CN110945519A - 追踪数据上的光谱响应合成 - Google Patents
追踪数据上的光谱响应合成 Download PDFInfo
- Publication number
- CN110945519A CN110945519A CN201880047894.6A CN201880047894A CN110945519A CN 110945519 A CN110945519 A CN 110945519A CN 201880047894 A CN201880047894 A CN 201880047894A CN 110945519 A CN110945519 A CN 110945519A
- Authority
- CN
- China
- Prior art keywords
- signal
- signal components
- components
- detection signal
- detection
- 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.)
- Pending
Links
- 230000003595 spectral effect Effects 0.000 title claims description 34
- 230000004044 response Effects 0.000 title claims description 31
- 230000015572 biosynthetic process Effects 0.000 title description 20
- 238000003786 synthesis reaction Methods 0.000 title description 20
- 238000000034 method Methods 0.000 claims abstract description 156
- 238000001514 detection method Methods 0.000 claims description 182
- 238000012360 testing method Methods 0.000 claims description 114
- 230000008569 process Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 40
- 239000002131 composite material Substances 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 30
- 238000012512 characterization method Methods 0.000 claims description 29
- 230000000007 visual effect Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 5
- 238000002939 conjugate gradient method Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 abstract description 84
- 239000011159 matrix material Substances 0.000 description 20
- 230000002829 reductive effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 229940124647 MEK inhibitor Drugs 0.000 description 10
- 102100031480 Dual specificity mitogen-activated protein kinase kinase 1 Human genes 0.000 description 9
- 101710146526 Dual specificity mitogen-activated protein kinase kinase 1 Proteins 0.000 description 9
- 239000000203 mixture Substances 0.000 description 8
- 238000009472 formulation Methods 0.000 description 7
- 102100023266 Dual specificity mitogen-activated protein kinase kinase 2 Human genes 0.000 description 6
- 101710146529 Dual specificity mitogen-activated protein kinase kinase 2 Proteins 0.000 description 6
- 108010007457 Extracellular Signal-Regulated MAP Kinases Proteins 0.000 description 6
- 102000007665 Extracellular Signal-Regulated MAP Kinases Human genes 0.000 description 6
- 108040008097 MAP kinase activity proteins Proteins 0.000 description 6
- 102000019149 MAP kinase activity proteins Human genes 0.000 description 6
- 230000002238 attenuated effect Effects 0.000 description 5
- 238000001962 electrophoresis Methods 0.000 description 5
- 101000876610 Dictyostelium discoideum Extracellular signal-regulated kinase 2 Proteins 0.000 description 4
- 101001052493 Homo sapiens Mitogen-activated protein kinase 1 Proteins 0.000 description 4
- 102100024193 Mitogen-activated protein kinase 1 Human genes 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 102000043136 MAP kinase family Human genes 0.000 description 1
- 108091054455 MAP kinase family Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 238000001262 western blot Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Complex Calculations (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
用于在存在噪声的情况下检测、解耦和量化追踪信号数据中的未解决的信号而不需要未解决的信号的信号特征(例如,信号峰位置、强度和宽度)的先验知识的系统和方法。系统和方法可用于分析具有一个或多个组成信号的任何追踪数据信号,包括重叠的组成信号,并且具体地可用于分析通常包含未知数量的组成信号的数据信号,组成信号具有变化的信号特征,诸如峰位置、峰强度和峰宽度以及变化的分辨率。针对追踪信号数据中的每个未知的组成信号来假定通用信号模型函数。
Description
交叉引用
本专利申请要求Humphrey于2018年3月7日提交的标题为“Spectral ResponseSynthesis On Trace Data(追踪数据上的光谱响应合成)”的美国专利申请第15/914,737号;以及Humphrey于2017年7月17日提交的标题为“Spectral Response Synthesis OnTrace Data(追踪数据上的光谱响应合成)”的美国临时申请第62/533,430号的优先权,每个都通过引用并入本文。
联邦赞助的研究或开发
本发明是在政府支持下在由卫生和公共服务部颁发的授权编号IR43GM112289-01下完成的。政府对本发明享有一定的权利。
背景技术
本公开涉及计算领域,具体地涉及用于分析和/或过滤追踪数据或图像数据的任何数据流以确定组成信号并且显示该数据流的组成信号的方法和装置。数据流的示例包括具有数据的数据流,该数据表示静止图像、视频以及其他一维、二维、三维、四维和更高维数据集。
发明内容
本公开提供了用于在存在噪声的情况下检测、解耦和量化追踪信号数据中的未解决的信号而不需要(多个)信号的一般预期形状(例如,广义信号模型函数,诸如高斯或偏态高斯)以外的未解决的信号的信号特征(例如,信号峰位置、强度和宽度)的先验知识(priorknowledge)的系统和方法。该系统和方法可用于分析具有一个或多个重叠的组成信号的任何追踪数据信号,并且具体地可用于分析电泳数据信号、色谱数据信号、光谱数据信号以及通常包含未知数量的组成信号的类似数据信号,该组成信号具有变化的信号特征(诸如,峰位置、峰强度和峰宽度)以及变化的分辨率。
根据实施例,提供了一种处理器实施的方法以处理追踪信号以确定追踪信号的两个或多个重叠的信号分量。该方法通常包括:接收追踪信号数据,该追踪信号数据包括多个N个数据点并且在限定追踪数据的带宽内表示至少M个信号,其中,M是大于或等于1的整数;以及针对多个测试信号宽度值中的每个分别处理追踪信号数据,以产生光谱响应数据,该光谱响应数据包括针对多个测试信号宽度值中的每个的追踪信号数据的一个或多个检测信号分量中的每个的信号位置和信号强度值。该方法通常还包括:针对多个测试信号宽度值中的每个,基于一个或多个检测信号分量的信号强度值来确定光谱响应数据中的一个或多个检测信号分量组,每个检测信号分量组包括与具有非零的正信号强度值的一个或多个连续信号位置相对应的检测信号分量中的一个或多个;以及针对一个或多个检测信号分量组中的每个确定一个或多个信号表征参数,其中,一个或多个信号表征参数至少包括一个或多个检测信号分量组中的每个的位置,以及其中,一个或多个检测信号分量组中的每个的位置是通过计算组成检测信号分量组的一个或多个检测信号分量的位置的质心来确定的。该方法通常进一步包括:此后,基于一个或多个检测信号分量组的信号表征参数中的一个或多个,对针对测试信号宽度值的所有或子集确定的检测信号分量组的所有或子集执行迭代组合优化过程,以确定相对于追踪信号数据具有最佳匹配的一个或多个检测信号分量组的最终集合;以及基于一个或多个检测信号分量组的最终集合输出追踪信号数据的一个或多个信号分量的位置、强度和信号宽度。
在某些方面中,执行迭代组合优化过程包括:选择一个或多个检测信号分量组的初始集合;以及在每个迭代中:i)确定包括一个或多个检测信号分量组的初始集合的复合信号;ii)确定复合信号相对于追踪信号数据的百分比拟合误差;iii)选择未使用的检测信号分量组,其中,未使用的检测信号分量组是在任何迭代期间未被包括在一个或多个检测信号分量组的初始集合中的检测信号分量组;iv)将未使用的检测信号分量组添加到初始集合,或者用未使用的检测信号分量组替换初始集合中的检测信号分量组之一以形成一个或多个检测信号分量组的变更集合;以及v)通过使用一个或多个检测信号分量组的变更集合作为一个或多个检测信号分量组的初始集合迭代地重复步骤i)至iv),直到检测信号分量组的所有或子集中的所有检测信号分量组在步骤iv)的至少一个迭代中已经被使用,来确定一个或多个检测信号分量组的最终集合,其中,最终集合对应于具有在步骤ii)中确定的最佳匹配的变更集合。
