CN101678803B - 用于驱动人员保护措施的方法和控制设备 - Google Patents

Abstract

本发明提出一个用于驱动人员保护措施的控制设备和方法，其中特征向量由事故传感装置的至少一个信号的至少两个特征量构成。通过内核算法依据特征向量或第一子特征向量驱动人员保护措施。通过支持向量机(SVM)对特征向量或第二子特征向量进行分类，并且通过该分类影响内核算法。

Description

用于驱动人员保护措施的方法和控制设备

技术领域

本发明涉及用于人员保护措施的驱动方法和控制设备。

背景技术

从DE 103 60 893A1中已知，人员保护措施是依据预位移与一个阈值的比较来进行驱动的。该阈值与速度降低量以及减速度有关。速度降低量和减速度二者构成一个二维特征空间，该特征空间通过阈值划分为二个区域。这两个区域表征对于人员保护措施驱动的两个重要类别，其中阈值表示最低限度。

为了使应用过程实现自动化，以及为了缩短应用时间，提出了基于自学习的方法。一个可能的实现是神经元网络，例如从WO2005/037609A1、WO2005/037610A1、WO2005/037611A1、WO2005/035319A1、EP 1133418和DE 198 54 380A1中公开的。在一个在实验室中脱机进行的训练过程中，通过自学习方法自动调整分界线，该分界线在不使用自学习方式时需要手动调整。基于人工神经元网络的算法最后在已知的特征曲线的基础上给出一个触发判决。

这样的人工神经网络的应用是非透明的。在错误分类的情况下不存在复位级。此外，在人工神经网络中需要大量的训练数据，而大量的训练数据通常是不存在的。人工神经网络的弊端在于它的高度特殊化、即所谓过适。

发明内容

与此相对，本发明的用于人员保护措施的驱动方法及控制设备优点在于，将现有技术下已知的内核算法与一个分类方法结合，如此两种方法的优点得以互相补充。当前采用支持向量机(SVM)作为分类器。SVM在实验室中训练。其提供多维分界面，例如，在触发区和非触发区之间；也可能在不同的碰撞分类之间比如ACT、ODB40kmh、ODB64kmh、56kFullFront、角度碰撞等。碰撞信号的分类是通过在实际运行中比较碰撞数据与分界线对应的支持向量而得出的。该分类对内核算法产生影响，从而优化内核算法的触发性能。

这带来一系列优点：

1.通过内核算法与分类方法的结合保持对外接口的一致性，也就是说环境参数以及传感器数据的采集，例如安全带锁以及人员保护措施的驱动，均可以按照已有的原理实现。不必改变当前的安全方案。

2.通过与内核算法的组合引入一个物理安全的复位级，适用于分类不成功的情况。

3.通过SVM找分界面对不同的碰撞种类的划分是最优的。因此针对使用低成本的硬件的情况，该分界线的鲁棒性是最好的。因此使应用例如一个更简单的、分辨率略差的传感器装置成为可能。

4.总可以找到最优的分界线或分界面，即分界函数。这就是人们常说的，总可以达到学习目标。例如在人工神经网络中则不是这种情况。在人工神经网络中用于确定分界面的优化算法可能挂起在局部最小值。分界函数的性能也可能非常差。通过支持向量优化的特性则不再有这样的问题。

5.分类是通用可移植的。这在从属权利要求中更加清楚地描述。

6.通过应用多于两个的量纲可以同时结合多个碰撞信息。因此改善了分类质量。

7.可以用客观质量量化指标评价基于学习的分类器，比如SVM。这样可以将分类器的定量性能推广到实例的性能评估中，并可以总结成数值。

8.通过应用的自动特性可以节省应用时间，因为分界函数的计算是自动实现的。

9.通过应用的自动特性可以实施多次数值实验，这对于使用者来说不可查。通过增加例如FEM仿真数据或行驶动力学仿真数据，可以将该应用从现有应用的碰撞室情景简单地扩展到实况情景。

