能够检测输注泵误装载的机器学习的制作方法

能够检测输注泵误装载的机器学习
1.相关申请的交叉引用
2.本技术要求于2021年9月24日提交的标题为“machine learning enabled detection of infusion pump misloads”的美国临时申请no.63/248069的优先权，其公开内容通过引用的方式全部并入本文。
技术领域
3.本文描述的主题总体上涉及机器学习，更具体地，涉及基于用于检测输注泵的误装载的技术的机器学习。


背景技术：

4.诸如输注泵的流体泵可以用于通过向患者输送营养物、药物、血液制品或其他物质来对患者给予治疗。诸如疼痛管理、血糖调节和化疗的许多类型的临床治疗可能需要通过例如静脉输注、皮下输注、动脉输注、硬膜外输注等方式将精确体积的流体输送到患者的循环系统或硬膜外腔。蠕动泵(或滚压泵)是能够输送精确体积的流体的流体泵的一个示例。例如，蠕动泵可以配置为连续地或间歇地从储存器输送精确测量的流体剂量。蠕动泵中的泵送机构可以包括泵送指状件(pumping finger)和阻塞指状件(occluding finger)的组合，所述泵送指状件和阻塞指状件协同地操作以将压力施加至与储存器流体连通的管道(或其他导管)中的顺序位置，从而将流体从储存器驱动至患者。


技术实现要素：

5.提供了包括计算机程序产品的系统、方法和制造物品，用于检测在输注泵处错误装载的输注套件(例如，误装载)。例如，泵控制器可以应用经过训练的机器学习模型，以基于装载有静脉注射(iv)套件的输注泵的一个或更多个图像来检测静脉注射套件的误装载。装载有静脉注射套件的泵的图像可以由一个或更多个摄像头拍摄，所述摄像头具有包括泵中具有装载的静脉注射套件的部分的视场(fov)。可以利用正确装载的静脉注射套件的图像来训练机器学习模型，因此，能够确定出装载有静脉注射套件的泵的图像何时呈现出一个或更多个不符合情况。当机器学习模型的输出指示出输注泵的静脉注射套件的误装载时，泵控制器可以执行一个或更多个校正动作。例如，当检测到在泵的静脉注射套件的误装载时，泵控制器可以阻止输注泵执行输注。此外，泵控制器可以生成指示输注泵的静脉注射套件的误装载的消息。在一些情况下，该消息可以识别输注泵的误装载的类型和位置。
6.在一个方面，提供了一种包括至少一个处理器和至少一个存储器的系统。至少一个存储器可以包括程序代码，当由至少一个处理器执行所述程序代码时，所述程序代码提供操作。所述操作可以包括：从位于输注泵的摄像头接收装载有输注套件的输注泵的一个或更多个图像；应用经过训练的机器学习模型来检测在装载有输注套件的输注泵的一个或更多个图像中存在的一个或更多个不符合情况；响应于机器学习模型的输出指示出在装载有输注套件的输注泵的一个或更多个图像中存在不符合情况，执行校正动作。
7.在一些变体中，在本文中公开的包括以下特征的一个或更多个特征可以可选地包括在任何可行的组合中。
8.在一些变体中，可以在一个或更多个图像内识别输注泵的第一组件和输注套件的第二组件。所述机器学习模型可以至少基于第一组件和第二组件的相对位置来检测一个或更多个符合情况。
9.在一些变体中，可以通过应用边缘检测技术来识别第一组件和第二组件。
10.在一些变体中，所述边缘检测技术可以包括拉普拉斯-高斯变换和/或坎尼(canny)边缘检测。
11.在一些变体中，可以基于布置在第一组件和第二组件的每一个上的图形特征来识别第一组件和第二组件。
12.在一些变体中，所述图形特征可以包括图案、条形码和/或四月标签(april tag)。
13.在一些变体中，所述第一组件可以包括凹槽(bezel)、薄膜密封件、门、压板(platen)、定位器特征部(locator feature)或管路空气检测器。所述第二组件可以包括上部配件、下部配件或管道的泵送段。
14.在一些变体中，所述一个或更多个不符合情况可以包括输注套件的误装载。所述输注套件的误装载可以包括：所述输注套件的上部配件、输注套件的下部配件和/或输注套件的管道的泵送段的错误放置。
15.在一些变体中，所述一个或更多个不符合情况可以包括：静脉注射套件重复使用、超过有效期、不正确的类型或假冒产品。
16.在一些变体中，所述一个或更多个不符合情况可以包括：输注泵和/或静脉注射套件的一个或更多个组件缺失。
17.在一些变体中，所述一个或更多个不符合情况可以包括：输注泵和/或静脉注射套件的一个或更多个组件损坏。
18.在一些变体中，所述一个或更多个不符合情况可以包括：在输注泵和/或静脉注射套件中存在污染物。
19.在一些变体中，所述机器学习模型可以通过至少将装载有输注套件的输注泵的一个或更多个图像与正确装载的输注套件的一个或更多个图像进行比较来检测一个或更多个不符合情况。
20.在一些变体中，摄像头可以安装至输注泵的门。所述摄像头可以安装于摄像头具有包括装载有静脉注射套件的输注泵的至少一部分的视场的位置。
21.在一些变体中，所述摄像头的视场可以排除不适合、禁止或不必要进行监视的一个或更多个区域。
22.在一些变体中，所述一个或更多个图像可以包括：在门处于打开位置时拍摄的第一图像和在门处于部分打开位置时拍摄的第二图像。可以基于第一图像和第二图像来检测一个或更多个不符合情况。
23.在一些变体中，所述摄像头可以包括可见光摄像头、红外摄像头和/或紫外摄像头。
24.在一些变体中，可以基于在可见光、红外光或紫外光下能够检测到的图形特征来检测一个或更多个不符合情况。
25.在一些变体中，所述校正动作可以包括阻止输注泵执行输注。
26.在一些变体中，所述校正动作可以包括生成识别出一个或更多个不符合情况的消息。
27.在另一方面，提供了一种输注泵，其包括凹槽、摄像头和控制器。所述凹槽可以包括用于容纳静脉注射套件的一个或更多个定位器特征部。所述摄像头可以安装至输注泵的门。所述摄像头可以安装于摄像头具有包括装载有静脉注射套件的输注泵的至少一部分的视场的位置。所述摄像头可以配置为拍摄装载有静脉注射套件的输注泵的一个或更多个图像。所述控制器可以包括至少一个数据处理器和至少一个存储器，所述存储器存储有指令，当由至少一个数据处理器执行所述指令时，使得控制器执行操作。所述操作可以包括：应用经过训练的机器学习模型来检测在装载有输注套件的输注泵的一个或更多个图像中存在的一个或更多个不符合情况；响应于机器学习模型的输出指示出在装载有输注套件的输注泵的一个或更多个图像中存在不符合情况，执行校正动作。