在某些方面中,处理追踪信号数据以针对指定测试信号宽度值产生光谱响应数据包括:将信号分量的初始集合定义为数量N个数据点,其中,信号分量的初始集合中的信号分量中的每个的初始信号位置对应于数量N个数据点的带宽内的位置。该方法通常还包括:a)对信号分量的初始集合中的每个信号分量同时执行数值方法信号提取计算,b)基于提取计算针对信号分量的初始集合中的每个信号分量确定信号幅度值,c)基于提取计算从信号分量的初始集合去除或衰减被确定为具有负信号幅度值的每个信号分量,以产生信号分量的调整集合,以及d)基于提取计算,通过使用信号分量的调整集合作为信号分量的初始集合迭代地重复步骤a)至c)直到没有信号分量具有负幅度值,来确定信号分量的最终集合。
在某些方面中,针对一个或多个检测信号分量组中的每个,信号表征参数进一步包括信号检测宽度值、幅度和误差值以及微分误差值(differential error value)。在某些方面中,针对一个或多个检测信号分量组中的每个确定一个或多个信号表征参数进一步包括:通过计算组成检测信号分量组的一个或多个检测信号分量的组合宽度来针对一个或多个检测信号分量组中的每个确定信号检测宽度值;通过计算组成检测信号分量组的一个或多个检测信号分量的强度值的总和来确定一个或多个检测信号分量组中的每个的幅度;针对一个或多个检测信号分量组中的每个,计算误差值;以及针对一个或多个检测信号分量组中的每个,计算微分误差值。
根据实施例,提供了一种处理追踪信号以确定追踪信号的一个或多个未知的信号分量的处理器实施的方法。该方法通常包括:接收追踪信号数据,该追踪信号数据包括多个N个数据点并且在限定追踪数据的带宽内表示至少M个信号,其中,M是大于或等于1的整数;以及将信号分量的初始集合定义为数量N个数据点,其中,信号分量的初始集合中的信号分量中的每个的初始信号位置对应于数量N个数据点的带宽内的位置。该方法通常还包括:a)对信号分量的初始集合中的每个信号分量同时执行数值方法信号提取计算,b)基于提取计算针对信号分量的初始集合中的每个信号分量确定信号幅度值,c)基于提取计算从信号分量的初始集合去除或衰减被确定为具有负信号幅度值的每个信号分量,以产生信号分量的调整集合,以及d)基于提取计算,通过使用信号分量的调整集合作为信号分量的初始集合迭代地重复步骤a)至c)直到没有信号分量具有负幅度值,来确定信号分量的最终集合。该方法通常进一步包括:基于信号分量的最终集合输出追踪信号的一个或多个信号分量的信号位置和信号强度。输出的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。
在某些方面中,基于信号分量的最终集合输出追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:在信号分量的最终集合中标识一个或多个幅度组,每个幅度组包括与一个或多个连续位置相对应的信号分量,该一个或多个连续位置分别具有非零的正幅度值;通过计算相应幅度组的质心来针对追踪信号的一个或多个信号分量中的每个来确定信号位置;以及通过对相应幅度组内的信号分量的幅度值求和来针对追踪信号的一个或多个信号分量中的每个来确定信号强度。
在某些方面中,追踪数据中的信号分量的所有或子集被假定为在执行数值方法信号提取计算时具有相同的曲线分布类型,其中,曲线分布类型选自由高斯分布(Gaussianprofile)、双高斯分布、指数修正高斯分布、哈尔霍夫-范德林德(Haarhoff-van derLinde)分布、洛伦兹(Lorentzian)分布或沃伊特(Voigt)分布组成的组。在某些方面中,数值方法提取计算包括共轭梯度法、广义最小余量法(Generalized Minimum Residualmethod)、牛顿法、布洛伊登(Broyden)法或高斯消去法。在某些方面中,使用矩阵公式化执行数值方法信号提取计算,其中,确定信号幅度值包括标识具有负幅度的幅度矩阵的索引,以及其中,去除或衰减包括更新加权矩阵,使得在加权矩阵中相应标识的索引的权重值分别乘以衰减因子,其中,衰减因子小于1并且大于或等于0。
根据另一实施例,一种存储代码的计算机可读介质,该代码在由一个或多个处理器执行时使一个或多个处理器实施处理追踪信号以确定追踪信号的一个或多个未知的信号分量的方法,该代码包括用于执行本文在上面和下面提及的各种步骤的指令。
根据再一实施例,提供了一种处理设备,该处理设备根据本文在上面和下面提及的各种方法步骤中的一些或所有处理追踪信号以确定追踪信号的一个或多个未知的信号分量。该设备通常包括处理器以及存储器,该存储器存储可由处理器执行的代码,其中,代码包括指令,该指令在由处理器执行时使处理器执行本文在上面和下面提及的各种步骤。
参照包括附图和权利要求书的说明书的其余部分将实现本发明的其他特征和优点。下面相对于附图详细描述本发明的其他特征和优点以及本发明的各种实施例的结构和操作。在附图中,相似的附图标记指示相同的或者功能类似的元件。
附图说明
参照附图描述了具体实施方式。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类似或相同的项。
图1是根据实施例的用于确定追踪信号数据中的组成信号的示例系统的框图。
图2是根据实施例的确定存在于追踪信号数据中的组成信号的数量、位置和强度(即,幅度)的方法(阶段I)的流程图。
图3图示了根据实施例的与复合信号(MEK1和MEK2的组合)一起显示的MEK 1/2的电泳图追踪数据的两个确定的组成信号MEK 1和MEK 2的示例视觉表示。
图4示出了根据实施例的与复合信号和追踪数据信号一起显示的两个组成信号MEK 1和MEK 2的视觉表示。
图5图示了根据实施例的与复合信号(ERK1和ERK2的组合)一起显示的ERK 1/2的电泳图追踪数据的两个确定的组成信号ERK 1和ERK 2的示例视觉表示。
图6示出了与复合信号和追踪数据信号一起显示的两个组成信号ERK 1和ERK 2的视觉表示。
图7是根据实施例的信号检测和合成方法(阶段I)的矩阵公式化的流程图。
图8A至8E图示了根据图7的方法在没有噪声的情况下处理追踪信号的示例:图8A示出了原始的追踪信号数据;图8B示出了在两次处理迭代之后的减少的试用信号集;图8C示出了在八次处理迭代之后的减少的试用信号集;图8D示出了在N次处理迭代之后减少的试用信号集;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的总和的可视化,其与图8A所示的原始追踪信号数据相匹配。
图9A至9E图示了根据图7的方法在具有噪声的情况下处理追踪信号的示例:图9A示出了原始的追踪信号数据;图9B示出了在两次处理迭代之后的减少的试用信号集;图9C示出了在八次处理迭代之后的减少的试用信号集;图9D示出了在N次处理迭代之后的减少的试用信号集;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的总和的可视化,其基本上与图9A所示的原始追踪信号数据相匹配。
图10是根据实施例的信号宽度(σ)确定方法(阶段II)的矩阵公式化的流程图。
图11A至11C图示了在没有噪声的情况下追踪信号数据的示例阶段II结果,其中,真实信号宽度(σ)为10:图11A示出了测试σ为6且拟合误差为0的结果;图11B示出了测试σ为10且拟合误差为0的结果;以及图11C示出了测试σ为14且拟合误差为5.04的结果。
图12图示了拟合误差(或PEk)与测试σ的曲线图。
图13图示了峰计数比(或PCk)与测试σ的曲线图。
图14图示了计算的σ拟合因子(或SFk)与测试σ的曲线图。
图15A至15C图示了在存在噪声的情况下追踪信号数据的示例阶段II结果,其中,真实信号宽度(σ)为10:图15A示出了测试σ为6且拟合误差为6.23的结果;图15B示出了测试σ为10且拟合误差为6.31的结果;以及图15C示出了测试σ为14且拟合误差为8.44的结果。
图16图示了拟合误差(或PEk)与测试σ的曲线图。
图17图示了峰计数比(或PCk)与测试σ的曲线图。
图18图示了计算的σ拟合因子(或SFk)与测试σ的曲线图。
图19是根据实施例的用于计算系统或设备的示例功能组件的框图,该计算系统或设备被配置为执行本文描述的一种或多种分析技术。
图20图示了用于确定在追踪信号数据中具有相同或不同宽度的组成信号的示例性系统的框图。
图21是根据实施例的确定存在于追踪信号数据中的一个或多个组成信号中的每个的数量、位置、强度(即,幅度)和宽度的方法的流程图。
图22图示了输入追踪信号数据的示例。
图23至31示出了示例高斯光谱响应数据集(例如,主干图、位置和幅度)以及针对九(9)个测试信号宽度值的初始集合中的每个的复合高斯拟合追踪。
图32图示了所有(未过滤的)检测信号分量组的散布图的示例,其中,x轴表示位置,并且y轴表示测试信号宽度(例如,FWHM)。
图33至37图示了根据应用于图32所示的检测信号分量组的过滤器过滤的检测信号分量组的散布图的示例。
图38A示出了根据实施例的表示从选择过程的第一迭代(迭代1)选择的信号的散布图。
图38B示出了根据实施例的表示所选组成信号、其复合以及相对于来自迭代1的输入追踪的所得百分比误差的合成数据。
图39A示出了根据实施例的表示从选择过程的第四次迭代(迭代4)选择的信号的散布图。
图39B示出了根据实施例的表示所选组成信号、其复合以及相对于来自迭代4的输入追踪的所得百分比误差的合成数据。
图40A示出了根据实施例的表示从选择过程的第七次迭代(迭代7)选择的信号的散布图。
图40B示出了根据实施例的表示所选组成信号、其复合以及相对于来自迭代7的输入追踪的所得百分比误差的合成数据。
图41A示出了根据实施例的表示从选择过程的第十二次迭代(迭代12)选择的信号的散布图。
图41B示出了根据实施例的表示所选组成信号、其复合以及相对于来自迭代12的输入追踪的所得百分比误差的合成数据。
图42A示出了根据实施例的表示从选择过程的第二十次迭代(迭代20)选择的信号的散布图。
图42B示出了根据实施例的表示所选组成信号、其复合以及相对于来自迭代20的输入追踪的所得百分比误差的合成数据。
图43A示出了根据实施例的表示从选择过程的第二十三次迭代(迭代23)选择的信号的散布图。
图43B示出了根据实施例的表示所选组成信号、其复合以及相对于来自迭代23的输入追踪的所得百分比误差的合成数据。
具体实施方式
根据各种实施例,用于检测、解耦和量化追踪信号数据中的未解决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,这些技术不需要信号数量或信号特征的先验知识,无论是否重叠,而是需要从头开始独立确定未知组成信号的基础数据特征。
该方法可用于分析具有一个或多个组成信号的任何数据信号,并且具体地用于分析电泳数据信号、色谱数据信号、光谱数据信号以及通常包含未知数量的信号,通常在频率上重叠的类似信号,该信号具有变化的信号特征诸如峰位置、峰强度和峰宽度以及变化的分辨率。作为一个特定示例,将本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、吞吐量、含量、再现性和信号分化来增强蛋白质表达的测量。