10.支持向量机的分界函数可以代替多个附加函数。在标准应用过程中正确地选择附加函数是费时的。通过所提出的方法可以节省时间。

11.通过涉及驱动的决策算法的灵活性节省了分类计算时间，节省的时间可以用于另外的计算、例如用于合并不同的附加函数。

12.本发明方法能够降低运行时间，这同样适用于简单、低成本的硬件。

13.由于一些触发判决的到达速度较慢，采用本发明方法可以灵活地响应碰撞中的事件。

本发明的核心是通过支持向量机对特征量或子特征向量进行分类。然后通过该分类影响内核算法。该支持向量机基于统计学习方法，在下面将对其进一步详细描述。

现将驱动理解为激活人员保护措施，比如安全气囊、安全带拉紧器、翻车保护弓架或激活常备的人员保护措施、例如制动器或行驶动力学调节。

特征向量包含由一个事故传感装置的一个信号形成的至少两个特征量。例如如果信号是加速信号，可采用该加速信号本身或其一次积分或其二次积分作为特征量。然后由其构成所述向量，该向量一方面进入内核算法，另一方面进入支持向量机。在这里也可能仅有一部分特征向量进入支持向量机。其将通过子特征向量表示。这也适合于相反情况，即特征向量进入支持向量机，而仅有子特征向量进入内核算法。

事故传感装置可以是在控制设备内部和/或外部的加速度传感装置，也可以是固体声传感装置。此外事故传感装置也可以是在汽车侧面的空气压力传感装置，或一个环境传感装置。另外还包括其他专业人员通常采用的事故传感装置。信号可以是不同传感器的一个或多个测量值。

内核算法是通过分析特征向量来做出驱动判决的算法。这主要可以通过阈值判决实现。

分类即给特征向量分配一个确定的类别。该类别确定了如何影响内核算法。例如类别可以按照事故严重性，即事故对乘客作用的强度进行划分，也可以按照碰撞类型或碰撞类型与碰撞严重程度的组合进行划分。

所述影响将通过从属权利要求详细描述。其主要影响的是驱动判决，也就是说所述分类的作用在于，在一个第一种情况下给出触发判决，若所述分类没有产生所述影响则不给出所述触发判决。

现将该控制设备理解为依据传感器信号给出人员保护措施的驱动判决的设备。该控制设备具有用于分析事故传感装置信号的单元。在控制设备中也需要相应的装置来输出该控制信号。

至少存在一个借助于硬件和/或软件实现的接口。例如软件可以在控制设备中的微控制器上构成软件模块。

分析电路通常是一个微控制器，也可以是另一种类型处理器，例如微处理器或信号处理器。此外，包含分析功能的集成电路，例如ASIC，也可以用作分析电路。分析电路也可以由分立元件或上述部件的组合构成，也可能由多个处理器组成。对于独立的任务，如果分析电路采用一种如微控制器的处理器，或存在相应的硬件模块，则分析电路具有相应的软件模块。所述软件模块可以整合在一个单独的芯片上。

通过在从属权利要求中提及的措施和改进能够有益地改善在独立权利要求中给出的用于驱动人员保护措施的方法。

优点在于，内核算法通过在至少二维的特征空间中将特征向量与第一阈值进行比较，来获得驱动判决。所述内核算法的训练过程是将该带有至少两个特征量的特征向量转化到一个至少二维的特征空间中并且在该特征空间中与一个阈值进行比较，其中所述阈值也可以是一个函数。因此实现了内核算法不随时间变化，其中所述特征量可以采用例如减速度和该减速度的一次积分、即速度。也可以使用另外的量，比如预位移，即减速度的二次积分。

此外优点在于，所述分类通过依据所述分类改变第一阈值的方式对内核算法产生影响。通过所述阈值的变化，所述分类直接影响决策的获得，判断是否应当驱动人员保护措施。所述阈值的变化可以通过依据所述分类进行增量或减量或通过用第二阈值代替第一阈值的方法实现。其中所述第二阈值可以是存储数据或通过计算获得。

此外也有可能依据所述分类对内核算法的影响进行驱动判决的可信度测试(Plausibilisierung)。根据所述分类判定是否存在触发人员保护措施的情况。该结果将与内核算法的判决综合在一起，以获得可靠的整体判决。此外也可能综合其他附加函数。所述附加函数包含如其他传感器信号的处理或碰撞类型识别。

可信度测试即通过第二判决确认或撤销第一判决。以此保证总体上能够有一个可靠的判决。

此外优点在于，依据分类识别误用并且在所述内核算法中考虑该误用。误用是一种不应当导致触发人员保护措施的碰撞。如此可以防止内核算法做出触发判决。其可以依据各分类来确定。该分类也可以用作对当前误用分类的补充。在此该分类也可以辅助修改误用阈值或用于如误用可信度测试函数。

