CN109844739B - 用于在多种信号中模式识别的方法 - Google Patents
用于在多种信号中模式识别的方法 Download PDFInfo
- Publication number
- CN109844739B CN109844739B CN201780055286.5A CN201780055286A CN109844739B CN 109844739 B CN109844739 B CN 109844739B CN 201780055286 A CN201780055286 A CN 201780055286A CN 109844739 B CN109844739 B CN 109844739B
- Authority
- CN
- China
- Prior art keywords
- standard
- event
- scene
- signal
- signals
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种在多个接收的不同类型的时间信号中模式识别的方法,该方法包括:/b/对于各接收信号,创建(502)包括事件的异步时间信号(102、103、105、106);/c/对于各创建的异步信号(102、103、105、106),创建(503)所述异步信号的活性谱(S(p1)、S(p2)、S(p3)、S(p4)),所述异步信号随自所述异步信号最近事件(210、212、213、214、220、221、222)起流逝时间的函数而递减;/d/对于给定时间(t0):/d1/确定(504)场景,所述场景定义为创建的异步信号的一组活性谱数值;/d2/在预先确定标准场景(505、401、402、403、404)中确定标准场景(506),所述标准场景与步骤/d1/中确定的场景具有最小距离。/d3/确定(508)模式(509)为所述已确定标准场景的函数。
Description
技术领域
本发明涉及复杂信号分析领域,尤其用于不同类型信号中某种特定模式的检测。
背景技术
由于传感器制造成本的降低以及传感器的微型化,后者如今都无处不在,无论是用于健康数据监测(例如:测量心率、血压,血流速度、温度、睡眠质量等的智能手表)还是用于工业数据监测(机房温度、二氧化碳的存在、通气速度等)。
分析这些数据是一项真正的挑战,以便能够对来自传感器的数据进行评估。
分析单个信号本身不会引起问题,因为这种分析通常会还原成采用已知数学工具处理曲线(例如:计算导数、可变性分析等)。
但是,当分析试图理解不具有相同尺度/幅度/等的多个信号时,可能难以为了检测某种模式而组合信号。为便于参考,这些模式可以是:
-由于心率、动脉血流和心率规律性信号,检测患者中风的警告信号;
-由于温度、二氧化碳百分比和消耗信号,检测工业引擎的结垢问题。
实际上,分析单个信号可能会生成错误的结果:
-仅心率增加可能表示患者正在跑步或心脏病发病;
-工业机器消耗的增加,表示引擎的碳化作用很差或者操作者要求提高生产率。
尽管可发现根据具体情况分析不同类型信号的特定解决方案(即:根据所讨论信号的类型),但仍存在在复杂信号中检测模式的通用方法的需求。
发明内容
本发明改善了这种情况。
为此,本发明提出了一种允许复杂信号简化分析的通用方法。
本发明涉及一种用于在多个不同类型的时间信号中模式识别的方法,该方法包括:
/a/接收多个时间信号;
/b/对于多个信号中的各接收信号,创建包括事件的异步时间信号,所述事件是代表接收信号特征的异步信号的相同形式;
/c/对于各创建的异步信号,创建所述异步信号的活性谱,活性谱包括至少一个活动数值,其中所述活动数值随自事件起流逝时间的函数而递减,所述事件是所述异步信号连续事件中的最近事件;
/d/对于给定时间:
/d1/确定场景,所述场景定义为创建的异步信号在给定时间的一组活性谱数值;
/d2/根据一组预先确定的标准场景确定标准场景,在该组标准场景中确定的标准场景与步骤/d1/中确定的场景具有最小距离。
/d3/确定模式为所述预先确定的标准场景函数。
距离可以是数学意义上的距离。因此,距离可以是欧几里德(Euclidean)距离、曼哈坦(Manhattan)距离、明可夫斯基(Minkoswski)距离、切比雪夫(Tchebychev)距离或任何其他距离。
在另一个实施例中,可以考虑针对所用标准场景的分层模型。
本发明还可替换地涉及一种用于在多个不同类型的时间信号中模式识别的方法,其定义标准场景的分层模型,各标准场景与分层模型相应级别相关联,该方法包括:
/a/接收多个时间信号;
/b/对于多个信号中的各接收信号,创建包括事件的异步时间信号,所述事件是代表接收信号特征的异步信号的相同形式;
/b'/各异步信号事件用作当前事件,且分层模型的第一层的标准场景用作当前标准场景;