针对追踪信号数据中的每个未知的组成信号,假定了通用的信号模型函数(例如,高斯、洛伦兹、沃伊特等)。在第一阶段中,通过从试用信号的初始集合开始迭代执行多次同时评估,以并行方式自动确定组成信号的数量和信号特征。例如,可能信号的初始试用集可以包括追踪数据中的所有数据点或所有数据点的子集。在第一迭代期间,同时评估试用信号集(峰位置、强度、宽度)中的每个试用信号,然后将该集合系统地减少为减少的信号集合。此后的每个迭代期间,同时评估减少的信号集合中(峰位置、强度、宽度)中的每个信号,并且系统地减少该组。同时进行评估并系统地减少试用信号的数量允许以非常快速且有效的方式收敛到最优的最终信号集。在某些方面中,假定初始试用信号具有指定的宽度,并且在本公开的方法的第二阶段中,宽度确定过程确定追踪信号数据的确定的组成信号的最优宽度,其中,假定信号的宽度基本相同。系统的信号减少方法和信号宽度确定有利地抵抗数据的过度拟合。在另一实施例中,不假定初始试用信号具有指定的宽度,并且可以具有相同或不同的宽度;宽度确定过程确定追踪信号数据的确定的组成信号的最优宽度,其中,信号的宽度可以相同或不同。
图1是根据实施例的用于确定追踪信号数据中的组成信号的示例系统的框图。如所示,接收到追踪信号数据102。追踪信号数据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,用于分析示踪气体)或色谱(液体或气体)成像设备或电泳成像设备或生成追踪信号数据的其他设备,这些追踪信号数据包括本文未列出的多个重叠(频率上)的数据信号。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属性。示例可能包括表示汽车或行人交通流或交通流率的信号。
追踪信号数据102由信号检测和表征引擎104接收。如本文更详细地描述的,信号检测和表征引擎104分析追踪信号数据102,以确定和量化在追踪信号数据102中存在的组成信号。所确定的信息诸如存在的组成信号的数量和信号特征诸如峰位置、峰幅度或强度以及峰宽度被提供给追踪数据合成引擎106。追踪数据合成引擎106处理信号特征以提供输出,诸如,提供表征组成信号的数据和/或渲染表示追踪数据信号及其组成信号的视觉表示的输出图像108。如图1所示,例如,追踪信号数据102由信号检测和表征引擎104确定为具有三(3)个组成信号,并且追踪数据合成引擎106渲染示出三个组成信号和复合信号的显示器,该复合信号表示追踪信号数据102的信号含量。例如,三个组成信号可以表示电泳追踪数据、色谱追踪数据、光谱追踪数据或本文未列出的其他产生的追踪数据中的组成化合物。根据各种实施例,信号检测和表征引擎104和/或追踪数据合成引擎106中的每个可以以硬件、软件和/或硬件和软件的组合来实施。进一步地,信号检测和表征引擎104和追踪数据合成引擎106可以在相同的处理设备中或在不同的处理设备中实施。
图2是根据实施例的确定存在于追踪信号数据中的组成信号的数量、位置和强度(即,幅度)的方法200(阶段I)的流程图。针对指定的信号宽度(或测试sigma(σ)),追踪数据的未知组成信号每个被假定为具有相同的信号分布(例如,高斯、洛伦兹等)。例如,可以基于生成追踪信号数据的设备或系统的特征自动确定最优信号分布和测试宽度(例如,测试σ),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的列表中选择)。有利地,本实施例不需要追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,其中,信号检测和表征引擎104接收或获取要处理的追踪信号数据102。追踪信号数据102通常包括多个N个数据点,并且表示由追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中,基于追踪信号数据自动定义信号分量的初始集合(可能的组成信号)。例如,将用于处理的信号分量的初始集合M定义为原始数据追踪中的追踪数据点的数量N,其中,信号分量的初始集合中的每个信号分量的初始信号(峰)位置都对应于追踪信号数据的数量N个数据点的位置。例如,将初始试用信号峰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,以最好地匹配追踪信号数据。弱化或衰减具有无效(例如,负)幅度的信号以产生调整后的信号集。例如,在步骤230中,同时对信号分量的初始集合中的每个信号分量执行数值方法信号提取计算,并且在步骤240中,基于提取计算为信号分量的初始集合中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法、广义最小余量法、牛顿法、布洛伊登法、高斯消去法或本领域技术人员显而易见的类似方法。而且,如上文,当执行数值方法信号提取计算时,假定追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、指数修正高斯分布、哈尔霍夫-范德林德分布、洛伦兹分布和沃伊特分布。
在步骤250中,弱化(例如,衰减或去除)基于提取计算被确定为具有负信号幅度值的每个信号分量以产生信号分量的调整集合。该方法然后用调整后的信号集重新计算信号幅度值。该方法继续系统地调整(弱化)信号,直到不存在负信号幅度,从而导致具有与输入追踪的信号含量相匹配的正幅度的信号分量的最终集合(数量、位置和幅度)。例如,在步骤260中,基于步骤230的提取计算,通过在每个迭代中使用来自先前迭代的信号分量的调整集合作为信号分量的初始集合迭代地重复步骤230、240和250直到没有信号分量具有负幅度值,来确定信号分量的最终集合。在步骤270中,输出关于最终信号集的信息。例如,追踪数据合成引擎106可以基于信号分量的最终集合来输出追踪信号的一个或多个(先前未知的)信号分量的信号峰位置和信号峰强度和/或追踪数据合成引擎106可以渲染重叠信号分量的视觉表示和/或表示信号分量组合的复合信号,其具有或没有原始追踪信号数据的视觉表示。
在一个实施例中,基于信号分量的最终集合输出追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:标识信号分量的最终集合中的一个或多个幅度组,其中,每个幅度组表示追踪信号数据的组成(先前未知或未解决的)信号分量。在一个实施例中,每个幅度组被定义为包括与每个具有非零的正幅度值的一个或多个连续位置相对应的最终信号分量。针对所标识的每个幅度组,因此针对追踪信号数据的每个组成信号,通过计算相应幅度组的质心来确定信号峰位置。同样地,针对所标识的每个幅度组,因此针对追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至6图示了接收到的追踪信号数据的示例,该追踪信号数据表示根据图2的方法确定的MEK 1/2的电泳图数据(促分裂原激活蛋白激酶)和ERK 1/2的电泳图数据(细胞外信号调节激酶)以及组成信号的视觉表示。图3图示了由信号检测和表征引擎104接收和处理的MEK 1/2的电泳图追踪数据302以及与复合信号308(MEK1和MEK2的组合)一起显示的两个确定的组成信号MEK 1和MEK 2的视觉表示的示例。图4示出了与复合信号和追踪信号数据302一起显示的两个组成信号MEK 1和MEK 2的视觉表示。如所示,复合信号308基本与追踪数据信号302匹配,指示该方法在准确检测时的鲁棒性并且在存在噪声的情况下表征分辨率较差的信号。图5图示了由信号检测和表征引擎104接收和处理的ERK 1/2的电泳图追踪数据502以及与复合信号508(ERK1和ERK2的组合)一起显示的两个确定的组成信号ERK 1和ERK 2的视觉表示的示例。图6示出了与复合信号和追踪数据信号502一起显示的两个组成信号ERK 1和ERK 2的视觉表示。如所示,复合信号508基本与追踪数据信号502匹配,指示该方法在准确检测时的鲁棒性并且在存在噪声的情况下表征分辨率较差的信号。
现在将参照图7描述在矩阵公式化中实施的用于确定追踪信号数据的一个或多个未知信号分量的阶段I的方法的具体示例。图7是根据实施例的信号检测和合成方法700的矩阵公式化的流程图。在图7所示的实施例中,假定接收到的追踪信号数据的组成信号具有高斯分布和指定的宽度(测试σ),并且方法700确定追踪信号数据的组成信号的特征(例如,信号的数量、峰的位置和峰的幅度)。
在步骤710中,接收追踪信号数据。追踪信号数据包括由x和y坐标定义的多个N个数据点(即,追踪信号数据的带宽由x维度或范围例如可以是光谱得出的数据的频率定义,并且幅度是由y维度定义的)。图8A图示了在二维x-y曲线图中显示的追踪信号数据的视觉表示。如在图8A的示例中所示,追踪信号数据的范围为140(x=1至x=140),并且为了描述的目的,假定包括140(N)个数据点。示例性高斯模型可以指定为:
G(i,j)=aiE(i,j) (1)
其中
xj=追踪数据点位置
yj=追踪数据点强度值
μi=信号峰(均值)位置
σ=信号宽度(σ)
ai=信号峰幅度
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,将试用信号的初始数量设置为等于数据点的数量(M=N)或图8的示例中的140个数据点。在步骤722中,将初始试用信号峰位置(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如下建立或创建矩阵定义:
建立误差,该误差平方等于:
并且执行最小平方(或其他回归拟合分析)过程,该过程包括对相对于每个幅度(ai)平方的误差进行微分(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:
使得等式(5)可以被重写为:
Ca=b (9)
在步骤726中,将加权矩阵w定义和初始化为:
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。每个权重w的值都包含地介于0和1之间,其中,权重为0表示完全去除,并且权重为1表示没有减少或弱化。在某些方面中,权重可以随每个迭代而变化,并且权重可以在所有索引上一致地变化(所有权重变化相同的量),或者在所有索引上不同地变化(例如,一个或多个特定权重可以在每个迭代中变化不同的值)。在第一迭代中,权重应该全部设置为1(但不必)。
在步骤730中,通过定义以下内容来计算信号提取矩阵(H):
H=Iw (11)
I=M×M单位矩阵
并且用信号提取矩阵更新等式(9),如下:
[HCH]a=Hb (12)
在步骤740中,利用诸如共轭梯度过程等数值方法或其他有用的方法在等式(12)中求解幅度(ai)。其他有用的数值方法包括广义最小余量法、牛顿法、布洛伊登法、高斯消去法等。在判定步骤744中,如果任何确定的幅度为负,则在步骤746中建立或标识与负幅度相对应的幅度索引。在步骤750中,将具有相应索引(负幅度)的权重值(wi)乘以衰减因子(0≤衰减因子<1)。然后在步骤730中利用更新的加权矩阵(w)重新计算信号提取矩阵(H)。然后在步骤740中利用等式(12)用更新的矩阵来重新计算幅度。如果任何重新计算的幅度为负,则重复该过程(更新(w)和(H)矩阵并重新计算幅度),直到每个和计算出的幅度中的每个都大于或等于零。通过这种方式,电位(试用)信号的初始数量(N)已被系统地减少到电位信号的最终数量,例如,非零且为正的幅度(ai)的数量。如果在判定步骤744中所有剩余幅度值均为非负值(大于或等于零),则该方法前进至步骤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中输出组成信号的数量、组成信号的峰位置和/或幅度或强度。
