ」、「少なくとも１つの」および「１つまたはそれ以上の」という用語を用いることがある。それらの用語および句は、特定の説明的実施形態に特定の構成または要素が少なくとも１つ存在することを表明するものであるが、２つ以上存在する場合もあることを理解されたい。すなわち、それらの用語／句は、単一の構成／要素が存在することまたはこのような構成／要素が複数存在することを必要とすることに、明細書または特許請求の範囲を限定するものではない。対照的に、これらの用語／句は、本明細書および特許請求の範囲内にこのような構成／要素が複数ある可能性を有しながら、少なくとも単一の構成／要素を必要とするだけである。
さらに、本明細書は、説明的実施形態の例示的実装をさらに示し、説明的実施形態の機構の理解を助けるために、説明的実施形態の様々な要素に関して複数の様々な例を用いていることを理解されたい。これらの例は、非限定的なものであり、説明的実施形態の機構を実装するための様々な可能性を網羅しているものではない。本明細書を考慮すると、それら様々な要素には他にも多数の代替的実装形態があり、それらは本発明の精神および範囲から逸脱することなしに本明細書で提供される例に加えてまたはその代わりに使用できることが当業者には明らかである。
図のシステムおよびプロセスは排他的ではない。同じ目的を達成するために、本明細書に記載される実施形態の原理に従って他のシステム、プロセス、およびメニューを導き出すことができる。本明細書に図示および記載される実施形態および変形形態が単なる例示目的であることを理解されたい。実施形態の範囲から逸脱することなしに、現在の設計に対する修正形態を当業者によって実装することができる。本明細書に記載されるように、様々なシステム、サブシステム、エージェント、マネージャ、およびプロセスを、ハードウェア構成要素、ソフトウェア構成要素、および／またはそれらの組合せを用いて実装することができる。本明細書において、クレームの要素は、その要素が「～ための手段（ｍｅａｎｓ ｆｏｒ）」という句を用いて明示的に列挙されない限り、３５Ｕ．Ｓ．Ｃ．第１１２（ｆ）条の規定の下で解釈するべきではない。
例示的な実施形態を参照しながら本発明を説明してきたが、本発明はそれらに限定されるものではない。本発明の好ましい実施形態に多数の変更および修正を行うことができること、ならびに本発明の真の精神から逸脱することなしにそのような変更および修正を行うことができることを当業者は理解する。したがって、添付の特許請求の範囲は、本発明の真の精神および範囲内に入る全ての均等な変形形態を包含すると解釈されるものである。

Claims (20)