/c/对于各创建的异步信号,创建所述异步信号的活性谱,所述活性谱包括至少一个活动数值,其中所述活动数值自事件起流逝时间的函数而递减,所述事件是所述异步信号连续事件中的最近事件;
/d/对于多个给定时间中的各给定时间:
/d1/确定场景,所述场景定义为创建的异步信号在给定时间的一组活性谱数值;
/d2/在当前标准场景中确定标准场景,在该组标准场景中确定的标准场景与步骤/d1/中确定的场景具有最小距离。
/d3/如果尚未使用分层模型的级别,为异步信号生成事件,作为步骤/d2/中识别的当前标准场景的函数;
/e/如果没有使用分层模型的级别:
-将步骤/d3/中识别的事件用作当前事件;
-将尚未使用的分层模型级别的标准场景用作标准场景;
-重复执行步骤/c/至/f/;
/f/如已使用分层模型的所有级别:
-通过将步骤/d2/最后一次出现时确定的标准场景与标准签名库进行比较,确定多个接收信号中的模式。
通过分层级别可能实现逐步识别:通过第一分层级别可能识别非常基本的形式,通过上级分层级别可识别较低级别的更复杂形式。
在一个实施例中,步骤/f/的比较可包括巴氏距离(Bhattacharyyadistance)的计算。
实际上,通过实验可观察到,该距离允许更好的质量识别。
此外,步骤/f/的比较可以包括标准距离的计算
在另一个替代或累积实施例中,步骤/f/的比较是步骤/d2/最后一次出现时确定标准场景的发生次数与标准签名库之间的比较。
活性谱的减少可以作为当前分层模型级别的函数。
通过这种调整,可以为更高分层级别提供较缓的减速,从而对较低级别具有反应性。相反,较低级别的分层级别(即第一次使用)可以具有较高的反应性。
一种执行上述全部或部分方法的计算机程序,安装在预先存在设备上,当允许多个信号中模式识别时,其本身有利。
因此,本发明还涉及一种计算机程序,当处理器执行本程序时,该程序包含执行上述方法的指令。
该程序使用任何编程语言(例如:面向对象的语言或其他语言)且可以是可解释的源代码、部分编译代码或完全编译代码。
下文详细描述的图5a和5b,可以形成这种计算机程序的常规算法流程图。
附图说明
当阅读以下描述时,本发明的其他特征和优点进一步出现。后者完全仅供参考,应与附图一起阅读,其中:
-图1a显示了源自代表心率的信号的事件的生成;
-图1b显示了源自代表呼吸率的信号的事件的生成;
-图2a和2b是来自接收信号事件的“活性谱”示例;
-图3a和3b是源自三个接收信号确定场景的代表示例;
-图4a至4d是四个标准场景的代表示例;
-图4e是根据图4a至4d标准场景信号生成四个事件流的示例;
-图4f是确定四个事件流签名的示例;
-图5a是根据本发明可能实施例的方法流程图的示例(即:不使用标准场景的分层模型);
-图5b是根据本发明另一个可能实施例的方法流程图的示例(即:使用标准场景的分层模型);
-图6示出了根据本发明执行实施例的设备。
具体实施方式
图1a显示了源自代表心率的信号的事件的生成。
在该示例中,曲线101表示心率。该曲线可以连续数据(例如:模拟信号)或以采样数据(例如:数字信号)的形式接收。
在接收信号期间,可以确定适合于信号的某些特性。可通过非限制性方式,这些特征是:
-信号中特定模式的出现(例如:心电图中R波(或QRS复合波)的出现或机床的引擎循环的结束);
-信号中模式的可变性(例如:心电图中R波的重复周期的可变性或机床的引擎循环的可变性);
-某些模式的时间宽度(例如:心电图中间隔QT的宽度或机床的引擎循环时间);
-信号的幅度的最大值;
-等。
当然,这些特征可以是一个信号函数的代表(例如:信号导数的代表或信号的任何数学转换的代表)。
根据信号的这些特性,可以生成包括标记或事件的“异步”信号(例如:曲线102或103)。这些事件在异步信号中是最常见的迪拉克(Diracs),因为其生成简单。但是,这些事件可以是任何模式(例如:三角形信号、矩形信号、正弦部分信号、交替信号的一部分等)。所述异步信号的各事件,最好是相同模式或类似模式(但是,这些幅度或这些极性(即相对于零值的方向)可以从一个事件变更为另一个事件)。
为提供信息,曲线102是异步信号,其中,事件在曲线101心电图中QRS复合波出现期间生成。
同样为提供信息,曲线103是异步信号,其中,事件在当曲线101的心电图的QRS复合波宽度超过目标值(例如:前x分钟的平均值)时生成。
图1b显示了源自代表呼吸率的信号的事件的生成;
该示例与图1a示例基本相同,因此,前述展开适用。
为提供信息,曲线105是异步信号,其中,事件在呼吸速率超过曲线104中预先确定阈值(即:虚线水平线)时生成。
同样为提供信息,曲线106是异步信号,其中,事件在当呼吸速率导数超过曲线104中目标值时生成。
无论用于事件生成的特性如何,生成可以将不同类型信号(例如:不是使用相同类型传感器和/或相同信息源和/或不同物理概念代表的曲线101和104)转换为可比较异步信号(例如102和106)。随后识别模式的工作简化。