此外优点在于，依据分类识别一个非常严重的碰撞。一个非常严重的碰撞通常必须激活所有必要的正面人员保护措施，包含安全带拉紧器和第一级以及第二级安全气囊。如果所述内核算法分类为驱动并且SVM分类为一个非常严重的碰撞，则SVM分类通过驱动电路激活所有正面人员保护措施的驱动。

附图说明：

在附图中描述了本发明的实施例，下面详细阐述本发明的实施例。

附图示出：

图1具有所连接元件的本发明控制设备的框图，

图2在微控制器上的不同软件模块；

图3本发明方法的第一流程图；

图4第一信号流程图；

图5第二信号流程图；

图6第三信号流程图；

图7第四信号流程图；

图8在SVM中两个分类之间的分界线；

图9在输出空间中的分界线；

图10在像空间中的分界线；

图11用于阐述通过有针对性地同时施加输入和输出数据的训练过程的简图。

具体实施方式

本发明的核心是采用支持向量机(SVM)作特征向量的分类器。这在下面详细阐述。

下面描述对于两个类别的SVM分类原理，例如用于区分需要触发人员保护措施和无需触发人员保护措施的碰撞。原理上其可以很容易转换为多个类别的分类。

在相关文献中可以找到SVM的准确描述(例如CristianiniNello和Shawe-Yaylor、John的An introduction to support VectorMachines  and other  kernel-based learning methods或Hastie、Trevor的The elements of statistical learning)。

多类支持向量分类例如在

Bernhard等人的：

“Extracting Support Data for a given Task，Proceedings of theFirst International Conference on Knowledge Disvovery and DataMining，AAAI Press，Menlo Park，CA，1995，252-257页”中有描述。

在此仅仅定性描述原理。

线性分离

支持向量机是一个线性分离器。对此线性分界线有如下关系：

f(x)＝w·x+b    (1)

目标是在两个需分类的类别之间设置一个分界线，使得训练数据的距离达到最佳(图8)。在图8中该分界线是粗实线84。两个细分界线80、81虽然同样起分类作用，可是鲁棒性不是最佳的。仅有分界线84具有最好的鲁棒性，并且使在描述本发明优点的第三条中所述的使用更简单低成本的硬件成为可能。

求分离类别的最优直线在数学上称作“线性边界条件的二次问题”。可以通过二次编程算法有效求解线性边界条件的二次问题(“本发明优点”第三条)。(例如参见“R.Vanderbei、LOQO的：an interiorPoint Code for Quadratic Programming”)。对此最大优点在于总可以通过该算法找到最优解。不存挂起在最优化的局部最小值的危险(“本发明优点”第四条)。得到的最优化结果是如图8中所示的特性曲线。

在数学中通过所谓的“对偶形式”描述等式(1)：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i\·x_i\·x+b---\left(2\right)$

两式是等价的。其中yi是训练日期i(通常为+1或-1)的分类归属度，xi表示所谓的支持向量，x是例如在碰撞中需要分类的特征量。在图8中支持向量是处于虚线82、83上的特征量。其在一定程度上表示“最接近另外的分类”的支持向量。如果考虑等式(2)，则目前还没有探讨因数αi、所谓的拉格朗日因子。其中因数αi仅对于支持向量不为零。换句话说这意味着等式(2)只能在支持向量点进行分析。还必须清楚：在碰撞期间增加的新特征不需要再依据图8中示出的总分界线粗实线84进行分析，而只需要根据在虚直线82、83上的支持向量进行分析。通过该方法可以保持较少的支持向量数目，从而对ECU中的计算复杂性起到限制作用。

总而言之可以说：贯穿训练过程的支持向量算法始终可以找到两个类别的一个最优的，即鲁棒性最好的分界线。在训练之后，在测试时或在碰撞时产生的特征量不是根据总分界线来分析，而是仅根据(明显少得多的)支持向量来分析。

非线性分离

在实际中分类通常不能线性的分离，而只能通过非线性分界线进行分离。因此需要使用所谓的“内核技巧”。通过适当的借助于内核的变换可以将图9中的输出空间(x1、x2)，即通过图7中三个特征量(1...3)中的两个特征所描述的输出空间，转化至图10中的所谓像空间(z1、z2、z3)。以90表示在输出空间中的非线性分界线且以10表示在图10中对应的线性分界线。