  1. センサに接続されたデバイスの不具合を検出するコンピュータ実装方法であって：
    機械学習モデルによって、デバイスの状態を示す、センサからのトレース信号を受信することと；
    機械学習モデルによって、トレース信号を複数のベクトル表現に符号化することと；
    機械学習モデルによって、複数のベクトル表現に基づいてトレース信号が有効であるかまたは無効であるかを判定することと
    を含む、前記方法。
  2. 機械学習モデルによって、トレース信号を再構成することと；
    再構成後のトレース信号とトレース信号との間の１つまたはそれ以上の不一致をグラフィカルユーザインターフェース（ＧＵＩ）に強調表示することと
    をさらに含む、請求項１に記載の方法。
  3. 複数のベクトル表現に基づいてデバイスに関連する１つまたはそれ以上のパラメータを推定すること
    をさらに含む、請求項１に記載の方法。
  4. １つまたはそれ以上のパラメータを推定するために複数のベクトル表現を回帰処理すること
    をさらに含む、請求項３に記載の方法。
  5. 複数のベクトル表現は６４次元多様体に含まれる、請求項１に記載の方法。
  6. トレース信号が無効である場合に、
    機械学習モデルによって、不具合のカテゴリを識別すること
    をさらに含む、請求項１に記載の方法。
  7. 機械学習モデルはディープニューラルネットワークである、請求項１に記載の方法。
  8. 機械学習モデルによって、センサからの複数のトレーニングトレース信号を受信することと；
    機械学習モデルによって、各トレーニングトレース信号に関する１つまたはそれ以上のラベルタグを人から受信し、該１つまたはそれ以上のラベルタグは、各トレーニングトレース信号が有効であるかまたは無効であるかを示すことと
    をさらに含む、請求項１に記載の方法。
  9. センサに接続された吸引プローブの不具合を検出するコンピュータ実装方法であって：
    機械学習モデルによって、吸引プローブの状態を示す、センサからのトレース信号を受信することと；
    機械学習モデルによって、トレース信号を複数のベクトル表現に符号化することと；
    機械学習モデルによって、複数のベクトル表現に基づいてトレース信号が有効であるかまたは無効であるかを判定することと；
    トレース信号が無効である場合に、
    機械学習モデルによって、吸引プローブに関連する不具合のカテゴリを識別することと
    を含む、前記方法。
  10. 機械学習モデルによって、トレース信号を再構成することと；
    再構成後のトレース信号とトレース信号との間の１つまたはそれ以上の不一致をグラフィカルユーザインターフェース（ＧＵＩ）に強調表示することと
    をさらに含む、請求項９に記載の方法。
  11. 機械学習モデルによって、吸引プローブに関連する１つまたはそれ以上のパラメータを推定するために複数のベクトル表現を回帰処理すること
    をさらに含む、請求項９に記載の方法。
  12. １つまたはそれ以上のパラメータは、吸引プローブによって吸引された体積または吸引動作の回数を含む、請求項１１に記載の方法。
  13. 不具合のカテゴリは、吸引がないこと、投薬がないこと、およびトレース信号がないことのうちの１つである、請求項９に記載の方法。
  14. 複数のベクトル表現は６４次元多様体に含まれる、請求項９に記載の方法。
  15. センサに接続されたデバイスの不具合を検出するシステムであって：
    センサからの第１のトレース信号を複数のベクトル表現に符号化する、エンコーダネットワークと；
    複数のベクトル表現を第２のトレース信号に再構成する、デコーダネットワークと；
    第１のトレース信号が有効であるかまたは無効であるかを識別する、分類ネットワークと
    を含む、前記システム。
  16. 複数のベクトル表現に基づいてデバイスに関連する１つまたはそれ以上のパラメータを推定するための、パラメータ推定ネットワーク
    をさらに含む、請求項１５に記載のシステム。
  17. １つまたはそれ以上のパラメータは、複数のベクトル表現を回帰処理することによって推定される、請求項１６に記載のシステム。
  18. 複数のベクトル表現は６４次元多様体に含まれる、請求項１５に記載のシステム。
  19. デコーダネットワークはさらに、第１のトレース信号と第２のトレース信号との間の１つまたはそれ以上の不一致を識別するように構成されている、請求項１５に記載のシステム。
  20. １つまたはそれ以上の不一致は、第２のトレース信号および分類ネットワークから出力される複数の勾配に基づいて識別される、請求項１９に記載のシステム。
JP2022551618A 2020-02-27 2021-02-25 機械学習を用いた自動センサトレース検証 Pending JP2023516295A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062982568P 2020-02-27 2020-02-27
US62/982,568 2020-02-27
PCT/US2021/019731 WO2021173872A1 (en) 2020-02-27 2021-02-25 Automatic sensor trace validation using machine learning

Publications (1)

Publication Number Publication Date
JP2023516295A true JP2023516295A (ja) 2023-04-19

Family

ID=77492012

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022551618A Pending JP2023516295A (ja) 2020-02-27 2021-02-25 機械学習を用いた自動センサトレース検証

Country Status (5)

Country Link
US (1) US20230091197A1 (ja)
EP (1) EP4110431A4 (ja)
JP (1) JP2023516295A (ja)
CN (1) CN115135358A (ja)
WO (1) WO2021173872A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023516295A (ja) * 2020-02-27 2023-04-19 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド 機械学習を用いた自動センサトレース検証