图2a和2b是来自三个接收信号p1,p2和p3的事件的三个“活性谱”t→S示例;
在该示例中,在没有事件的情况下,S(p1,t),S(p2,t)或S(p3,t)数值为零。
但是,在信号p1中的事件(例如,210)发生期间,S(p1,t)取预先确定阈值(这里是h,其中h数值是单一的)。
随后活性谱S(p1,t)数值在该事件接近0后逐渐减小。
这同样适用于信号p1的事件211,信号p2的事件212,或信号p3的事件213/214。
虽然这里信号/活性谱呈线性减少,但可以提供任何类型的递减,例如:指数递减:
指数递减可在图2b中示出(例如,事件220)。这种递减性质和参数可以选择,且因各分析信号出现不同。
此外,可以在所讨论信号的一个事件发生期间(例如:这里为p4),函数S数值相对于h数值不可忽略(例如:事件221在时间上接近于事件222)。
在一个实施例中,在后一事件222发生期间,活性谱数值可设置为恰好在事件222前的S当前值(即h0)和h总和(可选加权)。因此,曲线S的递减将从h+h0值开始,如图2b所示。此外,可以规定,h+h0的值被确定为预定值h1(即min(h1,h+h0))。
在另一个实施例中,在后一事件222发生期间,曲线S数值需设置为数值h,与h0数值无关(即:忽视最后一个事件前的事件(即:稍后事件)。在该另一实施例中,可以将所述事件定义为“最后事件时间”,其定义如下:
T(p,i)=max(tj)|j<i
或
T(p,t)=max(tj)|tj<t
其中tj表示针对信号p发生的事件次数。
从概念上讲,p→T(p,t)定义了在参考时间(即t)前暂时发生的最后一个事件的时间图。
随后可以在另一个实施例中,将p→S(p,t)定义为映射p→T(p,t)的函数。
例如:p→S(p,t):
其中τ和h预先确定的时间常数(S可以是包括下限T(p,t)的时间区间上随时间t递减的任何函数)。
函数p→S(p,t)是给定时间t的输入信号的“场景”。
如上所述场景p→S(p,t)的创建是有利的,因为它允许不连续概念(即:事件)的连续和简单表示。通过创建的活性谱,可以转换易于理解域中事件的表示。
随后,创建简化了事件的处理和比较。
可在图2a中简单地读出输入信号的场景。因此,对于信号p1,p2,p3,可在虚线上垂直读取且可以如下矢量形式表示时间t0的场景:
可采用“放射状”图(例如图3a)形式或直方图形式(例如图3b),以图形方式表示该矢量。当然,可以考虑任何形式的图形表示。
虽然矢量分量顺序在许多情况下是任意阶次,但是可以根据信号的空间和/或时间动态,在分量之间建立阶次。因此,在给定场景中的两个连续分量,可以代表有密切空间和/或时间动态的信号。
图4a至4d是四个标准场景的代表示例;
为了检测信号中的模式,可以定义标准场景,其将与先前定义的场景S。
例如,可以将图3a的场景与标准场景401、402、403和404中各标准场景进行比较。
当然,对于场景,标准场景可以有多个等效表示(图形或非图形):这里使用的图形表示仅为后者获取的视觉简洁性保留。
因此,可以将标准场景与信号中确定的场景进行比较。保留最接近已确定场景的标准场景。为了衡量两个场景之间的接近度(视为矢量),可以使用两个矢量之间的任何距离(在数学意义上)。
当然,各标准场景可与给定模式相关联:例如,标准场景402可与引擎的机械故障相对应,而标准场景401可与所述引擎的正常操作相对应。
在场景分量具有作为信号空间和/或时间动态函数的阶次的实施例中,用于场景与标准场景间距离最小化的距离可以考虑该阶次。
作为补充或替代,当标准场景被保留/识别时,也可以生成新异步信号的事件(图4e):
-当在接收信号p1,p2和p3中的给定时刻识别出标准场景401时,信号中生成事件411;
-当在接收信号p1,p2和p3中的给定时刻识别出标准场景402时,信号中生成事件412;
-当在接收信号p1,p2和p3中的给定时刻识别出标准场景403时,信号中生成事件413;
-当在接收信号p1,p2和p3中的给定时刻识别出标准场景404时,信号中生成事件414;
在该示例中,因此生成了四个新的异步信号,且可以是在具有标准场景新基础之前的相同分析的对象(通常称之为“更高分层级别的标准场景”)。这些新标准类型中,每个标准类型都将有四个维度(等于需分析异步信号的数量)。
因此,该方法(即:分析)可以递归且可根据标准场景定义分层级别数量迭代多次。
例如,对于图2a和2b活性谱中的递减,可以规定,随着分层模型中迭代的发生,递减越来越缺乏实质性。这种递减速度的下降,有可能将不同反应性视为标准场景分层模型级别的函数(因此,更好的模式识别)。
一旦所有分层级别已使用/通过(特定情况下,分层模型能够仅包括单个级别),可以定义签名。
图4f是确定四个事件流签名的示例;
在该示例中,签名被定义为上述方法最新出现的确定标准场景(分别为401、402、403、404)中各标准场景的出现次数(分别为n401、n402、n403、n404)的矢量或直方图420。
