CN109313700A - 跟踪数据的自适应信号检测与合成 - Google Patents

跟踪数据的自适应信号检测与合成 Download PDF

Info

Publication number
CN109313700A
CN109313700A CN201780034281.4A CN201780034281A CN109313700A CN 109313700 A CN109313700 A CN 109313700A CN 201780034281 A CN201780034281 A CN 201780034281A CN 109313700 A CN109313700 A CN 109313700A
Authority
CN
China
Prior art keywords
signal
tracking
signal component
data
component collection
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.)
Withdrawn
Application number
CN201780034281.4A
Other languages
English (en)
Inventor
P·G·汉弗莱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Li Cor Inc
Original Assignee
Li Cor Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Li Cor Inc filed Critical Li Cor Inc
Publication of CN109313700A publication Critical patent/CN109313700A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Complex Calculations (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

用于在存在噪声的情况下检测、解耦和量化跟踪信号数据中的未解析信号的系统和方法，其中没有未解析信号的信号特征(例如，信号峰值位置、强度和宽度)的先验知识。该系统和方法用于分析具有一个或多个重叠组成信号的任何跟踪数据信号，并且对于分析数据信号特别有用，其通常包含具有不同信号特征(例如峰值位置、峰值强度和峰值宽度)以及不同分辨率的未知数量的组成信号。假设跟踪信号数据中的每个未知的组成信号具有通用信号模型函数。在第一阶段中，通过从初始试验信号集开始迭代地执行多个同时评估，以并行方式自动确定组成信号的数量和信号特征。同时进行评估并系统地减少试验信号的数量允许以非常快速和有效的方式收敛到最佳的最终信号集。