特征量在像空间中可进行线性分离(参见图9和10)并且可以重新使用等式2：用于在像空间中找到最优线性分界线的算法，其始终最优收敛。内核技巧具有如下优点：不明确在像空间的变换，也就是说实际上不在像空间内进行计算。只是应用数学的“核函数”来实现像空间内的线性可分离性。与此相对，计算仍然在输出空间内进行。等式(2)对于非线性情况变为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i\·k(x_i,x)+b---\left(3\right)$

核函数k(xi，x)必须满足一些数学前提条件，这些前提条件从例如Cristianini、Nello和Shawe-Taylor、John的：“Anintroduction to support vector machines and other kernel-basedlearning methods”中获得。通常采用如下标准内核作核函数：

-径向基内核

-多项式内核

-S形内核

-...

明确指出，已描述的发明与核函数无关。

正如从等式(3)可以简单推断出的，通常非线性的核函数k(xi，x)也必须借助于支持向量计算。对于径向基内核的实例有：

$k(x_i,x)=\exp (-\frac{{\left|\right|x_i-x\left|\right|}^2}{\mathrm{\σ}})---\left(4\right)$

这意味着：特征量x的距离只能参照支持向量xi进行计算。在控制设备中e函数可以通过例如泰勒近似法确定或通过查表实现。在等式(4)中参数σ有可能影响分类器的鲁棒性并因此影响支持向量的数目。

总而言之可以说，通过应用内核技巧也可以将非线性特性曲线进行最优分离，不需要在像空间内明确执行变换。对此仅需依据支持向量分析核函数以及用于分离的公式(3)。

松弛变量

通过应用所谓的松弛变量可以进一步提高分类的鲁棒性。在一些情况下采用松弛变量可以引入对错误分类的容忍度。为此以一个系数C加权累加错误分类的特征：

$G=C\·\underset{\∀i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i---\left(5\right).$

因为这是有益的其优点在于，一个分类的错误划分可以比另一个分类的错误划分受更重的惩罚(例如容忍度在把需要触发人员保护措施分类为无需触发人员保护措施的情况下相较于其相反情况更高)，等式(5)扩展为：

$G=C_{\{+1\}}\·\underset{\∀i\∈\{+1\}}{\mathrm{\Σ}}{\mathrm{\ξ}}_i+C_{\{-1\}}\·\underset{\∀i\∈\{-1\}}{\mathrm{\Σ}}{\mathrm{\ξ}}_i$ 其中C_{-1}＞＞C_{+1}·(6)

等式(6)的结果在于，种类-1(也就是例如“无需触发人员保护措施”)的错误分类比种类+1(“需要触发人员保护措施”)的错误分类权重大的多。错误分类的容许也可影响支持向量的数目并因此间接影响计算时间。在使用松弛变量的情况下可引入关于其数据的先验数据。如果预知该数据差异非常大，则可以容忍错误分类。

训练

与所有基于学习的方法相同，支持向量机在实际控制设备使用之前也要进行训练阶段(参见图11)。这是脱机进行的。其用于确定支持向量，并将该支持向量存放在控制设备中。在训练时分别给每个分类器111成对地分配输入数据110和输出数据112。输入数据可以是图7中的三个特征量。输出数据可以是例如所希望的触发时间。必须注意，在训练时应采用均衡的碰撞设置并且考虑常用的鲁棒性原则，例如测量幅度变量和偏移变量。

在训练时确定的支持向量接下来必须存放在控制设备中。

验证

碰撞数据往往是不够的，尤其是在以前的安全气囊方案设计阶段。通过交叉验证方法可以加大训练量并且提高分类的可靠性。在交叉验证中现有的碰撞设置被划分为子集。所述子集一部分用作训练数据，另外一部分用于评价分类质量。所述方法中最著名的是留一法交叉验证，在该方法中，始终保留一组数据用于校验，而之前将其他所有数据用于训练。如果在总数据组中对这一校验数据进行排列更换，则可以获得很多分类校验结果，并且根据统计分析可以确定在“本发明优点”的第7条中描述的分类器的质量指标。此外借助于交叉验证在质量指标的基础上优化分类参数，例如等式(4)中的σ。

