【技术实现步骤摘要】
【国外来华专利技术】
本公开涉及自动化诊断分析系统中的液体抽吸。
技术介绍
1、在医学测试中，自动化诊断分析系统可以被用于分析生物样本，以标识样本中的分析物或其他成分。生物样本可以是例如尿液、全血、血清、血浆、间质液、脑脊液等。这种生物液体样本通常被包含在样本容器(例如试管、小瓶(vial)等)中，并且可以经由容器载体和自动化轨道往返于(to and from)自动化诊断分析系统内的各种成像、处理和分析器站被运输。
2、自动化诊断分析系统通常包括一个或多个自动化抽吸和分配装置，该装置被配置成从液体容器抽吸(吸入)液体(例如生物液体的样本、或将与样本混合的液体试剂、酸或碱)，并且将液体分配到反应器皿(例如比色皿等)中。该抽吸和分配装置通常包括安装在可移动机器人臂或其他自动化机构上的探针(例如移液管)，该探针执行抽吸和分配功能并且将样本或试剂转移到反应器皿。
3、在抽吸过程期间，可以由系统控制器或处理器控制的可移动机器人臂可以将探针定位在液体容器上方，并且然后将探针降低到容器中，直到探针被部分地浸入液体(例如生物液体样本或液体试剂)中。然后，激活泵或其他抽吸设备，以将液体的一部分从容器抽吸(吸入)到探针的内部。然后，将探针从容器中取出，并且将探针移动，使得液体可以被转移到反应器皿并且被分配到反应器皿中以用于处理和/或分析。
4、在抽吸期间或之后，可以分析抽吸压力信号，以确定是否发生任何异常，即，检查堵塞的存在(例如从液体容器中拾取到凝胶或其他不期望的材料)或所抽吸的液体量不足(在下文中可以被称为短体积抽吸或故障)。p>
5、虽然常规的抽吸检测系统可能能够检测一些异常抽吸，但是这种常规检测可能不足以避免一些有害后果。因此，需要用于检测和/或预测抽吸故障的改进的方法和装置，以便避免或最小化这种可能的有害后果。
技术实现思路
1、在一些实施例中，提供了一种检测或预测自动化诊断分析系统中的抽吸故障的方法。该方法包括：当在自动化诊断分析系统中抽吸液体时，经由压力传感器执行抽吸压力测量。该方法还包括：经由执行人工智能(ai)算法的处理器来分析抽吸压力测量信号波形。该ai算法被配置成执行抽吸压力测量信号波形的集群分析或基于抽吸压力测量信号波形的概率图形建模。该方法进一步包括：响应于该分析，经由处理器来标识抽吸故障并对抽吸故障做出响应。
2、在一些实施例中，提供了一种自动化抽吸和分配装置，该装置包括：机器人臂；耦合至机器人臂的探针；耦合至探针的泵；压力传感器，被配置成在液体经由探针被抽吸时执行抽吸压力测量；以及处理器，被配置成执行人工智能(ai)算法，以在抽吸过程期间检测或预测抽吸故障并对抽吸故障做出响应。该ai算法被配置成使用集群分析或概率图形建模来分析从压力传感器导出的抽吸压力测量信号波形。
3、在一些实施例中，一种非暂时性计算机可读存储介质包括人工智能(ai)算法，该ai算法被配置成基于抽吸压力测量信号波形的分析来检测或预测抽吸故障。该分析可以是抽吸压力测量信号波形的集群分析，或者可以使用基于抽吸压力测量信号波形的概率图形建模。
4、本公开的仍其他方面、特征和优点可以从多个示例实施例和实施方式——包括被设想用于执行本专利技术的最佳模式——的以下详细描述和图示中变得很明显。本公开还可以能够具有其他和不同的实施例，并且其若干细节可以在各个方面被修改，所有这些都不脱离本专利技术的范围。例如，尽管下面的描述涉及自动化诊断分析系统，但是本文公开的抽吸故障检测和/或预测方法和装置可以容易地适配于其他自动化系统，该其他自动化系统将受益于抽吸故障的早期且准确的实时检测和/或预测。本公开旨在覆盖落入权利要求的范围内的所有修改、等同物和替代方案。
本文档来自技高网...【技术保护点】
1.一种检测或预测自动化诊断分析系统中的抽吸故障的方法，所述方法包括：
2.根据权利要求1所述的方法，其中所述集群分析基于无监督训练数据，或者所述概率图形建模基于有监督或无监督训练数据。
3.根据权利要求1所述的方法，其中所述集群分析基于使用有监督学习算法的经加标签的训练数据，以建立具有分类范围的阈值。
4.根据权利要求1所述的方法，其中所述集群分析包括使用基于所述抽吸压力测量信号波形的仅两个度量，或者所述概率图形建模包括对所述抽吸压力测量信号波形并发地执行的两个概率图形模型。
5.根据权利要求4所述的方法，其中所述集群分析包括K均值聚类，所述K均值聚类采用基于所述仅两个度量的四集群分类。
6.根据权利要求4所述的方法，其中所述仅两个度量中的第一度量捕获所述抽吸压力测量信号波形的压力的时间变化率，所述时间变化率包括抽吸压力斜率的移动平均值，并且所述仅两个度量中的第二度量捕获所述抽吸压力测量信号波形的拐点特性。
