[0002] 本公开涉及自动化诊断分析系统中的液体抽吸。

[0003] 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。

[0004] 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。

[0005] 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。

[0006] 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)。

[0007] 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。

[0027] 一些常规系统可能能够检测一些异常抽吸，但是这种检测可能在抽吸过程中发生得不够早，从而无法避免可能的有害下游后果，诸如例如由于短体积抽吸而导致的不准确测试结果和/或由于凝胶或其他不期望的材料拾取而导致的针对维修和清理探针和其他受影响机构和子系统的仪器停机时间。

[0028] 因此，本文描述的实施例提供了在抽吸过程中早期实时地准确检测或预测抽吸故障的方法和装置。早期的实时抽吸故障检测或预测可以允许抽吸过程被及时终止和/或允许合适的错误状态过程被实施，以便有利地避免或最小化有故障的抽吸的任何可能的下游后果，诸如例如仪器停机时间和/或错误的分析结果。在一些实施例中，抽吸故障可以有利地在开始抽吸过程的前100毫秒内被检测或预测。例如，可检测和/或可预测的抽吸故障可以包括凝胶(或其他不期望的材料)拾取故障和/或短体积故障。当抽吸未能吸入足够体积的液体时，会发生短体积故障，这可能是由例如具有不足的液体体积的液体容器和/或有缺陷的设备(例如有缺陷的抽吸泵或抽吸管、将探针不正确地定位在液体容器内的有缺陷的机器人臂、堵塞等)引起的。凝胶拾取故障也可能是由有缺陷的设备(例如有缺陷的机器人臂，其将探针不正确地定位在液体容器内，使得探针与液体容器中的样本组分之间的凝胶分隔物或液体容器中的凝胶或红细胞的底部层接触或者过于靠近，其中凝胶因此被抽吸到探针中)引起的。

[0029] 在一些实施例中，可以经由在自动化诊断分析系统或自动化抽吸和分配装置的系统控制器、处理器或其他类似的计算机设备上执行的基于软件或固件学习的AI(人工智能)算法来实施抽吸故障的早期且准确的实时检测或预测。在一些实施例中，AI算法可以被配置成使用仅两个度量来执行抽吸压力信号波形的集群分析。一个度量捕获抽吸压力测量信号波形的压力的时间变化率，并且另一度量捕获抽吸压力测量信号波形的拐点特性。这两个度量被用于基于训练数据来建立检测阈值(分类边界)，该训练数据包括表示正常抽吸和异常抽吸(属于不同类型)两者的压力信号波形样本。在其他实施例中，可以使用多于两个度量。训练数据可以是无监督的(即，没有被加标签)，并且针对正常抽吸的类别边界可以基于K均值聚类来建立，该K均值聚类采用基于仅两个度量的四集群分类。替代地，也可以使用采用支持向量机的有监督分类技术。

[0030] 在其他实施例中，可以经由基于软件或固件学习的AI算法来实施抽吸故障的早期且准确的实时检测或预测，该AI算法被配置成基于抽吸压力测量信号波形来执行概率图形建模。在这些实施例中的一些实施例中，可以使用隐马尔可夫模型(HMM)以基于从抽吸压力测量信号波形导出的度量的检查来预测抽吸故障。可以采用3状态从左到右HMM架构，并且可以使用分离的HMM模型，一个HMM模型被训练用于“正常抽吸”并且另一个HMM模型被训练用于“异常抽吸”。在一些实施例中，可以使用N个数量的HMM模型，一个HMM模型被训练用于“正常抽吸”并且其他HMM模型中的每个HMM模型被训练用于特定类型的“异常抽吸”。每个模型可以使用机器学习方法和经加标签的(有监督或无监督)样本训练数据来训练。在两模型实施例中，两个HMM可以在所测量的抽吸压力信号波形上并发地实时运行。使用两个模型来计算压力信号值的连续序列上的序列发射概率(emission probability)。可以通过比较相对序列似然性(PSEQUENCE NORMAL/PSEQUENCEABNORMAL)、或者替代地通过使用“正常”和“异常”HMM模型将序列似然性与针对“正常”和“异常”抽吸设置的相应阈值进行比较，来执行抽吸作为“正常”或“异常”的分类。