图1描述了具有连接元件的本发明控制设备SG框图。该控制设备SG分布在汽车FZ中，在该控制设备SG上连接了不同的元件。为了理解本发明仅仅示范性示出了不仅在控制设备外部而且也在控制设备内部也必要的元件。

在该控制设备SG上连接了不同的事故传感器比如固体声传感装置KS、加速度传感装置BS1、压力传感装置DS和环境传感装置US。另外可以附加或替代连接的传感器有：行驶动力学传感器和/或转速传感器。在汽车FZ中的不同安装位置是本领域专业人员所知晓的。固体声传感装置和加速度传感装置BS1连接在第一接口IF1上，其中接口IF1把这些信号提供给分析电路，即微控制器μC。空气压力传感装置DS和环境传感装置US连接至第二接口IF2，该接口把这些信号提供给微控制器μC。

空气压力传感装置DS安装在汽车侧面并且用作侧面碰撞感应。环境传感装置US可以包含不同的环境传感器、比如雷达、LIDAR、视频图像或超声波，以便相对碰撞对象分析汽车的周围环境。微控制器μC从在控制设备SG内部的加速度传感装置BS2获得另外的传感器信号。更多的传感器可以处在控制设备内部并且给微控制器μC输出信号。行驶动力学传感器和固体声传感装置可以视为这类传感器。

控制设备SG具有一个外壳，其可以由金属和/或塑料制造。微控制器μC本身具有内部存储器，但也可以使用处在控制设备SG中的外部存储器。借助于处在存储器中的内核算法，微控制器μC分析由事故信号特征量构成的特征向量并判断，是否应当驱动人员保护措施PS，所述人员保护措施PS是通过驱动电路FLIC驱动的。为此通过支持向量机以特征向量的分类来影响所述内核算法。这种影响可以使判决更准确并且恰当。

也可以使用多于或少于所示出的传感器。接口IF1和IF2到微控制器μC的通信可以通过例如控制设备内部总线SPI(串行外设接口总线)实现。微控制器μC和驱动电路FLIC之间的通信可以采用SPI总线。控制电路FLIC包括多个集成电路，其相当于功率开关，并且在驱动情况下使电流流过人员保护措施PS的启动或驱动元件。所述驱动电路可以具有不同表现形式，其可以由一个或多个集成电路和/或分立元件组成。

图2是对于本发明的功能必要的软件模块，其位于微控制器μC中的分析电路中。微控制器μC通常具有一个自身的存储器。但也可以有通过线路与微控制器μC连接的存储器。接口IF3用于连接加速度传感装置BS2并且提供该加速度传感装置BS2的信号。该信号一方面由特征模块M接收，所述特征模块从事故传感装置的信号中得出特征量并且由特征量构成特征向量，比如该信号是加速度信号，该模块M从中通过简单的积分确定速度之后由加速度和速度构成一个二维特征向量。

所述特征向量也可以是多维的特征向量，其维数依赖于输入特征量的个数，所述特征向量一方面进入包含支持向量机的SVM模块，另一方面进入内核算法K。特征模块M可能仅给SVM模块提供一个子向量，因为仅有一部分特征需要分类。对于内核算法也是如此。该SVM模块采用支持向量机机对特征向量分类。该分类结果也同样被提供给内核算法K。所述分类结果也可能被提供给另外在此未示出的模块。例如分类结果可以用于判断由其他子算法获得的触发判决的可信性。也可以考虑将分类结果用于控制其他算法的消除。例如可以考虑有针对性地接通或断开功能性。内核算法仅通过该分类结果影响特征模块的分析，是否应当驱动人员保护措施PS。如果做出应当驱动人员保护措施的判决，则激活模块A来进行驱动，通过微控制器μC的硬件产生一个驱动信号并传输给驱动电路FLIC。该传输在其通过SPI总线实现时是特别安全的。

图3是本发明方法的第一流程图。在方法步骤300中提供事故传感装置、环境传感装置和/或行驶动力学传感装置的信号。更确切地说是通过接口IF1、IF以及IF3提供所述信号。然后方法步骤301由所述信号按照上面描述的方式构成特征向量。该特征向量完全进入内核算法303并且完全或部分进入支持向量机302。支持向量机将特征向量或子特征向量分类，并且把分类结果传输给内核算法303。内核算法303依据特征向量和分类结果作出人员保护措施PS的驱动的判决。然后在方法步骤304中实现驱动。