在一个实施例中,例如,最终的组成信号通过检测幅度组来确定,其中,组被定义为一个或多个连续(无间隙)的非零正幅度(ai)。在一个实施例中,组成信号的信号位置是每个幅度组的所计算的质心,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8A至8E以及图9A至9E图示了根据实施例的根据方法700处理追踪信号的示例。在图8A至8E和图9A至9E中,追踪信号数据有噪声/包括噪声。
图8A示出了包括140个数据点的原始追踪信号数据。图8B示出了在过程700的两次处理迭代(具体地,步骤730至750)之后的减少的试用信号集。图8C示出了在过程700的八次处理迭代之后的减少的试用信号集。如在图8C中可以看到的,信号开始收敛到三组。在下一迭代时,在步骤750中弱化图8C所示的负幅度值。图8D示出了过程700的N次处理迭代之后的减少的试用信号集(在追踪数据点的数量中不是N,而是通用值N,在这种情况下可以是11或12)。如在图8D中可以看到的,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,峰位置、峰强度和宽度(在这种情况下为指定的测试σ))的视觉表示,还示出了三个组成信号之和的可视化,其与图8A所示的原始追踪信号数据相匹配。
图9A示出了包括140个数据点的原始追踪信号数据。图9A中的追踪信号数据类似于图8A,但是包括噪声。图9B示出了在过程700(具体地步骤730至750)的两次处理迭代之后的减少的试用信号集。图9C示出了在过程700的八次处理迭代之后的减少的试用信号集。如在图9C中可以看到的,信号开始收敛到三组。在下一迭代时,在步骤750中弱化图9C所示的负幅度值。图9D示出了过程700的N次处理迭代之后的减少的试用信号集(不是如在追踪数据点的数量中的N,而是通用值N,在这种情况下可以是11或12)。如在图9D中可以看到的,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,峰位置、峰强度和宽度(在这种情况下为指定的测试σ))的视觉表示,还示出了三个组成信号之和的可视化,其与图9A所示的原始追踪信号数据基本匹配,但是没有例如通过实施过程700而有效地滤出的噪声。
在一些情况下,需要确定在阶段I中确定的组成信号的最优宽度。该方法的阶段II与阶段I一起确定最优信号宽度(σ)以及关联的信号数量、位置和包含在输入追踪数据内的每个信号(假定为高斯)的幅度。在一个实施例中,试用(测试)信号宽度集合在阶段I中被单独处理(方法700),并且一起被评估为集合以确定最优信号σ(以及关联的信号数量、位置和幅度)。例如,在一个实施例中,定义了多个测试信号宽度值,并且针对多个测试信号宽度值中的每个重复阶段I过程700,并且一起评估了每个阶段I输出的结果以确定追踪信号的一个或多个信号分量中的每个的最优信号宽度。测试信号宽度值可以基于生成追踪信号数据的设备或系统的特征自动定义,或由用户设置(例如,通过输入特定的测试σ值或一系列值,或从可能值或一系列值的列表中进行选择)。
现在将参照图10描述在矩阵公式化中实施的用于确定追踪信号数据的一个或多个未知信号分量的阶段II的方法的具体示例。图10是根据实施例的信号宽度(σ)确定方法1000的矩阵公式化的流程图。在方法1000中,图7所示的示例性高斯模型被更新为包括多个信号宽度,如下:
G(i,j,k)=A(i,k)E(i,j,k) (13)
其中xj=追踪数据点位置
yj=追踪数据点强度值
μi=信号峰(均值)位置
A(i,k)=信号峰幅度矩阵
σk=信号测试宽度(σ)
i=1至M(信号数量)
j=1至N(数据点的数量)
k=1至P(测试信号宽度的数量(σ))
在步骤1010中,接收追踪信号数据,并且接收多个(例如,两个或多个)测试信号宽度。测试信号宽度(测试σ(σk))可以从用户输入中接收,或者可以由系统自动生成。在步骤1020中,对每个测试σ(σk)执行阶段I方法700,从而为每个数据点位置(xj)和σ(σk)产生幅度集合(A(i,k))。在阶段I方法700中,初始峰的数量(M)等于数据点的数量(N),并且初始信号峰位置(μi)被设置为等于追踪数据点位置(xj)。
在步骤1030中,将来自多阶段I分析(步骤1020)的幅度输出(A(i,k))合成为拟合追踪集合。在一个实施例中,拟合追踪合成如下:
在步骤1040中,选择沿追踪数据位置轴(xj)的区域(r),其中,存在活动(例如,幅度>0)并且信号宽度被认为是稳定的(例如,变化幅度不大于所定义的阈值百分比)。针对该示例,该区域将被定义为等同于追踪数据位置(rj=xj)。
在步骤1050中,确定追踪拟合质量度量。例如,在一个实施例中,如下计算每个测试σ(σk)的追踪百分比拟合误差:
其中,当(PEk=0)时出现完美匹配,并且为每个测试σ(σk)计算追踪拟合峰计数比,如下:
在步骤1060中,例如,通过对等式(16)和(17)进行归一化并且相应地求和来计算最优σ拟合因子:
定位SFk的最小值提供了该追踪数据区域的最优信号宽度(σ)的指示。如果尚未处理其他数据区域,则该方法前进至步骤1040以获取(多个)附加数据区域。
在步骤1070中,输出检测信号特征(例如,来自阶段I的峰位置和强度以及来自阶段II的峰宽度)。步骤1070可以在每个数据区域(r)已经被处理之后或者在所有数据区域已经被处理之后执行。已经建立了信号数量(强度大于零的连续幅度组)、位置(每个幅度组的质心位置)和强度(幅度组总和)。然后可以将这些确定的信号特征进行合成,以描述输入追踪信号数据的信号含量。
图11A至11C和图15A至15C提供了图示在真实σ宽度为10的阶段II方法1000中分别在无噪声和有噪声的情况下针对三个测试信号宽度(σ)的处理(拟合误差)结果的示例。
图11A至11C、12、13和14图示了无噪声的追踪信号数据的示例阶段II结果。图11A至11C图示了对于无噪声的追踪信号数据的三个测试信号宽度(σ)的(拟合误差或PEk)结果,其中,真实信号宽度(σ)为10。图11A示出了测试σ为6且拟合误差为0的结果,图11B示出了测试σ为10且拟合误差为0的结果,并且图11C示出了测试σ为14且拟合误差为5.04的结果。图12图示了针对一系列测试σ(5至15)的来自包含高斯信号的追踪数据的拟合误差(或PEk)与测试σ的曲线图。如可以看到的,在该示例10中,曲线的斜率偏离了测试信号宽度(σ)等于真实信号宽度(σ)的位置。图13图示了针对一系列测试σ(5至15)的来自包含高斯信号的追踪数据的峰计数比(或PCk)与测试σ的曲线图。如可以看到的,在该示例10中,曲线的斜率偏离了测试信号宽度(σ)等于真实信号宽度(σ)的位置。图14图示了针对一系列测试σ(5至15)的来自包含高斯信号的追踪数据的计算σ拟合因子(或SFk)与测试σ的曲线图。如可以看到的,在该示例10中,曲线中的顶点(dip)出现在测试信号宽度(σ)等于真实信号宽度(σ)的位置。
图15A至15C、16、17和18图示了在存在噪声的情况下追踪信号数据的示例阶段II结果。图15A至15C图示了在存在噪声的情况下针对追踪信号数据的三个测试信号宽度(σ)的(拟合误差或PEk)结果,其中,真实信号宽度(σ)为10。图15A示出了测试σ为6且拟合误差为6.23的结果,图15B示出了测试σ为10且拟合误差为6.31的结果,并且图15C示出了测试σ为14且拟合误差为8.44的结果。图16图示了针对一系列测试σ(5至15)的来自包含高斯信号的追踪数据的拟合误差(或PEk)与测试σ的曲线图。如可以看到的,在该示例10中,曲线的斜率偏离了测试信号宽度(σ)等于真实信号宽度(σ)的位置。图17图示了针对一系列测试σ(5至15)的来自包含高斯信号的追踪数据的峰计数比(或PCk)与测试σ的曲线图。如可以看到的,在该示例10中,曲线的斜率偏离了测试信号宽度(σ)等于真实信号宽度(σ)的位置。图18图示了针对一系列测试σ(5至15)的来自包含高斯信号的追踪数据的计算σ拟合因子(或SFk)与测试σ的曲线图。如可以看到的,在该示例10中,曲线中的顶点(dip)出现在测试信号宽度(σ)等于真实信号宽度(σ)的位置。
图19是根据实施例的用于计算系统或设备1902的示例功能组件的框图,该计算系统或设备1902被配置为执行本文在上面或下面描述的一种或多种分析技术。例如,计算设备1902可以被配置为分析输入数据流(追踪信号数据)并且确定输入数据流中的一个或多个(未知)组成信号。图示了计算设备1902的一个特定示例。可以使用计算设备1902的许多其他实施例。在图19的所图示实施例中,计算设备1902包括(多个)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、(多个)输出设备1960和(多个)输入设备1980。计算设备1902还包括可由计算设备1902执行的操作系统1918和通信客户端1940。组件1911、1912、1913、1914、1915、1960、1980、1918和1940中的每个在物理上、通信地和/或可操作地互连,以通过任何操作方式进行组件间通信。
如所图示的,(多个)处理器1911被配置为实施功能性和/或处理指令以在计算设备1902内执行。例如,(多个)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。处理器可以被实施为包括集成指令集的ASIC。可以是非瞬态计算机可读存储介质的存储器1912被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,用于当计算设备1902被关闭时不保留信息的区域。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维护程序指令以供(多个)处理器1911执行。示例程序可以包括图1中的信号检测和表征引擎104和/或追踪数据合成引擎106。
存储设备1914还包括一个或多个非瞬态计算机可读存储介质。存储设备1914通常被配置为存储比存储器1912更大量的信息。存储设备1914可以进一步被配置用于信息的长期存储。在一些示例中,存储装置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硬盘、光盘、软盘、闪速存储器或者电可编程存储器(EPROM)或电可擦除可编程(EEPROM)存储器的形式。
计算设备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可以是网络接口卡诸如以太网卡、光学收发器、射频收发器或者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无线网络接口、移动计算设备中的9G和无线电以及USB(通用串行总线)。在一些实施例中,计算设备1902使用网络接口1913来与外部设备或其他联网的计算设备无线通信。
计算设备1902包括一个或多个单独的或集成的输入设备1980。一些输入设备1980被配置为感测环境并且捕获图像或其他信号。一些输入设备1980被配置为通过触觉、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型屏幕、鼠标、键盘、语音响应系统、相机1903、录像机1904、麦克风1906、GPS模块1908或者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,存在敏感型屏幕包括触敏屏幕。
一个或多个输出设备1960也被包括在计算设备1902中。输出设备1960被配置为使用触觉、音频和/或视频刺激向另一系统或设备或者用户提供输出。输出设备1960可以包括显示屏(例如,单独的屏幕或存在敏感型屏幕的一部分)、声卡、视频图形适配器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)监测器、液晶显示器(LCD)或可以向用户生成可理解的输出的任何其他类型的设备。在一些实施例中,设备可以同时充当输入设备和输出设备。