28.在一些变体中，在本文中公开的包括以下特征的一个或更多个特征可以可选地包括在任何可行的组合中。
29.在一些变体中，可以进一步使得控制器执行以下操作，所述操作包括：在一个或更多个图像内识别输注泵的第一组件和输注套件的第二组件，所述机器学习模型至少基于第一组件和第二组件的相对位置来检测一个或更多个符合情况。
30.在一些变体中，通过应用边缘检测技术来识别第一组件和第二组件。
31.在一些变体中，可以通过应用边缘检测技术来识别第一组件和第二组件。
32.在一些变体中，所述边缘检测技术可以包括拉普拉斯-高斯变换和/或canny边缘检测。
33.在一些变体中，可以基于布置在第一组件和第二组件的每一个上的图形特征来识别第一组件和第二组件。
34.在一些变体中，所述图形特征可以包括图案、条形码和/或四月标签。
35.在一些变体中，所述第一组件包括凹槽、门、一个或更多个定位器特征部、薄膜密封件、压板或管路空气检测器。所述第二组件可以包括上部配件、下部配件或管道的泵送段。
36.在一些变体中，所述一个或更多个不符合情况可以包括输注套件的误装载。所述输注套件的误装载可以包括：输注套件的上部配件、输注套件的下部配件和/或输注套件的管道的泵送段的错误放置。
37.在一些变体中，所述一个或更多个不符合情况可以包括：静脉注射套件重复使用、超过有效期、不正确的类型或假冒产品。
38.在一些变体中，所述一个或更多个不符合情况可以包括：输注泵和/或静脉注射套件的一个或更多个组件缺失。
39.在一些变体中，所述一个或更多个不符合情况可以包括：输注泵和/或静脉注射套件的一个或更多个组件损坏。
40.在一些变体中，所述一个或更多个不符合情况可以包括：在输注泵和/或静脉注射套件中存在污染物。
41.在一些变体中，所述机器学习模型可以通过至少将装载有输注套件的输注泵的一
个或更多个图像与正确装载的输注套件的一个或更多个图像进行比较来检测一个或更多个不符合情况。
42.在一些变体中，所述摄像头的视场可以进一步排除不适合、禁止或不必要进行监视的一个或更多个区域。
43.在一些变体中，所述一个或更多个图像可以包括：在门处于打开位置时拍摄的第一图像和在门处于部分打开位置时拍摄的第二图像。可以基于第一图像和第二图像来检测一个或更多个不符合情况。
44.在一些变体中，所述摄像头可以包括可见光摄像头、红外摄像头和/或紫外摄像头。
45.在一些变体中，可以基于在可见光、红外光或紫外光下能够检测到的图形特征来检测一个或更多个不符合情况。
46.在一些变体中，所述校正动作可以包括阻止输注泵执行输注。
47.在一些变体中，所述校正动作可以包括生成识别出一个或更多个不符合情况的消息。
48.当前主题的实施方案可以包括符合在本文中提供的描述的方法以及包括有形体现的机器可读介质的物品，所述有形体现的机器可读介质可操作为使得一个或更多个机器(例如，计算机等)产生实施一个或更多个所描述的特征的操作。类似的，还描述了可以包括一个或更多个处理器以及连接至一个或更多个处理器的一个或更多个存储器的计算机系统。可以包括非易失性计算机可读或机器可读存储介质的存储器可以包括对一个或更多个程序进行编码、存储等，所述程序使得一个或更多个处理器执行在本文中描述的一个或更多个操作。符合当前主题的一个或更多个实施方案的计算机实施方法可以由存在于单个计算系统或多个计算系统中的一个或更多个数据处理器来实施。这种多计算系统可以被连接并且可以通过一个或更多个连接、通过多个计算系统的一个或更多个之间的直接连接等交换数据和/或命令或其他指令等，一个或更多个连接包括例如通过网络(例如，互联网、无线广域网、局域网、广域网、个域网、点对点网络、网状网络、有线网络等)的连接。
49.本文描述的主题的一个或更多个变体的细节在所附附图和以下描述中进行阐述。根据说明书和附图以及根据权利要求书，本文描述的主题的其他特征和优点将是显然的。尽管当前公开的主题的某些特征是为了说明与检测输注泵处的管道误装载有关的目的而描述的，但应该容易理解的是，这些特征并非旨在限制。本发明所附的权利要求旨在限定所保护的主题的范围。
附图说明
50.合并在本技术文件中并且组成本技术文件的一部分的所附附图示出了本文中公开的主题的某些方面，并且这些附图与说明书一起帮助解释与公开的实施方案相关的一些原理。在这些附图中：
51.图1a描绘了说明根据一些示例性实施方案的输注系统的示例的系统图；
52.图1b描绘了说明根据一些示例性实施方案的与输注系统相关的工作流程的示例的框图；
53.图2a描绘了根据一些示例性实施方案的输注泵的示例的立体图；
54.图2b描绘了根据一些示例性实施方案的输注泵的示例的另一立体图；
55.图2c描绘了根据一些示例性实施方案的输注泵的示例的侧视图；
56.图3a描绘了根据一些示例性实施方案的具有误装载的静脉注射套件的示例的输注泵的前视图；
57.图3b描绘了根据一些示例性实施方案的具有误装载的静脉注射套件的示例的输注泵的另一前视图；
58.图4描绘了根据一些示例性实施方案的具有误装载的静脉注射套件的另一示例的输注泵的前视图；
59.图5a描绘了根据一些示例性实施方案的用于能够进行误装载检测的机器学习的原始图像的示例；
60.图5b描绘了根据一些示例性实施方案的用于能够进行误装载检测的机器学习的增强图像的示例；
61.图6a描绘了根据一些示例性实施方案的用于能够进行误装载检测的机器学习的原始图像的示例；
62.图6b描绘了根据一些示例性实施方案的用于能够进行误装载检测的机器学习的增强图像的示例；
63.图7a描绘了根据一些示例性实施方案的用于能够进行误装载检测的机器学习的原始图像的示例；
64.图7b描绘了根据一些示例性实施方案的用于能够进行误装载检测的机器学习的增强图像的示例；
65.图8a描绘了根据一些示例性实施方案的用于能够进行误装载检测的机器学习的原始图像的示例；
66.图8b描绘了根据一些示例性实施方案的用于能够进行误装载检测的机器学习的增强图像的示例；