图4是又一个信号流程图。在方框400中提供特征向量，并将其且提供给内核算法401使用，其由加速度或者减速度A和速度DV中建立一个二维判决空间，其中A标注在横坐标上，DV标注在纵坐标上。阈值408使触发情况403和非触发情况402分离。将特征向量标识在该判决空间内并检查，所诉特征向量是否超过阈值408或低于阈值408。然后根据情况实现驱动任务，更确切地说在方框406上实现驱动任务。与此并行的是特征向量400被提供给方框404中的支持向量机SVM，在方框404中支持向量机进行分类。该分类影响例如阈值408。在方框405中可以依据分类来进行可信度测试，也就是说会检查该分类是否表明存在触发情况。可信度测试的结果和内核算法401的结果在方框406中结合。如果这种结合表明一个驱动情况，则在后续方框407中实现驱动。

图5是又一个信号流程图。图中仅示出一部分。支持向量机500将其分类提供给一个检索算法501，其在查询表中检索并加载与分类相关的阈值，然后提供给内核算法502。

图6是信号流程图的另一部分。支持向量机再次对特征向量分类。这在方框601中导致阈值的增减，所述阈值供给内核算法602，如此在所述阈值603中引入了增量604。

图7指出了本发明方法的信号流程图。从事故传感装置的信号中产生的特征量M1-3被供给支持向量机70，用于对由特征量M1-3构成的特征向量进行分类。内核算法做出驱动判决的依据是如下全部特征量：特征量M1-3或特征量M1-3的子集和可能的其他由不同传感器供给内核算法71的特征量。驱动判决也受支持向量机70的分类的影响。例如通过依据分类改变阈值引入这种影响。对此各分类可能导致一个预定的增量或减量或对于各分类加载各自阈值。

自身的可信度测试判决也可以附加或代替地从分类中得出，之后将所述可信度测试的结果和内核算法的判决彼此结合，以便最后做出驱动判决。

Claims (9)

1.用于驱动人员保护措施(PS)的方法，其中特征向量(M)由事故传感装置(BS1、BS2、DS、U)的至少一个信号的至少两个特征量构成，其中内核算法(K)依据所述特征向量(M)或所述特征向量(M)的一个第一子特征向量来驱动人员保护措施(PS)，其特征在于，通过支持向量机(SVM)对所述特征向量(M)或所述特征向量(M)的一个第二子特征向量进行分类，并且通过该分类影响所述内核算法(K)。

2.按照权利要求1所述的方法，其特征在于，所述内核算法(K)在一个至少二维的特征空间内通过比较第一阈值与所述特征向量(M)或所述第一子特征向量对所述驱动给出判决。

3.按照权利要求2所述的方法，其特征在于，所述分类通过依据所述分类所改变的所述第一阈值影响所述内核算法(K)。

4.按照权利要求3所述的方法，其特征在于，通过增量或减量或通过用第二阈值代替所述第一阈值来改变所述第一阈值。

5.按照上述权利要求中任一项所述的方法，其特征在于，依据所述分类进行驱动的可信度测试，所述内核算法(K)在驱动时考虑该可信度测试。

6.按照上述权利要求1至4中任一项所述的方法，其特征在于，依据所述分类识别误用，并且所述内核算法(K)在所述驱动时考虑该误用。

7.按照上述权利要求1至4中任一项所述的方法，其特征在于，依据所述分类识别一种非常严重的碰撞。

8.按照权利要求7所述的方法，其特征在于，所述支持向量机(SVM)允许错误分类，不同类别的所述错误分类有不同的权重。

9.用于驱动人员保护措施的控制设备(SG)：

-至少一个接口(IF1、IF2、IF3)，其提供至少一个事故传感装置的一个信号；

-一个分析电路(μC)，其以至少一个信号的至少两个特征量形成一个特征向量，其中该分析电路(μC)具有一个内核算法(K)，其依据所述特征向量(M)或所述特征向量(M)的一个第一子特征向量驱动人员保护措施(PS)，其特征在于，所述分析电路(μC)具有一个支持向量机(SVM)，其对所述特征向量(M)或所述特征向量(M)的一个第二子特征向量进行分类，并且依据该分类影响所述内核算法(K)。

Images