计算设备1902包括一个或多个电源1915,以向计算设备1902提供功率。电源1915的非限制性示例包括一次性电源、可充电电源和/或从镍镉、锂离子或其他合适的材料开发的电源。
计算设备1902包括操作系统1918。操作系统1918控制计算设备1902的组件的操作。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、(多个)存储设备1914、输入设备1980、输出设备1960和电源1915的交互。
也如图19所图示的,计算设备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中的每个包括可由计算设备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包括使得在计算设备1902上执行的通信客户端1940执行本公开中描述的一个或多个操作和动作的指令。在一些实施例中,通信客户端1940和/或通信模块1945形成在计算设备1902上执行的操作系统1918的一部分。
根据各种实施例,图19所示的一个或多个组件可以从计算设备1902中省略。
根据另一实施例,提供了一种光谱响应合成(SRS)方法,该方法不仅可以检测和表征具有相同或类似信号宽度的区域内的信号分量,而且还可以检测具有不同信号宽度的信号分量。在某些实施例中,这是通过针对多个定义的测试信号宽度值中的每个对输入追踪数据进行阶段I方法(例如,方法700)来完成的,从而产生针对在阶段I中使用的每个测试信号宽度值的光谱响应数据。在阶段I中使用的每个测试信号宽度值的光谱响应数据包括一个或多个检测信号分量中的每个的信号位置。然后,对每个测试信号宽度值的光谱响应数据进行合成,以形成复合光谱响应,该复合光谱响应表示给定输入追踪区域的变化信号宽度。例如,针对以高斯信号为特征的数据,光谱响应数据可以被称为高斯光谱响应数据。
检测具有不同信号宽度的信号的能力非常重要,因为作为示例,从光谱、色谱和电泳生成的数据通常包含信号宽度不同的重叠信号。另外,输入数据追踪可能包含宽度变化最多三(3)到四(4)倍或更多倍的信号。除了一般信号形状(例如,高斯或其他形状)以外,本实施例能够在没有信号特征的先验知识的情况下自动确定这些变化的信号特征。
在图20中图示了用于确定在追踪信号数据中具有相同或不同宽度的组成信号的示例性系统的框图。如所示,接收追踪信号数据2002。追踪信号数据2002可以从任何数据生成设备或数据存储设备输入或接收,并且通常包括表示一个或多个信号的数据,该信号可以包括重叠信号。数据生成设备的示例包括光谱成像设备(例如,用于分析追踪气体)或色谱(液体或气体)成像设备或电泳成像设备或生成追踪信号数据的其他设备,这些追踪信号数据包括多个重叠(频率上)的数据信号。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属性。示例可能包括表示汽车或行人交通流或交通流率的信号。
追踪信号数据2002由信号检测和表征引擎2004接收。如本文更详细地描述的,并且也类似于上述的信号检测和表征引擎104,信号检测和表征引擎2004分析追踪信号数据2002,以确定和量化在追踪信号数据2002中存在的组成信号。针对每个组成信号所确定的信息诸如存在的组成信号的数量和信号特征诸如峰位置、峰幅度或强度以及峰宽度被提供给追踪数据合成引擎2006。追踪数据合成引擎2006处理信号特征以提供输出,诸如,提供表征组成信号的数据和/或渲染表示追踪数据信号及其确定的组成信号的视觉表示的输出图像2008。如图20所示,例如,追踪信号数据2002由信号检测和表征引擎2004确定为具有七(7)个组成信号,并且追踪数据合成引擎2006渲染示出七个组成信号和复合信号的显示器,该复合信号表示追踪信号数据2002的信号含量。例如,七个组成信号可以表示电泳追踪数据、色谱追踪数据或光谱追踪数据中的组成化合物。根据各种实施例,信号检测和表征引擎2004和/或追踪数据合成引擎2006中的每个可以以硬件、软件和/或硬件和软件的组合来实施。进一步地,信号检测和表征引擎2004和追踪数据合成引擎2006可以在相同的处理设备中或在不同的处理设备中实施。
图21是根据实施例的确定存在于追踪信号数据2002中的一个或多个组成信号中的每个的数量、位置、强度(即,幅度)和宽度的方法2000的流程图。假定追踪数据的未知组成信号具有相同的信号分布(例如,高斯、洛伦兹等)。例如,可以基于生成追踪信号数据的设备或系统的特征自动确定最优信号分布,或者由用户设置(例如,通过输入信号分布类型或从本文定义的可能的信号分布类型的列表中选择)。有利地,本实施例不需要追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2000开始于步骤2010,其中,信号检测和表征引擎2004接收或获取要处理的追踪信号数据2002。追踪信号数据2002通常包括多个N个数据点并且在由追踪数据限定的宽度内表示至少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。
组成信号的(未知)信号宽度可以定义为等于组成信号的最大(FWHM)幅度一半的全宽度。例如,针对高斯信号,信号FWHM可以表示为高斯信号标准偏差(σ)的函数,如等式19所示,如下:
高斯信号标准偏差(σ)可以表示为等式20所示的FWHM的函数,如下:
同样地,通过接收输入追踪信号数据来启动方法2000,在图22中图示了其示例。在步骤2020中,针对多个测试信号宽度(即,FWHM)值的初始集合中的每个测试信号宽度值,对追踪信号数据进行阶段I方法(例如,本文描述的方法700或方法2000)。这将为测试信号宽度值的初始集合中的每个产生一组光谱响应数据集(主干图、位置和幅度)和复合拟合追踪。图23至31示出了示例高斯光谱响应数据集(例如,主干图、位置和幅度)以及针对九(9)个测试信号宽度值的初始集合中的每个的复合高斯拟合追踪。输入测试信号宽度值(例如,FWHM)设置可以包含最小和最大指定值,其中,测试信号宽度值可以在最小和最大值间隔内均匀地间隔开或随机地间隔开。例如,测试信号宽度值可以在间隔上变化指定的百分比(例如,5%或10%或20%等),例如,在该范围内成比例地间隔开。例如,图23图示了针对测试信号宽度值为8.5(例如,FWHM=8.5)生成的包括幅度组的高斯光谱响应数据集(例如,示出位置和幅度的主干图),并且图24图示了针对测试信号宽度值为10.3(例如,FWHM=10.3)生成的包括幅度组的高斯光谱响应数据集。也在图23和24(以及图25至31)中示出了复合高斯拟合追踪。复合高斯追踪拟合表示在高斯光谱响应数据集中定义的每个检测信号分量(高斯追踪)的总和。图24还示出了标记为“信号1”的幅度组,其将是在方法2000结束时确定的最终组成信号之一。同样地,图25至31图示了分别为10.9、11.4、13.2、15.3、17.7、19.5和24.9的测试信号宽度值(例如,FWHM分别=10.9、11.4、13.2、15.3、17.7、19.5和24.9)生成的高斯光谱响应数据集,包括幅度组。在图23至31中示出的这些高斯光谱响应数据集中的每个表示针对指定测试信号宽度值(例如,FWHM)的输入信号追踪数据2002的高斯内容。图25至30还示出了分别标记为“信号2”、“信号3”、“信号4”、“信号5”、“信号6”和“信号7”的幅度组,它们每个是在方法2000结束时确定的最终组成信号之一。
在步骤2030中,针对每个测试信号宽度值,确定一个或多个初步组成信号或检测信号分量,并且从测试信号宽度值的光谱响应数据(主干图、位置和幅度)确定针对该初步组成信号的一个或多个信号表征参数。通过检测幅度(强度值)组来确定一个或多个初步组成信号或检测信号分量,其中,将幅度组定义为具有非零正幅度的一个或多个连续(无间隙)位置。在某些实施例中,一个或多个信号表征参数至少包括每个初步组成信号的位置。在其他实施例中,为每个初步组成信号确定的信号表征参数可以包括信号检测宽度值、位置和幅度值。信号检测宽度可以被定义为各个幅度组的宽度,并且可以通过计算组成幅度组的一个或多个检测信号分量的组合宽度来确定。信号位置可以被定义为幅度组的质心,并且可以通过计算组成幅度组的一个或多个检测信号分量的质心来确定。信号幅度可以被定义为每个幅度组内的检测信号分量的各个幅度的总和。在某些实施例中,信号表征参数还可以包括误差值和Δ误差值或微分误差值。在一个实施例中,通过根据等式21计算在每个确定的信号位置处的输入追踪和复合追踪拟合(例如,高斯追踪拟合)之间的差,来确定每个幅度组的误差值,如下:
loc=检测信号位置
yj=输入追踪数据点幅度值
j=输入追踪数据索引
σk=测试信号标准偏差
k=测试信号标准偏差索引
yFit(j,k)=拟合追踪
在某些实施例中,yFit(j,k)(拟合追踪的集合)是从上面的等式(15)计算的。每个检测信号的Δ误差(ΔErr)表示相对于FWHM(或σ)的微分误差,并且可以使用等式22计算,如下:
ΔErr(loc,k)=PreErr(loc,k)+PostErr(loc,k)-2×Err(lock) (22)
其中:
Δk=测试信号标准偏差索引Δ
步骤2030的结果是每个测试信号宽度值的一组检测信号分量组,每个组包含一组多达六(6)个特征参数:测试信号宽度(例如,FWHM)、检测宽度、位置、幅度、误差和Δ误差。该组信号和特征参数可以存储到存储器1912或存储设备1914。
图32图示了所有(未过滤的)检测信号分量组的散布图的示例,其中,x轴表示位置,并且y轴表示测试信号宽度(例如,FWHM)。如果需要,可以在显示器上渲染散布图。在可选步骤2040中,检测信号经受基于一个或多个信号表征参数例如检测宽度、幅度、误差和Δ误差的一系列的一个或多个过滤器。在某些实施例中,可以基于分辨率值使检测信号经过过滤器。图33至37图示了根据应用于图32所示的检测信号分量组的过滤器过滤的检测信号分量组的散布图的示例。第一过滤器基于检测宽度,并且当应用于初始检测信号分量组时,如图33所图示的,在该示例中将信号集从228减少到162。消除了相对于样本FWHM具有较大检测宽度的信号。第二过滤器基于幅度,并且被应用于先前过滤(基于检测宽度)的数据,并且在该示例中将信号集从162减少到139,如图34所图示的。消除了低幅度的信号。第三过滤器基于误差,并且被应用于先前过滤(基于检测宽度和幅度)的数据,并且在该示例中将信号集从139减少到117,如图35所图示的。消除了具有较大误差的信号。第四过滤器基于Δ误差或微分误差,并且被应用于先前过滤(基于检测宽度、幅度和误差)的数据,并且在该示例中将信号集从117减少到60,如图36所图示的。消除了具有较小Δ误差的信号。第五过滤器基于分辨率,并且被应用于先前过滤(基于检测宽度、幅度、误差和Δ误差)的数据,并且在该示例中将信号集从60减少到48,如图37所图示的。消除了具有较低分辨率的信号,这可以从等式25计算,如下:
应该注意的是,信号间隔等于信号峰位置中的正差。
然后,检测信号分量组的该最终过滤集合(例如,如图37所示)将被减少为表示输入追踪信号的信号含量的信号子集。应该注意的是,可以按照期望的任何顺序应用上述过滤器中的很少或很多或者其他过滤器以减少信号的数量以供在步骤2050之后进行后续处理。