7.根据权利要求4所述的方法，其中所述两个概率图形模型中的第一概率图形模型是利用正常抽吸数据来训练的
8.根据权利要求7所述的方法，其中抽吸故障是基于来自第一概率图形模型的输出与来自第二概率图形模型的输出的比较来确定的。
9.根据权利要求1所述的方法，其中所述概率图形建模包括从左到右隐马尔可夫模型(HMM)架构。
10.根据权利要求9所述的方法，其中所述从左到右HMM架构包括：
11.根据权利要求1所述的方法，其中所述标识和响应进一步包括在开始抽吸所述液体的100毫秒内经由处理器标识抽吸故障并对抽吸故障做出响应。
12.根据权利要求1所述的方法，其中所述抽吸故障是凝胶、或不期望的材料拾取、或短体积抽吸。
13.一种自动化抽吸和分配装置，包括：
14.根据权利要求13所述的自动化抽吸和分配装置，其中所述集群分析包括使用基于所述抽吸压力测量信号波形的仅两个度量，或者所述概率图形建模包括对所述抽吸压力测量信号波形并发地执行的两个概率图形模型。
15.根据权利要求14所述的自动化抽吸和分配装置，其中所述集群分析包括K均值聚类，所述K均值聚类采用基于所述仅两个度量的四集群分类。
16.根据权利要求14所述的自动化抽吸和分配装置，其中：
17.根据权利要求13所述的自动化抽吸和分配装置，其中所述集群分析采用多个集群分类，其中所述多个集群分类中的一个集群分类表示正常抽吸数据，并且所述多个集群分类中的其他集群分类均表示不同类型的异常抽吸数据。
18.根据权利要求13所述的自动化抽吸和分配装置，其中所述概率图形建模包括对所述抽吸压力测量信号波形并发地执行的多个概率图形模型，其中所述多个概率图形模型中的一个概率图形模型是利用正常抽吸数据来训练的，并且所述多个概率图形模型中的其他概率图形模型均是利用不同类型的异常抽吸数据来训练的。
19.根据权利要求13所述的自动化抽吸和分配装置，其中所述概率图形建模包括从左到右隐马尔可夫模型(HMM)架构。
20.根据权利要求19所述的自动化抽吸和分配装置，其中所述从左到右HMM架构包括：六种状态；
21.根据权利要求13所述的自动化抽吸和分配装置，其中处理器经由所述AI算法的执行被配置成在所述抽吸过程期间在开始抽吸液体的100毫秒内标识抽吸故障并对抽吸故障做出响应。
22.一种自动化诊断分析系统，包括：
23.一种包括人工智能(AI)算法的非暂时性计算机可读存储介质，所述AI算法被配置成基于抽吸压力测量信号波形的分析来检测或预测抽吸故障，所述分析使用所述抽吸压力测量信号波形的集群分析或者使用基于所述抽吸压力测量信号波形的概率图形建模。
...【技术特征摘要】
【国外来华专利技术】
1.一种检测或预测自动化诊断分析系统中的抽吸故障的方法，所述方法包括：
2.根据权利要求1所述的方法，其中所述集群分析基于无监督训练数据，或者所述概率图形建模基于有监督或无监督训练数据。
3.根据权利要求1所述的方法，其中所述集群分析基于使用有监督学习算法的经加标签的训练数据，以建立具有分类范围的阈值。
4.根据权利要求1所述的方法，其中所述集群分析包括使用基于所述抽吸压力测量信号波形的仅两个度量，或者所述概率图形建模包括对所述抽吸压力测量信号波形并发地执行的两个概率图形模型。
5.根据权利要求4所述的方法，其中所述集群分析包括k均值聚类，所述k均值聚类采用基于所述仅两个度量的四集群分类。
6.根据权利要求4所述的方法，其中所述仅两个度量中的第一度量捕获所述抽吸压力测量信号波形的压力的时间变化率，所述时间变化率包括抽吸压力斜率的移动平均值，并且所述仅两个度量中的第二度量捕获所述抽吸压力测量信号波形的拐点特性。
7.根据权利要求4所述的方法，其中所述两个概率图形模型中的第一概率图形模型是利用正常抽吸数据来训练的，并且所述两个概率图形模型中的第二概率图形模型是利用异常抽吸数据来训练的。
8.根据权利要求7所述的方法，其中抽吸故障是基于来自第一概率图形模型的输出与来自第二概率图形模型的输出的比较来确定的。
9.根据权利要求1所述的方法，其中所述概率图形建模包括从左到右隐马尔可夫模型(hmm)架构。
10.根据权利要求9所述的方法，其中所述从左到右hmm架构包括：
11.根据权利要求1所述的方法，其中所述标识和响应进一步包括在开始抽吸所述液体的100毫秒内经由处理器标识抽吸故障并对抽吸故障做出响应。
12.根据权利要求1所述的方法，其中所述抽吸故障是凝胶、或不期望的材料拾取、或短体积抽吸。
13.一种自动化抽吸和...
【专利技术属性】
技术研发人员：N·拉马克里什南，
申请(专利权)人：美国西门子医学诊断股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。