67.图9a描绘了根据一些示例性实施方案的具有图形特征的一些示例的输注泵的一部分的特写示意图；
68.图9b描绘了根据一些示例性实施方案的具有图形特征的一些额外示例的输注泵的前视图；
69.图10描绘了说明根据一些示例性实施方案的用于能够进行误装载检测的机器学习的过程的示例的流程图；
70.图11描绘了说明根据一些示例性实施方案的计算系统的示例的框图。
71.实际上，相似的附图标记指示相似的结构、特征或元件。
具体实施方式
72.如果静脉注射(iv)套件没有正确装载在泵内，则诸如蠕动泵的输注泵可能无法正确操作或者无法按预期(例如，根据配置装置的诸如待输注的速率或体积的输送参数)操作。当静脉注射套件的管道相对于泵的各种组件(例如，其包括泵的泵送机构)布置在不正确的位置时，可能会发生误装载。例如，泵的正确操作可能需要管道相对于泵送指状件拉伸和居中。管道未拉伸到足够量的误装载可能会阻止泵送指状件正确地抵靠在管道上闭合，
并且导致来自泵的流体不受控制地流动。同时，导致管道的过度拉伸的误装载也可能导致来自泵的流体不受控制地流动。例如，过度拉伸管道可能会减小管道壁的厚度并且阻止阻塞指状件关闭管道以使流体的流动停止。
73.在一些情况下，静脉注射套件的误装载也可能通过改变管道的截面尺寸而导致泵的流速不准确。例如，管道可以沿纵向轴线扭动。替代地，当静脉注射套件的上部配件没有布置在泵凹槽(bezel)中的槽腔(pocket)的基部而是布置在泵凹槽中的槽腔的上方时，管道的内径可能会变窄。在输注泵包括压板(platen)(其作为泵门的一部分，或者作为单独的组件)的情况下，如果在为管道的泵送段预留的区域中存在异物(例如，静脉注射套件的错误放置部分)，则可能发生误装载。除了泵的流速差异之外，当使用过大的力关闭泵门时，异物的存在可能会导致静脉注射套件和泵(例如，压板)破裂。
74.任何上述类型的异常情况都可能导致输注泵输送不正确数量的流体或发生故障。照此，可能需要在输注开始之前检测输注泵处误装载的静脉注射套件。然而，依靠机电开关检测误装载的静脉注射套件的传统方法造成许多限制。例如，机电开关能够在输注泵内有限数量的位置处检测不符合情况，而静脉注射套件中的管道的柔性为静脉注射套件的布置提供了多个自由度。照此，依赖机电开关的传统误装载检测方法可能既不可靠也不实用。例如，机电开关可能容易出现错误否定(false negatives)和错误肯定(false positives)。此外，在输注泵中包含机电开关可能会导致输注泵的壳体和接线的复杂性。例如，容纳机电开关所需的空腔可能容易受到污染物的侵入而难以清洁。
75.在一些示例性实施方案中，泵控制器可以配置为基于装载有静脉注射套件的泵的一个或更多个图像来检测误装载的静脉注射套件。例如，泵控制器可以应用已经基于正确装载的静脉注射套件的图像训练的机器学习模型，以确定装载有静脉注射套件的泵的图像何时呈现出一个或更多个不符合情况。当机器学习模型的输出指示出输注泵的静脉注射套件的误装载时，泵控制器可以执行一个或更多个校正动作。例如，当检测到泵的静脉注射套件的误装载时，泵控制器可以阻止输注泵执行输注。替代地和/或额外地，泵控制器可以生成指示出输注泵的静脉注射套件的误装载的消息。在一些情况下，该消息可以提供用于校正误装载的指令，包括通过识别输注泵的误装载的类型和位置。
76.图1a描绘了说明根据一些示例性实施方案的输注系统100的示例的系统图。参考图1a，输注系统100可以包括泵控制器110、泵120和客户端装置130。如图1a所示，泵控制器110、泵120和客户端装置130可以通过网络140通信连接。客户端装置130可以是基于处理器的装置，包括例如，床旁监护单元(point of care unit，pcu)、智能手机、平板电脑、可穿戴设备、台式计算机、膝上型计算机和/或工作站等。同时，网络140可以是有线和/或无线网络，包括例如公共陆地移动网(a public land mobile network，plmn)、局域网(lan)、虚拟局域网(vlan)、广域网(wan)和/或互联网等。
77.图2a至图2c描绘了泵120的示例的各种示意图，其中，门206打开。如图2a至图2b所示，泵120可以装载有静脉注射(iv)套件203。泵120可以直接作用在静脉注射套件203的泵送段207上，所述泵送段207将上游流体管线连接至下游流体管线，以在流体储存器和患者之间形成连续的流体导管。例如，泵120可以包括泵送机构210，所述泵送机构210可以充当流动控制装置，使流体通过导管向下游移动至患者。泵送段207、上游流体管线和/或下游流体管线可以连接至泵送盒(pump cassette)或泵送筒(pump cartridge)，所述泵送盒或泵
送筒配置为连接至泵120。
78.尽管泵送机构210的类型可以变化，但是图2a至图2c中所示的泵送机构210的示例是多指状件泵送机构，其包括上游阻塞指状件、主泵送指状件、下游阻塞指状件和次级泵送指状件。因此，泵送机构210可以通过泵送指状件和阻塞指状件交替地在流体导管的泵送段207上施加压力来操作。可以在泵送段207的顺序位置处施加压力，从泵送机构210的上游端开始并继续通过泵送机构210的下游端。在任一时间点，泵送机构210的至少一个指状件可以施加足以阻塞流体导管的压力。此外，泵送机构210的至少一个指状件可以不从使泵送段207阻塞缩回，直到序列中的后续指状件已经使泵送段207阻塞为止。因此，在泵送机构210的操作期间的任何时间都不存在从储存器到患者的直接流体路径。
79.在一些示例性实施方案中，泵控制器110可以配置为至少基于装载有静脉注射套件203的泵120的一个或更多个图像来检测静脉注射套件203的误装载。例如，泵控制器110可以包括机器学习引擎115，所述机器学习引擎115配置为确定装载有静脉注射套件203的泵120的图像是否呈现出一个或更多个不符合情况。此外，当机器学习引擎115的输出指示出静脉注射套件203的误装载时，泵控制器110可以执行一个或更多个校正动作。例如，当检测到泵120的静脉注射套件203的误装载时，泵控制器110可以阻止泵120执行输注。替代地和/或额外地，泵控制器110可以生成指示出泵120的静脉注射套件203的误装载的消息。在一些情况下，该消息可以提供用于校正误装载的指令，包括通过识别泵120的误装载的类型和位置。