Description

跟踪数据的自适应信号检测与合成
背景技术
本公开涉及计算领域，并且具体地涉及用于分析和/或过滤跟踪数据或图像数据的任何数据流，以确定组成信号并显示数据流的组成信号的方法和装置。数据流的示例包括具有表示静止图像、视频和其他一维、二维、三维、四维和更高维数据集的数据的数据流。
发明内容
本公开提供了用于在存在噪声的情况下检测、去耦和量化跟踪信号数据中的未解析信号的系统和方法，其中除了信号的一般预期形状(例如，广义信号模型函数，如高斯或偏斜高斯)之外没有关于未解析信号的信号特征(例如，信号峰值位置、强度和宽度)的先验知识。该系统和方法可用于分析具有一个或多个重叠组成信号的任何跟踪数据信号，并且特别适用于分析电泳数据信号、色谱数据信号、光谱数据信号以及相似的数据信号，其通常包含具有不同信号特征(例如，峰值位置、峰值强度和峰值宽度)以及不同分辨率的未知数量的组成信号。
根据实施例，提供了一种处理器实现的方法，用于处理跟踪信号，以确定跟踪信号的两个或多个重叠信号分量。该方法通常包括接收跟踪信号数据，跟踪信号数据包括N多个数据点并且表示在定义跟踪数据的带宽内重叠的至少M个信号，其中M是大于1的整数，并且将初始信号分量集定义为数据点的数量N，其中，初始信号分量集的每个信号分量的初始信号位置对应于N个数据点的带宽内的位置。该方法通常还包括a)同时对初始信号分量集中的每个信号分量执行数值方法信号提取计算，b)基于提取计算，确定初始信号分量集的每个信号分量的信号幅度值，c)基于提取计算，从初始信号分量集中去除或衰减已确定具有负信号幅度值的每个信号分量，以产生经调整的信号分量集，以及d)使用调整后的信号分量集作为初始信号分量集，通过迭代地重复步骤a)-c)确定最终信号分量集，直到没有信号分量具有基于提取计算的负幅度值。该方法通常还包括基于最终信号分量集输出重叠信号分量的信号位置和信号强度。输出信号位置和强度可以显示在显示器上和/或进一步处理以确定附加信息。
在某些方面，基于最终信号分量集输出重叠信号分量的信号位置和信号强度包括识别最终信号分量集中的两个或多个幅度组，每个幅度组包括对应于一个或多个连续位置的信号分量，每个连续位置具有非零的正幅度值，通过计算相应幅度组的形心来确定每个重叠信号的信号位置，通过对相应幅度组内的信号分量的幅度值求和，确定每个重叠信号的信号强度。
根据实施例，提供了一种处理器实现的处理跟踪信号以确定跟踪信号的一个或多个未知信号分量的方法。该方法通常包括接收跟踪信号数据，跟踪信号数据包括N多个数据点并且表示在定义跟踪数据的带宽内的至少M个信号，其中M是大于或等于1的整数，并且将初始信号分量集定义为数据点的数量N，其中，初始信号分量集的每个信号分量的初始信号位置对应于N个数据点的带宽内的位置。该方法通常还包括a)同时对初始信号分量集中的每个信号分量执行数值方法信号提取计算，b)基于提取计算，确定初始信号分量集的每个信号分量的信号幅度值，c)基于提取计算，从初始信号分量集中去除或衰减已确定具有负信号幅度值的每个信号分量，以产生经调整的信号分量集，以及d)使用经调整的信号分量集作为初始信号分量组集，通过迭代地重复步骤a)-c)确定最终信号分量集，直到没有信号分量具有基于提取计算的负幅度值。该方法通常还包括基于最终信号分量集输出跟踪信号的一个或多个信号分量的信号位置和信号强度。输出信号位置和强度可以显示在显示器上和/或进一步处理以确定附加信息。
在某些方面，基于最终信号分量集输出跟踪信号的一个或多个信号分量的信号位置和信号强度包括识别最终信号分量集中的一个或多个幅度组，每个幅度组包括对应于一个或多个连续位置的信号分量，每个连续位置具有非零的正幅度值，通过计算相应幅度组的形心，确定跟踪信号的一个或多个信号分量中的每一个的信号位置，通过对相应幅度组内的信号分量的幅度值求和，确定跟踪信号的一个或多个信号分量中的每一个的信号强度。
在某些方面，当执行数值方法信号提取计算时，假设跟踪数据中的所有信号分量具有相同的曲线分布类型，其中曲线分布类型选自高斯分布、双高斯分布、指数修正的高斯分布、Haarhoff-van der Linde分布、洛伦兹分布或Voigt分布。在某些方面，数值方法提取计算包括共轭梯度法、广义最小残差法、牛顿法、Broyden法或高斯消元法。在某些方面，使用矩阵公式来执行数值方法信号提取计算，其中确定信号幅度值包括识别具有负幅度的幅度矩阵的指数，并且其中移除或衰减包括更新加权矩阵，使得加权矩阵中相应的识别指数的权重值各自乘以衰减因子，其中衰减因子小于1且大于或等于零。
根据另一实施例，存储代码的计算机可读介质，当该代码由一个或多个处理器执行时，使得一个或多个处理器实现处理跟踪信号以确定跟踪信号的一个或多个未知信号分量的方法，该代码包括执行如上所述以及下文的各种步骤的指令。
根据又一实施例，提供一种处理器件，其处理跟踪信号以确定跟踪信号的一个或多个未知信号分量。该器件通常包括处理器和存储可由处理器执行的代码的存储器，其中代码包括指令，当由处理器执行时，指令使处理器接收跟踪信号数据，跟踪信号数据包括N多个数据点并且表示在定义跟踪数据的带宽内重叠的至少M个信号，其中M是大于或等于1的整数，并且指令将初始信号分量集定义为数据点的数量N，其中，初始信号分量集的每个信号分量的初始信号位置对应于N个数据点的带宽内的位置。该代码通常还包括指令，当由处理器执行时，该指令使处理器a)同时对初始信号分量集中的每个信号分量执行数值方法信号提取计算，b)基于提取计算，确定初始信号分量集的每个信号分量的信号幅度值，c)基于提取计算，从初始信号分量集中去除或衰减已确定具有负信号幅度值的每个信号分量，以产生经调整的信号分量集，并且使用经调整的信号分量集作为初始信号分量集，通过迭代地重复a)-c)确定最终信号分量集，直到没有信号分量具有基于提取计算的负幅度值。该代码通常还包括指令，当由处理器执行时，该指令使处理器基于最终信号分量集输出跟踪信号的一个或多个信号分量的信号位置和信号强度。
参考说明书的其余部分，包括附图和权利要求，将实现本发明的其他特征和优点。下面参照附图详细描述本发明的其他特征和优点，以及本发明各种实施例的结构和操作。在附图中，相同的附图标记表示相同或功能相似的元件。
附图说明
参考附图描述了详细描述。在说明书和附图中的不同实例中使用相同的附图标记可以指示相似或相同的项目。
图1是实施例的用于确定跟踪信号数据中的组成信号的示例系统的框图。
图2是实施例的确定跟踪信号数据中存在的组成信号的数量、位置和强度(即，幅度)的方法(阶段I)的流程图。
图3示出了实施例的利用复合信号(MEK1和MEK2的组合)显示的MEK 1/2的电泳图跟踪数据的两个已确定的组成信号MEK 1和MEK 2的示例视觉表示。
图4示出了实施例的利用复合信号和跟踪数据信号显示的两个组成信号MEK 1和MEK 2的视觉表示。
图5示出了实施例的利用复合信号(ERK1和ERK2的组合)显示的ERK 1/2的电泳图跟踪数据的两个已确定的组成信号ERK 1和ERK2的示例视觉表示。
图6示出了利用复合信号和跟踪数据信号显示的两个组成信号ERK 1和ERK 2的视觉表示。
图7是实施例的信号检测和合成方法(阶段I)的矩阵公式的流程图。