随后可以在标准签名(421、422、423)库中,发现与已确定签名最接近的标准签名。可通过使用数学意义的任何距离确定接近程度。
两个直方图和/>(例如:420和421)之间的距离,可以计算为配合各标准场景出现次数的两个矢量间的数学距离:
还可以计算标准距离,如下所示:
表示直方图/>的标准场景(即:垂直条)的数量。
巴氏距离也可用作常规距离的替代:
表示直方图/>的第i个标准场景的出现次数。
已通过实验观察到,巴氏距离或标准距离可以给出非常好的结果。也可以使用任何其他数学距离。
签名也可以是四个事件流的异步信号的常规形式。
标准签名中的各项签名,与接收信号中的给定模式相关联:例如,标准签名421可与引擎的机械故障相对应,且标准签名422与所述引擎的正常操作相对应。
图5a是根据本发明可能实施例的方法流程图的示例(即:不使用标准场景的分层模型);
在接收信号501时,可以通过基于信号特征的检测生成事件的方式创建(步骤502)异步信号,详见图1a和1b所述。
一旦创建了异步信号,可以通过创建的各个异步信号,创建(步骤503)如图2a和2b所述的活性谱。
通过活性谱,可以在给定时间内,确定(步骤504)场景,如图3a,3b和2a所述。确定的场景,可定位给定时间时,已创建异步信号的活性谱数值的矢量。
此外,还可以通过最小化步骤504中确定的场景和标准场景之间距离,从预先确定的一组标准场景(例如:预先计算并存储在数据库505中)确定(步骤506)标准场景。
根据已确定标准场景,可以确定(步骤508)多个接收信号中的“模式”509。在该假设中,将“模式”与标准场景中的各项相关联是有利的。随后,当识别标准场景时,可以在关联数据库中进行查询,以检索相关模式。
图5b是根据本发明另一个可能实施例的方法流程图的示例(即:使用标准场景的分层模型);
在接收信号501时,可以通过基于信号特征的检测生成事件的方式创建(步骤502)异步信号,详见图1a和1b所述。
一旦创建了异步信号,可以通过创建的各个异步信号,创建(步骤503)如图2a和2b所述的活性谱。
通过活性谱,可以在给定时间内,确定(步骤504)场景,如图3a,3b和2a所述。确定的场景,可定位给定时间时,已创建异步信号的活性谱数值的矢量。可针对多个给定时间执行该确定(例如:多次是有预先确定间隔的时间的采样)。
然后,可以使用刚创建的各个异步信号的事件作为当前事件。
此外,如有标准场景的分层模型(例如,存储在数据库511中,具有max_k级别),可以将第一层的标准场景(k=1)作为当前标准场景。
一旦确定了场景,还可以通过最小化步骤504中确定的场景和标准场景之间距离,从当前标准场景中确定(步骤506)标准场景。
标准场景的每次识别,可以允许事件的生成(步骤512),如图4e中所述。各项可能的标准模型,可以允许干净异步信号的生成。注意,如果已经使用了分层模型的所有级别(即,k=max_k),步骤512是可选步骤。
一旦已按上述多次执行了这些步骤(506、512),就可改变分层模型中的级别(步骤513,例如k=k+1)。如未使用分层模型的级别(即:k<=max_k,步骤513输出OK),有可能通过使用创建的新异步信号(即:通过将最后一次迭代期间,于步骤512中生成的事件视为当前事件)和通过将新标准场景(即:步骤513中选定的较高分层级别)用作当前标准场景,重复步骤506、512和513。
此外,还可以将与步骤502类似步骤中的异步信号用作附加异步信号(即:除创建的新异步信号外)。实际上,如果接收信号是快速信号(在预先确定时间段的变化显著),使用分层模型的第一层进行处理是有利的。但是,如果接收信号缓慢(在预先确定时间段的变化可以忽略不计),不使用分层模型的第一层进行处理且等待下一个分层级别是有利的,这样可以将其整合到需在步骤504中处理的异步信号中。对于已整合的“快速”信号,将在步骤512中生成的异步信号同步完成这种异步信号的整合。因此,可以对已接收信号501进行预分析,以便将其分类为空间和/或时间动态的函数:这种分类可以知道分层模型的级别,在所述分层模型中,各信号整合到步骤506、512和513定义的循环中。
如已经使用了所有分层模型的级别,可以通过将步骤506最后一次出现时确定的标准场景与标准签名库进行比较,以确定“模式”。该比较可以包括,例如:步骤506最后一次出现时确定标准场景出现次数的计算,如图4f所述。这种比较还可以是步骤513最后一次生成的异步信号(在该假设中,当使用分层模型的最后一个级别时应执行步骤513)和签名库之间距离的比较。
在该假设中,将签名库各签名与“模式”相关联是有利的。随后,当识别签名时,可以在关联数据库中进行查询,以检索相关模式。
图6示出了根据本发明执行实施例的设备。
在该实施例中,设备包括计算机600,其中计算机600包括用于存储允许方法执行指令、接收的测量数据、和用于执行上述方法各个步骤用临时数据的存储器605。