80.机器学习引擎115可以包括已经基于正确装载的静脉注射套件的图像进行训练的一个或更多个机器学习模型。例如，机器学习引擎115可以利用一个或更多个通用中央处理单元(cpu)和/或机器学习硬件加速器来实现。可以将一个或更多个机器学习模型训练为执行各种机器视觉任务，包括例如图像增强、形态过滤、斑点检测、特征提取、图像分割、边缘检测、对象分类和/或光学字符识别(optical character recognition，ocr)等。例如，一个或更多个机器学习模型可以基于描述正确装载的静脉注射套件和/或错误装载的静脉注射套件的参考图像的训练集进行训练。此外，一个或更多个机器学习模型可以基于从真实世界的临床设置收集到的数据(例如，包括临床医生识别为正确装载的静脉注射套件的图像)进行更新。这种机器学习模型的示例包括：神经网络、回归模型、基于实例的模型、正则化模型、决策树、随机森林、贝叶斯模型、聚类模型、关联模型、降维模型和/或集成模型(ensemble model)。
81.在一些示例性实施方案中，泵120可以包括摄像头204，所述摄像头204配置为生成装载有静脉注射套件203的泵120的一个或更多个图像。应当理解的是，摄像头204可以包括各种图像传感器，包括例如电荷耦合器件(charge-coupled device，ccd))和/或有源像素传感器(或互补金属氧化物半导体(complementary metal-oxide-semiconductor，cmos)传感器等。此外，摄像头204可以配置为检测占据电磁光谱的不同部分的光的波长，包括例如可见光(400-700纳米)、红外光(700-15000纳米)和/或紫外光(10-400纳米)等。
82.摄像头204可以配置为具有最小视场(field of view，fov)，例如，130
°
等。此外，摄像头204可以安装为位于使得摄像头204的视场(fov)包括一个或更多个感兴趣的区域的位置。在图2a至图2c所示的示例中，摄像头204可以安装至门206，例如，靠近门206的边缘，其中，当泵120的门206处于打开位置时，摄像头204的视场包括压板208和装载于泵120的静
脉注射套件203的至少一部分(例如，上部配件205与下部配件209之间的静脉注射套件203的一部分)。根据一些示例性实施方案，摄像头204的视场可以限制为排除某些区域，包括例如不适合、禁止或不必要进行监视的区域。
83.为了进一步说明，图1b描绘了说明根据一些示例性实施方案的与输注系统110相关的工作流程的示例的框图。如图1b所示，机器学习引擎115可以从摄像头204接收装载有静脉注射套件203的泵120的一个或更多个图像。例如，摄像头204可以配置为：当泵120的门206处于打开位置(或部分打开位置)时，周期性地拍摄图像。机器学习引擎115生成指示出以下情况的输出：装载有静脉注射套件203的泵120的一个或更多个图像是否呈现出一个或更多个不符合情况(包括例如，静脉注射套件203的误装载)。
84.如图1b所示，泵控制器110可以至少基于机器学习引擎115的输出来执行一个或更多个相应的动作。例如，如果机器学习引擎115的输出指示出装载有静脉注射套件203的泵120的图像没有呈现出任何不符合情况，则泵控制器110可以使得泵120执行输注并生成相应的输出(例如，使泵120的第一有色灯光照亮)。替代地，如果机器学习引擎115的输出指示出在装载有静脉注射套件203的泵120的图像中存在不符合情况，则泵控制器110可以阻止泵120执行输注。
85.在图1b所示的工作流程的示例中，泵控制器110可以与床旁监护单元(pcu)160的中央处理单元162交互，以触发警报器164。警报器164可以包括指示出泵120的静脉注射套件203的误装载的消息。此外，在一些情况下，该消息可以提供用于校正误装载的指令，包括通过识别泵120的误装载的类型和位置。例如，该消息可以包括在误装载的类型和位置的一个或更多个指示符内的图像。例如，如果由于摄像头204的各种错误(例如，门206未处于充分打开位置，较差的照明条件、异物阻塞等)导致机器学习引擎115不能基于由摄像头204拍摄的图像生成输出，则泵控制器110还可以生成具有校正错误的指令的消息。
86.在一些示例性实施方案中，泵控制器110可以为单独的临床医生和临床医生团队跟踪不符合情况的发生，例如，误装载的静脉注射套件。例如，如果在一临床医生装载泵120时检测到阈值量(threshold quantity)的不符合情况，则泵控制器110可以向另一临床医生生成消息以提供对泵120的装载的帮助。替代地和/或额外地，如果不符合情况以高于阈值频率发生，则泵控制器110可以(例如，向单独的临床医生或临床医生团队)生成用于额外训练的建议。
87.在一些示例性实施方案中，机器学习引擎115可以配置为检测存在于由摄像头204拍摄的多个图像中的不符合情况。例如，摄像头204可以在泵120的门206从打开位置移动到关闭位置时拍摄一系列图像，包括例如当门206处于打开位置时装载有静脉注射套件203的泵120的第一图像和当门206处于部分打开(或关闭)位置时装载有静脉注射套件203的泵120的第二图像。此外，机器学习引擎115可以至少基于第一图像和第二图像来确定静脉注射套件203的装载是否存在不符合情况。例如，当门206处于打开位置时拍摄的第一图像可以允许分析上部配件205和下部配件209的布置，但是压板208如何与泵送机构210和静脉注射套件203的管道的泵送段207接合可能无法从第一图像中辨别出来。照此，机器学习引擎115可以分析第一图像和第二图像，以检测与上部配件205、下部配件209和压板208相关的不符合情况。
88.机器学习引擎115可以配置为检测在装载有静脉注射套件203的泵120的图像中存