图8示出了根据图7的方法处理没有噪声的跟踪信号的示例：图8A示出了原始跟踪信号数据；图8B示出了在两次处理迭代之后减少的试验信号集；图8C示出了在八次处理迭代之后的减少的试验信号集；图8D示出了在N次处理迭代之后的减少的试验信号集；图8E示出了三个组成信号及其确定的特征的视觉表示，以及三个组成信号之和的可视化，其与图8A中所示的原始跟踪信号数据匹配。
图9示出了根据图7的方法处理具有噪声的跟踪信号的示例：图9A示出了原始跟踪信号数据；图9B示出了在两次处理迭代之后减少的试验信号集；图9C示出了在八次处理迭代之后的减少的试验信号集；图9D示出了在N次处理迭代之后的减少的试验信号集；图9E示出了三个组成信号及其确定的特征的视觉表示，以及三个组成信号之和的可视化，其基本上匹配图9A中所示的原始跟踪信号数据。
图10是实施例的信号宽度(sigma)确定方法(阶段II)的矩阵公式的流程图。
图11示出了没有噪声的跟踪信号数据的示例性阶段II结果，其中真实信号宽度(sigma)是10：图11A示出了测试sigma的结果为6，拟合误差为0；图11B示出了测试sigma的结果为10，拟合误差为0；图11C示出了测试sigma的结果为14，拟合误差为5.04。
图12示出了拟合误差(或PEk)对测试sigma的图。
图13示出了峰值计数比(或PCk)对测试sigma的图。
图14示出了计算的sigma拟合因子(或SFk)对测试sigma的图。
图15示出了在存在噪声的情况下跟踪信号数据的示例性阶段II结果，其中真实信号宽度(sigma)是10：图15A示出了测试sigma的结果为6，拟合误差为6.23；图15B示出了10的测试sigma的结果为10，拟合误差为6.31；图15C示出了测试sigma的结果为14，拟合误差为8.44。
图16示出了拟合误差(或PEk)对测试sigma的图。
图17示出了峰值计数比(或PCk)对测试sigma的图。
图18示出了计算的sigma拟合因子(或SFk)对测试sigma的图。
图19是实施例的用于计算系统或器件的示例功能部件的框图，该计算系统或器件配置为执行本文描述的一种或多种分析技术。
具体实施方式
根据各种实施例，用于检测、解耦和量化跟踪信号数据中的未解析的组成信号的技术是自动的，并且不需要手动用户输入或配置。例如，该技术不需要信号的数量或信号的特征的先验知识，无论是否重叠，而是从头独立地确定未知组成信号的基础数据特征。
该方法用于分析具有一个或多个组成信号的任意数据信号，特别是用于分析电泳数据信号、色谱数据信号、光谱数据信号以及相似的信号，其通常包含具有不同信号特征(例如，峰值位置、峰值强度和峰值宽度)以及不同分辨率、通常在频率上重叠的未知数量的组成信号。作为一个特定实例，将本发明实施例的技术应用于蛋白质印迹分析数据，能够通过提供改进的定量、通量、含量和再现性来增强蛋白质表达的测量。
假设一般信号模型函数(例如，高斯、洛伦兹、Voigt等)用于跟踪信号数据中的每个未知的组成信号。在第一阶段中，通过从初始试验信号集开始迭代地执行多个同时评估，以并行方式自动确定组成信号的数量和信号特征。例如，可能信号的初始试验集可以包括跟踪数据中的所有数据点或所有数据点的子集。在第一次迭代期间，同时评估试验信号集(峰值位置、强度、宽度)中的每个试验信号，并且该集系统地减少到减少的信号集。在此后的每次迭代期间，同时评估减少的信号集(峰值位置、强度、宽度)中的每个信号，并且系统地减少该集。同时进行评估并系统地减少试验信号的数量实现了以非常快速和有效的方式收敛到最佳的最终信号集。在某些方面，假设初始试验信号具有指定的宽度，并且在本公开的方法的第二阶段中，宽度确定过程确定跟踪信号数据中所确定的组成信号的最佳宽度。系统信号降低方法和信号宽度确定有利地抵抗数据的过度拟合。
图1是实施例的用于确定跟踪信号数据中的组成信号的示例系统的框图。如图所示，接收跟踪信号数据102。跟踪信号数据102可以从任何数据生成设备输入或接收，并且通常包括表示一个或多个重叠信号的数据。数据生成设备的示例包括光谱成像设备(例如，用于分析痕量气体)或色谱(液体或气体)成像设备或电泳成像设备或产生包括多个重叠(频率)数据信号的跟踪信号数据的其他设备。通常，本发明的实施例可用于确定和分离以信号为特征或体现为信号的特性。示例可以包括表示汽车或行人交通流量或交通流率的信号。
跟踪信号数据102由信号检测和表征引擎104接收。如本文更详细描述的，信号检测和表征引擎104分析跟踪信号数据102，以确定和量化跟踪信号数据中存在的组成信号。诸如存在的组成信号的数量和(诸如峰值位置、峰值幅度或强度的)信号特性以及峰值宽度的确定信息提供给跟踪数据合成引擎106。跟踪数据合成引擎106处理信号特征以提供输出，例如提供表征组成信号和/或渲染表示跟踪数据信号及其组成信号的视觉表示的输出图像108的数据。如图1所示，例如跟踪信号数据102由信号检测和表征引擎104确定为具有三(3)个组成信号，跟踪数据合成引擎106渲染显示三个组成信号和复合信号的显示，其表示跟踪信号数据102的信号内容。例如，三种组成信号可以代表电泳跟踪数据、色谱跟踪数据或光谱跟踪数据中的组成复合物。根据各种实施例，信号检测和表征引擎104和/或跟踪数据合成引擎106中的每一个可以用硬件、软件和/或硬件和软件的组合来实现。此外，信号检测和表征引擎104和跟踪数据合成引擎106可以在相同的处理器件中或在不同的处理器件中实现。
图2是实施例的确定跟踪信号数据中存在的组成信号的数量、位置和强度(即，幅度)的方法200(阶段I)的流程图。对于指定的信号宽度(或测试sigma(σ))，每个跟踪数据的未知组成信号假设具有相同的信号分布(例如，高斯、洛伦兹等)。例如，可以基于产生跟踪信号数据的设备或系统的特征、或者由用户设置(例如，通过输入信号分布类型或从可能的信号分布类型列表中选择)的特征，自动确定最佳信号分布和测试宽度(例如，测试sigma)，。有利地，本实施例不需要跟踪信号数据中的实际组成信号的数量或组成信号的特征的先验知识。
方法200开始于步骤210，信号检测和表征引擎104接收或获取要处理的跟踪信号数据102。跟踪信号数据102通常包括N多个数据点，并且表示由跟踪数据定义的带宽内的至少M个(未知的、组成的)信号分量，其中M是大于或等于1的整数。在步骤220，基于跟踪信号数据自动定义初始信号分量集(可能的组成信号)。例如，有待处理的初始信号分量集M定义为原始数据跟踪中的跟踪数据点的数量N，其中，初始信号分量集的每个信号分量的初始信号(峰值)位置对应于跟踪信号数据的N个数据点的位置。例如，初始试验信号峰值位置设置为等于输入数据点位置。
接下来，同时计算所有位置的信号幅度值，以最佳地匹配跟踪信号数据。具有无效(例如，负)幅度的信号去加重或衰减，以产生调整后的信号集。例如，在步骤230中，对初始信号分量集中的每个信号分量同时执行数值方法信号提取计算，并且在步骤240，基于提取计算，为初始信号分量集的每个信号分量确定信号幅度值。数值方法提取计算可以包括共轭梯度方法、广义最小残差方法、牛顿方法、Broyden方法、高斯消元法或类似方法，这对本领域技术人员来说是显而易见的。而且，如上所述，当执行数值方法信号提取计算时，假设跟踪数据中的所有信号分量具有相同的曲线分布类型。曲线分布类型的示例包括高斯分布、双高斯分布、指数修正的高斯分布、Haarhoff-van der Linde分布、洛伦兹分布和Voigt分布。