[0031] 在其中具有正常和异常抽吸压力波形的任意混合的未加标签的样本训练数据可用的那些实施例中，可以使用诸如K均值聚类之类的无监督分类方法来自动地将抽吸信号样本归类到适当选择的数量的组中。然后，可以通过检查来自每一组的一个或多个样本并且依赖于正常抽吸波形看起来应该是什么样的先验知识来确定哪个组可以被视为正常抽吸。

[0032] 有利地，检测或预测抽吸故障的集群分析和概率图形建模实施例两者都可以在线和实时地以低计算复杂度(O(N))以及从抽吸过程开始的低存储器要求来实施，并且因此可以容易地在固件或软件中实施。集群分析的训练方面(用于确定故障阈值)和概率图形建模的训练方面可以离线地执行。概率图形建模的经训练的转变和发射概率可以被存储在系统控制器、处理器或其他类似的计算机设备的存储器中，以便随后在线地使用，从而在采样时刻处实时评估每个抽吸压力测量波形的故障状态。

[0033] 根据一个或多个实施例，用于抽吸故障的早期且准确的实时检测或预测的方法和装置将在下面结合图1至17更详细地解释。

[0034] 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/或分析样本容器102中所包含的生物样本。样本容器102可以在系统100处被容纳在装载区域106处提供的一个或多个支架104中。机器人容器处置器108可以被提供在装载区域106处，以从支架104之一抓取样本容器102并且将样本容器102装载到容器载体110中，容器载体110被定位在自动化轨道112上。样本容器102可以经由自动化轨道112遍及系统100被运输到例如质量检查站114、抽吸和分配站116和/或一个或多个分析器站118A‑118C。

[0035] 质量检查站114可以针对干扰物或其他不期望的特性对生物样本进行预筛，以确定该样本是否适合用于分析。在成功预筛之后，生物液体样本可以在抽吸和分配站116处与液体试剂、酸、碱或其他溶液混合，以实现和/或便于该样本在一个或多个分析器站118A‑118C处的分析。分析器站118A‑118C可以针对目标实体(分析物)(诸如例如DNA或RNA)的存在、量或功能活性来分析该样本。通常针对其进行测试的分析物可以包括酶、底物、电解质、特异性蛋白质、滥用药物和治疗性药物。在系统100中可以使用更多或更少数量的分析器站
118A‑118C，并且系统100可以包括其他站(未示出)，诸如离心机站和/或去盖站。

[0036] 自动化诊断分析系统100还可以包括计算机120，或者替代地，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，并且可以具有基于微处理器的中央处理单元(CPU)和/或其他合适的(多个)计算机处理器。计算机120可以包括合适的存储器、软件、电子器件和/或设备驱动器，以用于操作和/或控制系统100的各种组件(包括质量检查站114、抽吸和分配站116、以及分析器站118A‑118C)。例如，计算机120可以控制载体110往返于装载区域106的移动、关于轨道112的移动、往返于质量检查站114、抽吸和分配站116、以及分析器站118A‑118C的移动、以及往返于系统100的其他站和/或组件的移动。质量检查站114、抽吸和分配站116、以及分析器站118A‑118C中的一个或多个可以直接耦合至计算机120，或者通过网络122与计算机120通信，该网络诸如局域网(LAN)、广域网(WAN)或其他合适的通信网络，包括有线和无线网络。计算机120可以被容纳为系统100的一部分，或者可以远离系统100。

[0037] 在一些实施例中，计算机120可以耦合至实验室信息系统(LIS)数据库124。LIS数据库124可以包括例如患者信息、要对生物样本执行的测试、获得生物样本的时间和日期、医学设施信息和/或追踪和路由信息。还可以包括其他信息。

[0038] 计算机120可以耦合至计算机接口模块(CIM)126。CIM 126和/或计算机120可以耦合至显示器128，该显示器128可以包括图形用户界面。CIM 126与显示器128结合使得用户能够访问各种控件和状态显示屏，并且将数据输入到计算机120中。这些控件和状态显示屏可以显示并且使得能够控制质量检查站114、抽吸和分配站116、以及分析器站118A‑118C的一些或所有方面，以用于预筛、制备以及分析样本容器102中的生物样本。CIM 126可以被用于便于用户和系统100之间的交互。显示器128可以被用于显示包括图标、滚动条、框和按钮的菜单，用户(例如系统操作员)可以通过该菜单与系统100对接。该菜单可以包括被编程为显示和/或操作系统100的功能方面的多个功能元件。