在的各种不符合情况。静脉注射套件203的误装载是不符合情况的一个示例，其中，静脉注射套件203的一个或更多个部分错误地布置在泵120中，例如，上部配件205、泵送段207和/或下部配件209的错误放置。图3a至图3b描绘了误装载的一个示例，其中，静脉注射套件203的上部配件205没有处于泵120的凹槽中的第一定位器特征部202a(例如，槽腔)的基部的正确位置，而是位于第一定位器特征部202a的上方。当静脉注射套件203的上部配件205以这种方式移位时，静脉注射套件203的管道(例如，泵送段207)可能拉伸为更窄的内径。管道的截面尺寸的这种变化可能会导致泵120的流速不准确，并且导致诸如输注不足或输注过度的错误。
89.图4描绘了误装载的另一示例，其中，静脉注射套件的上部配件205布置在第一定位器特征部202a的下方。如图4所示，这种类型的误装载可能会导致静脉注射套件203的泵送段207变形并且不能与泵120的泵送机构210正确接合。当门206处于关闭位置时，泵送段207的弯曲部分还可以阻止压板208与泵210的泵送机构210接合。如果使用过大的力将门206抵靠在泵送段207的弯曲部分上关闭，则静脉注射套件203和泵120可能会发生破裂。
90.误装载的其他示例可以包括：静脉注射套件203的下部配件209没有布置在相对于第二定位器特征部202b的正确位置、打开的止流件、静脉注射套件203的管道未与泵120的管路空气检测器212接合、以及泵送机构210中异物的存在。在一些情况下，误装载可以是：静脉注射套件203是不正确的类型、假冒产品或过期的套件。例如，机器学习引擎115可以训练为识别和区分标准套件和硬膜外套件，在该情况下，当静脉注射套件203是标准套件而正在执行的临床程序需要硬膜外套件时，机器学习引擎115可以检测出不符合情况。可以基于静脉注射套件203上的图形特征(例如，图案和/或条形码等)来检测静脉注射套件203的类型、静脉注射套件203的有效期以及静脉注射套件203是否为正品，所述图形特征可以在可见光或特殊照明条件下(例如，紫外光)检测到。例如，与静脉注射套件203相关的条形码(或其他唯一标识符)可以用于查询数据库并且确定静脉注射套件203是否为正品。在一些情况下，数据库可以跟踪静脉注射套件203的使用，在该情况下，当静脉注射套件203早已使用过和/或超过有效期时，可以查询数据库以检测静脉注射套件203何时被不允许使用。
91.除了静脉注射套件203的误装载之外，还可以将机器学习引擎115训练为识别其他的不符合情况，例如，静脉注射套件203没有适当地充填空气、泵120和/或静脉注射套件203中缺失的组件、泵120和/或静脉注射套件203中损坏的组件以及泵120和/或静脉注射套件203中污染物的存在。静脉注射套件203中缺失或损坏的组件的示例可以包括上部配件205、管道的泵送段207和下部配件209。泵120中缺失或损坏的组件的示例可以包括：凹槽、薄膜密封件、定位器特征部204a和204b中的一个或更多个、门206、压板208、泵送机构210和管路空气检测器212。
92.如所指出的，机器学习引擎115可以包括一个或更多个机器学习模型，所述机器学习模型已经基于正确装载的静脉注射套件的图像进行训练，以检测静脉注射套件203的误装载。为此，机器学习引擎115可以首先增强由摄像头204拍摄的原始图像，包括通过执行边缘检测以确定在由摄像头204拍摄的图像中描述的泵120和静脉注射套件203的各个组件的相对位置。拉普拉斯-高斯变换(laplace-gaussian transformation)是一种示例性的边缘检测技术，机器学习引擎115可以应用该技术来识别存在于装载有静脉注射套件203的泵120的图像中的边缘并且生成相应的线段。坎尼(canny)边缘检测是另一边缘检测技术，其
通过对每个图像进行降噪、梯度计算(例如，高斯模糊)、非极大值抑制(non-maximum suppression)、双阈值法以及滞后边缘跟踪来检测装载有静脉注射套件203的泵120的图像中存在的边缘。增强图像可以用于一个或更多个下游机器视觉任务，例如，特征提取、对象分类和光学字符识别。例如，机器学习引擎115可以将装载有静脉注射套件203的泵120的增强图像与描述正确装载的静脉注射套件的一个或更多个参考图像进行比较，以确定泵120的图像是否呈现出一个或更多个不符合情况。在装载有静脉注射套件203的泵120的图像内识别的各种组件可以用作用于确定各种组件之间的空间关系的参考点。例如，机器学习引擎115可以将静脉注射套件203的上部配件205识别为第一参考点，并且将第一定位器特征部202a识别为第二参考点，以便确定上部配件205与第一定位器特征部202a之间的空间关系。在存储由摄像头204拍摄的至少一些图像的情况下，可以通过机器学习引擎115存储图像的简化表示(例如，存在于图像中的各种组件的坐标的向量)来使数据隐私和存储效率最大化。
93.为了进一步说明，图5a描绘了说明正确装载的静脉注射套件203的原始图像，其中，静脉注射套件203的上部配件205位于泵120的凹槽中的第一定位器特征部202a(例如，槽腔)的基部。图5b描绘了通过机器学习引擎115应用边缘检测技术来识别泵120和包括上部配件205和第一定位器特征部202a的静脉注射套件203的各种组件的位置而生成的增强图像。
94.图6a描绘了说明错误装载的静脉注射套件203的原始图像，其中，静脉注射套件203的上部配件205位于泵120的凹槽中的第一定位器特征部202a(例如，槽腔)的下方以及被上部压力传感器占用的泵120的区域中。图6b描绘了通过机器学习引擎115应用边缘检测技术来识别泵120和包括顶部配件205和第一定位器特征部202a的静脉注射套件203的各种组件的位置而生成的增强图像。
95.图7a描绘了说明正确装载在泵120中的静脉注射套件203的原始图像，其中，下部配件209位于第二定位器特征部202b并且止流件处于关闭位置。在图7a中描述的原始图像进一步示出压板208(和其上的各种特征)，使得可以相对于泵120(和其中的各种组件)的位置来分析压板208的位置，以确保当泵120的门206处于关闭位置时，压板208将与泵120和装载的静脉注射套件203正确地接合。图7b描绘了通过机器学习引擎115应用边缘检测技术来识别泵120和包括压板208、下部配件209和第二定位器特征部202b的静脉注射套件203的各种组件的位置而生成的增强图像。