在步骤250中，确定为具有基于提取计算的负信号幅度值的每个信号分量去加重(例如，衰减或去除)以产生经调整的信号分量集。然后该方法用经调整的信号集重新计算信号幅度值。该方法继续系统地调整(去加重)信号，直到不存在负信号幅度，从而产生具有与输入跟踪的信号内容匹配的正幅度的最终信号分量集(数量、位置和幅度)。例如，在步骤260中，通过在每次迭代时使用来自先前迭代的、经调整的信号分量集作为初始信号分量集，迭代地重复步骤230、240和250来确定最终信号分量集，直到没有信号分量具有基于步骤230的提取计算的负幅度值。在步骤270中，输出关于最终信号集的信息。例如，跟踪数据合成引擎106可以基于最终信号分量集输出跟踪信号的一个或多个(先前未知的)信号分量的信号峰值位置和信号峰值强度，和/或跟踪数据合成引擎106可以渲染重叠信号分量的视觉表示和/或表示信号分量的组合的复合信号，其具有或不具有原始跟踪信号数据的视觉表示。
在一个实施例中，基于最终信号分量集输出跟踪信号数据的一个或多个(先前未知的)信号分量的信号位置和信号强度包括识别最终信号分量集中的一个或多个幅度组，其中每个幅度组表示跟踪信号数据的组成(先前未知或未解析的)信号分量。在一个实施例中，每个幅度组定义为包括对应于一个或多个连续位置的最终信号分量，每个连续位置具有非零的正幅度值。对于所识别的每个幅度组，并且因此对于跟踪信号数据的每个组成信号，通过计算相应幅度组的形心来确定信号峰值位置。类似地，对于所识别的每个幅度组，并且因此对于跟踪信号数据的每个组成信号，通过对相应幅度组内的最终信号分量的幅度值求和来确定信号强度。
图3-6示出了接收的跟踪信号数据的示例，其表示MEK 1/2(丝裂原活化蛋白激酶)的电泳图数据和ERK 1/2(细胞外信号调节激酶)的电泳图数据以及根据图2的方法确定的组成信号的视觉表示。图3示出了由信号检测和表征引擎104接收和处理的MEK 1/2的电泳图跟踪数据302的示例以及利用复合信号(MEK 1和MEK 2的组合)显示的两个确定的组成信号MEK 1和MEK 2的视觉表示。图4示出了利用复合信号和跟踪信号数据302显示的两个组成信号MEK 1和MEK 2的视觉表示。如图所示，复合信号基本上与跟踪数据信号302匹配，表明该方法在存在噪声时精确检测和表征分辨率低的信号的鲁棒性。图5示出了由信号检测和表征引擎104接收和处理的ERK 1/2的电泳图跟踪数据502的示例以及利用复合信号(ERK 1和ERK 2的组合)显示的两个确定的组成信号ERK 1和ERK 2的视觉表示。图6示出了利用复合信号和跟踪数据信号502显示的两个组成信号ERK 1和ERK 2的视觉表示。如图所示，复合信号基本上与跟踪数据信号502匹配，表明该方法在存在噪声时精确检测和表征分辨率低的信号的鲁棒性。
现在将参考图7描述用于确定跟踪信号数据的一个或多个未知信号分量、以矩阵公式实现的阶段I的方法的具体示例。图7是实施例的信号检测和合成方法700的矩阵公式的流程图。在图7所示的实施例中，假设接收的跟踪信号数据的组成信号具有高斯分布和指定的宽度(测试sigma)，并且方法700确定跟踪信号数据的组成信号的特征(例如，信号的数量、峰值的位置和峰值的幅度)。
在步骤710中，接收跟踪信号数据。跟踪信号数据包括由x和y坐标定义的N多个数据点(即，跟踪信号数据的带宽由x维度或范围定义，其可以例如是用于光谱衍生数据的频率，并且幅度由y维度定义)。图8A示出了在二维x-y图中显示的跟踪信号数据的视觉表示。如图8A的示例中所示，跟踪信号数据具有140(x＝1到x＝140)的范围，并且为了描述的目的，将假设包括140(N)个数据点。示例性高斯模型可以指定为：
高斯模型：G(i，j)＝aiE(i，j) (1)
其中，xj＝跟踪数据点位置
yj＝跟踪数据点强度值
μi＝信号峰值(平均)位置
σ＝信号宽度(sigma)
ai＝信号峰值幅度
i＝1至M(组成信号的数量)，其中M≥1
j＝1至N(数据点的数量)
在步骤720中，初始尝试信号的数量设置为等于图8的示例中的数据点的数量(M＝N)或140个数据点。在步骤722中，将初始试验信号峰值位置(μi)设置为等于输入数据点位置(xj)：(μi＝xj)，并且在一个实施例中建立或创建矩阵定义如下：
建立误差平方等于：
以及执行最小二乘(或其他回归拟合分析)过程，其包括相对于每个幅度(ai)区分误差平方(等式(3))并将其设置为等于零。
将等式(4)重写为：
在步骤724中，矩阵a、C和b初始化如下：
因此，等式(5)可以重写为：Ca＝b (9)
在步骤726中，定义加权矩阵w并将其初始化为：
加权矩阵w有利地允许选择性地和迭代地加权每个信号的重要性。每个加权w具有介于0和1之间的值，包括端值，其中权重0表示完全移除，权重1表示不减少或不加重。在某些方面，权重可以随着每次迭代而变化，并且权重可以在所有指数上一致地变化(所有权重改变相同的量)或在所有指数上不同地变化(例如，一次或多次特定权重可以在每次迭代时改变不同的值)。在第一次迭代中，权重应该都设置为1(但它们不必是)。
在步骤730中，信号提取矩阵(H)通过以下定义来计算：
H＝Iw (11)
I＝M乘M单位矩阵
并用信号提取矩阵更新等式(9)如下：
[HCH]a＝Hb (12)
在步骤740中，利用诸如共轭梯度处理或其他有用方法的数值方法在等式(12)中求解幅度(ai)。其他有用的数值方法包括广义最小残差方法、牛顿方法、Broyden方法、高斯消元法等。在判定步骤744，如果任何确定的幅度是负的，则在步骤746建立或识别对应于负幅度的幅度指数。在步骤750中，将具有相应指数(负幅度)的权重值(wi)乘以衰减因子(0≤attenFactor＜1)。然后在步骤730中用更新的加权矩阵(w)重新计算信号提取矩阵(H)。然后在步骤740中利用具有更新的矩阵的等式(12)重新计算幅度。如果任何重新计算的幅度是负的，则重复该过程(更新(w)和(H)矩阵并重新计算幅度)，直到计算出的每个幅度都大于或等于零。以这种方式，潜在(试验)信号(N)的初始数量已系统地减少到最终数量的潜在信号，例如，非零和正的幅度(ai)的数量。如果在判定步骤744，所有剩余幅度值都是非负的(大于或等于零)，则该方法前进到步骤770，其中处理或输出关于最终信号的相关信息。例如，可以在步骤770输出组成信号的数量、峰值位置和/或组成信号的幅度或强度。
在一个实施例中，例如，通过检测幅度组来确定最终的组成信号，其中组定义为一个或多个连续(无间隙)非零正幅度(ai)。在一个实施例中，组成信号的信号位置是每个幅度组的计算的形心，并且每个组成信号的强度等于每个相应幅度组内的幅度的总和。
图8和9示出了实施例的方法700处理跟踪信号的示例。在图8中，跟踪信号数据不包括噪声，而在图9中，跟踪信号数据是有噪声/包括噪声。