[0039] 图2A和2B分别图示了样本容器202A和202B，样本容器202A和202B均表示图1的样本容器102。样本容器202A和202B可以是任何合适的液体容器，包括透明或半透明的容器，诸如采血管、试管、样本杯、比色皿、或者能够在其中包含生物样本并且允许其中的生物样本被预筛、处理(例如抽吸)和分析的其他容器。如图2A所示，样本容器202A可以包括管230A和盖232A。管230A可以在其上包括标签234A，该标签234A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，生物样本236A可以包括血清或血浆部分236SP、沉淀的血液部分236SB、以及位于其之间的凝胶分隔物216GA。如图2B所示，可以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。

[0040] 如下面更详细描述的，在抽吸过程期间接触凝胶分隔物236GA或凝胶底部236GB(例如红细胞)的不正确定位的探针可能导致抽吸故障，该抽吸故障可能具有有害后果，诸如例如有错误的测试结果和/或系统停机时间。

[0041] 图3图示了根据一个或多个实施例的抽吸和分配装置316。抽吸和分配装置316可以是自动化诊断分析系统100的抽吸和分配站116的一部分，或者可以表示抽吸和分配站116。可选地，抽吸和分配装置316可以是分析器站118A‑118C中的一个或多个的一部分或者与分析器站118A‑118C中的一个或多个相邻。注意，本文描述的用于检测或预测抽吸故障的方法和装置可以与抽吸和分配装置的其他实施例一起使用。

[0042] 抽吸和分配装置316可以将生物样本(例如样本236A和/或236B)、试剂等抽吸和分配到反应器皿中，以实现或便于生物样本在一个或多个分析器站118A‑118C处的分析。抽吸和分配装置316可以包括机器人338，该机器人338被配置成在抽吸和分配站内移动探针组装件340。探针组装件340可以包括探针340P，该探针340P被配置成从试剂包(reagentpacket)344抽吸例如试剂342，如所示出。探针组装件340还可以被配置成从样本容器302抽吸生物样本336(在其盖被移除之后，如所示出)，该样本容器302经由例如自动化轨道112被定位在抽吸和分配装置316处。试剂342、其他试剂、以及样本336的一部分可以通过探针340P被分配到反应器皿(诸如比色皿346)中。在一些实施例中，比色皿346可以被配置成仅保持几微升的液体。生物样本336的其他部分可以与其他试剂或液体一起通过探针340P被分配到其他比色皿(未示出)中。

[0043] 抽吸和分配装置316的一些或所有组件的操作可以由计算机320控制。计算机320可以包括处理器320A和存储器320B。存储器320B可以在其中存储有可在处理器320A上执行的程序320C。程序320C可以包括控制和/或监测探针组装件340的定位以及探针组装件340对液体的抽吸和分配的算法。程序320C还可以包括人工智能(AI)算法320AI，算法320AI被配置成检测或预测抽吸故障，如下面进一步描述的。在一些实施例中，计算机320可以是耦合至计算机120(系统控制器)的分离的计算/控制设备。在其他实施例中，计算机320的特征和功能可以在计算机120中实施并且由计算机120执行。而且，在一些实施例中，探针组装件定位和/或探针组装件抽吸/分配的功能可以在分离的计算/控制设备中实施。

[0044] 机器人338可以包括一个或多个机器人臂342、第一马达344和第二马达346，它们被配置成在例如系统100的抽吸和分配站116内移动探针组装件340。机器人臂342可以耦合至探针组装件340和第一马达344。第一马达344可以由计算机320控制，以移动机器人臂342，并且因此将探针组装件340移动到液体容器上方的位置。第二马达346可以耦合至机器人臂342和探针组装件340。第二马达346也可以由计算机320控制，以在竖直方向上将探针
340P移入和移出液体容器，以用于从液体容器抽吸液体或者向液体容器分配液体。在一些实施例中，机器人338还可以包括耦合至计算机320的一个或多个传感器348，诸如例如电流、振动和/或位置传感器，以提供反馈和/或便于机器人338的操作。