计算机还包括电路604。该电路可以是,例如:
-能够解释计算机程序形式指令的处理器。
-电子板或电子电路,无论怎样在硅中具体描述了本发明方法的步骤。
-可编程电子芯片,例如FPGA芯片(用于“现场可编程门阵列”),其中,例如在VHDL或Verilog代码(硬件描述语言,使其能够代表电子系统的行为和架构)中描述了发明方法的步骤。
该计算机包括用于接收待分析信号的输入接口603,和用于提供已识别模式的输出接口606。最后,为了能够与用户轻松交互,计算机可以包括屏幕601和键盘602。当然,键盘是可选的,例如,尤其是在有触敏平板电脑形式的计算机框架中。
此外,图5a或5b中所示框图是一个程序的典型示例,在该程序中,可以采用所述设备执行某些指令。这样,根据本发明,图5a或5b可以与计算机程序的一般算法的流程图相互对应。
当然,本发明不限于上文所述作为示例的实施例;可扩展到其他替代实施例。
其他实施例也有可能。
例如,虽然描述的示例属于特定领域,但通过所提出的方法,可以分析任何可能工业领域中的任何数据/信号类型,且没有任何特别限制。
Claims (7)
1.一种用于在多个不同类型的信号中模式识别的方法,该方法包括:
/a/ 接收(501)多个信号(101、104);
/b/ 对于多个信号中的各接收信号,创建包括事件的异步信号(102、103、105、106),所述事件是代表接收信号特征的异步信号;
/c/ 对于各创建的异步信号(102、103、105、106) ,创建所述异步信号的活性谱(S(p1)、S(p2)、S(p3)、S(p4)),所述活性谱(S(p1)、S(p2)、S(p3)、S(p4)) 包括至少一个活动数值,其中所述活动数值随自事件(210、212、213、214、220、221、222)起流逝时间而递减,所述事件(210、212、213、214、220、221、222)是所述异步信号的连续事件中的最近事件;
/d/ 对于给定时间(t0) :
/d1/ 确定场景,所述场景定义为创建的异步信号在给定时间(t0)的一组活性谱数值;
/d2/ 在一组预先确定的标准场景(505、401、402、403、404)中确定标准场景,在该组标准场景中确定的标准场景与步骤/d1/中确定的场景具有最小距离;
/d3/ 基于所确定的标准场景确定模式(509)。
2.一种用于在多个不同类型信号中模式识别的方法,其定义标准场景的分层模型,各标准场景与分层模型相应级别相关联,该方法包括:
/a/ 接收(501)多个信号(101、104);
/b/ 对于多个信号中的各接收信号,创建包括事件的异步信号(102、103、105、106),所述事件是代表接收信号特征的异步信号;
/b'/ 将各异步信号的事件用作当前事件,且将分层模型的第一层的标准场景用作当前标准场景;
/c/ 对于各创建的异步信号(102、103、105、106) ,创建所述异步信号的活性谱(S(p1)、S(p2)、S(p3)、S(p4)),所述活性谱(S(p1)、S(p2)、S(p3)、S(p4)) 包括至少一个活动数值,其中所述活动数值随自事件(210、212、213、214、220、221、222)起流逝时间而递减,所述事件(210、212、213、214、220、221、222)是所述异步信号连续事件中的最近事件;
/d/ 对于多个给定时间中的各给定时间:
/d1/ 确定场景,所述场景定义为创建的异步信号在给定时间的一组活性谱数值;
/d2/ 在当前标准场景(511)中确定标准场景,在当前标准场景中确定的标准场景与步骤/d1/中确定的场景具有最小距离;
/d3/ 如果尚未使用分层模型的级别,基于步骤/d2/中识别的当前标准场景生成(512)异步信号事件;
/e/ 如果没有使用分层模型的级别:
- 将步骤/d3/中生成的事件用作(513)当前事件;
- 将尚未使用的分层模型级别的标准场景用作(513)当前标准场景;
- 重新执行步骤/c/至/e/;
/f/ 如果已使用分层模型的所有级别:
- 通过将步骤/d2/最后一次执行时确定的标准场景与标准签名库(510) 进行比较(507),确定多个接收信号中的模式。
3.根据权利要求2的方法,其中所述步骤/f/的比较包括巴氏距离的计算。
4.根据权利要求2的方法, 其中所述步骤/f/的比较包括标准距离的计算。
5.根据权利要求2的方法, 其中所述步骤/f/的比较是步骤/d2/最后一次执行时确定的标准场景的发生次数与标准签名库的标准签名的标准场景的发生次数之间的比较。
6.根据权利要求2的方法,其中除了所述活动数值随自事件(210、212、213、214、220、221、222)起流逝时间而递减,所述事件(210、212、213、214、220、221、222)是所述异步信号的连续事件中的最近事件,所述活动数值基于当前分层模型级别而递减。