96.图8a描绘了说明错误地装载在泵120中的静脉注射套件203的原始图像，其中，下部配件209向后布置在泵120的腔中。图8a中示出的原始图像的增强版本在图8b中描述。图8b中示出的增强图像可以通过机器学习引擎115应用边缘检测技术来识别泵120和包括压板208、下部配件209和第二定位器特征部202b的静脉注射套件203的各种组件的位置而生成。
97.在一些示例性实施方案中，为了识别泵120和静脉注射套件203的各种组件，机器学习引擎115可以配置为识别一个或更多个图形特征，例如，条形码和/或四月标签(april tag)等。图9a至图9b描绘了具有图形特征900的各种示例的泵120，所述图形特征900可以放置在泵120和静脉注射套件203的不同组件上，以提供用于确定例如上部配件205和/或压板208等之间的空间关系的参考点。应当理解，图形特征900可以实现存在于图像的组件的6自
由度定位。例如，上部配件205上的图形特征900相对于第一定位器特征部202a上的图形特征900的位置和取向的位置和取向可以指示出上部配件205是否处于相对于第一定位器特征部202a的正确位置。在图形特征900位于诸如上部配件205的组件的一侧(或表面)的情况下，在图像中可见(或模糊)的图形特征900的数量可以指示出例如上部配件205是否放置于正确的方向或旋转到不正确的位置。
98.在一些情况下，装载有静脉注射套件203的泵120的图像中的一个或更多个图形特征900的位置也可以用于校正可能存在于图像中的各种形式的失真。例如，如果当摄像头204太靠近静脉注射套件203时由摄像头204拍摄图像，则图像可能呈现出桶形失真(barrel distortion)。图像中的图形特征900的相对位置可以用于校正可能存在于图像中的桶形失真和其他类型的失真。
99.图10描绘了说明用于能够进行误装载检测的机器学习的过程1000的示例的流程图。参考图1a和图10，过程1000可以由泵控制器110执行以检测和响应泵120的各种异常状况。
100.在1002，泵控制器110可以接收装载有静脉注射套件的泵的一个或更多个图像。在示例性实施方案中，泵控制器110可以从摄像头204接收装载有静脉注射套件203的泵120的一个或更多个图像。可以通过将泵120的门206移动到打开位置来启动摄像头204。例如，摄像头204可以进一步配置为：当泵120的门206保持在打开位置时，周期性地拍摄图像。如所指出的，摄像头204可以配置为具有最小视场(fov)，例如，130
°
等。此外，摄像头204可以安装在以下位置：使得当泵120的门206处于打开位置时，摄像头204的视场(fov)包括诸如装载于泵120的压板208和静脉注射套件203的至少一部分(例如，上部配件205与下部配件209之间的静脉注射套件203的一部分)的一个或更多个感兴趣区域。在一些情况下，摄像头204的视场可以限制为排除某些区域，包括例如不适合、禁止或不必要进行监视的区域。
101.在1004，泵控制器110可以应用经过训练的机器学习模型来检测存在于一个或更多个图像中的一个或更多个不符合情况。在一些示例性实施方案中，泵控制器110的机器学习引擎115可以将经过训练的一个或更多个机器学习模型应用于装载有静脉注射套件203的泵120的图像，以执行各种机器视觉任务，包括例如图像增强、形态过滤、斑点检测、特征提取、图像分割、边缘检测、对象分类和/或光学字符识别(ocr)等。例如，机器学习引擎115可以通过执行边缘检测(例如，拉普拉斯-高斯变换、canny边缘检测等)来增强由摄像头204拍摄的原始图像，以确定描绘的泵120和静脉注射套件203的各个组件的相对位置。机器学习引擎115可以将装载有静脉注射套件203的泵120的增强图像与描绘正确装载的静脉注射套件的一个或更多个参考图像进行比较，以确定泵120的图像是否呈现出一个或更多个不符合情况。
102.机器学习引擎115可以配置为检测在装载有静脉注射套件203的泵120的图像中存在的各种不符合情况。不符合情况的一个示例是静脉注射套件203的误装载，其中，静脉注射套件203的一个或更多个部分(例如，上部配件205、泵送段207和下部配件209)错误地布置在泵120中。不符合情况的另一示例可以是静脉注射套件203为不正确的类型、假冒产品或过期的套件。其他的不符合情况可以包括：静脉注射套件203没有适当地充填空气、泵120和/或静脉注射套件203中缺失的组件、泵120和/或静脉注射套件203中损坏的组件、以及泵120和/或静脉注射套件203中污染物的存在。
103.在1006，泵控制器110可以响应于机器学习模型的输出指示出在装载有静脉注射套件的泵的一个或更多个图像中存在一个或更多个不符合情况，执行校正动作。在一些示例性实施方案中，当机器学习引擎115的输出指示出在装载有静脉注射套件203的泵120的图像中存在不符合情况时，泵控制器110可以执行一个或更多个校正动作。例如，当确定出泵120中存在不符合情况时，泵控制器110可以阻止泵120执行输注。替代地和/或额外地，泵控制器110可以生成指示出例如泵120的静脉注射套件203的误装载的消息。在一些情况下，该消息可以提供用于校正误装载的指令，包括通过识别泵120的误装载的类型和位置。该消息可以通过与泵120相关的用户界面呈现。
104.执行校正动作可以包括发送用于调整装置的操作状态或功能元件的一个或更多个消息。该消息可以包括要由装置的处理器执行以显示改变的特定指令。校正动作可以包括：将值存储在存储装置的一地址中，以供要控制的装置进行随后的检索，通过至少一种有线或无线通信介质将值直接发送至要控制的装置，发送或存储针对值的参考等。例如，控制消息可以包括用于调整来自受控装置的动力源的动力水平的值。作为另一示例，控制消息可以激活或停用受控装置的结构元件，例如，本文中描述的装置的灯、音频回放、电机、锁、泵、电源、显示器或其他组件。校正动作可以包括通过调整受控装置所使用的配置值来间接控制该装置。例如，控制消息可以包括装置特性(例如，温度、速率、频率等)的阈值。阈值可以存储在存储器的地址中并由受控装置在操作期间参考。
105.图11描绘了说明符合当前主题的实施的计算系统1100的框图。参考图1a、图1b、图2a、图2b和图2c，计算系统1100可以用于实现泵控制器110和/或其中的任何组件。