[0045] 抽吸和分配装置316还可以包括泵350，该泵350机械地耦合至导管352并且由计算机320控制。泵350可以在导管352中生成真空或负压力(例如抽吸压力)以抽吸液体，并且可以在导管352中生成正压力(例如分配压力)以分配液体。

[0046] 抽吸和分配装置316可以进一步包括压力传感器354，该压力传感器354被配置成测量导管352中的抽吸和分配压力，并且相应地生成压力数据。压力数据可以由计算机320接收并且可以被用于控制泵350。抽吸压力测量信号波形(对比时间)可以由计算机320从接收到的压力数据导出，并且可以被输入到AI算法320AI，以用于在抽吸过程期间检测或预测探针组装件340中的抽吸故障。从来自压力传感器354的接收到的压力数据导出的抽吸压力测量信号波形也可以被用于训练AI算法320AI以检测或预测抽吸故障。压力传感器354可以位于流体路径中用于感测压力的任何合适的位置处。

[0047] 图4图示了根据一个或多个实施例的检测或预测自动化诊断分析系统中的抽吸故障的方法400。在过程框402中，方法400可以通过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而开始。例如，抽吸压力测量可以由(图3的)抽吸和分配装置316的压力传感器354进行，该抽吸和分配装置316可以是(图1的)自动化诊断分析系统100的抽吸和分配站116的一部分。可选地，与抽吸和分配装置316类似或相同的抽吸和分配装置可以被集成到一个或多个分析器站118A‑118C中或者被定位为一个或多个分析器站
118A‑118C的一部分。

[0048] 在过程框404中，方法400可以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(A)抽吸压力测量信号波形的集群分析、或者(B)基于抽吸压力测量信号波形的概率图形建模。在一些实施例中，集群分析可以包括使用基于抽吸压力测量信号波形的仅两个度量。在一些实施例中，概率图形建模可以实施对抽吸压力测量信号波形并发地执行的两个概率图形模型。在其他实施例中，集群分析可以包括基于抽吸压力测量信号波形的多于两个度量。在仍其他实施例中，概率图形建模可以实施对抽吸压力测量信号波形并发地执行的多于两个概率图形模型(一个概率图形模型属于正常抽吸，并且其他概率图形模型中的每一个属于不同类型的异常抽吸)。

[0049] 分析抽吸压力测量信号波形以检测或预测抽吸故障基于正常抽吸的压力测量信号波形所展现出的特性与异常抽吸(表示故障状况)的压力测量信号波形所展现出的特性之间的可区分差异。

[0050] 例如，图5图示了根据一个或多个实施例的正常抽吸的大约30+个所测量的压力信号波形(基本上彼此叠加)的抽吸压力信号对比时间的图表500。正常抽吸可能已经在抽吸和分配装置中执行，该抽吸和分配装置诸如例如(图3的)抽吸和分配装置316。

[0051] 图6图示了根据一个或多个实施例的异常抽吸的大约30+个压力信号波形的抽吸压力信号对比时间的图表600。异常抽吸可能已经在抽吸和分配装置中发生，该抽吸和分配装置诸如例如(图3的)抽吸和分配装置316。

[0052] 图表500和600的信号波形之间的可区分特性差异可以在抽吸过程期间由经训练的AI算法(诸如例如AI算法320AI)来实时检测。可由处理器320A执行的AI算法320AI可以以任何合适形式的人工智能编程来实施，该人工智能编程包括但不限于神经网络，包括卷积神经网络(CNN)、深度学习网络、再生成网络或另一类型的机器学习算法或模型。因此，注意，AI算法320AI不是例如简单的查找表。相反，AI算法320AI可以被训练成检测或预测一个或多个类型的抽吸故障，并且能够在不被明确编程的情况下进行改进(做出更准确的确定或预测)。

[0053] 在一些实施例中，AI算法320AI对抽吸故障状况的检测可以基于集群分析，该集群分析使用在抽吸过程期间从抽吸压力测量信号波形导出的仅两个度量。这两个度量被用作抽吸故障的预测因子。检测阈值(具有分类边界或范围)基于该仅两个度量、训练数据以及在一些实施例中的K均值聚类。其他合适的聚类算法可以是可能的。训练数据表示正常抽吸和不同类型的异常抽吸两者。基于统计量度来建立时间上变化的分类范围。