接下来,然后对在步骤2030中确定的一组检测信号分量组(信号),或者如果执行了过滤,步骤2040中生成的过滤信号,进行系统和迭代的选择过程(组合优化),其中,在每个迭代中,所选的非最优信号子集被丢弃,并且用更加优化的信号子集替换。在步骤2050中,通过选择一个或多个检测信号分量组的初始集合(或子集)并计算相对于输入追踪的初始集合的最佳匹配或最佳拟合,来启动迭代过程。例如,选择来自最大FWHM扫描的(多个)信号,并计算相对于输入追踪的百分比拟合误差,如图38A至38B所图示的。图38A是表示从选择过程的第一迭代(迭代1)选择的信号的散布图。在该示例中,仅选择一(1)个信号。图38B示出了表示所选组成信号、其复合以及相对于来自迭代1的输入追踪的所得百分比误差的合成数据。要注意的是,所示的复合信号(与组成相同)等同于图38A所示的所选信号。可以根据等式26使用表示所选组成(例如,高斯)信号的总和的复合追踪来计算相对于输入追踪的最佳匹配(例如,百分比拟合误差),如下:
其中,N=追踪数据点的数量。
在步骤2060中,选择信号子集内的信号的最优组合,其中,将最优组合定义为子集内产生最低百分比拟合误差的信号。在第一迭代中,最优组合可以仅包括单个信号,尤其是在初始集合仅包括单个信号的情况下,或者,如果初始集合包括多个信号,则最优组合可以包括多个信号。在步骤2070中,将信号集更新为包括在任何迭代期间未使用或未包括在信号集中的新信号。然后将新信号添加到初始集合,或者新信号替换初始集合中的信号。例如,在一个实施例中,将来自下一个递减的(即,较小的)FWHM扫描的信号选择为新信号,使得随后的迭代可以包括来自先前的(多个)FWHM扫描的信号以及下一个递减的(较小)FWHM。在步骤2080中,该过程重复回到步骤2060,直到针对所有测试信号宽度的信号已经被包括在至少一(1)次迭代中。该过程再次在步骤2060中进行检查,以查看添加到现有信号或替换现有信号的新包括是信号是否产生更优的设置(减少拟合误差)。应该注意的是,当多个信号非常接近时(基于指定的分辨率极限),该过程可能不允许同时选择那些信号。在每个FWHM递减步骤中重复该过程,直到确定信号的最终集合(最优集合)(例如,最低拟合误差),如图39至43所示的所选迭代示例中所图示的。图39A、40A、41A、42A和43A每个示出了散布图,其表示每个从选择过程的第四次迭代(迭代4)、第七次迭代(迭代7)、第十二次迭代(迭代12)、第二十次迭代(迭代20)和第二十三次迭代(迭代23)中过滤的信号和选择的信号。而且,图39B、40B、41B、42B和43B每个示出了合成数据,其表示所选组成信号、其复合以及相对于分别来自第四次迭代(迭代4)、第七次迭代(迭代7)、第十二次迭代(迭代12)、第二十次迭代(迭代20)和第二十三次迭代(迭代23)的输入追踪的所得百分比误差。每个后续图都示出了相对于先前绘制的迭代的百分比误差降低。
在步骤2090中,输出关于信号的最终集合的信息。例如,追踪数据合成引擎2006可以基于检测信号分量组的最终集合来输出追踪信号2002的一个或多个(先前未知的)信号分量的信号峰位置和信号峰强度和信号宽度,和/或追踪数据合成引擎2006可以渲染重叠信号分量的视觉表示和/或表示信号分量组合的复合信号,其具有或没有原始追踪信号数据的视觉表示。图43A和43B图示了最终(例如,最优或接近最优)选择的组成信号及其代表特征的图形表示。
本文引用的所有参考文献(包括出版物、专利申请和专利)均通过引用并入本文,其程度如同每个参考文献被单独地且具体地指示为通过引用并入本文并在本文中完整阐述。
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),术语“一(a/an)”以及“该(the)”和“至少一个”和类似指代的使用应解释为覆盖单数和复数形式,除非本文另有指示或与上下文明显矛盾。术语“至少一个”之后是一个或多个项的列表(例如,“A和B中的至少一个”)的使用应理解为是指从所列项(A或B)中选择的一个项)或所列项(A和B)中的两个或多个的任何组合,除非本文另有指示或与上下文明显矛盾。除非另有说明,否则术语“包括(comprising)”、“具有”、“包括(including)”和“包含(containing)”应解释为开放式术语(即,意思是“包括但不限于”)。除非本文另外指示,否则本文中数值范围的叙述仅旨在用作每个指代落入该范围内的每个单独值的简写方法,并且将每个单独值并入说明书中,就像在本文中单独叙述一样。除非本文另外指示或与上下文明显矛盾,否则本文描述的所有方法可以以任何合适的顺序执行。除非另外要求,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阐明所公开的主题,并且不对本发明的范围构成限制。说明书中的语言不应该被解释为指示任何未要求保护的元素对于本发明的实践来说都是必不可少的。
本文描述了某些实施例。在阅读前述说明时,那些实施例的变型对于本领域普通技术人员而言可能变得显而易见。本发明人期望熟练的技术人员适当地采用这种变型,并且本发明人希望以不同于本文具体描述的方式来实践实施例。因此,本公开包括适用法律所允许的所附权利要求书中记载的主题的所有修改和等同物。而且,除非本文另外指示或与上下文明显矛盾,否则本公开涵盖上述元素在其所有可能的变型中的任何组合。
Claims (30)
1.一种处理追踪信号以确定所述追踪信号的一个或多个未知信号分量的处理器实施的方法,所述未知信号分量具有相同或不同的信号宽度,所述方法包括:
接收追踪信号数据,所述追踪信号数据包括多个N个数据点并且在限定所述追踪数据的带宽内表示至少M个信号,其中M是大于或等于1的整数;
针对多个测试信号宽度值中的每个分别地处理所述追踪信号数据,以产生光谱响应数据,所述光谱响应数据包括针对所述多个测试信号宽度值中的每个的所述追踪信号数据的一个或多个检测信号分量中的每个的信号位置和信号强度值;
针对所述多个测试信号宽度值中的每个:
基于所述一个或多个检测信号分量的所述信号强度值来确定所述光谱响应数据中的一个或多个检测信号分量组,每个检测信号分量组包括与具有非零的正信号强度值的一个或多个连续信号位置相对应的所述检测信号分量中的一个或多个;以及
针对所述一个或多个检测信号分量组中的每个确定一个或多个信号表征参数,其中所述一个或多个信号表征参数至少包括所述一个或多个检测信号分量组中的每个的位置,以及其中通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的位置的质心来确定所述一个或多个检测信号分量组中的每个的位置;
以及此后
基于所述一个或多个检测信号分量组的所述信号表征参数中的一个或多个,对针对所有测试信号宽度值确定的所述检测信号分量组的所有或子集执行迭代组合优化过程,以确定相对于所述追踪信号数据具有最佳匹配的一个或多个检测信号分量组的最终集合;以及
基于一个或多个检测信号分量组的所述最终集合来输出所述追踪信号数据的一个或多个信号分量的位置、强度和信号宽度。
2.根据权利要求1所述的方法,其中,执行所述迭代组合优化过程包括:
选择一个或多个检测信号分量组的初始集合;以及
在每个迭代中:
i)确定复合信号,所述复合信号包括一个或多个检测信号分量组的所述初始集合;
ii)确定用于所述复合信号相对于所述追踪信号数据的百分比拟合误差;
iii)选择未使用的检测信号分量组,其中所述未使用的检测信号分量组是在任何迭代期间未被包括在一个或多个检测信号分量组的所述初始集合中的检测信号分量组;
iv)将所述未使用的检测信号分量组添加到所述初始集合,或者利用所述未使用的检测信号分量组替换所述初始集合中的所述检测信号分量组之一以形成一个或多个检测信号分量组的变更集合;以及
v)通过使用一个或多个检测信号分量组的所述变更集合作为一个或多个检测信号分量组的所述初始集合迭代地重复步骤i)至iv),直到所述检测信号分量组的所述所有或所述子集中的所有检测信号分量组在步骤iv)的至少一个迭代中已经被使用,来确定一个或多个检测信号分量组的所述最终集合,其中所述最终集合对应于具有在步骤ii)中确定的所述最佳匹配的所述变更集合。
3.根据权利要求2所述的方法,其中,所述执行所述迭代组合优化过程进一步包括:基于所述信号表征参数中的一个或多个对要处理的所述检测信号分量组进行过滤。
4.根据权利要求3所述的方法,其中,针对所述一个或多个检测信号分量组中的每个,所述信号表征参数进一步包括信号检测宽度值以及幅度和误差值和微分误差值,以及其中,基于所述信号表征参数中的一个或多个对要处理的所述检测信号分量组执行所述过滤包括:基于以下中的一个或多个对要处理的所述检测信号分量组进行过滤:a)所述检测信号分量组的所述信号检测宽度值;b)所述检测信号分量组的幅度;c)所述检测信号分量组的所述误差;d)所述检测信号分量组的所述微分误差;以及e)所述检测信号分量组的分辨率,以产生过滤信号分量组的集合以在所述迭代组合过程的所述执行期间被用作一个或多个检测信号分量组的子集。
6.根据权利要求1所述的方法,其中,针对所述一个或多个检测信号分量组中的每个,所述信号表征参数进一步包括信号检测宽度值以及幅度和误差值和微分误差值,以及其中,针对所述一个或多个检测信号分量组中的每个确定所述一个或多个信号表征参数进一步包括:
通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的组合宽度来针对所述一个或多个检测信号分量组中的每个确定所述信号检测宽度值;
通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的所述强度值的总和来确定所述一个或多个检测信号分量组中的每个的幅度;
针对所述一个或多个检测信号分量组中的每个,计算所述误差值;以及
针对所述一个或多个检测信号分量组中的每个,计算所述微分误差值。
9.根据权利要求1所述的方法,其中,处理所述追踪信号数据以针对指定测试信号宽度值产生所述光谱响应数据包括:
a)将信号分量的初始集合定义为所述数量N个数据点,其中信号分量的所述初始集合中的所述信号分量中的每个的初始信号位置对应于所述数量N个数据点的所述带宽内的位置,其中信号分量的所述初始集合中的所有信号分量被分配所述指定测试信号宽度值;
b)对信号分量的所述初始集合中的每个信号分量同时执行数值方法信号提取计算;
c)基于所述提取计算,针对信号分量的所述初始集合中的每个信号分量确定信号幅度值;
d)基于所述提取计算,从信号分量的所述初始集合去除或衰减被确定为具有负信号幅度值的每个信号分量,以产生信号分量的调整集合;以及
e)基于所述提取计算,通过使用信号分量的所述调整集合作为信号分量的所述初始集合迭代地重复步骤b)至d)直到没有信号分量具有负幅度值,来确定信号分量的最终集合,其中信号分量的所述最终集合对应于所述指定测试信号宽度值的所述一个或多个检测信号分量。
10.根据权利要求9所述的方法,其中,所述数值方法信号提取计算包括共轭梯度法、广义最小余量法、牛顿法、布洛伊登法或高斯消去法。
11.根据权利要求1所述的方法,其中,所述追踪信号数据包括噪声。
12.根据权利要求1所述的方法,其中,所述追踪数据中的所有未知信号分量被假定为具有相同的曲线分布类型,所述曲线分布类型选自由高斯分布、双高斯分布、指数修正高斯分布、哈尔霍夫-范德林德分布、洛伦兹分布和沃伊特分布组成的所述组。
13.根据权利要求1所述的方法,其中,所述多个测试信号宽度值包括最小指定值和最大指定值,以及其中,所述多个测试信号宽度值中的每个在由所述最小指定值和最大指定值定义的范围内成比例地间隔开。
14.根据权利要求1所述的方法,其中,基于信号分量的所述最终集合输出所述追踪信号的所述一个或多个信号分量的位置、强度和信号宽度包括:利用所述追踪信号数据的视觉表示来渲染所述追踪信号的所述一个或多个信号分量的视觉输出。
15.一种存储代码的计算机可读介质,所述代码在由一个或多个处理器执行时使所述一个或多个处理器实施处理追踪信号以确定所述追踪信号的一个或多个未知信号分量的方法,所述未知信号分量具有相同或不同的信号宽度,所述代码包括用于以下操作的指令:
接收追踪信号数据,所述追踪信号数据包括多个N个数据点并且在限定所述追踪数据的带宽内表示至少M个信号,其中,M是大于或等于1的整数;
针对多个测试信号宽度值中的每个分别地处理所述追踪信号数据,以产生光谱响应数据,所述光谱响应数据包括针对所述多个测试信号宽度值中的每个的所述追踪信号数据的一个或多个检测信号分量中的每个的信号位置和信号强度值;
针对所述多个测试信号宽度值中的每个:
基于所述一个或多个检测信号分量的所述信号强度值来确定所述光谱响应数据中的一个或多个检测信号分量组,每个检测信号分量组包括与具有非零的正信号强度值的一个或多个连续信号位置相对应的所述检测信号分量中的一个或多个;以及
针对所述一个或多个检测信号分量组中的每个确定一个或多个信号表征参数,其中所述一个或多个信号表征参数至少包括所述一个或多个检测信号分量组中的每个的位置,以及其中通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的位置的质心来确定所述一个或多个检测信号分量组中的每个的位置;以及此后
基于所述一个或多个检测信号分量组的所述信号表征参数中的一个或多个,对针对所有测试信号宽度值确定的所述检测信号分量组的所有或子集执行迭代组合优化过程,以确定相对于所述追踪信号数据具有最佳匹配的一个或多个检测信号分量组的最终集合;以及
基于一个或多个检测信号分量组的所述最终集合来输出所述追踪信号数据的一个或多个信号分量的位置、强度和信号宽度。
16.根据权利要求15所述的计算机可读介质,其中,用于执行所述迭代组合优化过程的指令包括用于以下操作的指令:
选择一个或多个检测信号分量组的初始集合;以及
在每个迭代中:
i)确定复合信号,所述复合信号包括一个或多个检测信号分量组的所述初始集合;
ii)确定所述复合信号相对于所述追踪信号数据的百分比拟合误差;
iii)选择未使用的检测信号分量组,其中所述未使用的检测信号分量组是在任何迭代期间未被包括在一个或多个检测信号分量组的所述初始集合中的检测信号分量组;
iv)将所述未使用的检测信号分量组添加到所述初始集合,或者利用所述未使用的检测信号分量组替换所述初始集合中的所述检测信号分量组之一以形成一个或多个检测信号分量组的变更集合;以及
v)通过使用一个或多个检测信号分量组的所述变更集合作为一个或多个检测信号分量组的所述初始集合迭代地重复步骤i)至iv),直到所述检测信号分量组的所述所有或所述子集中的所有检测信号分量组在步骤iv)的至少一个迭代中已经被使用,来确定一个或多个检测信号分量组的所述最终集合,其中所述最终集合对应于具有在步骤ii)中确定的所述最佳匹配的所述变更集合。
17.根据权利要求15所述的计算机可读介质,其中,用于执行所述迭代组合优化过程的指令进一步包括:用于基于所述信号表征参数中的一个或多个对要处理的所述检测信号分量组进行过滤的指令。
18.根据权利要求15所述的计算机可读介质,其中,针对所述一个或多个检测信号分量组中的每个,所述信号表征参数进一步包括信号检测宽度值以及幅度和误差值和微分误差值,以及其中,用于基于所述信号表征参数中的一个或多个对要处理的所述检测信号分量组执行所述过滤的指令包括用于基于以下中的一个或多个对要处理的所述检测信号分量组进行过滤的指令:a)所述检测信号分量组的所述信号检测宽度值;b)所述检测信号分量组的幅度;c)所述检测信号分量组的所述误差;d)所述检测信号分量组的所述微分误差;以及e)所述检测信号分量组的分辨率,以产生过滤信号分量组的集合以在所述迭代组合过程的所述执行期间被用作一个或多个检测信号分量组的子集。
20.根据权利要求15所述的计算机可读介质,其中,所述追踪信号数据包括噪声。
21.根据权利要求15所述的计算机可读介质,其中,用于处理所述追踪信号数据以针对指定测试信号宽度值产生所述光谱响应数据的指令包括用于以下操作的指令:
a)将信号分量的初始集合定义为所述数量N个数据点,其中信号分量的所述初始集合中的所述信号分量中的每个的初始信号位置对应于所述数量N个数据点的所述带宽内的位置,其中信号分量的所述初始集合中的所有信号分量被分配所述指定测试信号宽度值;
b)对信号分量的所述初始集合中的每个信号分量同时执行数值方法信号提取计算;
c)基于所述提取计算,针对信号分量的所述初始集合中的每个信号分量确定信号幅度值;
d)基于所述提取计算,从信号分量的所述初始集合去除或衰减被确定为具有负信号幅度值的每个信号分量,以产生信号分量的调整集合;以及
e)基于所述提取计算,通过使用信号分量的所述调整集合作为信号分量的所述初始集合迭代地重复b)至d)直到没有信号分量具有负幅度值,来确定信号分量的最终集合,其中信号分量的所述最终集合对应于所述指定测试信号宽度值的所述一个或多个检测信号分量。
22.根据权利要求21所述的计算机可读介质,其中,所述数值方法信号提取计算包括共轭梯度法、广义最小余量法、牛顿法、布洛伊登法或高斯消去法。
23.根据权利要求15所述的计算机可读介质,其中,针对所述一个或多个检测信号分量组中的每个,所述信号表征参数进一步包括信号检测宽度值以及幅度和误差值和微分误差值,以及其中,用于针对所述一个或多个检测信号分量组中的每个确定所述一个或多个信号表征参数的指令进一步包括用于以下操作的指令:
通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的组合宽度来针对所述一个或多个检测信号分量组中的每个确定所述信号检测宽度值;
通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的所述强度值的总和来确定所述一个或多个检测信号分量组中的每个的幅度;
针对所述一个或多个检测信号分量组中的每个,计算所述误差值;以及
针对所述一个或多个检测信号分量组中的每个,计算所述微分误差值。
26.根据权利要求15所述的计算机可读介质,其中,用于基于信号分量的所述最终集合输出所述追踪信号的所述一个或多个信号分量的位置、强度和信号宽度的指令包括:利用所述追踪信号数据的视觉表示来渲染所述追踪信号的所述一个或多个信号分量的视觉输出的指令。
27.一种处理追踪信号以确定所述追踪信号的一个或多个未知信号分量的处理设备,所述设备包括:
处理器;以及
存储器,所述存储器存储可由所述处理器执行的代码;
其中,所述代码包括指令,所述指令在由所述处理器执行时使所述处理器:
接收追踪信号数据,所述追踪信号数据包括多个N个数据点并且在限定所述追踪数据的带宽内表示至少M个信号,其中M是大于或等于1的整数;
针对多个测试信号宽度值中的每个分别地处理所述追踪信号数据,以产生光谱响应数据,所述光谱响应数据包括针对所述多个测试信号宽度值中的每个的所述追踪信号数据的一个或多个检测信号分量中的每个的信号位置和信号强度值;
针对所述多个测试信号宽度值中的每个:
基于所述一个或多个检测信号分量的所述信号强度值来确定所述光谱响应数据中的一个或多个检测信号分量组,每个检测信号分量组包括与具有非零的正信号强度值的一个或多个连续信号位置相对应的所述检测信号分量中的一个或多个;以及
针对所述一个或多个检测信号分量组中的每个确定一个或多个信号表征参数,其中所述一个或多个信号表征参数至少包括所述一个或多个检测信号分量组中的每个的位置,以及其中通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的位置的质心来确定所述一个或多个检测信号分量组中的每个的位置;以及此后
基于所述一个或多个检测信号分量组的所述信号表征参数中的一个或多个,对针对所有测试信号宽度值确定的所述检测信号分量组的所有或子集执行迭代组合优化过程,以确定相对于所述追踪信号数据具有最佳匹配的一个或多个检测信号分量组的最终集合;以及
基于一个或多个检测信号分量组的所述最终集合来输出所述追踪信号数据的一个或多个信号分量的位置、强度和信号宽度。
28.根据权利要求27所述的处理设备,进一步包括显示器,其中用于基于信号分量的所述最终集合输出所述追踪信号的所述一个或多个信号分量的位置、强度和信号宽度的指令包括:利用所述追踪信号数据的视觉表示在所述显示器上渲染所述追踪信号的所述一个或多个信号分量的视觉输出的指令。
29.根据权利要求27所述的处理设备,其中,针对所述一个或多个检测信号分量组中的每个,所述信号表征参数进一步包括信号检测宽度值以及幅度和误差值和微分误差值,以及其中,用于基于所述信号表征参数中的一个或多个对要处理的所述检测信号分量组执行所述过滤的指令包括用于基于以下中的一个或多个对要处理的所述检测信号分量组进行过滤的指令:a)所述检测信号分量组的所述信号检测宽度值;b)所述检测信号分量组的幅度;c)所述检测信号分量组的所述误差;d)所述检测信号分量组的所述微分误差;以及e)所述检测信号分量组的分辨率,以产生过滤信号分量组的集合以在所述迭代组合过程的所述执行期间被用作一个或多个检测信号分量组的子集。
30.根据权利要求27所述的处理设备,其中,针对所述一个或多个检测信号分量组中的每个,所述信号表征参数进一步包括信号检测宽度值以及幅度和误差值和微分误差值,以及其中,用于针对所述一个或多个检测信号分量组中的每个确定所述一个或多个信号表征参数的指令进一步包括用于以下操作的指令:
通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的组合宽度来针对所述一个或多个检测信号分量组中的每个确定所述信号检测宽度值;
通过计算组成所述检测信号分量组的所述一个或多个检测信号分量的所述强度值的总和来确定所述一个或多个检测信号分量组中的每个的幅度;
针对所述一个或多个检测信号分量组中的每个,计算所述误差值;以及
针对所述一个或多个检测信号分量组中的每个,计算所述微分误差值。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762533430P | 2017-07-17 | 2017-07-17 | |
US62/533,430 | 2017-07-17 | ||
US15/914,737 | 2018-03-07 | ||
US15/914,737 US10151781B2 (en) | 2016-06-17 | 2018-03-07 | Spectral response synthesis on trace data |
PCT/US2018/042484 WO2019018393A1 (en) | 2017-07-17 | 2018-07-17 | SPECTRAL RESPONSE SYNTHESIS ON TRACE DATA |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110945519A true CN110945519A (zh) | 2020-03-31 |
Family
ID=65016358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880047894.6A Pending CN110945519A (zh) | 2017-07-17 | 2018-07-17 | 追踪数据上的光谱响应合成 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP3655887A4 (zh) |
CN (1) | CN110945519A (zh) |
AU (1) | AU2018304166B2 (zh) |
CA (1) | CA3069964A1 (zh) |