图8A示出了包括140个数据点的原始跟踪信号数据。图8B示出了在过程700的两次处理迭代(具体地，步骤730至750)之后的减少的试验信号集。图8C示出了在过程700的八次处理迭代之后的减少的试验信号集。从图8C中可以看出，信号开始收敛到三组。在下一次迭代时，在步骤750中去加重图8C中所示的负幅度值。图8D示出了在过程700的N(不是跟踪数据点的数量N，而是通用值N，在这种情况下可能是11或12)次处理迭代之后的减少的试验信号集。从图8D中可以看出，出现了三个幅度组，其中可以处理这三个幅度组，以确定三个组成信号的特征。图8E示出了三个组成信号及其确定的特征(即，峰值位置、峰值强度和宽度(在这种情况下是指定的测试sigma))的视觉表示，以及三个组成信号之和的可视化，其匹配图8A中所示的原始跟踪信号数据。
图9A示出了包括140个数据点的原始跟踪信号数据。图9A中的跟踪信号数据类似于图8A的跟踪信号数据，但包括噪声。图9B示出了在过程700的两次处理迭代(具体地，步骤730至750)之后的减少的试验信号集。图9C示出了在过程700的八次处理迭代之后的减少的试验信号集。从图9C中可以看出，信号开始收敛到三组。在下一次迭代时，在步骤750中去加重图9C中所示的负幅度值。图9D示出了在过程700的N(不是跟踪数据点的数量N，而是通用值N，在这种情况下可能是11或12)次处理迭代之后的减少的试验信号集。从图9D中可以看出，出现了三个幅度组，其中可以处理这三个幅度组，以确定三个组成信号的特征。图9E示出了三个组成信号及其确定的特征(即，峰值位置、峰值强度和宽度(在这种情况下为指定的测试sigma))的视觉表示，以及三个组成信号之和的可视化，其基本上匹配图9A中所示的原始跟踪信号数据，但没有有效滤除的噪声。
在一些实例中，希望确定在阶段I中确定的组成信号的最佳宽度。该方法的阶段II与阶段I一起确定最佳信号宽度(sigma)以及输入跟踪数据中包含的每个信号(假设为高斯)相关的信号数量、位置和幅度。在一个实施例中，在阶段I(方法700)中单独处理试验(测试)信号宽度集，并且将它们一起评估为集合，以确定最佳信号sigma(以及相关的信号数量、位置和幅度)。例如，在一个实施例中，定义多个测试信号宽度值，并且对于多个测试信号宽度值中的每一个重复阶段I过程700，并且一起评估每个阶段I输出的结果，以确定跟踪信号的一个或多个信号分量中的每一个的最佳信号宽度。可以基于生成跟踪信号数据的设备或系统的特征、或者由用户设置(例如，通过输入特定的测试sigma值或一系列值，或从可能的值列表或一系列值中选择)的特征，自动定义测试信号宽度值。
现在将参考图10描述用于确定跟踪信号数据的一个或多个未知信号分量的、以矩阵公式实现的阶段II的方法的具体示例。图10是实施例的信号宽度(sigma)确定方法1000的矩阵公式的流程图。在方法1000中，更新图7中所示的示例性高斯模型，以包括如下的多个信号宽度：
高斯模型：G(i，j，k)＝A(i，k)E(i，j，k) (13)
其中，xj＝跟踪数据点位置
yj＝跟踪数据点强度值
μi＝信号峰值(平均)位置
A(i，k)＝信号峰值幅度矩阵
σk＝信号测试宽度(sigma)
i＝1至M(信号的数量)
j＝1至N(数据点的数量)
k＝1至P(测试信号宽度(sigma)的数量)
在步骤1010中，接收跟踪信号数据并接收多个(例如，两个或多个)测试信号宽度。测试信号宽度(测试sigma(σk))可以从用户输入接收，或者可以由系统自动生成。在步骤1020中，对每个测试sigma(σk)执行阶段I方法700，得到每个数据点位置(xj)和sigma(σk)的幅度集。在阶段I方法700中，初始峰值的数量(M)等于数据点的数量(N)，并且初始信号峰值位置(μi)设置为等于跟踪数据点位置(xj)。
在步骤1030中，将来自多阶段I分析的幅度输出(A(i，k))(步骤1020)合成为一组拟合迹线。在一个实施例中，拟合迹线如下合成：
在步骤1040中，选择沿着跟踪数据位置轴(xj)的区域(r)，其中存在活动(例如，幅度＞0)并且其中信号宽度认为是稳定的(例如，变化不超过定义的阈值百分比)。对于此示例，该区域将定义为与跟踪数据位置(rj＝xj)等效。
在步骤1050中，确定跟踪拟合质量指标。例如，在一个实施例中，如下计算每个测试sigma(σk)的跟踪百分比拟合误差：
当(PEk＝0)时，发生完美匹配，以及如下计算每个测试sigma(σk)的跟踪拟合峰值计数比：
在步骤1060中，例如通过对等式(16)和(17)进行归一化并相应地对它们求和来计算最佳sigma拟合因子：
找到SFk的最小值可以指示该跟踪数据区域的最佳信号宽度(sigma)。如果尚未处理其他数据区域，则该方法前进到步骤1040以用于附加数据区域。
在步骤1070中，输出检测到的信号特征(例如，来自阶段I的峰值位置和强度以及来自阶段II的峰值宽度)。可以在已经处理了每个数据区域(r)之后或者在已经处理了所有数据区域之后执行步骤1070。已经建立了信号的数量(强度大于零的连续幅度组)、位置(每个幅度组的形心位置)和强度(幅度组和)。然后可以合成这些确定的信号特征，以描述输入跟踪信号数据的信号内容。
图11和15提供了说明在真实sigma宽度为10的阶段II方法1000中，分别没有噪声和有噪声的三个测试信号宽度(sigma)的处理(拟合误差)结果的示例。
图11-14示出了没有噪声的跟踪信号数据的示例性阶段II结果。图11示出了对于没有噪声的跟踪信号数据的三个测试信号宽度(sigma)的(拟合误差或PEk)结果，其中真实信号宽度(sigma)是10。图11A示出了测试sigma的结果为6，拟合误差为0，以及图11B示出了测试sigma的结果为10，拟合误差为0，以及图11C示出了测试sigma的结果为14，拟合误差为5.04。图12示出了来自包含一系列测试sigma(5至15)的高斯信号的跟踪数据的拟合误差(或PEk)对测试sigma的图。可以看出，曲线的斜率偏离测试信号宽度(sigma)等于真实信号宽度(sigma)的位置，在本示例中该位置为10。图13示出了来自包含一系列测试sigma(5至15)的高斯信号的跟踪数据的峰值计数比(或PCk)对测试sigma的图。可以看出，曲线的斜率偏离测试信号宽度(sigma)等于真实信号宽度(sigma)的位置，在本示例中该位置为10。图14示出了来自包含一系列测试sigma(5至15)的高斯信号的跟踪数据的计算的sigma拟合因子(或SFk)对测试sigma的图。可以看出，曲线中的顶点(倾角)发生在测试信号宽度(sigma)等于真实信号宽度(sigma)的位置，在本示例中该位置为10。
图15-18示出了存在噪声时跟踪信号数据的示例性阶段II结果。图15示出了在存在噪声的情况下跟踪信号数据的三个测试信号宽度(sigma)的(拟合误差或PEk)结果，其中真实信号宽度(sigma)是10。图15A示出了测试sigma的结果为6，拟合误差为6.23，图15B示出了测试sigma的结果为10，拟合误差为6.31，以及图11C示出了测试sigma的结果为14，拟合误差为8.44。图16示出了来自包含一系列测试sigma(5至15)的高斯信号的跟踪数据的拟合误差(或PEk)对测试sigma的图。可以看出，曲线的斜率偏离测试信号宽度(sigma)等于真实信号宽度(sigma)的位置，在本示例中该位置为10。图17示出了来自包含一系列测试sigma(5至15)的高斯信号的跟踪数据的峰值计数比(或PCk)对测试sigma的图。可以看出，曲线的斜率偏离测试信号宽度(sigma)等于真实信号宽度(sigma)的位置，在本示例中该位置为10。图18示出了来自包含一系列测试sigma(5至15)的高斯信号的跟踪数据的计算的sigma拟合因子(或SFk)对测试sigma的图。可以看出，曲线中的顶点(倾角)发生在测试信号宽度(sigma)等于真实信号宽度(sigma)的位置，在本示例中该位置为10。