[0054] 两个度量中的第一度量是：其中：
P(t)是在时间t处测量的抽吸压力，
P(threshold)是为了捕获压力测量信号波形的拐点而选择的恒定偏移值；图7图示了根据一个或多个实施例的在所选P(threshold)756的情况下的正常抽吸压力信号波形的图表700；
是抽吸压力斜率的移动平均值；以及
ε是小的数字(small number)(例如0.005)，用于避免奇异性(当P(t)＝P
(threshold)时，在度量1中除以零)。

[0055] 两个度量中的第二度量是：度量1捕获压力的时间变化率，并且度量2捕获抽吸压力波形的拐点特性。度量1和
2已经被发现是即将发生的或早期的抽吸故障的可靠预测因子。

[0056] 图8图示了根据一个或多个实施例的训练用于对抽吸压力信号波形进行基于聚类的分析的AI算法320AI的方法800。AI算法320AI的训练可以被离线地实施。可以在训练之后通过验证来确定最优集群数量以及参数的调整(tuning)，该参数诸如P(threshold)、移动平均滤波器参数、ε等。确定用于压力测量的实时采样的合适采样率可以基于对故障检测时间(time‑to‑fault detection)的敏感度。针对抽吸故障预测鲁棒性，在一些实施例中，在将抽吸标识为异常之前，可以对时间步长集合上的多个故障状态进行计数。

[0057] 方法800可以在输入数据框802处开始，在框802处，提供抽吸压力信号波形的训练集。在过程框804处，针对每个所采样的抽吸压力测量来计算度量1和度量2。

[0058] 在过程框806处，针对度量1和度量2中的每个度量来计算检测时间窗口上的全局统计信息。检测时间窗口的示例在图5和6中示出(参见被描轮廓的“样本抽吸阶段”)。全局统计信息包括基于检测时间窗口上的度量的全局最小值和最大值的上限阈值和下限阈值。例如，图9图示了正常和异常抽吸压力信号波形对比时间的图表900，其中已经根据一个或多个实施例计算了基于度量1的全局最小值和最大值的上限阈值958和959以及基于度量1的全局最小值和最大值的下限阈值960和961(注意，下限阈值960恰好与上限阈值959大致相同)。图10图示了正常和异常抽吸压力信号波形对比时间的图表1000，其中已经根据一个或多个实施例计算了基于度量2的全局最小值和最大值的上限阈值1058和1059以及基于度量2的全局最小值和最大值的下限阈值1060和1061。

[0059] 在框808处，基于在过程框806处计算的全局统计信息对样本抽吸执行聚类，以标识与正常抽吸相对应的集群。图11图示了根据一个或多个实施例的基于度量1的四集群分类1100，并且图12图示了根据一个或多个实施例的基于度量2的四集群分类1200。如图11和图12所示，基于度量1和度量2的全局最小值和最大值的聚类有效地将集群1中所示的正常抽吸样本与集群2、3和4中所示的异常抽吸样本进行隔离。

[0060] 在框810处，方法800可以包括计算在每个时刻处针对正常抽吸集群(集群1)的度量1和度量2中的每个度量的统计信息(例如均值和标准差)。这些统计信息可以被用于将样本分类为正常或异常。在所有样本当中，正常抽吸样本在平均值和标准差上展现出最低的变化性(variability)。

[0061] 在框812处，方法800可以包括计算在每个时刻处针对集群1的度量1和度量2中的每个度量的正常抽吸统计信息，以确定分类范围。以下统计过程可以被用于在每个采样时间处建立与正常抽吸类别(集群1)相对应的度量1和度量2的范围：度量上限(t)＝度量75百分位数(t)+α度量IQR
度量下限(t)＝度量25百分位数(t)‑α度量IQR(t)
其中度量IQR(t)＝度量75百分位数(t)‑度量25百分位数(t)(注意：t＝时间)其中α＝1.5或3(α的最优值可以在初始训练之后通过验证来调整)，以及
采样时间Ts＝1/fs，其中fs是抽吸过程期间的压力测量的采样率。合适的采样时间可以是例如1毫秒。可以使用其他合适的采样率。

[0062] 图13图示了根据一个或多个实施例的基于在过程框812处执行的计算的针对度量1、集群1的基线分类区域或范围1300，其中α＝3。基线分类范围1300包括上限曲线1362、均值曲线1363和下限曲线1364。