106.如图11所示，计算系统1100可以包括处理器1110、存储器1120、存储装置1130和输入/输出装置1140。处理器1110、存储器1120、存储装置1130和输入/输出装置1140可以通过系统总线1150进行互连。处理器1110能够处理用于在计算系统1100内执行的指令。这样执行的指令可以由例如泵控制器110的一个或更多个组件实施。在一些示例性实施方案中，处理器1110可以是单线程处理器。替代地，处理器1110可以是多线程处理器。处理器1110能够处理存储于存储器1120和/或存储装置1130的指令以显示用于经由输入/输出装置1140提供的用户界面的图形化信息。
107.存储器1120是存储计算系统1100内的信息的诸如易失性或非易失性的计算机可读记录介质。例如，存储器1120可以存储表示配置对象数据库的数据结构。存储装置1130能够为计算系统1100提供持久存储。存储装置1130可以是软盘装置、硬盘装置、光盘装置、磁带装置、固态装置和/或任何其他合适的持久性存储装置。输入/输出装置1140为计算系统1100提供输入/输出操作。在一些示例性实施方案中，输入/输出装置1140包括键盘和/或定点装置。在各种实施方案中，输入/输出装置1140包括用于显示图形化用户界面的显示单元。
108.根据一些示例性实施方案，输入/输出装置1140可以为网络装置提供输入/输出操作。例如，输入/输出装置1140可以包括以太网端口或其他网络端口，以与一个或更多个有线和/或无线网络(例如，局域网(lan)、广域网(wan)、互联网)进行通信。
109.在一些示例性实施方案中，计算系统1100可以用于执行各种交互式计算机软件应用程序，所述交互式计算机软件应用程序可以用于组织、分析和/或存储各种格式的数据。替代地，计算系统1100可以用于执行任何类型的软件应用程序。这些应用程序可以用于执
行各种功能，例如，规划功能(例如，生成、管理、编辑电子表格文档、文字处理文档和/或任何其他对象等)、计算功能、通信功能等。所述应用程序可以包括各种附加功能或者可以是独立的计算产品和/或功能。在应用程序内激活后，所述功能可以用于生成通过输入/输出装置1140提供的用户界面。用户界面可以由计算系统1100(例如，在计算机屏幕监视器上等)生成并呈现给用户。
110.鉴于主题的上述实施方案，本技术公开了以下示例的列表，其中，单独的示例的一个特征或所述示例的多于一个的特征组合，并且任选地与一个或更多个进一步示例的一个或更多个特征组合也落入本技术的公开范围内：
111.第1项：一种系统，其包括：至少一个数据处理器；至少一个存储器，所述至少一个存储器存储有指令，当由至少一个数据处理器执行所述指令时使得进行以下操作，所述操作包括：从位于输注泵的摄像头接收装载有输注套件的输注泵的一个或更多个图像；应用经过训练的机器学习模型来检测在装载有输注套件的输注泵的一个或更多个图像中存在的一个或更多个不符合情况；以及响应于机器学习模型的输出指示出在装载有输注套件的输注泵的一个或更多个图像中存在不符合情况，执行校正动作。
112.第2项：根据第1项所述的系统，其中，所述操作进一步包括：在一个或更多个图像内识别输注泵的第一组件和输注套件的第二组件，所述机器学习模型至少基于第一组件和第二组件的相对位置来检测一个或更多个符合情况。
113.第3项：根据第2项所述的系统，其中，通过应用边缘检测技术来识别第一组件和第二组件。
114.第4项：根据第3项所述的系统，其中，所述边缘检测技术包括拉普拉斯-高斯变换和/或坎尼边缘检测。
115.第5项：根据第2项至第4项中任一项所述的系统，其中，基于布置在第一组件和第二组件的每一个上的图形特征来识别第一组件和第二组件。
116.第6项：根据第5项所述的系统，其中，所述图形特征包括图案、条形码和/或四月标签。
117.第7项：根据第2项至第6项中任一项所述的系统，其中，所述第一组件包括凹槽、薄膜密封件、门、压板、定位器特征部或管路空气检测器，并且其中，所述第二组件包括上部配件、下部配件或管道的泵送段。
118.第8项：根据第1项至第7项中任一项所述的系统，其中，所述一个或更多个不符合情况包括：所述输注套件的误装载，并且其中，输注套件的误装载包括：输注套件的上部配件、输注套件的下部配件和/或输注套件的管道的泵送段的误装载。
119.第9项：根据第1项至第8项中任一项所述的系统，其中，所述一个或更多个不符合情况包括：静脉注射套件重复使用、超过有效期、不正确的类型或假冒产品。
120.第10项：根据第1项至第9项中任一项所述的系统，其中，所述一个或更多个不符合情况包括：输注泵和/或静脉注射套件的一个或更多个组件缺失。
121.第11项：根据第1项至第10项中任一项所述的系统，其中，所述一个或更多个不符合情况包括：输注泵和/或静脉注射套件的一个或更多个组件损坏。
122.第12项：根据第1项至第11项中任一项所述的系统，其中，所述一个或更多个不符合情况包括：在输注泵和/或静脉注射套件中存在污染物。
123.第13项：根据第1项至第12项中任一项所述的系统，其中，所述机器学习模型通过至少将装载有输注套件的输注泵的一个或更多个图像与正确装载的输注套件的一个或更多个图像进行比较来检测一个或更多个不符合情况。
124.第14项：根据第1项至第13项中任一项所述的系统，其中，所述摄像头安装至输注泵的门，并且其中，所述摄像头安装在所述摄像头具有包括装载有静脉注射套件的输注泵的至少一部分的视场的位置。
125.第15项：根据第14项所述的系统，其中，所述摄像头的视场排除不适合、禁止或不必要进行监视的一个或更多个区域。
126.第16项：根据第14项至第15项中任一项所述的系统，其中，所述一个或更多个图像包括：在门处于打开位置时拍摄的第一图像和在门处于部分打开位置时拍摄的第二图像，并且其中，基于第一图像和第二图像来检测一个或更多个不符合情况。
127.第17项：根据第1项至第16项中任一项所述的系统，所述摄像头包括：可见光摄像头、红外摄像头和/或紫外摄像头。
128.第18项：根据第1项至第17项中任一项所述的系统，其中，基于在可见光、红外光或紫外光下能够检测到的图形特征来检测一个或更多个不符合情况。