7.一种计算机可读介质,当处理器执行程序时,所述计算机可读介质用于执行根据权利要求1至6中任一项所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1658424 | 2016-09-09 | ||
FR1658424 | 2016-09-09 | ||
PCT/FR2017/052393 WO2018046868A1 (fr) | 2016-09-09 | 2017-09-08 | Procédé de reconnaissance de motif dans une pluralité de signaux |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109844739A CN109844739A (zh) | 2019-06-04 |
CN109844739B true CN109844739B (zh) | 2023-07-18 |
Family
ID=57680373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780055286.5A Active CN109844739B (zh) | 2016-09-09 | 2017-09-08 | 用于在多种信号中模式识别的方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11080523B2 (zh) |
EP (1) | EP3510495A1 (zh) |
JP (2) | JP7209622B2 (zh) |
CN (1) | CN109844739B (zh) |
AU (1) | AU2017322448B2 (zh) |
CA (1) | CA3035520A1 (zh) |
WO (1) | WO2018046868A1 (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010122056A2 (fr) * | 2009-04-24 | 2010-10-28 | Thales | Systeme et methode pour detecter des evenements audio anormaux |
CN104205822A (zh) * | 2011-12-08 | 2014-12-10 | 皮埃尔和玛利居里大学(巴黎第六大学) | 采用异步传感器的场景三维重建方法 |
WO2016061668A1 (en) * | 2014-10-23 | 2016-04-28 | 2352409 Ontario Inc. | Device and method for identifying subject's activity profile |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3598110A (en) * | 1969-04-10 | 1971-08-10 | Physic Control Corp | Ventricular arrhythmia detection system |
US6700538B1 (en) | 2000-03-29 | 2004-03-02 | Time Domain Corporation | System and method for estimating separation distance between impulse radios using impulse signal amplitude |
US6684100B1 (en) * | 2000-10-31 | 2004-01-27 | Cardiac Pacemakers, Inc. | Curvature based method for selecting features from an electrophysiologic signals for purpose of complex identification and classification |
WO2007019498A2 (en) * | 2005-08-08 | 2007-02-15 | University Of Florida Research Foundation, Inc. | Device and methods for biphasis pulse signal coding |
GB0803140D0 (en) * | 2008-02-21 | 2008-03-26 | Sentec Ltd | Technique for inference of multiple appliances' power use from single point measurements |