[0063] 图14图示了根据一个或多个实施例的基于在过程框812处执行的计算的针对度量2、集群1的基线分类区域或范围1400，其中α＝3。基线分类范围1400包括上限曲线1462、均值曲线1463和下限曲线1464。

[0064] 注意，基线分类范围1300和1400是以非参数形式来确定和存储的，如所示出。在第一替代实施例中，基线分类范围可以使用多项式、B样条、自回归移动平均(ARMA)模型或其他合适的基函数经由全局表示被参数化。在第二替代实施例中，抽吸阶段可以被细分为子阶段(例如四个子阶段)，并且每个子阶段上的基线分类范围可以使用多项式、B样条、ARMA模型或其他合适的基函数经由局部表示被个体地参数化。第一替代实施例和第二替代实施例的参数形式可能需要较少的存储器，但是与非参数形式相比可能引起附加的计算成本。

[0065] 一旦建立，基线分类范围1300和1400可以被用于抽吸压力测量信号波形的集群分析中，以检测/预测抽吸故障，如下所描述。

[0066] 返回图4，方法400可以通过响应于在过程框404处执行的集群分析经由处理器标识抽吸故障并对抽吸故障做出响应而在过程框406处继续。可以通过针对抽吸压力测量信号波形的每个采样时刻确定以下内容来标识抽吸故障，针对度量1和度量2中的每个度量，是否：
度量i(t＝tn)≤度量i，上限
以及
度量i(t＝tn)≥度量i，下限，
t＝tn∈检测时间窗口。

[0067] 如果以上条件在检测窗口内未被满足，则可以将抽吸标识为异常，并且可以终止抽吸过程和/或可以遵循针对错误状态的系统过程。

[0068] 在其他实施例中，代替于如上所描述的那样在过程框404处执行集群分析，在过程框404处执行的分析可以替代地包括基于抽吸压力测量信号波形的概率图形建模，其中对抽吸压力测量信号波形并发地执行两个概率图形模型。可以使用隐马尔可夫模型(HMM)来对样本抽吸的动力学进行建模。正常和异常抽吸样本的训练数据集首先以有监督的方式(即，基于专家的数据加标签)或者以无监督的方式使用诸如上述K均值聚类之类的机器学习方法来标识。因为样本抽吸期间的状态转变是顺序的，使得可以发生从当前状态到相邻的更高状态值的状态转变，所以可以使用从左到右的HMM架构。使用期望最大化(EM)算法来训练分离的HMM模型，一个HMM模型用于正常抽吸，并且另一个HMM模型用于异常抽吸。EM算法的“期望”步骤以Baum‑Welch(前向‑后向)算法的形式来应用。一旦训练完成，AI算法320AI被配置成在所测量的抽吸压力信号波形上并发地实时执行正常和异常抽吸HMM。使用两个HMM来计算压力信号值的连续序列上的序列发射概率。将抽吸分类为正常或异常可以基于比较相对序列似然性：
PSEQUENCE,NORMAI/PSEQUENCE，ABNORMAL
或者，替代地，通过将使用正常和异常HMM的序列似然性与针对正常和异常抽吸设置的相应阈值进行比较。可以使用针对正常和异常抽吸的训练数据集在离线模式中执行训练。一旦被训练，HMM模型就可以在固件或软件DML(最终介质库)中在线地实施，以用于实时抽吸故障检测/预测。

[0069] 图15A和15B图示了根据一个或多个实施例的每度量两集群分类1500A、1500B，其中在图15A中示出了针对每个度量的第一集群，并且在图15B中示出了针对每个度量的第二集群。正常和异常HMM的训练包括以下内容：(1)针对集群1(正常抽吸)和集群2(在预定义检测时间窗口内的异常抽吸，在一些实施例中，该预定义检测时间窗口可以是检测时间窗口1566A和1566B，每个检测时间窗口可以是200毫秒(可以使用其他检测时间窗口))中的每个集群计算度量1和度量2；(2)计算针对正常抽吸样本(集群1)的度量的均值向量，并且从针对样本训练集中的每个抽吸样本的均值向量中减去所计算的均值向量；以及(3)定义输出/发射的数量——通过均匀地划分度量残差(来自步骤(2))的最小‑最大范围来创建离散、量化(整数值)的发射范围集合。