129.第19项：根据第1项至第18项中任一项所述的系统，其中，所述校正动作包括：阻止输注泵执行输注。
130.第20项：根据第1项至第19项中任一项所述的系统，其中，所述校正动作包括：生成识别一个或更多个不符合情况的消息。
131.第21项：一种输注泵，其包括：凹槽、摄像头和控制器，所述凹槽具有用于容纳静脉注射套件的一个或更多个定位器特征部；所述摄像头安装至输注泵的门，所述摄像头安装在所述摄像头具有包括装载有静脉注射套件的输注泵的至少一部分的视场的位置，并且所述摄像头配置为拍摄装载有静脉注射套件的输注泵的一个或更多个图像；所述控制器包括至少一个数据处理器和至少一个存储器，所述存储器存储有指令，当由至少一个数据处理器执行所述指令时，使控制器执行以下操作，所述操作包括：应用经过训练的机器学习模型来检测在装载有输注套件的输注泵的一个或更多个图像中存在的一个或更多个不符合情况；响应于机器学习模型的输出指示出在装载有输注套件的输注泵的一个或更多个图像中存在不符合情况，执行校正动作。
132.第22项：根据第21项所述的输注泵，其中，进一步使得控制器执行以下操作，所述操作包括：在一个或更多个图像内识别输注泵的第一组件和输注套件的第二组件，所述机器学习模型至少基于第一组件和第二组件的相对位置来检测一个或更多个符合情况。
133.第23项：根据第22项所述的输注泵，其中，通过应用边缘检测技术来识别第一组件和第二组件。
134.第24项：根据第23项所述的输注泵，其中，所述边缘检测技术包括拉普拉斯-高斯变换和/或坎尼边缘检测。
135.第25项：根据第22项至第24项中任一项所述的输注泵，其中，基于布置在第一组件和第二组件的每一个上的图形特征来识别第一组件和第二组件。
136.第26项：根据第25项所述的输注泵，其中，所述图形特征包括图案、条形码和/或四月标签。
服务器关系的计算机程序产生。
151.这些计算机程序(其也可以称为程序、软件、软件应用程序、应用程序、组件或代码)包括用于可编程处理器的机器指令，并且可以由高级程序、面向对象的编程语言和/或汇编/机器语言实现。如本文中所利用的，术语“机器可读介质”指的是用于提供机器指令和/或数据至可编程处理器的任意的计算机程序产品、装置和/或设备，诸如磁盘、光盘、存储器和可编程逻辑器件(pld)，包括接收机器指令作为机器可读信号的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。机器可读介质可以非易失性地存储这种机器指令，例如，这种机器可读介质为非易失性固态存储器或者磁性硬盘或者任何等同的存储介质。机器可读介质可以替代地或者额外地以易失性的方式存储这种机器指令，例如，这种机器可读介质为处理器的高速缓冲存储器或者与一个或更多个物理处理器内核相关的其它随机存取存储器。
152.为了提供与用户的交互，在本文中描述的主题的一个或更多个方面或特征可以在具有显示装置(例如，用于向用户显示信息的阴极射线管(crt)或者液晶显示器(lcd)或者发光二极管(led)监控器)以及键盘和定点装置(例如，使得用户可以将输入提供给计算机的鼠标或者跟踪球)的计算机上实施。也可以使用其他类型的装置来提供与用户的交互。例如，提供至用户的反馈可以是任何形式的感官反馈，例如，视觉反馈、听觉反馈或触觉反馈；并且可以以任何形式接收来自用户的输入，所述形式包括声音、语音或触觉输入。其他可能的输入装置包括触摸屏或其他触摸感应装置，例如，单点或多点电阻式或电容式触摸板、语音识别硬件和软件、光学扫描仪、光学指针、数字图像拍摄装置以及相关的解释软件等。
153.在以上描述和权利要求中，诸如
“……
的至少一个”或
“……
的一个或更多个”的短语可以出现在元素或特征的连接列表之后。术语“和/或”也可以出现在两个或多个元素或特征的列表中。除非另有隐含地或者明确地与所使用的语境相矛盾的表述，否则这样的短语旨在表示任何单独的列出的元素或特征、或者与任何其他列举的元素或特征组合的任何列举的元素或特征。例如，短语“a和b的至少一个”、“a和b的一个或更多个”以及“a和/或b”分别旨在表示“单独的a、单独的b或者a和b一起”。类似的解释也意指包括三个或更多个项的列表。例如，短语“a、b和c的至少一个”、“a、b和c的一个或更多个”以及“a、b和/或c”分别旨在表示“单独的a、单独的b、单独的c、a和b一起、a和c一起、b和c一起或者a和b和c一起”。以上和在权利要求中使用的术语“基于”旨在表示“至少部分地基于”，使得未列举的特征或元件也是允许的。
154.如在本文中使用的“用户界面”(也称为交互式用户界面、图形用户界面或ui)可以指基于网络的界面，所述界面包括用于接收输入信号或者提供电子信息和/或用于响应于任何接收到的输入信号向用户提供信息的数据字段和/或其他控制元件。控制元件可以包括拨盘、按钮、图标、可选区域或通过ui呈现的其他可感知标记，当其与交互(例如，点击、触摸、选择等)时，对呈现ui的装置启动数据交换。可以利用诸如超文本标记语言(html)、flash
tm
、java
tm
、.net
tm
、c、c++、web服务或丰富站点摘要(rich site summary，rss)的技术来全部地或部分地实现ui。在一些实施方案中，ui可以包括在配置为根据所描述的一个或更多个方面进行通信(例如，发送或接收数据)的独立客户端(例如，厚客户端(thick client)、胖客户端(fat client))中。所述通信可以是去往或来自与其通信的医疗装置或服务器。
155.根据所需配置，在本文中描述的主题可以在系统、设备、方法和/或物品中体现。在上述描述中阐述的实施方案并不代表符合本文中所述的主题的所有实施方案。相反，其仅是符合与上述主题相关的方面的一些示例。尽管上述已经详细描述了一些变体，但是也可以进行其他的修改或添加。具体地，除了在本文中阐述的特征之外，还可以提供进一步的特征和/或变体。例如，上述实施方案可以指示公开的特征的各种组合和子组合和/或上述公开的若干进一步的特征的组合和子组合。此外，在所附附图中描绘的和/或在本文中描述的逻辑流程不一定需要所示的特定次序或顺序来实现期望的结果。其他的实施方案可以在所附权利要求的范围内。