US8401624B2 (en) * | 2008-12-03 | 2013-03-19 | Biosense Webster, Inc. | ECG signal analysis tool |
US9833196B2 (en) * | 2011-03-02 | 2017-12-05 | The Regents Of The University Of California | Apparatus, system, and method for detecting activities and anomalies in time series data |
CN104254275A (zh) * | 2012-02-22 | 2014-12-31 | 阿克拉里斯医疗有限责任公司 | 生理信号检测装置和系统 |
US9846845B2 (en) * | 2012-11-21 | 2017-12-19 | Disney Enterprises, Inc. | Hierarchical model for human activity recognition |
DE102013110151A1 (de) * | 2013-09-16 | 2015-04-02 | Airbus Defence and Space GmbH | Verfahren zum Detektieren eines Fehlers in einer Anordnung, Detektionsvorrichtung und Flugkörper |
US20160029974A1 (en) * | 2013-10-24 | 2016-02-04 | JayBird LLC | System and method for tracking biological age over time based upon heart rate variability using earphones with biometric sensors |
US9918651B2 (en) * | 2014-09-02 | 2018-03-20 | The Regents Of The University Of Michigan | Electrocardiogram data analysis method for rapid diagnosis |
FR3033914A1 (fr) | 2015-03-16 | 2016-09-23 | Univ Pierre Et Marie Curie (Paris 6) | Procede de traitement d'un signal asynchrone |
-
2017
- 2017-09-08 CN CN201780055286.5A patent/CN109844739B/zh active Active
- 2017-09-08 US US16/331,808 patent/US11080523B2/en active Active
- 2017-09-08 CA CA3035520A patent/CA3035520A1/fr active Pending
- 2017-09-08 JP JP2019513319A patent/JP7209622B2/ja active Active
- 2017-09-08 AU AU2017322448A patent/AU2017322448B2/en active Active
- 2017-09-08 EP EP17771501.8A patent/EP3510495A1/fr active Pending
- 2017-09-08 WO PCT/FR2017/052393 patent/WO2018046868A1/fr unknown
-
2022
- 2022-10-20 JP JP2022168637A patent/JP2023017794A/ja not_active Ceased
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010122056A2 (fr) * | 2009-04-24 | 2010-10-28 | Thales | Systeme et methode pour detecter des evenements audio anormaux |
CN104205822A (zh) * | 2011-12-08 | 2014-12-10 | 皮埃尔和玛利居里大学(巴黎第六大学) | 采用异步传感器的场景三维重建方法 |
WO2016061668A1 (en) * | 2014-10-23 | 2016-04-28 | 2352409 Ontario Inc. | Device and method for identifying subject's activity profile |