图19是实施例的用于计算系统或器件1902的示例功能部件的框图，该计算系统或器件1902配置为执行本文描述的一种或多种分析技术。例如，计算器件1902可以配置为分析输入数据流(跟踪信号数据)并确定输入数据流中的一个或多个(未知)组成信号。示出了计算器件1902的一个特定示例。可以使用计算器件1902的许多其他实施例。在图19所示的实施例中，计算器件1902包括一个或多个处理器1911、存储器1912、网络接口1913、一个或多个存储设备1914、电源1915、输出设备1960以及输入设备1980。计算器件1902还包括可由计算器件1902执行的操作系统1918和通信客户端1940。部件1911、1912、1913、1914、1915、1960、1980、1918和1940中的每一个以物理方式、通信方式和/或功能性互连，以便以任何可操作的方式进行部件间通信。
如图所示，处理器1911配置为实现用于在计算器件1902内执行的功能和/或处理指令。例如，处理器1911执行存储在存储器1912中的指令或存储在存储设备1914上的指令。处理器可以实现为包括集成指令集的ASIC。存储器1912可以是非暂时性计算机可读存储介质，配置为在操作期间在计算设备1902内存储信息。在一些实施例中，存储器1912包括临时存储器，用于在计算器件1902关机时不保持信息的区域。这种临时存储器的示例包括易失性存储器，诸如随机存取存储器(RAM)、动态随机存取存储器(DRAM)和静态随机存取存储器(SRAM)。存储器1912维护用于由处理器1911执行的程序指令。示例程序可以包括图1中的信号检测和表征引擎104和/或跟踪数据合成引擎106。
存储设备1914还包括一个或多个非暂时性计算机可读存储介质。存储设备1914通常配置为存储比存储器1912更大量的信息。存储设备1914还可以配置用于长期存储信息。在一些示例中，存储设备1914包括非易失性存储元件。非易失性存储元件的非限制性示例包括磁性硬盘、光盘、软盘、闪存、或电可编程存储器(EPROM)或电可擦除可编程(EEPROM)存储器的形式。
计算器件1902使用网络接口1913经由一个或多个网络与外部设备通信。网络接口1913可以是网络接口卡，例如以太网卡、光学收发器、射频收发器或可以发送和接收信息的任何其他类型的设备。网络接口的其他非限制性示例包括移动计算器件中的无线网络接口、9G和无线电，以及USB(通用串行总线)。在一些实施例中，计算器件1902使用网络接口1913来与外部设备或其他联网计算器件进行无线通信。
计算器件1902包括一个或多个单独或集成的输入设备1980。一些输入设备1980配置为感测环境并捕获图像或其他信号。一些输入设备1980配置为通过触觉、音频、视频或其他感测反馈从用户接收输入。输入设备1980的非限制性示例包括存在敏感屏幕、鼠标、键盘、语音响应系统、相机1902、录像机1904、麦克风1906、GPS模块1908或用于检测来自用户的命令或用于感测环境的任何其他类型的设备。在一些示例中，存在敏感屏幕包括触敏屏幕。
一个或多个输出设备1960也包括在计算器件1902中。输出设备1960配置为使用触觉、音频和/或视频刺激向另一系统或设备或用户提供输出。输出设备1960可以包括显示屏(例如，单独的屏幕或存在敏感屏幕的一部分)、声卡、视频图形适配卡、或用于将信号转换为人或机器可理解的适当形式的任何其他类型的设备。输出设备1960的附加示例包括扬声器、阴极射线管(CRT)显示器、液晶显示器(LCD)或可以向用户产生可理解输出的任何其他类型的设备。在一些实施例中，设备可以充当输入设备和输出设备。
计算器件1902包括一个或多个电源1915，以向计算器件1902提供电力。电源1915的非限制性示例包括一次性电源、可再充电电源和/或由镍镉、锂离子或其他合适材料开发的电源。
计算器件1902包括操作系统1918。操作系统1918控制计算设备1902的部件的操作。例如，操作系统1918促进通信客户端1940与处理器1911、存储器1912、网络接口1913、存储设备1914、输入设备1980、输出设备1960和电源1915的交互。
还如图19中所示，计算器件1902包括通信客户端1940。通信客户端1940包括通信模块1945。通信客户端1940和通信模块1945中的每一个包括可由计算器件1902执行的程序指令和/或数据。例如，在一个实施例中，通信模块1945包括使通信客户端1940在计算器件1902上执行的指令，以执行本公开中描述的操作和动作中的一个或多个。在一些实施例中，通信客户端1940和/或通信模块1945形成在计算器件1902上执行的操作系统1918的一部分。
根据各种实施例，可以从计算器件1902中省略图19中所示的一个或多个部件。
本文引用的所有参考文献，包括出版物、专利申请和专利均通过引用结合到本文中，其程度如同每个参考文献单独且具体地被指出，通过引用并入并且在本文中完整地阐述。
在描述所公开的主题的上下文中(特别是在以下权利要求的上下文中)使用术语“a”和“an”和“the”和“至少一个”以及类似的指示物应解释为涵盖单数和复数，除非本文另有说明或明确与上下文相矛盾。使用术语“至少一个”后跟一个或多个项目的列表(例如，“A和B中的至少一个”)将解释为表示从列出的项目(A或B)中选择的一项或从列出的项目(A和B)中的两项或多项的任意组合，除非本文另有说明或明确与上下文相矛盾。除非另有说明，否则术语“包含(comprising)”、“具有(having)”、“包括(including)”和“含有(containing)”应解释为开放式术语(即，意味着“包括但不限于”)。除非本文另有说明，否则本文中对数值范围的描述仅旨在用作单独提及落入该范围内的每个单独值的简写方法，并且每个单独的值并入本说明书中，如同其在本文中单独引用一样。除非本文另有说明或上下文明显矛盾，否则本文所述的所有方法均可以任何合适的顺序进行。除非另外声明，否则本文提供的任何和所有示例或示例语言(例如，“诸如”)的使用，仅旨在更好地说明所公开的主题，并且不对本发明的范围构成限制。说明书中的任何语言都不应解释为表明任何未要求保护的元件对于本发明的实践是必不可少的。
本文描述了某些实施例。在阅读前面的描述后，这些实施例的变体对于本领域普通技术人员而言将变得显而易见。发明人期望熟练的技术人员适当地采用这些变体，并且发明人希望实施例以不同于本文具体描述的实施方式来实施。因此，本公开包括适用法律所允许的所附权利要求中所述主题的所有修改和等同物。此外，除非本文另有说明或上下文明显矛盾，否则本公开涵盖上述元件的所有可能变型的任何组合。