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140805A (ja) * 2005-11-17 2007-06-07 Nippon Telegr & Teleph Corp <Ntt> 画像内オブジェクトのパラメータ推定装置，方法，媒体
JP2007240328A (ja) * 2006-03-08 2007-09-20 Olympus Corp 分注装置および分注方法
JP2014142697A (ja) * 2013-01-22 2014-08-07 Hitachi Ltd 異常診断方法およびその装置
WO2017094267A1 (ja) * 2015-12-01 2017-06-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
JP2018049355A (ja) * 2016-09-20 2018-03-29 株式会社東芝 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム
JP2019139375A (ja) * 2018-02-07 2019-08-22 株式会社Ｙｅ Ｄｉｇｉｔａｌ 故障予知方法、故障予知システムおよび故障予知プログラム

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK2026862T3 (da) * 2006-06-08 2019-10-21 Hoffmann La Roche System til detektering af en okklusion i en slange
US7696866B2 (en) * 2007-06-28 2010-04-13 Microsoft Corporation Learning and reasoning about the context-sensitive reliability of sensors
US9302058B2 (en) * 2013-03-15 2016-04-05 Curlin Medical Inc. Infusion tubing tracing system using vibration generator and vibration sensor
AU2015308144B2 (en) * 2014-08-26 2020-07-02 Debiotech S.A. Detection of an infusion anomaly
JP6450710B2 (ja) * 2016-05-18 2019-01-09 みずほ情報総研株式会社 情報予測システム、情報予測方法及び情報予測プログラム
JP6911262B2 (ja) * 2016-07-21 2021-07-28 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッドＳｉｅｍｅｎｓ Ｈｅａｌｔｈｃａｒｅ Ｄｉａｇｎｏｓｔｉｃｓ Ｉｎｃ． 臨床分析器における吸引不足の検出
WO2018091746A1 (en) * 2016-11-21 2018-05-24 Sensome Characterizing and identifying biological structure
WO2018099859A1 (en) * 2016-12-02 2018-06-07 Roche Diagnostics Gmbh Failure state prediction for automated analyzers for analyzing a biological sample
US20180189647A1 (en) * 2016-12-29 2018-07-05 Google, Inc. Machine-learned virtual sensor model for multiple sensors
US10365987B2 (en) * 2017-03-29 2019-07-30 Google Llc Synchronous hardware event collection
EP3622450A1 (en) * 2017-05-08 2020-03-18 British Telecommunications Public Limited Company Management of interoperating machine leaning algorithms
CN110297178A (zh) * 2018-05-11 2019-10-01 宫文峰 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN108681747B (zh) * 2018-05-11 2021-05-04 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器
US10685159B2 (en) * 2018-06-27 2020-06-16 Intel Corporation Analog functional safety with anomaly detection
WO2020000405A1 (en) * 2018-06-29 2020-01-02 Microsoft Technology Licensing, Llc. Multi-phase cloud service node error prediction
CN110794227B (zh) * 2018-08-02 2022-09-02 阿里巴巴集团控股有限公司 故障检测方法、系统、设备及存储介质
US11169865B2 (en) * 2018-09-18 2021-11-09 Nec Corporation Anomalous account detection from transaction data
CN109660297B (zh) * 2018-12-19 2020-04-28 中国矿业大学 一种基于机器学习的物理层可见光通信方法
US20200320383A1 (en) * 2019-04-05 2020-10-08 International Business Machines Corporation Complete process trace prediction using multimodal attributes
US11321581B2 (en) * 2019-06-07 2022-05-03 Sas Institute Inc. Detecting and mitigating anomalies and degradation associated with devices and their operations
CN110399986B (zh) * 2019-06-24 2023-04-07 中水三立数据技术股份有限公司 一种泵站机组故障诊断系统的生成方法
CN110333739B (zh) * 2019-08-21 2020-07-31 哈尔滨工程大学 一种基于强化学习的auv行为规划及动作控制方法
JP2023516295A (ja) * 2020-02-27 2023-04-19 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド 機械学習を用いた自動センサトレース検証
US20230186078A1 (en) * 2020-04-30 2023-06-15 Visa International Service Association System, Method, and Computer Program Product for Dynamic User Interfaces for RNN-Based Deep Reinforcement Machine-Learning Models
CN116349211A (zh) * 2020-09-14 2023-06-27 华为云计算技术有限公司 基于自注意力的深度学习的分布式轨迹异常检测
US20230025238A1 (en) * 2021-07-09 2023-01-26 Robert Bosch Gmbh Anomalous region detection with local neural transformations
WO2023288230A1 (en) * 2021-07-13 2023-01-19 Siemens Healthcare Diagnostics Inc. Real-time sample aspiration fault detection and control
WO2023126828A1 (en) * 2021-12-30 2023-07-06 Beckman Coulter, Inc. Device and method for aspirating/dispensing operation in automated analyzer