[0070] 在一些实施例中，抽吸故障的检测或预测可以由HMM执行，每个HMM具有如图16所示的从左到右架构1600，该架构具有六种状态k＝1‑6、受约束的状态转变、十二种发射状态、以及15时间步长的序列。

[0071] 在替代实施例中，代替于在抽吸过程的整个检测时间窗口上执行HMM，而是可以将检测时间窗口细分为子阶段(例如四个子阶段)，其中针对每个子阶段，可以训练用于正常和异常抽吸的分离的HMM模型，并且然后对所测量的抽吸压力执行所述分离的HMM模型，以检测/预测抽吸故障。通过将检测时间窗口细分为子阶段，可以降低每个HMM的复杂度和/或大小，从而降低总体计算成本。

[0072] 返回图4，方法400可以通过响应于在过程框404处执行的概率图形建模经由处理器标识抽吸故障并对抽吸故障做出响应而在过程框406处继续。可以通过并发地执行两个HMM(一个HMM被训练用于正常抽吸并且另一个HMM被训练用于异常抽吸)来标识抽吸故障。在一些实施例中，序列似然性第一阈值和第二阈值可以被应用于抽吸压力测量信号波形的每个采样时刻，以如下那样标识正常抽吸：
PSEQUENCE,NORMAL>第一阈值；
以及
PSEQUENCE,ABNORMAL<第二阈值；
其中在一些实施例中，第一阈值可以是0.90，并且第二阈值可以是0.50(可以使用第一阈值和第二阈值的其他合适值)。

[0073] 序列似然性是基于以对应已知状态序列为条件的观察序列(长度＝15)的复合概率来计算的。

[0074] 有利地，本文描述的集群分析和概率图形建模两者都在抽吸过程开始的前100毫秒内检测到和/或预测到抽吸故障(例如参见图17，它图示了根据一个或多个实施例的抽吸样本的数据集当中检测到的抽吸故障的直方图1700)。这种早期实时抽吸故障检测或预测可以允许抽吸过程被及时终止和/或允许合适的错误状态过程被实施，以便有利地避免或最小化有故障的抽吸的任何可能的下游后果，诸如例如仪器停机时间和/或错误分析结果。

[0075] 而且，已经发现集群分析和概率图形建模两者都有利地执行对样本抽吸作为正常或异常的高效且准确的实时二元分类。这两个实施例在在线执行期间都具有低计算复杂度(O(N))和低存储器要求，并且因此可以容易地在固件或软件中实施。尽管这两个实施例在(图3的)AI算法320AI的训练阶段期间可能引起更高的计算成本，但是训练阶段可以被离线地执行。

[0076] 注意，本文描述的方法和装置不限于任何特定类型的抽吸故障。例如，除了短体积和凝胶或不期望的材料拾取抽吸故障之外，由例如抽吸泵的不准确滴定(titration)、滴定期间的软件相关错误、探针上游的流体歧管中的受损流动状况和/或电气噪声和/或不利地影响滴定的环境影响所引起的其他故障也可以被检测/预测，只要对于要检测/预测的(多个)特定类型的抽吸故障存在足够数量的样本抽吸压力波形样本(即，训练数据)。然后，可以应用本文描述的方法和装置来标识与每种类型的抽吸故障相关的不同的度量简档。因此，用于检测/预测抽吸故障的度量的类型和数量可以基于要检测/预测的特定抽吸故障的特定抽吸简档。可以针对任何新的抽吸简档导出新的度量。类似地，被选择用于分析的集群分类的数量取决于故障状况和/或类型的预期类别的数量以及训练数据的可用性和聚类分析在可接受的准确度水平内对训练数据中存在的不同抽吸故障状态进行归类的能力。因此，例如，如果例如更高水平的假阴性是可接受的，则上述四集群分类可以被减少到三集群分类。因此，本文描述的方法和装置不限于用于检测/预测抽吸故障的任何特定类型或数量的度量和/或集群。

[0077] 虽然本公开容许各种修改和替代形式，但是具体方法和装置实施例已经在附图中通过示例来示出并且在本文中详细描述。然而，应该理解的是，本文公开的特定方法和装置并不旨在限制本公开或以下权利要求。