WO (1) | WO2019018393A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11410336B2 (en) * | 2019-10-01 | 2022-08-09 | The Boeing Company | Visual signal processing of signals |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050100929A1 (en) * | 2003-11-07 | 2005-05-12 | Kayvan Najarian | Methods and systems for gene expression array analysis |
US7318035B2 (en) * | 2003-05-08 | 2008-01-08 | Dolby Laboratories Licensing Corporation | Audio coding systems and methods using spectral component coupling and spectral component regeneration |
CN104303258A (zh) * | 2012-05-18 | 2015-01-21 | 塞莫费雪科学(不来梅)有限公司 | 用于得到增强的质谱数据的方法和装置 |
US20150025881A1 (en) * | 2013-07-19 | 2015-01-22 | Audience, Inc. | Speech signal separation and synthesis based on auditory scene analysis and speech modeling |
WO2015013722A1 (en) * | 2013-07-26 | 2015-01-29 | Li-Cor, Inc. | Systems and methods for setting initial display settings |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7429860B2 (en) * | 2003-01-28 | 2008-09-30 | University Of Southern California | Noise reduction for spectroscopic signal processing |
EP1636730A2 (en) * | 2003-06-18 | 2006-03-22 | Applera Corporation | Methods and systems for the analysis of biological sequence data |
US7702502B2 (en) * | 2005-02-23 | 2010-04-20 | Digital Intelligence, L.L.C. | Apparatus for signal decomposition, analysis and reconstruction |
EP2873983B1 (en) * | 2013-11-14 | 2016-11-02 | Accemic GmbH & Co. KG | Trace-data processing and profiling device |
-
2018
- 2018-07-17 WO PCT/US2018/042484 patent/WO2019018393A1/en unknown
- 2018-07-17 EP EP18836050.7A patent/EP3655887A4/en not_active Withdrawn
- 2018-07-17 CN CN201880047894.6A patent/CN110945519A/zh active Pending
- 2018-07-17 AU AU2018304166A patent/AU2018304166B2/en not_active Ceased
- 2018-07-17 CA CA3069964A patent/CA3069964A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7318035B2 (en) * | 2003-05-08 | 2008-01-08 | Dolby Laboratories Licensing Corporation | Audio coding systems and methods using spectral component coupling and spectral component regeneration |
US20050100929A1 (en) * | 2003-11-07 | 2005-05-12 | Kayvan Najarian | Methods and systems for gene expression array analysis |
CN104303258A (zh) * | 2012-05-18 | 2015-01-21 | 塞莫费雪科学(不来梅)有限公司 | 用于得到增强的质谱数据的方法和装置 |
US20150025881A1 (en) * | 2013-07-19 | 2015-01-22 | Audience, Inc. | Speech signal separation and synthesis based on auditory scene analysis and speech modeling |
WO2015013722A1 (en) * | 2013-07-26 | 2015-01-29 | Li-Cor, Inc. | Systems and methods for setting initial display settings |
Non-Patent Citations (2)
Title |
---|
JAMES C J等: "Independent component analysis for biomedical signals" * |
姚志湘等: "盲信号分离算法处理色谱重叠峰" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11410336B2 (en) * | 2019-10-01 | 2022-08-09 | The Boeing Company | Visual signal processing of signals |
Also Published As
Publication number | Publication date |
---|---|
EP3655887A4 (en) | 2021-04-07 |
AU2018304166A1 (en) | 2020-02-13 |
AU2018304166B2 (en) | 2020-08-27 |
EP3655887A1 (en) | 2020-05-27 |
CA3069964A1 (en) | 2019-01-24 |
WO2019018393A1 (en) | 2019-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ning et al. | Chromatogram baseline estimation and denoising using sparsity (BEADS) | |
JP6686056B2 (ja) | コンピュータ実装方法、コンピュータシステム及びコンピュータ装置 | |
Leistedt et al. | Exploiting the full potential of photometric quasar surveys: optimal power spectra through blind mitigation of systematics | |
US10151781B2 (en) | Spectral response synthesis on trace data | |
AU2017286458B2 (en) | Adaptive signal detection and synthesis on trace data | |
Murray et al. | An Improved Statistical Point-source Foreground Model for the Epoch of Reionization | |
Wentzell et al. | Characterization of heteroscedastic measurement noise in the absence of replicates | |
Tseitlin et al. | Uncertainty analysis for absorption and first‐derivative electron paramagnetic resonance spectra | |
US20230033480A1 (en) | Data processing apparatus and inference method | |
CN110945519A (zh) | 追踪数据上的光谱响应合成 | |
US7865322B2 (en) | Relative noise | |
US10521657B2 (en) | Adaptive asymmetrical signal detection and synthesis methods and systems | |
WO2020092955A1 (en) | Adaptive asymmetrical signal detection and synthesis methods and systems | |
US11133087B2 (en) | Adaptive lane detection systems and methods | |
Liu et al. | A survey of the baseline correction algorithms for real-time spectroscopy processing | |
Ha et al. | Towards generic and scalable word-length optimization | |
WO2021064924A1 (ja) | 波形解析方法及び波形解析装置 | |
US20220011265A1 (en) | Adaptive synchronous and asynchronous lane detection systems and methods | |
CN110473161A (zh) | 创建图像链的方法 | |
JP7480843B2 (ja) | ピークトラッキング装置、ピークトラッキング方法およびピークトラッキングプログラム | |
WO2022230162A1 (ja) | 分析装置及び分析装置用波形処理プログラム | |
CN117805481B (zh) | 杂散信号处理方法、装置、计算机设备及存储介质 | |
CN114240058A (zh) | 样本数据的处理方法、系统、终端设备以及存储介质 | |
CN116805033A (zh) | 用于流式细胞仪的信息处理系统和方法及流式细胞仪 | |
CN115420714A (zh) | 基于原子发射光谱的自适应特征谱线筛选方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200331 |
|
WD01 | Invention patent application deemed withdrawn after publication |