Claims (27)

1.一种处理器实现的处理跟踪信号以确定跟踪信号的一个或多个未知信号分量的方法，所述方法包括：
接收跟踪信号数据，所述跟踪信号数据包括N多个数据点，并且表示在定义跟踪数据的带宽内的至少M个信号，其中M是大于或等于1的整数；
将初始信号分量集定义为数据点数量N，其中初始信号分量集的每个信号分量的初始信号位置对应于数据点数量N的带宽内的位置；
a)同时对初始信号分量集中的每个信号分量执行数值方法信号提取计算；
b)基于提取计算，确定初始信号分量集的每个信号分量的信号幅度值；
c)基于提取计算，从初始信号分量集中去除或衰减已确定具有负信号幅度值的每个信号分量，以产生经调整的信号分量集；
d)使用经调整的信号分量集作为初始信号分量集，通过迭代地重复步骤a)-c)确定最终信号分量集，直到没有信号分量具有基于提取计算的负幅度值；然后
输出基于最终信号分量集的跟踪信号的一个或多个信号分量的信号位置和信号强度。
2.根据权利要求1所述的方法，其中数值方法提取计算包括共轭梯度法、广义最小残差法、牛顿法、Broyden法或高斯消元法。
3.根据权利要求1所述的方法，其中基于最终信号分量集输出跟踪信号的一个或多个信号分量的信号位置和信号强度包括：
识别最终信号分量集中的一个或多个幅度组，每个幅度组包括对应于一个或多个连续位置的信号分量，每个连续位置具有非零的正幅度值，
通过计算相应幅度组的形心，确定跟踪信号的一个或多个信号分量中的每一个的信号位置；以及
通过对相应幅度组内的信号分量的幅度值求和，确定跟踪信号的一个或多个信号分量中的每一个的信号强度。
4.根据权利要求1所述的方法，其中在执行数值方法信号提取计算时，假设跟踪数据中的所有信号分量具有相同的曲线分布类型，其中曲线分布类型选自高斯分布、双高斯分布、指数修正的高斯分布、Haarhoff-van der Linde分布、洛伦兹分布和Voigt分布。
5.根据权利要求1所述的方法，其中跟踪信号数据包括噪声。
6.根据权利要求1所述的方法，其中使用矩阵公式执行数值方法信号提取计算，其中确定信号幅度值包括识别具有负幅度的幅度矩阵的指数，并且其中移除或衰减包括更新加权矩阵，使得加权矩阵中相应的识别指数的权重值各自乘以衰减因子，其中衰减因子小于1且大于或等于零。
7.根据权利要求6所述的方法，其中衰减因子对于步骤a)至c)的每次迭代而变化。
8.根据权利要求1所述的方法，还包括：
定义多个测试信号宽度值；
对于所述多个测试信号宽度值中的每一个，迭代地重复步骤a)-d)，以确定跟踪信号的一个或多个信号分量中的每一个的最佳信号宽度，以及
其中输出包括输出跟踪信号的一个或多个信号分量的最佳信号宽度。
9.根据权利要求1所述的方法，其中基于最终信号分量集输出跟踪信号的一个或多个信号分量的信号位置和信号强度，包括利用跟踪信号数据的视觉表示来渲染跟踪信号的一个或多个信号分量的视觉输出。
10.一种存储代码的计算机可读介质，当由一个或多个处理器执行时，使得一个或多个处理器实现处理跟踪信号以确定跟踪信号的一个或多个未知信号分量的方法，所述代码包括以下指令：
接收跟踪信号数据，所述跟踪信号数据包括N多个数据点，并且表示在定义跟踪数据的带宽内的至少M个信号，其中M是大于或等于1的整数；
将初始信号分量集定义为数据点数量N，其中初始信号分量集的每个信号分量的初始信号位置对应于数据点数量N的带宽内的位置；
a)同时对初始信号分量集中的每个信号分量执行数值方法信号提取计算；
b)基于提取计算，确定初始信号分量集的每个信号分量的信号幅度值；
c)基于提取计算，从初始信号分量集中去除或衰减已确定具有负信号幅度值的每个信号分量，以产生经调整的信号分量集；
使用经调整的信号分量集作为初始信号分量集，通过迭代地重复步骤a)-c)确定最终信号分量集，直到没有信号分量具有基于提取计算的负幅度值；然后
输出基于最终信号分量集的跟踪信号的一个或多个信号分量的信号位置和信号强度。
11.根据权利要求10所述的计算机可读介质，其中数值方法提取计算包括共轭梯度法、广义最小残差法、牛顿法、Broyden法或高斯消元法。
12.根据权利要求10所述的计算机可读介质，其中基于最终信号分量集输出重叠信号分量的信号位置和信号强度的指令包括以下指令，以：
识别最终信号分量集中的一个或多个幅度组，每个幅度组包括对应于一个或多个连续位置的信号分量，每个连续位置具有非零的正幅度值，
通过计算相应幅度组的形心，确定跟踪信号的一个或多个信号分量中的每一个的信号位置；以及
通过对相应幅度组内的信号分量的幅度值求和，确定跟踪信号的一个或多个信号分量中的每一个的信号强度。
13.根据权利要求10所述的计算机可读介质，其中在执行数值方法信号提取计算时，假设跟踪数据中的所有信号分量具有相同的曲线分布类型，其中曲线分布类型选自高斯分布、双高斯分布、指数修正的高斯分布、Haarhoff-van der Linde分布、洛伦兹分布和Voigt分布。
14.根据权利要求10所述的计算机可读介质，其中跟踪信号数据包括噪声。
15.根据权利要求10所述的计算机可读介质，其中使用矩阵公式执行数值方法信号提取计算，其中确定信号幅度值的指令包括识别具有负幅度的幅度矩阵的指数的指令，并且其中移除或衰减的指令包括更新加权矩阵的指令，使得加权矩阵中相应的识别指数的权重值各自乘以衰减因子，其中衰减因子小于1且大于或等于零。
16.根据权利要求15所述的计算机可读介质，其中衰减因子对于步骤a)至c)的每次迭代而变化。
17.根据权利要求10所述的计算机可读介质，其中所述代码还包括指令，以：
定义多个测试信号宽度值；
对于所述多个测试信号宽度值中的每一个，迭代地重复步骤a)-d)，以确定跟踪信号的一个或多个信号分量中的每一个的最佳信号宽度，以及
其中输出的指令包括输出跟踪信号的一个或多个信号分量的最佳信号宽度的指令。
18.根据权利要求10所述的计算机可读介质，其中基于最终信号分量集输出跟踪信号的一个或多个信号分量的信号位置和信号强度的指令包括，利用跟踪信号数据的视觉表示来渲染跟踪信号的一个或多个信号分量的视觉输出的指令。
19.一种处理器件，其处理跟踪信号以确定跟踪信号的一个或多个未知信号分量，所述器件包括：
处理器；以及
存储可由处理器执行的代码的存储器；
其中，代码包括指令，当由处理器执行时，使得处理器：
接收跟踪信号数据，跟踪信号数据包括N多个数据点，并且表示在定义跟踪数据的带宽内的至少M个信号，其中M是大于或等于1的整数；
将初始信号分量集定义为数据点数量N，其中初始信号分量集的每个信号分量的初始信号位置对应于数据点数量N的带宽内的位置；
a)同时对初始信号分量集中的每个信号分量执行数值方法信号提取计算；
b)基于提取计算，确定初始信号分量集的每个信号分量的信号幅度值；
c)基于提取计算，从初始信号分量集中去除或衰减已确定具有负信号幅度值的每个信号分量，以产生经调整的信号分量集；
使用经调整的信号分量集作为初始信号分量集，通过迭代地重复步骤a)-c)确定最终信号分量集，直到没有信号分量具有基于提取计算的负幅度值；然后
输出基于最终信号分量集的跟踪信号的一个或多个信号分量的信号位置和信号强度。
20.根据权利要求19所述的设备，其中数值方法提取计算包括共轭梯度法、广义最小残差法、牛顿法、Broyden法或高斯消元法。
21.根据权利要求19所述的器件，其中基于最终信号分量集输出跟踪信号的一个或多个信号分量的信号位置和信号强度的指令包括以下指令，以：
识别最终信号分量集中的一个或多个幅度组，每个幅度组包括对应于一个或多个连续位置的信号分量，每个连续位置具有非零的正幅度值，
通过计算相应幅度组的形心，确定跟踪信号的一个或多个信号分量中的每一个的信号位置；以及
通过对相应幅度组内的信号分量的幅度值求和，确定跟踪信号的一个或多个信号分量中的每一个的信号强度。
22.根据权利要求19所述的器件，其中在执行数值方法信号提取计算时，假设跟踪数据中的所有信号分量具有相同的曲线分布类型，其中曲线分布类型选自高斯分布、双高斯分布、指数修正的高斯分布、Haarhoff-van der Linde分布、洛伦兹分布和Voigt分布。
23.根据权利要求19所述的器件，其中跟踪信号数据包括噪声。
24.根据权利要求19所述的器件，其中使用矩阵公式执行数值方法信号提取计算，其中确定信号幅度值的指令包括识别具有负幅度的幅度矩阵的指数的指令，并且其中移除或衰减的指令包括更新加权矩阵的指令，使得加权矩阵中相应的识别指数的权重值各自乘以衰减因子，其中衰减因子小于1且大于或等于零。
25.根据权利要求24所述的器件，其中衰减因子对于步骤a)至c)的每次迭代而变化。
26.根据权利要求19所述的器件，其中所述代码还包括指令以：
定义多个测试信号宽度值；
对于所述多个测试信号宽度值中的每一个，迭代地重复步骤a)-d)，以确定跟踪信号的一个或多个信号分量中的每一个的最佳信号宽度，以及
其中输出的指令包括输出跟踪信号的一个或多个信号分量的最佳信号宽度的指令。
27.根据权利要求19所述的设备，其中基于最终信号分量集输出跟踪信号的一个或多个信号分量的信号位置和信号强度的指令包括，利用跟踪信号数据的视觉表示来提供跟踪信号的一个或多个信号分量的视觉输出的指令。
CN201780034281.4A 2016-06-17 2017-06-14 跟踪数据的自适应信号检测与合成 Withdrawn CN109313700A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/185,983 US9971936B2 (en) 2016-06-17 2016-06-17 Adaptive signal detection and synthesis on trace data
US15/185,983 2016-06-17
PCT/US2017/037393 WO2017218628A1 (en) 2016-06-17 2017-06-14 Adaptive signal detection and synthesis on trace data

Publications (1)

Publication Number Publication Date
CN109313700A true CN109313700A (zh) 2019-02-05

Family

ID=60659541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780034281.4A Withdrawn CN109313700A (zh) 2016-06-17 2017-06-14 跟踪数据的自适应信号检测与合成

Country Status (6)

Country Link
US (1) US9971936B2 (zh)
EP (1) EP3526620A4 (zh)
CN (1) CN109313700A (zh)
AU (1) AU2017286458B2 (zh)
CA (1) CA3025182C (zh)
WO (1) WO2017218628A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10521657B2 (en) 2016-06-17 2019-12-31 Li-Cor, Inc. Adaptive asymmetrical signal detection and synthesis methods and systems
CN117607277A (zh) * 2018-04-18 2024-02-27 安捷伦科技有限公司 色谱分析性能的空白运行分析
CN111524036B (zh) * 2020-05-27 2023-03-14 广西大学 一种暂态电能质量扰动分类方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5832119C1 (en) 1993-11-18 2002-03-05 Digimarc Corp Methods for controlling systems using control signals embedded in empirical data
WO1997011383A1 (en) 1995-09-20 1997-03-27 The Secretary Of State For Defence Locating the source of an unknown signal
US6137831A (en) * 1997-06-20 2000-10-24 Johnson; Neldon P. Method and apparatus for reducing receiver imposed distortion
AU2003285926A1 (en) * 2002-10-25 2004-05-25 Liposcience, Inc. Methods, systems and computer programs for deconvolving the spectral contribution of chemical constituents with overlapping signals
US7577259B2 (en) * 2003-05-20 2009-08-18 Panasonic Corporation Method and apparatus for extending band of audio signal using higher harmonic wave generator
US7136765B2 (en) 2005-02-09 2006-11-14 Deepsea Power & Light, Inc. Buried object locating and tracing method and system employing principal components analysis for blind signal detection
JP2007155733A (ja) 2005-12-06 2007-06-21 Southwest Research Inst 位相比較を用いる長距離導波検査における欠陥部信号からの溶接部信号の自動区別方法
WO2007092849A2 (en) 2006-02-06 2007-08-16 Siemens Healthcare Diagnostics Inc. Methods for detecting peaks in a nucleic acid data trace
WO2011139895A1 (en) 2010-04-29 2011-11-10 Massachusetts Institute Of Technology Method and apparatus for motion correction and image enhancement for optical coherence tomography
WO2015013722A1 (en) 2013-07-26 2015-01-29 Li-Cor, Inc. Systems and methods for setting initial display settings
US9384538B2 (en) 2013-07-26 2016-07-05 Li-Cor, Inc. Adaptive noise filter

Also Published As

Publication number Publication date
AU2017286458A1 (en) 2019-01-03
CA3025182A1 (en) 2017-12-21
US9971936B2 (en) 2018-05-15
AU2017286458B2 (en) 2020-02-06
EP3526620A4 (en) 2020-02-12
WO2017218628A1 (en) 2017-12-21
US20170364731A1 (en) 2017-12-21
CA3025182C (en) 2021-05-18
EP3526620A1 (en) 2019-08-21

Similar Documents

Publication Publication Date Title
CN108682008B (zh) 一种白细胞图像清晰度评价方法及装置
US6674915B1 (en) Descriptors adjustment when using steerable pyramid to extract features for content based search
EP2323418A1 (en) Image processing apparatus, method and program
CN106443802A (zh) 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及系统
US10430943B2 (en) Automated nuclei area/number estimation for IHC image analysis
US8483480B2 (en) Method and system for factoring an illumination image
JP2009516172A (ja) 合成画像を使用した生物学的特徴の発見
US9396411B2 (en) Method and system for generating intrinsic images using a single reflectance technique
CN109313700A (zh) 跟踪数据的自适应信号检测与合成
US9652844B2 (en) Method and apparatus for automatic cancer diagnosis scoring of tissue samples
CN108876756A (zh) 图像相似性的度量方法和装置
CN112801049B (zh) 图像分类方法和装置及设备
US8855440B2 (en) Structure-independent analysis of 3-D seismic random noise
Rosales-Ortega et al. Integrated spectra extraction based on signal-to-noise optimization using integral field spectroscopy
CN110119675B (zh) 一种产品识别方法和装置
KR20160034928A (ko) 주요지점 식별
JP2012252691A (ja) 画像からテキスト筆画画像を抽出する方法及び装置
Jones et al. Disentangling overlapping astronomical sources using spatial and spectral information
Amelio et al. An evolutionary approach for image segmentation
CN108985357A (zh) 基于图像特征的集合经验模态分解的高光谱图像分类方法
CN109785312A (zh) 一种图像模糊检测方法、系统及电子设备
US10002426B2 (en) System for cancer diagnosis
Wijetunge et al. Unsupervised learning for exploring MALDI imaging mass spectrometry ‘omics’ data
Trujillo et al. Scale invariance for evolved interest operators
KR20160136643A (ko) 착과수의 열매와 나무 개체수 계산이 가능한 과수원손해사정조사앱을 탑재한 모바일기기 및 착과수의 열매 객체의 외곽선을 추출하는 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190205