Also Published As
Publication number | Publication date |
---|---|
JP2023017794A (ja) | 2023-02-07 |
US20190370542A1 (en) | 2019-12-05 |
AU2017322448A1 (en) | 2019-03-14 |
CA3035520A1 (fr) | 2018-03-15 |
AU2017322448B2 (en) | 2021-10-21 |
CN109844739A (zh) | 2019-06-04 |
WO2018046868A1 (fr) | 2018-03-15 |
EP3510495A1 (fr) | 2019-07-17 |
JP2020502604A (ja) | 2020-01-23 |
JP7209622B2 (ja) | 2023-01-20 |
US11080523B2 (en) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3358508A1 (en) | Abnormality detection apparatus, abnormality detection method, and program | |
CN107086944B (zh) | 一种异常检测方法和装置 | |
US20140149325A1 (en) | System monitor and method of system monitoring | |
CN108763346B (zh) | 一种滑窗箱型图中值滤波的异常点处理方法 | |
WO1997043722A1 (en) | Method and apparatus for detecting nonlinearity in a dynamical system | |
JP7072531B2 (ja) | 異常検出装置および異常検出方法 | |
US11568208B2 (en) | Solution for machine learning system | |
KR20180020123A (ko) | 비동기 신호 처리 방법 | |
CN105100701A (zh) | 提高从主体的视频获得的生理信号的准确性 | |
CN114218009A (zh) | 一种时间序列异常值检测方法、装置、设备及存储介质 | |
WO2019121655A1 (en) | A probability-based detector and controller apparatus, method, computer program | |
JP2017502390A (ja) | データに基づく関数モデルを定めるための方法及び装置 | |
US20200012866A1 (en) | System and method of video content filtering | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
CN109844739B (zh) | 用于在多种信号中模式识别的方法 | |
CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
JP2020067948A (ja) | 分析装置、分析方法および分析プログラム | |
Luca et al. | Anomaly detection using the Poisson process limit for extremes | |
CN111982149A (zh) | 一种计步识别方法、装置、设备及可读存储介质 | |
CN114533010A (zh) | 心率检测方法和装置 | |
Cenedese et al. | A parsimonious approach for activity recognition with wearable devices: An application to cross-country skiing | |
CN115496105B (zh) | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 | |
CN114758408B (zh) | 基于多分类器的混淆行为冲突管理系统及方法 | |
US20140143793A1 (en) | Event processing method and apparatus performing the same | |
KR102007580B1 (ko) | 심박 변이도의 프랙탈 속성을 이용한 수면 단계 판정 방법 및 장치 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |