JP2023548787A - 状態を検出するための動的分析スペクトルの使用 - Google Patents
状態を検出するための動的分析スペクトルの使用 Download PDFInfo
- Publication number
- JP2023548787A JP2023548787A JP2023523530A JP2023523530A JP2023548787A JP 2023548787 A JP2023548787 A JP 2023548787A JP 2023523530 A JP2023523530 A JP 2023523530A JP 2023523530 A JP2023523530 A JP 2023523530A JP 2023548787 A JP2023548787 A JP 2023548787A
- Authority
- JP
- Japan
- Prior art keywords
- image
- environment
- condition
- sample
- reference images
- 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
- 238000004458 analytical method Methods 0.000 title description 14
- 238000001228 spectrum Methods 0.000 title description 10
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 239000000203 mixture Substances 0.000 claims abstract description 13
- 241000287828 Gallus gallus Species 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 20
- 239000000090 biomarker Substances 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 244000144972 livestock Species 0.000 claims description 9
- 238000009877 rendering Methods 0.000 claims description 9
- 238000004817 gas chromatography Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 3
- 230000000474 nursing effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 12
- 239000000523 sample Substances 0.000 description 67
- 230000035882 stress Effects 0.000 description 44
- 150000001875 compounds Chemical class 0.000 description 22
- 241001465754 Metazoa Species 0.000 description 15
- 239000012855 volatile organic compound Substances 0.000 description 15
- 206010006451 bronchitis Diseases 0.000 description 9
- 208000015181 infectious disease Diseases 0.000 description 9
- 230000002458 infectious effect Effects 0.000 description 9
- 235000013330 chicken meat Nutrition 0.000 description 8
- 230000001364 causal effect Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000005670 electromagnetic radiation Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 208000030852 Parasitic disease Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002550 fecal effect Effects 0.000 description 2
- 235000019688 fish Nutrition 0.000 description 2
- 230000008642 heat stress Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003296 saliva Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 241000972773 Aulopiformes Species 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 201000001178 Bacterial Pneumonia Diseases 0.000 description 1
- 208000025721 COVID-19 Diseases 0.000 description 1
- 208000003495 Coccidiosis Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 241000588724 Escherichia coli Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000002979 Influenza in Birds Diseases 0.000 description 1
- 206010023076 Isosporiasis Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 239000000538 analytical sample Substances 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 206010064097 avian influenza Diseases 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 230000001914 calming effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 244000144993 groups of animals Species 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 235000019515 salmon Nutrition 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
環境内の既知の状態の検出及びアラーティングのための方法及びシステム。システム及び方法は、既知の状態の下で複数のサンプルから複数の参照画像を取得する、複数の参照画像の各々を画像認識アルゴリズムに提供する、及び、リアルタイムで使用されるべき参照画像の履歴データベースを生成する。システムは、リアルタイムサンプルを取得する、サンプルの組成のスペクトル画像をレンダリングする、及び、画像の全体形状を参照画像における全体形状と比較し、これらが閾値内でマッチするかどうかを判断するために画像認識アルゴリズムを使用することができる。画像が閾値内でマッチすると肯定的に判断されると、アラートが、既知の状態の発生を警告するために環境のスーパーバイザに送られることができる。一部の例では、対策が、ある既知の状態を緩和するために採用されることができる。
Description
本開示は、一般に、環境内の状態の発生(onset)を検出すること、とりわけ、状態の発生を検出するための動的分析スペクトルの使用に関する。
ガスクロマトグラフィーシステム等の分析ツールの小型化の進歩は、実験室以外での使用を可能にしている。また、これらのツールの小型化は、典型的には、コストの大きな減少につながり、より広い利用がさらに可能になる。これらのシステム及びツールによって作られるスペクトログラムの分析は、所与のサンプル内に存在するある化合物及び元素の検出を可能にする。しかしながら、これらのスペクトログラムを解釈することはますます難しくなってきている。例えば、ある問い合わせは、サブパーツパービリオンレベル(sub parts-per-billion level)等の低い検出限界を利用する。さらに、単一のスペクトログラムにおいて一度に検出されることができる化合物は多数あり、検出された化合物は所与のスペクトル内で重なることが多いため、これらの化合物を特定及び定量化することは、深い知識及び複雑な後処理を必要とする。
動植物環境におけるバイオマーカ、又は他の重要な指標はよりよく理解されるようになってきているが、バイオマーカ及びそれらの濃度をある状態と関連付けることは依然として難しいままであり、不可能であることが多い。
本開示は、環境内の既知の状態の検出及びアラーティング(alerting)のための方法及びシステムに関する。システム及び方法は、既知の状態の下で複数のサンプルから複数の参照画像を取得する、複数の参照画像の各々を画像認識アルゴリズムに提供する、及び、リアルタイムで使用されるべき参照画像の履歴データベースを生成する。システムは、リアルタイムサンプルを取得する、サンプルの組成のスペクトル画像をレンダリングする、及び、画像の全体形状を参照画像における全体形状と比較し、これらが閾値内でマッチするかどうかを判断するために画像認識アルゴリズムを使用することができる。画像が閾値内でマッチすると肯定的に判断されると、アラートが、既知の状態の発生を警告するために環境のスーパーバイザ(supervisor)に送られることができる。一部の例では、対策が、ある既知の状態を緩和するために採用されることができる。一例では、家畜環境(例えば、人工の状態で動物のグループを有するセッティング)からのサンプルのスペクトログラムを分析するための方法が提供される。方法は、対象とする状態の環境からのサンプルの少なくとも1つの記録されたスペクトログラムを利用する、及び、このスペクトログラムを、同じ又は非常に同等のセッティングに由来する既知の状態の事前記録された/捕捉されたスペクトログラムのセットと比較する。スペクトログラムの視覚表現は、2次元又は多次元画像としてレンダリングされ、画像比較技術を使用して評価、比較、及び定量化される。
このようなシステムの有利な点の1つは、動物又は植物の集団の状態について結論を出し、適切な措置を講じるために、サンプルにおける個々の化合物(例えば、バイオマーカ)及びそれらの濃度を特定する必要がないことである。以下の説明は、空気サンプリング及びガス分析(とりわけ、バイオマーカの検出)を使用する実施形態に焦点を当てることがあるが、提案される方法及びシステムは、任意のタイプのサンプル及び分析方法に等しく適用される。
以下で詳細に述べられるように、本開示は、(例えば、動物、植物、動物の集団、植物のグループ、家畜小屋、温室の)状態の単一の情報源として単位画像としての各スペクトログラムの使用を提案する。斯くして、このようなスペクトログラムから分析サンプル(例えば、ガスサンプル)の詳細な組成を推論するのではなく、本開示は、動物、植物、動物の集団、植物のグループ、家畜小屋又は温室の状態の情報を推論するために、各スペクトログラムの形状(2次元、3次元、又は多次元表現)又は当該スペクトログラムの1つ以上の選択された特性に依拠する。そうすることにより、複数(1つ以上のスペクトログラムにおいて捕捉されるすべて)のバイオマーカが、たとえこれらが関連するバイオマーカであることが知られなくても、考慮されることになる。また、バイオマーカの組み合わせ及びこれらの間の相互依存性も、このアプローチを使用して考慮される。
一態様において、述べられるシステム及び方法は、対象とする状態の収集されたサンプルの記録されたスペクトログラムを使用する、及び、このスペクトログラムを、同じ又は非常に同等のセッティングに由来する既知の状態の事前記録された捕捉されたスペクトログラムのセットと比較する。例えば、これらの事前録された捕捉されたスペクトログラムは、動的スペクトルの(複数の)画像を生み出すために所与のエンティティの集団内で意図的に誘発された以前のアウトブレイク又は状態の履歴データに由来することができ、これらのスペクトルは、後のリアルタイムでの分析及び使用のために、誘発されたアウトブレイク又は状態にリンクされることができる。スペクトログラムの視覚表現は、2次元又は多次元画像として解釈され、画像比較技術を使用して評価、比較、及び定量化される。同じサンプルのものであるが、異なる装置設定での追加のスペクトログラムが、方法をより強力にするために追加されてもよい。また、同じサンプルのものであるが、別の方法によって得られるスペクトログラムが追加されてもよい。さらに、例えば家畜小屋における、ある進展していく状態から捕捉される画像のシーケンス及びその時間的変化が、(未知の濃度を有するサンプルの濃度を定義するために、化学的濃度が異なる複数の参照サンプルを使用することと同等である)一種の較正曲線として使用される。
一態様において、家畜小屋の空気サンプルが収集され、例えばガスクロマトグラフ(GC:gas chromatograph)によって分析される。得られたGCデータ(又は定期的に繰り返されるGCデータのセット)は、例えば、環境パラメータの変化又は影響を受けた動物からのバイオマーカの変化を生じさせることが予想される疾患のアウトブレイク及び進展(evolution)、高い動物の死亡率をもたらした熱ストレスの状況等、ある(望ましくない)イベントが進展した、同等の家畜小屋の履歴GCデータのシーケンスと比較される。以下で論じられる方法の説明はVOCバイオマーカに関するが、方法は、任意のタイプの観察可能なマーカ及び任意のタイプのスペクトログラムにも関連することに留意されたい。
例えば、ブロイラー鶏集団におけるストレスレベルは、繁殖効率及び動物の死亡率に大きな影響を与え得る。ストレスは、例えば、突然の音、暑さ又は寒さ、鳥の密集が高すぎる(too high concentration of birds)等の環境的な外的トリガ等、家畜小屋における望ましくない状態に関し得る。ストレス状態に関するさまざまな既知のVOCがあるが、研究は主にヒトに限定されている。鶏等の動物でも同等のVOCが予想される。鶏集団では、偽好酸球(Heterophil)/リンパ球(Lymphocyte)比等、非VOCストレスバイオマーカが使用されることが多い。本明細書で述べられる方法論は、このようなVOCの深い理解及び追加の科学的研究の必要性を排除する。提案されるアプローチは、スペクトログラム参照画像及び校正データが生成されるように、動物ストレッサを使用して動物の集団に様々なレベルの「ストレス」状態を作り出すことである。参照/校正データのタイプが、(例えば、空気サンプルのガスクロマトグラフィー分析から)スペクトログラムを見ることによって、及び、スペクトログラムからストレス状態レベルに対する重要な変化要素を抽出するために、定義される。
斯かる参照方法(referencing method)を使用して、動物の集団の状態が、家畜小屋のスペクトログラムを捕捉する、及び、これらを較正データと比較することによって定期的に監視されることができる。斯かる比較は、好ましくは、自動化されたアルゴリズムを使用することによって行われる。小さな及び/又は低コストのセンシングメカニズムが、環境、例えば、家畜小屋のインフラストラクチャに組み込まれてもよい。1つ又は複数のセンシングメカニズムが実装されることができる。データ処理は、環境内のエッジで若しくは環境に近接して、又はインターネット若しくはクラウドを通じたリモートサーバを介して行われることができる。さらに、オフィス照明システムでは、埋め込み又は統合されたセンサモジュール又はセンシングメカニズムを有する1つ以上の照明器具が、複数の個別ノード、例えば、約200個のノードをサポートすることができるゲートウェイに集約データ(例えば、人数カウント、温度)及び非処理データ(例えば、存在検出)の両方を提供する。複数のゲートウェイが、構内又はインターネット若しくはクラウド上のリモートサーバに設置又は位置付けられてもよい(オフィスビルレベル全体のための)照明管理サーバに接続されることができる。管理システムは、複数のオフィスビルをサポートすることもできる。同様のアプローチ及びシステム設計は、以下で述べられるように様々な農業(agriculture)又は畜産(farming)環境に利用されることができる。
一例において、環境における状態を検出する方法であって、当該方法は、センシングメカニズムを介して、環境から取られる少なくとも1つのサンプルを取得することと、プロセッサを介して、少なくとも1つのサンプルに関連する少なくとも1つの画像をレンダリングすることと、プロセッサを介して、少なくとも1つのサンプルの少なくとも1つの画像と、環境内の状態に関する複数の参照画像とを比較することと、少なくとも1つのサンプルの少なくとも1つの画像及び複数の参照画像の少なくとも1つの参照画像が閾値内でマッチする場合、環境内の状態の発生を検出することとを含む、方法が提供される。
一態様において、方法はさらに、環境内からの少なくとも1つのエンティティが状態を経験している際に環境から取られる複数のサンプルを取得することと、環境から取られる複数のサンプルの各々から複数の参照画像のうちの少なくとも1つの参照画像をレンダリングすることと、少なくとも1つの参照画像の各々を状態と関連付けることと、各参照画像と状態とを相関させる参照画像の履歴データベースを生成することとを含む。
一態様において、少なくとも1つの画像と、複数の参照画像とを比較することは、第1の期間に取られる少なくとも1つのサンプルの複数の画像と、複数の参照画像の各々とを比較することを含む。
一態様において、少なくとも1つの画像は、少なくとも1つの特性又は特徴を含み、複数の参照画像の各参照画像は、少なくとも1つの特性又は特徴を含む。
一態様において、少なくとも1つの特性又は特徴は、少なくとも1つの画像又は参照画像に示される曲線より上の面積、曲線より下の面積、少なくとも1つの極大又はピーク、少なくとも1つの極小又は谷、曲線の全体形状、曲線の少なくとも一部の傾き、極大又はピークの総数、極小又は谷の総数、最大強度値、又は1つ以上のピーク又は谷の相対位置のうちの少なくとも1つから選択される。特性又は特徴は、リアル(real)又は導出される、例えば主成分であることができる。
一態様において、少なくとも1つの画像と、複数の参照画像とを比較することは、複数の参照画像の各々の少なくとも1つの特性又は特徴と、少なくとも1つの画像の少なくとも1つの特性又は特徴とを比較することを含む。
一態様において、環境は、温室、池、シーケージ、オフィス空間、刑務所、介護施設、ホスピス施設、バーン(barn)、鶏舎、又は家畜小屋のうちの少なくとも1つから選択される。
一態様において、センシングメカニズムは、バイオセンサ、バイオマーカセンサ、化学センサ、赤外線(IR:Infrared)センサ、カメラ、マイクロフォン、空気組成センサ、ガスクロマトグラフ、液体クロマトグラフ、質量分析計、又はマイクロガスクロマトグラフィーシステムのうちの少なくとも1つから選択される。
一態様において、状態は、ストレス状態又は疾患のアウトブレイク(outbreak)から選択される。
一態様において、方法はさらに、状態の発生の肯定的な検出に基づいてアラートを送ることを含む。
別の例において、環境における状態を検出するためのシステムであって、当該システムは、環境から取られる少なくとも1つのサンプルを取得するように構成されるセンシングメカニズムと、プロセッサとを含む、システムが提供される。プロセッサは、少なくとも1つのサンプルに関連する少なくとも1つの画像をレンダリングする、少なくとも1つのサンプルの少なくとも1つの画像と、状態に関する複数の参照画像とを比較する、及び、少なくとも1つの画像及び複数の参照画像の少なくとも1つの参照画像が閾値内でマッチする場合、環境内の前記状態の発生を検出するように構成される。
一態様において、プロセッサは、第1の期間に取られる複数の画像と、状態に関連する複数の参照画像とを比較するように構成される。
一態様において、少なくとも1つの画像は、少なくとも1つの特性又は特徴を含み、複数の参照画像の各参照画像は、少なくとも1つの特性又は特徴を含む。
一態様において、少なくとも1つの特性又は特徴は、少なくとも1つの画像又は参照画像に示される曲線より上の面積、曲線より下の面積、少なくとも1つの極大又はピーク、少なくとも1つの極小又は谷、曲線の全体形状、曲線の少なくとも一部の傾き、極大又はピークの総数、極小又は谷の総数、最大強度値、又は1つ以上のピーク又は谷の相対位置のうちの少なくとも1つから選択される。
一態様において、プロセッサはさらに、状態の発生の肯定的な検出に基づいてアラートを送るように構成される。
一態様において、プロセッサはさらに、状態を緩和するために少なくとも1つの対策(counter-measure)を実施するように構成される。
様々な実施形態のこれらの及び他の態様は、以下に述べられる実施形態を参照して明らかになり、解明されるであろう。
図面中、同様の参照文字は、一般に、異なる図の全体にわたって同じ部分を指す。また、図面は、必ずしも縮尺通りではなく、その代わり一般的に、様々な実施形態の原理を例示することに重点が置かれている。
本開示によるシステムの概略図である。
本開示によるデバイスのコンポーネントの概略表現を示す。
本開示による参照画像を示す。
本開示による参照画像を示す。
本開示による参照画像を示す。
本開示による参照画像を示す。
本開示による画像を示す。
本開示による画像を示す。
本開示による画像を示す。
本開示による参照画像を示す。
本開示による画像の進行を示す。
本開示による方法のステップを示すフローチャートである。
本開示による方法のステップを示すフローチャートである。
本開示は、環境内の既知の状態の検出及びアラーティングのための方法及びシステムに関する。システム及び方法は、既知の状態の下で複数のサンプルから複数の参照画像を取得する、複数の参照画像の各々を画像認識アルゴリズムに提供する、及び、リアルタイムで使用されるべき参照画像の履歴データベースを生成する。システムは、リアルタイムサンプルを取得する、サンプルの組成のスペクトル画像をレンダリングする、及び、画像の全体形状を参照画像における全体形状と比較し、これらが閾値内でマッチするかどうかを判断するために画像認識アルゴリズムを使用することができる。画像が閾値内でマッチすると肯定的に判断されると、アラートが、既知の状態の発生を警告するために環境のスーパーバイザに送られることができる。一部の例では、対策が、ある既知の状態を緩和するために採用されることができる。
以下の説明は、図1~5Bを考慮して読まれたい。図1は、本開示による環境E内のシステム100の概略図を示している。システム100は、少なくとも1つのセンシングメカニズム102と、少なくとも1つのデバイス、例えば、デバイス104及び/又はリモートサーバ106とを含む。環境Eは、家畜、植物、水生生物種、又は人を含む環境であることが意図される。一部の例では、環境Eは、バーン、家畜小屋、鶏舎若しくは鶏小屋、温室、池、シーケージ、又は植物、水生生物種、動物、若しくは何らかの形態のバイオマーカ(後述)を生成することが可能な他のエンティティを含む任意の農業環境である。一部の例では、池環境は、エビ又は魚の集団を含んでもよい。他の例では、シーケージ環境は、サケの集団又は他の大型の水生魚又は哺乳動物に使用されてもよい。一部の例では、環境Eは、人を含むことができ、すなわち、ここでは、人が、状態を示す様々な挙動又はバイオマーカを生成することが可能なエンティティである。例えば、環境Eは、人々が典型的に比較可能な植物を摂取する及び/又は比較可能な挙動を示す、比較可能な状態下で継続的に維持される人々が密集した環境、例えば、オフィス空間、刑務所集団、介護施設、ホスピスケア等を含んでもよい。これらの環境では、以下で述べられるように、システム100は、伝染病、例えば、細菌性肺炎、様々なインフルエンザ株(例えば、COVID-19)、結核等の発生を検出するために利用されることができる。以下で詳細に論じられるように、システム100は、環境Eからのリアルタイムサンプルデータを分析する、リアルタイムサンプルデータと、ある状態に関連する履歴データとを比較する、及び、環境E内のこれらの状態のうちの1つの発生を示すウォーニング(warning)又はアラートを生成するように構成される。さらに、一部の例では、システム100は、アラートを送ると、検出された状態を緩和する試みにおいて様々な対策134(図2に示される)を採用するように構成されることができる。
センシングメカニズム102は、環境Eから複数のサンプル、すなわち、(本明細書では「サンプル108」又は「複数のサンプル108」と総称される)サンプル108A~108Cを取得することが可能なデバイスであることが意図される、一部の例では、センシングメカニズム102は、バイオセンサ、バイオマーカセンサ、化学センサ、赤外線(IR)センサ、カメラ、マイクロフォン、空気組成センサ、ガスクロマトグラフ、液体クロマトグラフ、質量分析計、若しくはマイクロガスクロマトグラフィーシステム、又は環境Eからサンプル108を取得及び分析することが可能な任意のデバイス、分光又は分析ツールのうちの少なくとも1つから選択されることができる。また、前述のセンサ又はシステムの任意のものが、センシングメカニズム102を形成するために任意の考えられるやり方で組み合わされることができることも理解されたい。センシングメカニズム102はさらに、各サンプル108からのデータを使用して少なくとも1つの画像110、例えば、(本明細書では「画像110」又は「複数の画像110」と総称される)画像110A~110Cをレンダリングするするように構成される回路を含むことができ、並びに/又は、場合によっては、サンプル108から収集されるデータを別個のデバイス、例えば、デバイス104及び/若しくはリモートサーバ106に送信し、別個のデバイスが、データを使用して、少なくとも1つの画像110をレンダリングすることができる。以下で論じられるように、サンプル108は様々な形態をとることができ、斯くして、画像110は、環境Eから取られる適切なサンプルタイプに対応するスペクトル画像、又は値のスペクトルを表す画像、例えば、スペクトログラム、オーディオグラム、写真等の形態をとることができる。スペクトルは、当業者にとって通常の意味に加えて、1つ以上の独立した連続因子の関数として値の連続セットにわたって表されるデータを意味することが意図される。サンプル108は、環境E内から取られるガス若しくは空気、環境E内の1つ以上のエンティティの糞便、環境E内の1つ以上のエンティティの血液若しくは唾液、写真又は光センサ測定(例えば、電磁放射の赤外線又は紫外線スペクトル内の光)、環境E内からの音の記録、又は1つ以上のバイオマーカを含むことができる環境E内のエンティティから取得し得る任意の他のサンプル事項のうちの少なくとも1つの形態を取ることができる。一部の例では、サンプル及びセンサ測定は、他の形態の測定、例えば、無線偏向及び測距センサ測定(RADAR)、光検出及び測距(LIDAR)、又は電磁放射の可視スペクトル外の測定を含むことができる。
デバイス104は、計算デバイス、例えば、ポータブル若しくはデスクトップパーソナルコンピュータ(PC)、タブレット、スマートフォン、又はセンシングメカニズム102及び/又は人間のオペレータ若しくはユーザとインターフェースすることが可能な他の計算デバイスであることが意図される。一部の例では、図2に概略的に示されるように、デバイス104は、本明細書で論じられるようなデバイス104の様々な機能を実行するために、非一時的コンピュータ可読命令116のセットをそれぞれ実行及び記憶するように構成されるプロセッサ112及びメモリ114を含むパーソナルコンピュータ又は他の計算デバイスであることができる。一部の例では、デバイス104はさらに、有線又はワイヤレスデータ、例えば、各サンプル108に関するデータを、センシングデバイス102及び/又はリモートサーバ106(後述)に送信及び/又はから受信するように構成される通信モジュール118を含むことができる。そのために、通信モジュール118は、ワイヤレスデータを送信及び受信することが可能な少なくとも1つのラジオ又はアンテナ、例えば、アンテナ120を含むことができる。一部の例では、通信モジュール118は、少なくとも1つのアンテナ(例えば、アンテナ120)に加えて、ワイヤレスデータを送信及び/又は受信するのを支援するためにプロセッサ112及びメモリ114に電気的に接続される何らかの形態の自動利得制御(AGC:automated gain control)、モジュレータ及び/又はデモジュレータ、並びに場合によってはビット処理のためのディスクリートプロセッサを含むことができる。一部の例では、プロセッサ112及びメモリ114は、複数のサンプル108に関連するセンシングメカニズム102から有線又はワイヤレスデータを受ける、及び、環境E内の様々なバイオマーカ又は他の化合物を含むサンプルのリアルタイム組成を示す、1つ以上の画像、すなわち、画像110を生成するように構成される。以下で論じられるように、これらの画像110は、任意の既知の状態の発生を検出するために、履歴データ、すなわち、環境Eにおける既知の状態に関する参照画像124と比較されてもよい。他の例では、デバイス104は、処理及び比較が環境Eからリモートで実行され得るように、インターネットIを介して、複数のサンプル108に関連するデータをリモートサーバ、例えば、リモートサーバ106に送信するように構成される。
そのため、リモートサーバ106は、デバイス104に関して上述されたのと同様の回路及びコンポーネント、例えば、プロセッサ、メモリ、非一時的コンピュータ可読命令のセット等を含むことができる。上述のように、センシングメカニズム102は、環境Eからの1つ以上のサンプル、例えば、(図4A~4Cに示される)サンプル108A~108Cを受ける、及び、各サンプルのそれぞれの組成に関連する画像110をレンダリングするために各サンプル108を分析するように構成される。スペクトログラムとして図4A~4Cに図示されているが、(上述したような)画像110は、環境Eから取られる適切なサンプルタイプに対応するスペクトログラム、オーディオグラム、写真等の形態をとることができることを理解されたい。さらに、2次元スペクトログラムとして図示されているが、システム100によってレンダリングされる画像110は、2次元画像、3次元画像、又は多次元若しくはマルチスペクトル画像であることができることを理解されたい。一例では、図3A~5Bに示されるように、センシングメカニズム102は、サンプル108のスペクトル組成を示す二次元スペクトログラムの形態で少なくとも1つの画像110を生成するように構成されるガスクロマトグラフ並びに/又はガスクロマトグラフ及び質量分析計である。各画像110に示されるスペクトル組成は、様々な特性又は特徴122、例えば、相対的極大(local relative maximum)(ピーク)、相対的極小(local relative minimum)値(谷)等を含むことができる。示されるように、スペクトログラムにおける各ピーク又はスパイクは、サンプル内からの特定の化合物、ホルモン、又は他のバイオマーカの高濃度を示し得る。一部の例では、複数の特性又は特徴122は、曲線より上の面積、曲線より下の面積、少なくとも1つの極大又はピーク、少なくとも1つの極小又は谷、曲線の全体形状、曲線の少なくとも一部の傾き、極大又はピークの総数、極小又は谷の総数、少なくとも1つの最大強度値、1つ以上のピーク又は谷の相対位置、又は1つ以上のピークの強度比のうちの少なくとも1つを含むことができる。
システム100の動作に先立って、本開示は、環境E内の複数の状態126のうちの少なくとも1つに関するベースライン、較正、及び/又は履歴データを確立する方法を述べる。例えば、較正フェーズ中に、システム100は、1つ以上の大規模ブロイラー鶏舎、ファーム(farm)、又はコープ(coop)内で採用されてもよい。較正フェーズを通じて、システム100は、通常の状態、すなわち、ストレス状態126(後述)が各環境E内で存在しない状態の下で取られる(1つ以上の環境から取られる数十のサンプルから数十万のサンプルの範囲であり得る)複数のサンプル108を取る、及び、それぞれの複数の参照画像124をレンダリングするように構成されることができる。さらに、較正フェーズ中に、システム100は、特定のエンティティについて既知のストレス状態126の下で取られるサンプルに関する参照画像124を収集する、及び、動作フェーズ(後述)中のシステム100による使用のために当該参照画像124を履歴データベースに保存又は他の方法でセーブするように構成されることができる。例えば、図3A~3Dに図示されるように、サンプルが取られてもよく、履歴参照画像124のコレクションが、様々な識別されたストレス状態126、例えば、様々な既知の疾患又は他のストレッサに相関され、後のリアルタイムでの比較のために履歴データベースに記憶されることができる。図3A~3Dに示されるように、ストレス状態126は、所与のエンティティ集団内の様々な疾患のアウトブレイクに関することができる。例えば、図3Aは、コクシジウム症(Coccidiosis)、すなわち、動物の腸管の寄生虫病のアウトブレイクを示すブロイラー鶏舎のガスサンプルからのレンダリングされた2次元スペクトログラムの概略表現を示している。図3Bは、鳥インフルエンザ(Avian Influenza)のアウトブレイクを示すブロイラー鶏舎のガスサンプルからのレンダリングされた2次元スペクトログラムの概略表現を示している。図3Cは、感染性気管支炎(Infectious Bronchitis)のアウトブレイクを示すブロイラー鶏舎のガスサンプルからのレンダリングされた2次元スペクトログラムの概略表現を示している。図3Dは、大腸菌(E. Coli)のアウトブレイクを示すブロイラー鶏舎のガスサンプルからのレンダリングされたスペクトログラムの概略表現を示している。他のストレス状態126がサンプリングされることができ、例えば、ブロイラー鶏は、農夫又は世話人の存在が典型的に鶏を興奮又はストレス状態にかき立てるので、餌を与えられている又は捕まえられている際にストレス状態を経験する可能性がある。他の環境状態、例えば、突然のノイズ又は音、高温、低温、所与の空間内のエンティティの過度の密集等がストレス状態126をトリガする可能性がある。
図3A~3Dに示されるように、ストレスを受けている際、すなわち、ストレス状態126の下で、環境E内のエンティティ(例えば、ブロイラー鶏、植物、人等)は、経時的なスペクトルの動的変化を通じて図示されるスペクトログラム内に現れることになる各既知のストレス状態126に関する、例えば、呼気(exhalation)を通じた、様々な揮発性有機化合物(VOC:volatile organic compound)を生成し得る。既知のスペクトログラムは、サンプルに存在する各化合物の位置、濃度、又は強度を含む特定の構成又は全体形状を有し、存在する1つ以上の化合物は、VOCを表す可能性がある。各化合物の存在若しくは非存在間の因果関係、又はどの化合物がVOCであり得るかを理解する必要なく、生成されたスペクトル曲線の全体的な特徴又は特性122が、環境E内に既知の状態が存在するかどうかを判断するためにリアルタイムで画像110と比較されることができる(後述)。上述のように、校正フェーズ中に、場合によっては、数十万の参考画像124が、レンダリング及び記憶されてもよい。各参照画像124は、特定の既知のストレス状態126にラベル付けされてもよく、又はその他のやり方で関連付けられてもよい。参照画像124の履歴データベースは、較正フェーズ中にシステム100によって直接生成されることができ、又は複数のソース及び複数の環境からインポートされ、後述の動作フェーズ中の使用のために中央データベースにコンパイルされることができることを理解されたい。さらに、状況によっては、ストレス状態126は、確実な既知のストレス状態のサンプリング及びラベリングを可能にするために人工的に誘発されることができる。
動作フェーズ中に、サンプルが取られ、リアルタイムで画像110にレンダリングされ、複数の参照画像124と比較されて、既知のストレス状態126のいずれかが環境E内に存在する又は発展しているかを判断することができる。サンプル108及びその関連画像110は、1日に1回、1日に複数回、1時間に1回、1分に1回等取られる及び/又はレンダリングされることができ、ソフトウェア又はある形式のアルゴリズムを使用して自動化されることができる。サンプル108は、複数の異なる期間又は間隔で取られことができ、上記の例は限定的なものとして解釈されるべきではないことを理解されたい。リアルタイムで、デバイス104によって及び/又はリモートサーバ106を介してレンダリングされる各画像110は、例えば、各画像110の1つ以上の特性又は特徴122と、較正フェーズ中に記憶される複数の参照画像124の少なくとも1つの1つ以上の特性又は特徴122とを比較するために画像認識アルゴリズム128を使用して、分析されることができる。各画像110は、画像110、又は画像110内の曲線が、所定の閾値130内で、少なくとも1つの参照画像124、又は少なくとも1つの参照画像124内の曲線にマッチするかどうかを判断するために、その全体が複数の参照画像124の各々と比較される。例えば、所与の曲線下面積(AUC:area under a given curve)が決定され、参照画像124の曲線下面積と比較される場合、閾値130は、0.1~0.2の間であってもよい。一部の例では、閾値は、.01~.05の間の範囲から選択されてもよい。特定のピークの最大強度が利用される例では、閾値は、参照画像から導出される統計情報、例えば、強度値の標準偏差の4倍に依存してもよい。さらに、最も大きい極大又はピークが、特定の参照画像の最も大きい極大又はピークの1%、2%、5%、10%、15%、20%、又は30%以内であってもよい。一部の例では、画像認識アルゴリズム128(後述)は、訓練フェーズ中に暗黙的に定義される閾値を導出する。以下で論じられるように、一部の例では、1つ又は2つの特異な特徴に焦点を当てることなく、画像を全体的に分析することによって、これらの特性又は特徴122のすべてが同時に考慮され、比較される。
画像認識ソフトウェア又はアルゴリズム128は、リアルタイムで画像110から複数の特性及び特徴122を視覚的に分析及び抽出又は識別し、当該特性及び特徴122と、既知のストレス状態126に関連する履歴データベースに提供された複数の参照画像124の特性及び特徴122とを比較するように訓練された1つ以上のアルゴリズムであることが意図される。各画像、例えば、各スペクトログラム又はオーディオグラムは、多成分連続スペクトルを含むことができ、すなわち、ここでは、単一の曲線又は線が、サンプル内の様々な化合物の特定の量又は濃度の存在又は不在を表すことができる。重要なことには、画像認識アルゴリズム128の訓練フェーズ中に、アルゴリズムは、複数の環境、例えば、複数のファームからの複数の参照画像124(最大で数十万の参照画像)が与えられることができ、これにより、アルゴリズムは、参照サンプルスペクトログラムによって生成される曲線又は線の全体形状を識別し、当該特定の形状を既知の状態と関連付けることを学習することができる。画像認識アルゴリズム128は、例えば、主成分分析を含む、所与の画像を分析するために様々な画像処理又は画像認識技術を利用することができる。重要なことには、ひとたび訓練されると、アルゴリズムは、単一のVOCの存在又は不在に依存するのではなく、リアルタイムで新しい画像と比較されるべき単一の単位画像としてスペクトログラム全体に依存する。教師付き訓練モデル、すなわち、事前にラベル付けされた画像が提供されるモデルとして述べられたが、アルゴリズム128は、訓練中に教師なし学習モデルを利用してもよいことを理解されたい。訓練されたアルゴリズム128は必ずしもある化合物の存在の因果関係知識を通じて特定のストレス状態の存在を特定せず、代わりに、潜在的な状態の指標としてリアルタイムで各画像スペクトログラムの全体形状又は輪郭を使用するので、本システム及び方法は、ある化合物の濃度間の因果関係、複数の化合物、又は互いに関する様々な化合物の比率の知識を必要としない。その代わりに、これらの特性又は特徴のすべてが、生成された曲線の全体形状又は輪郭の比較において考慮されることができる。このアプローチは、各化合物個別の検出精度がさほど重要ではなくなるので、より安価で低解像度のセンサが採用されることを可能にする。
動作フェーズ中に、画像認識アルゴリズム128が、リアルタイムで取られる特定の画像110が、閾値130内で、較正フェーズ中に記憶される複数の参照画像124のうちの少なくとも1つの参照画像124とマッチすると判断する場合、少なくとも1つの参照画像124に関連するストレス状態126が環境E内に存在すると仮定される。重要なことには、この判断は、デバイス104及び/又はリモートサーバ106によってレンダリングされる画像110に対する画像認識アルゴリズム128の使用のみによってなされ、特定の化合物又はVOCの存在又は不在間の因果関係、及び/又は特定のVOCと特定のストレス状態126との関連性の理解を必要としない。サンプル及び対応する画像110が閾値130内で少なくとも1つの参照画像124とマッチすると判断される場合、デバイス104及び/又はリモートサーバ106は、環境E内で特定の状態が検出されたことをシステムのユーザに警告するために1人以上の個人又はさらなるデバイスにアラート132を送るように構成されることができる。
さらに、一部の例では、ストレス状態126の進展速度(rate of evolution)が分析され、アラートが送られるかどうかに織り込まれることができるように、複数の画像110が、ある期間にわたって複数の基準画像124と比較されることができる。例えば、較正フェーズ中に取得される、複数の参照画像124は、メタデータ、タイムスタンプ、又は特定の既知の疾患又はストレス状態126の進行(progression)又は発生に対して参照画像124がいつ取られたかを示す他の情報を含んでもよい。例えば、状態又は疾患が存在しない第1の時点から、疾患又は状態がエンティティ集団のかなりの部分を通じて広がっている第2の時点までの感染性気管支炎の発展(development)及び進行を示すある期間(例えば、9~10日間の期間)にわたって取られた参照画像の進行(progression of reference images)があってもよい。他の例、すなわち、オーディオサンプルを使用してオーディオグラムをレンダリングする場合、ストレス状態は、オーディオパターンにおける突然の又は急なスパイク又はずれとして現れる可能性があり、より短い時間間隔の分析を必要とすることになり、すなわち、数日にわたるのではなく、分析は、数分、ましては数秒にわたって行われてもよい。
例えば、第1の時点T1におけるブロイラー鶏舎の第1のガスサンプル108Aからのレンダリングされた第1の画像又はスペクトログラム110Aの概略表現を示す、図4Aに示されるように、画像認識アルゴリズム128を介したこのスペクトログラムの曲線並びに特徴及び特性122の分析は、閾値132内で複数の参照画像124のいずれともマッチしない可能性が高いので、いずれの既知のストレス状態も示さない可能性が高い。第2の時点T2(例えば、第1の時点T1の3~5日後)におけるブロイラー鶏舎の第2のガスサンプル108Bからの第2のレンダリングされたスペクトログラム110Bの概略表現を示す、図4Bは、(実線矢印で示される)特定の化合物の濃度のわずかな増加を示している。このわずかな増加は、第2の画像110Bの全体的な画像認識分析に織り込まれ、エンティティ集団内のわずかな波立ち(turmoil)、すなわち、ストレス状態126の早期発生をシステムに示し得る。第3の時点T3(例えば、第2の時点T2の3~5日後)におけるブロイラー鶏舎の第3のガスサンプル108Cからの第3のレンダリングされたスペクトログラム110Cの概略表現を示す、図4Cは、(実線矢印で示される)特定の化合物の濃度の著しい増加を示している。単一のVOCにおけるこの著しい増加は、レンダリングされたスペクトログラムの全体形状又は輪郭を変化させ、これが、参照画像124の全体的な輪郭と比較され、エンティティ集団がアラート132を開始するのに十分にストレスを受けている(stressed)ことをシステムに示すことになる。
図5A~5Bに示される、別の例示的な実施態様では、特定のストレス状態126の経時的な発展していく状態の進行の同様の分析が提供され、ストレス状態126は、ブロイラー鶏集団における感染性気管支炎の発生である。図5Aは、ブロイラー鶏集団における感染性気管支炎の発生にラベル付け又はその他のやり方で関連付けられた、較正フェーズ中に記憶される例示的な参照画像124である。図5Bは、ある期間にわたる、複数のサンプル108A~108Cからレンダリングされる、複数の画像110A~110Cの進行を示している。例えば、第1の時点T1における環境E内の初期サンプル108Aからレンダリングされる、画像110Aは、小屋の、ストレスを受けていない状態を示している。第1の時点の後の第2の時点T2(例えば、T1の5日後)における環境E内の第2のサンプル108Bからレンダリングされる、画像110Bは、(実線矢印で示される特定のVOC又は化合物のスパイク又はピークによって示される)ブロイラー鶏のエンティティ集団内の感染性気管支炎の発生の始まりを示している。第2の時点T2の後の第3の時点T3(例えば、T1の9日後)における環境E内の第3のサンプル108Cからレンダリングされる、画像110Cは、(実線矢印で示される特定のVOC又は化合物のスパイク又はピークによって示される)ブロイラー鶏のエンティティ集団内の感染性気管支炎のアウトブレイクを示している。図示の例では、アラート132が、ストレス状態126の発生、すなわち、感染性気管支炎の発生を、早ければ第2の時点T2で、第3の時点T3よりも遅くなく、警告又は注意するために、環境Eのファーマ、世話人、又は他の監督エンティティに送られることができる。一部の例では、感染性気管支炎(又は他のストレス状態のいずれか)の発生を示すアラート132は、画像110Bの全体が履歴データ及び/又は参照画像と比較され、少なくとも画像110Bが閾値130内で少なくとも1つの参照画像124とマッチするという肯定的な判断がなされる場合、第2の時点T2において送られる。参考のために1つの参照画像124のみが示されているが、ブロイラー鶏集団内の感染性気管支炎の既知の、時間に依存した、進展及び/又は進行を示す複数の参照画像124が、アラート132が送られるかどうかを判断するためにリアルタイム画像110A~110Cと比較されてもよいことを理解されたい。
図示されていないが、センシングメカニズム102、デバイス104及び/又はリモートサーバ106、並びに画像認識アルゴリズム128を含む、システム100は、複数の画像110を同時に取得、分析、及び比較するように構成されることができることを理解されたい。例えば、サンプル環境内のエンティティの空気サンプルに基づいてレンダリングされるスペクトログラムが、既知の状態の空気サンプルの参照画像124と比較されるのと同時に、特定の環境内のエンティティの血液サンプルに基づいてレンダリングされるスペクトログラムが、既知の状態の血液サンプルの履歴データ及び参照画像124と比較されることができる。同様に、サンプル環境内のエンティティのオーディオサンプルに基づいてレンダリングされるオーディオグラムが、既知の状態のオーディオサンプルの参照オーディオグラム124と比較されるのと同時に、特定の環境内のエンティティの糞便サンプルに基づいてレンダリングされるスペクトログラムが、既知の状態の糞便サンプルの履歴データ及び参照画像124と比較されることができる。これらのサンプルタイプ及び比較技術のうちの2つ以上の任意の組み合わせが、システム100によって採用されることができることを理解されたい。
一部の例では、図示されていないが、システム100は、アラート132がトリガされると、あるストレス状態を緩和するために対策134を採用してもよい。例えば、あるストレス状態126が環境E内に存在すること、すなわち、リアルタイムでレンダリングされる、1つ以上の画像110が、既知のストレス状態の1つ以上の参照画像124と閾値130内でマッチすることを検出又は決定すると、生成されるアラート132は、環境Eに存在する特定のストレス状態126を緩和することが知られている1つ以上の対策134の実施をトリガする役割も果たしてもよい。一部の例では、これらの対策134は、直接人間の介入又は自動システムを通して(後述)採用されてもよい。ストレスを受けているブロイラー鶏の検出の一例では、例えば、1つ以上の疾患の発生又はアウトブレイク、鶏を給餌又は捕まえている際にファーマの存在によって引き起こされるストレス、高温状態、低温状態、過密集団等が、環境Eにわたって位置付けられる/又は散在される複数の照明器具からの様々な照明効果によって対抗され(countered)てもよい。これらの例では、すなわち、システム100が1つ以上の照明器具を含み得る場合、環境E内のエンティティに提供される光スペクトルがストレスを受けているエンティティに沈静効果を与えるように、各照明器具によって生成される光スペクトルが独立して構成可能(configurable)であってもよい。一例では、システム100が、上述の特定の疾患のアウトブレイクの存在を決定する場合、システム100の照明器具は、様々な病原体を殺す又は破壊を助けることが知られている可視スペクトル外の電磁放射線の波長、例えば、紫外線(UV)光を生成するように構成されることができる。代替的に、システム100は、環境E内で可聴音をレンダリングすることが可能である1つ以上のスピーカ又は音響トランスデューサを含むことができ、可聴音は、既知のストレス状態126の影響を沈静する又は低減することが可能である。一部の例では、アラート132のトリガは、特定の疾患の広がりを低減する又は特定のストレス状態126を緩和するために環境E内の空気の循環を開始、停止、増加、又は減少するように、1つ以上のファン、又は他のHVACシステムのアクティベーションもトリガしてもよい。一部の例では、アラート132のトリガは、例えば、システム100に接続されるサーモスタットを使用して、環境E内の温度の増加又は減少をトリガすることができる。一部の例では、アラート132のトリガは、検出された状態126に基づいて環境E内のエンティティに薬、例えば、抗生物質を投薬する、散薬する、又は他のやり方で分配するように動作してもよい。他の例では、アラート132のトリガは、例えば、特定の鶏又は鶏のグループが既知の疾患に感染したことが分かる場合、状態126の症状を示す可能性が高い環境E内のエンティティの集団から1つ以上の特定のエンティティを手動又は自動で取り除くことを促すことができる。
さらなる例では、アラート132がトリガされ、上述した1つ以上の対策134が実施又は利用されると、システム100が、適切な対策134が実施されたこと及び/又は状態126が緩和されたことを確認することができるように、さらなるサンプル108が取られることができ、追加の画像110が導出されることができる。特定の対策の実施後でも1つ以上の状態126が依然として存在すると判断される場合、1つ以上の追加の対策134が、システム100によって採用されてもよい。このプロセスは、状態126が治まる又は環境Eから完全に取り除かれるまで、対策134が採用されることができ、追加のサンプルが取られることができるという点で反復的であってもよい。
前述の方法及びシステムは、環境E内のガスサンプルの収集及び分析を通じた、熱ストレス、すなわち、高温状態の検出から、糞便、血液、又は唾液サンプルを通じた、様々な代謝性又は細菌性又はウイルス性又は寄生虫性又は真菌性疾患の検出まで、様々な使用事例において利用されることができる。追加の使用事例として、環境内のエンティティの挙動パターンを決定するために光センサ又は写真サンプルが使用されてもよい。このようなシステム及び方法の明白な利点としては、これらの状態の検出に関するアラートシステムのコストの削減、前述の状態の発生を検出するために低コスト及び低解像度のセンサを使用する能力、所与のスペクトルサンプル内の特定のVOCとストレス状態126、例えば、特定の疾患又は他のストレッサの発生との因果関係を決定するための集中的(intensive)且つ高価な研究の必要性を緩和するという点での分析時間の削減等が挙げられる。システムは、単位形状としてのスペクトル組成全体の完全な視覚的分析を可能にし、何かが経時的に変化するかどうかを判断するために、リアルタイムでの当該形状と、既知のストレス状態に関連するスペクトル組成の形状とを比較する。
図6及び7は、本開示による方法200のステップに対応するフローチャートを示している。図示のように、方法200は、例えば、環境E内からの少なくとも1つのエンティティが状態126を経験している際に環境Eから取られる複数のサンプル108を取得すること(ステップ202)、環境Eから取られる複数のサンプル108の各々から複数の参照画像のうちの少なくとも1つの参照画像124をレンダリングすること(ステップ204)、少なくとも1つの参照画像124の各々を状態126と関連付けること(ステップ206)、各参照画像124と状態126とを相関させる参照画像124の履歴データベースを生成すること(ステップ208)、センシングメカニズム102を介して、リアルタイムで環境Eから取られる少なくとも1つのサンプル108を取得すること(ステップ210)、プロセッサ112を介して、少なくとも1つのサンプル108に関連する少なくとも1つの画像110をレンダリングすること(ステップ212)、プロセッサ112を介して、少なくとも1つのサンプル108の少なくとも1つの画像110と、環境E内の状態126に関する複数の参照画像124とを比較すること(ステップ214)、少なくとも1つのサンプル108の少なくとも1つの画像110及び複数の参照画像の少なくとも1つの参照画像124が閾値130内でマッチする場合、環境E内の状態126の発生を検出すること(ステップ216)、状態126の発生の肯定的な検出に基づいてアラート132を送ること(ステップ218)、及び、状態126を緩和するために対策134を実施すること(ステップ220)を含むことができる。
本明細書で定義及び使用されるような、全ての定義は、辞書定義、参照により組み込まれる文書中での定義、及び/又は定義される用語の通常の意味を支配するように理解されるべきである。
不定冠詞「a」及び「an」は、本明細書及び請求項において使用されるとき、そうではないことが明確に示されない限り、「少なくとも1つ」を意味するように理解されるべきである。
語句「及び/又は」は、本明細書及び請求項において使用されるとき、そのように結合されている要素の「いずれか又は双方」、すなわち、一部の場合には接続的に存在し、他の場合には離接的に存在する要素を意味するように理解されるべきである。「及び/又は」で列挙されている複数の要素は、同じ方式で、すなわち、そのように結合されている要素のうちの「1つ以上」として解釈されるべきである。「及び/又は」の節によって具体的に特定されている要素以外の他の要素は、具体的に特定されているそれらの要素に関連するか又は関連しないかにかかわらず、オプションとして存在してもよい。
本明細書及び請求項において使用されるとき、「又は」は、上記で定義されたような「及び/又は」と同じ意味を有するように理解されるべきである。例えば、リスト内の項目を分離する際、「又は」又は「及び/又は」は、包括的であるとして、すなわち、少なくとも1つを含むが、また、いくつかの要素又は要素のリストのうちの2つ以上を、オプションとして、列挙されていない追加項目も含むとして解釈されるものとする。その反対が明確に示される、「~のうちの1つのみ」若しくは「~のうちの厳密に1つ」、又は請求項で使用される場合の「~から成る」等の用語のみが、いくつかの要素又は要素のリストのうちの厳密に1つを含むことに言及する。一般に、用語「又は」は、本明細書で使用されるとき、「~のいずれか」、「~のうちの1つ」、「~のうちの1つのみ」、又は「~のうちの厳密に1つ」等の、排他性の用語に先行する場合にのみ、排他的選択肢(すなわち、「一方又は他方であるが、双方ではない」)を示すとして解釈されるものとする。
本明細書及び請求項において使用されるとき、1つ以上の要素のリストを参照する語句「少なくとも1つ」は、その要素のリスト内の要素の任意の1つ以上から選択された、少なくとも1つを意味するが、必ずしも、その要素のリスト内で具体的に列挙されているそれぞれの要素のうちの、少なくとも1つを含むものではなく、その要素のリスト内の要素の、任意の組み合わせを排除するものではないことが理解されるべきである。この定義はまた、語句「少なくとも1つ」が言及する、その要素のリスト内で具体的に特定されている要素以外の要素が、具体的に特定されているそれらの要素に関連するか又は関連しないかにかかわらず、オプションとして存在してもよいことも可能にする。
また、そうではないことが明確に示されない限り、2つ以上のステップ又は行為を含む、本明細書で特許請求されるいずれの方法においても、その方法のステップ又は行為の順序は、必ずしも、その方法のステップ又は行為が列挙されている順序に限定されるものではないことも理解されるべきである。
特許請求の範囲においても上記明細書においても、「備える」、「含む」、「担持する」、「有する」、「含有する」、「関与する」、「保持する」、「~で構成される」等のすべての移行句は、非制限的、すなわち、含むがそれに限定されないことを意味すると理解されるべきである。「~からなる」及び「本質的に~からなる」といった移行句のみが、それぞれ、クローズド(closed)又は半クローズド(semi-closed)移行句である。
いくつかの発明実施形態が、本明細書で説明及び図示されてきたが、当業者は、本明細書で説明される機能を実行するための、並びに/あるいは、その結果及び/又は利点のうちの1つ以上を得るための、様々な他の手段及び/又は構造体を、容易に構想することとなり、そのような変形態様及び/又は修正態様は、本明細書で説明される発明実施形態の範囲内にあるものと見なされる。より一般的には、本明細書で説明される全てのパラメータ、寸法、材料、及び構成は、例示であることが意図されており、実際のパラメータ、寸法、材料、及び/又は構成は、本発明の教示が使用される特定の用途に応じて変化することを、当業者は容易に理解するであろう。当業者は、通常の実験のみを使用して、本明細書で説明される特定の発明実施形態に対する、多くの等価物を認識し、又は確認することが可能であろう。それゆえ、上述の実施形態は、例としてのみ提示されており、添付の請求項及びその等価物の範囲内で、具体的に説明及び特許請求されるもの以外の発明実施形態が実践されてもよい点を理解されたい。本開示の発明実施形態は、本明細書で説明される、それぞれの個別の特徴、システム、物品、材料、キット、及び/又は方法を対象とする。更には、2つ以上のそのような特徴、システム、物品、材料、キット、及び/又は方法の任意の組み合わせは、そのような特徴、システム、物品、材料、キット、及び/又は方法が相互に矛盾しない場合であれば、本開示の発明の範囲内に含まれる。
Claims (15)
- 環境における状態を検出する方法であって、当該方法は、
センシングメカニズムを介して、前記環境から取られる少なくとも1つのサンプルを取得することと、
プロセッサを介して、前記少なくとも1つのサンプルに関連する少なくとも1つの画像をレンダリングすることと、
前記プロセッサを介して、前記少なくとも1つのサンプルの前記少なくとも1つの画像と、前記環境内の前記状態に関する複数の参照画像とを比較することと、
前記少なくとも1つのサンプルの前記少なくとも1つの画像及び前記複数の参照画像の少なくとも1つの参照画像が閾値内でマッチする場合、前記環境内の前記状態の発生を検出することと、
を含む、方法。 - 当該方法は、
前記環境内からの少なくとも1つのエンティティが前記状態を経験している際に前記環境から取られる複数のサンプルを取得することと、
前記環境から取られる前記複数のサンプルの各々から前記複数の参照画像のうちの少なくとも1つの参照画像をレンダリングすることと、
前記少なくとも1つの参照画像の各々を前記状態と関連付けることと、
各参照画像と前記状態とを相関させる参照画像の履歴データベースを生成することと、
を含む、請求項1に記載の方法。 - 前記少なくとも1つの画像と、前記複数の参照画像とを比較することは、第1の期間に取られる少なくとも1つのサンプルの複数の画像と、前記複数の参照画像の各々とを比較することを含む、請求項1に記載の方法。
- 前記少なくとも1つの画像は、少なくとも1つの特性又は特徴を含み、前記複数の参照画像の各参照画像は、少なくとも1つの特性又は特徴を含み、前記少なくとも1つの特性又は特徴は、少なくとも1つの画像又は参照画像に示される曲線より上の面積、前記曲線より下の面積、少なくとも1つの極大又はピーク、少なくとも1つの極小又は谷、前記曲線の全体形状、前記曲線の少なくとも一部の傾き、極大又はピークの総数、極小又は谷の総数、最大強度値、又は1つ以上のピーク又は谷の相対位置のうちの少なくとも1つから選択される、請求項1に記載の方法。
- 前記少なくとも1つの画像と、前記複数の参照画像とを比較することは、前記複数の参照画像の各々の前記少なくとも1つの特性又は特徴と、前記少なくとも1つの画像の前記少なくとも1つの特性又は特徴とを比較することを含む、請求項4に記載の方法。
- 前記環境は、温室、池、シーケージ、オフィス空間、刑務所、介護施設、ホスピス施設、バーン、鶏舎、又は家畜小屋のうちの少なくとも1つから選択される、請求項1に記載の方法。
- 前記センシングメカニズムは、バイオセンサ、バイオマーカセンサ、化学センサ、赤外線(IR)センサ、カメラ、マイクロフォン、空気組成センサ、ガスクロマトグラフ、液体クロマトグラフ、質量分析計、又はマイクロガスクロマトグラフィーシステムのうちの少なくとも1つから選択される、請求項1に記載の方法。
- 前記状態は、ストレス状態又は病気のアウトブレイクから選択される、請求項1に記載の方法。
- 当該方法は、
前記状態の発生の肯定的な検出に基づいてアラートを送ること、
を含む、請求項1に記載の方法。 - 環境における状態を検出するためのシステムであって、
前記環境から取られる少なくとも1つのサンプルを取得するように構成されるセンシングメカニズムと、
前記少なくとも1つのサンプルに関連する少なくとも1つの画像をレンダリングする、
前記少なくとも1つのサンプルの前記少なくとも1つの画像と、前記状態に関する複数の参照画像とを比較する、及び
前記少なくとも1つの画像及び前記複数の参照画像の少なくとも1つの参照画像が閾値内でマッチする場合、前記環境内の前記状態の発生を検出する、
ように構成されるプロセッサと、
を含む、システム。 - 前記プロセッサは、第1の期間に取られる複数の画像と、前記状態に関連する複数の参照画像とを比較するように構成される、請求項10に記載のシステム。
- 前記少なくとも1つの画像は、少なくとも1つの特性又は特徴を含み、前記複数の参照画像の各参照画像は、少なくとも1つの特性又は特徴を含む、請求項10に記載のシステム。
- 前記少なくとも1つの特性又は特徴は、少なくとも1つの画像又は参照画像に示される曲線より上の面積、前記曲線より下の面積、少なくとも1つの極大又はピーク、少なくとも1つの極小又は谷、前記曲線の全体形状、前記曲線の少なくとも一部の傾き、極大又はピークの総数、極小又は谷の総数、最大強度値、又は1つ以上のピーク又は谷の相対位置のうちの少なくとも1つから選択される、請求項12に記載のシステム。
- 前記プロセッサは、前記状態の発生の肯定的な検出に基づいてアラートを送るように構成される、請求項11に記載のシステム。
- 前記プロセッサは、前記状態を緩和するために少なくとも1つの対策を実施するように構成される、請求項14に記載のシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063093487P | 2020-10-19 | 2020-10-19 | |
US63/093,487 | 2020-10-19 | ||
EP20203745 | 2020-10-26 | ||
EP20203745.3 | 2020-10-26 | ||
PCT/EP2021/078566 WO2022084169A1 (en) | 2020-10-19 | 2021-10-15 | Use of dynamic analytical spectra to detect a condition |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023548787A true JP2023548787A (ja) | 2023-11-21 |
Family
ID=78179447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023523530A Pending JP2023548787A (ja) | 2020-10-19 | 2021-10-15 | 状態を検出するための動的分析スペクトルの使用 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230386034A1 (ja) |
EP (1) | EP4229592A1 (ja) |
JP (1) | JP2023548787A (ja) |
CN (1) | CN116367717A (ja) |
WO (1) | WO2022084169A1 (ja) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003212794A1 (en) * | 2002-01-10 | 2003-07-30 | Chemlmage Corporation | Method for detection of pathogenic microorganisms |
WO2015105831A1 (en) * | 2014-01-08 | 2015-07-16 | Colorado Seminary, Which Owns And Operates The University Of Denver | A wavelength dispersive microscope spectrofluorometer for characterizing multiple particles simultaneously |
-
2021
- 2021-10-15 US US18/032,747 patent/US20230386034A1/en active Pending
- 2021-10-15 EP EP21791391.2A patent/EP4229592A1/en active Pending
- 2021-10-15 JP JP2023523530A patent/JP2023548787A/ja active Pending
- 2021-10-15 WO PCT/EP2021/078566 patent/WO2022084169A1/en active Application Filing
- 2021-10-15 CN CN202180071239.6A patent/CN116367717A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022084169A1 (en) | 2022-04-28 |
EP4229592A1 (en) | 2023-08-23 |
US20230386034A1 (en) | 2023-11-30 |
CN116367717A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Matthews et al. | Automated tracking to measure behavioural changes in pigs for health and welfare monitoring | |
Rowe et al. | A systematic review of precision livestock farming in the poultry sector: Is technology focussed on improving bird welfare? | |
Okinda et al. | A machine vision system for early detection and prediction of sick birds: A broiler chicken model | |
Ben Sassi et al. | Technology and poultry welfare | |
JP7303793B2 (ja) | 長期間の継続的な動物行動モニタリング | |
Matthews et al. | Early detection of health and welfare compromises through automated detection of behavioural changes in pigs | |
Fontana et al. | An innovative approach to predict the growth in intensive poultry farming | |
Rach et al. | On the design of a bioacoustic sensor for the early detection of the red palm weevil | |
Herborn et al. | Spectral entropy of early-life distress calls as an iceberg indicator of chicken welfare | |
JP2019505029A (ja) | 動物行動の自動分類 | |
Gertz et al. | Using the XGBoost algorithm to classify neck and leg activity sensor data using on-farm health recordings for locomotor-associated diseases | |
Liu et al. | A novel method for broiler abnormal sound detection using WMFCC and HMM | |
Roberts et al. | Prediction of welfare outcomes for broiler chickens using Bayesian regression on continuous optical flow data | |
Park et al. | Neurally encoding time for olfactory navigation | |
Murillo et al. | Parasitic mites alter chicken behaviour and negatively impact animal welfare | |
Neethirajan | Automated tracking systems for the assessment of farmed poultry | |
US20190037800A1 (en) | Device and method of identification and classification of rodent cognition and emotion | |
Gray | Studying Large Mammals With Imperfect Detection: Status and Habitat Preferences of Wild Cattle and Large Carnivores in Eastern C ambodia | |
Ginovart-Panisello et al. | Acoustic description of the soundscape of a real-life intensive farm and its impact on animal welfare: A preliminary analysis of farm sounds and bird vocalisations | |
Sharif et al. | Soundscape indices: new features for classifying beehive audio samples | |
US10089435B1 (en) | Device and method of correlating rodent vocalizations with rodent behavior | |
US10825549B2 (en) | Device and method of using rodent vocalizations for automatic classification of animal behavior | |
Xuan et al. | Behavior classification and recognition for facility breeding sheep based on acoustic signal weighted feature | |
JP2023548787A (ja) | 状態を検出するための動的分析スペクトルの使用 | |
Kalfas et al. | Towards in-field insect monitoring based on wingbeat signals: The importance of practice oriented validation strategies |