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140805A (ja) * 2005-11-17 2007-06-07 Nippon Telegr & Teleph Corp <Ntt> 画像内オブジェクトのパラメータ推定装置，方法，媒体
JP2007240328A (ja) * 2006-03-08 2007-09-20 Olympus Corp 分注装置および分注方法
JP2014142697A (ja) * 2013-01-22 2014-08-07 Hitachi Ltd 異常診断方法およびその装置
WO2017094267A1 (ja) * 2015-12-01 2017-06-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
JP2018049355A (ja) * 2016-09-20 2018-03-29 株式会社東芝 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム
JP2019139375A (ja) * 2018-02-07 2019-08-22 株式会社Ｙｅ Ｄｉｇｉｔａｌ 故障予知方法、故障予知システムおよび故障予知プログラム

Also Published As

Publication number Publication date
EP4110431A1 (en) 2023-01-04
US20230091197A1 (en) 2023-03-23
CN115135358A (zh) 2022-09-30
WO2021173872A1 (en) 2021-09-02
EP4110431A4 (en) 2023-08-02

Similar Documents

Publication Publication Date Title
Costafreda Pooling FMRI data: meta-analysis, mega-analysis and multi-center studies
JP7340265B2 (ja) 異常検出装置、異常検出方法、およびプログラム
JP2015062817A5 (ja) 脳活動解析装置、脳活動解析方法、判別器生成装置、判別器生成方法、バイオマーカー装置およびプログラム、健康管理装置およびプログラム、ならびに判別器のプログラム
US20140258187A1 (en) Generating database cluster health alerts using machine learning
US11573872B2 (en) Leveraging low power states for fault testing of processing cores at runtime
CN112041821A (zh) 用于冗余处理器错误检测的设备、系统和过程
CN108509324B (zh) 选择计算平台的系统和方法
US10311404B1 (en) Software product development defect and issue prediction and diagnosis
US11347864B2 (en) Ace: assurance, composed and explained
US20190117072A1 (en) Decoding patient characteristics and brain state from magnetic resonance imaging data
US20200184373A1 (en) Recurrent Gaussian Mixture Model For Sensor State Estimation In Condition Monitoring
US20230091197A1 (en) Automatic sensor trace validation using machine learning
CN112581719A (zh) 基于时序生成对抗网络的半导体封装过程预警方法和装置
KR20180126311A (ko) 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법
TW201723847A (zh) 應用於雲端虛擬機自動化測試環境部屬與測試之系統與方法
Shi et al. Validating an abnormal situation prediction model for smart manufacturing in the oil refining industry
JP7209383B2 (ja) 精神疾患診断プロトコルを自動探索するためのコンピュータシステムおよびその方法、並びにコンピュータ読み取り可能な記録媒体
KR102581229B1 (ko) 해석 장치, 해석 방법 및 해석 프로그램
Basu et al. Blr-d: Applying bilinear logistic regression to factored diagnosis problems
JP7322358B2 (ja) 情報処理プログラム、情報処理方法、及び情報処理装置
US9400858B1 (en) Virtual verification machine for a hardware based verification platform
US20220365820A1 (en) Determining memory requirements for large-scale ml applications to facilitate execution in gpu-embedded cloud containers
Montes et al. Software testing with performance profiles clustering using unsupervised learning
Balyberdin On the Technology of Testing the Reliability of ASC Software Tools with Complex Systems in Extreme Conditions
WO2023033782A1 (en) Method and system for testing functionality of a software program using digital twin

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221117

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231023

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231107

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240202