CN111860102A - 用于在含噪环境中分析系统的状态的设备和方法 - Google Patents

用于在含噪环境中分析系统的状态的设备和方法 Download PDF

Info

Publication number
CN111860102A
CN111860102A CN202010345851.5A CN202010345851A CN111860102A CN 111860102 A CN111860102 A CN 111860102A CN 202010345851 A CN202010345851 A CN 202010345851A CN 111860102 A CN111860102 A CN 111860102A
Authority
CN
China
Prior art keywords
signal
noise
interest
noisy
regularity
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
Application number
CN202010345851.5A
Other languages
English (en)
Inventor
P·莱格兰德
E·格里韦尔
J-M·安德烈
B·贝特洛
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.)
Centre National de la Recherche Scientifique CNRS
Thales SA
Universite de Bordeaux
Institut Polytechnique de Bordeaux
Original Assignee
Centre National de la Recherche Scientifique CNRS
Thales SA
Universite de Bordeaux
Institut Polytechnique de Bordeaux
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 Centre National de la Recherche Scientifique CNRS, Thales SA, Universite de Bordeaux, Institut Polytechnique de Bordeaux filed Critical Centre National de la Recherche Scientifique CNRS
Publication of CN111860102A publication Critical patent/CN111860102A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/30—Input circuits therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • 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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Psychology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Hospice & Palliative Care (AREA)

Abstract

本发明涉及用于在含噪环境中分析系统的状态的设备和方法。用于确定系统的状态的计算机实现方法包括以下步骤：‑收集与系统有关的数据，所述数据是包括感兴趣数据和噪声的含噪数据；‑从收集的数据生成待分析的信号，所述信号是包括感兴趣信号和噪声的含噪信号；‑通过在积分的含噪信号与其趋势之差的幂的计算中补偿噪声的影响，来分析感兴趣信号的规律性；以及‑根据感兴趣信号的规律性的分析结果来确定所述系统的状态。

Description

用于在含噪环境中分析系统的状态的设备和方法
技术领域
本发明属于分析系统的状态的领域，并且本发明具体地涉及一种用于在分析信号的规律性时补偿加性噪声的影响的设备和方法。
背景技术
在给定的环境中，可能需要获得有关人的心理生理状态或装置(金属结构、发动机部件、桥梁等)的损坏状态的信息。为此目的，一组传感器从人或装置收集信息并传递信号，所述信号经过分析之后能够确认人的状态或设备的状态并进行分类。
从源自传感器的信号中提取特征。这些特征可以表征研究的时间序列的统计特性、时间特性或频率特性。
然而，源自传感器的信号会受到测量噪声的干扰，该测量噪声可能修改感兴趣信息和提取的特征的值，并因此导致关于信号使用的不利后果。
一个特定的特征涉及信号的时间分析，特别是包括信号的规律性，表示为“α”。信号的时间分析将信号的行为不变性转换成时间标度的变化。为了确定信号的规律性，通常会估算赫斯特(Hurst)指数或系数，表示为“H”。
然而，已知的用于估算赫斯特系数的方法，例如称为“去趋势波动分析”(detrended fluctuation analysis，DFA)的方法或称为“去趋势移动平均”(detrendingmoving average，DMA)的方法，在信号受到噪声干扰影响时会对特征提供不正确的估算。噪声可以是例如白噪声或加性噪声。
为了克服这个问题，一种方法可以是增强信号以消除噪声，然后估算增强信号的规律性。然而，例如在语音处理中通常采用的基于卡尔曼(Kalman)方法、或谱减(spectralsubtraction)方法、或基于小波的信号增强技术不能给出令人满意的结果。特别地，信号增强步骤增加了计算复杂度和计算时间，这在实时方面至关重要的监控应用中是不利的。另外，这种信号增强(或噪声去除)步骤使感兴趣信号的规律性的估算失真在于增强信号的估算值α由此失真。已知的信号增强技术不能够保持对感兴趣信号的规律性的正确估算。
因此，需要实现对加性噪声具有鲁棒性的特征估算方法。本发明解决了这种需求。
发明内容
本发明的一个主题是一种用于在含噪环境中估算感兴趣信号的规律性的方法。
本发明的另一主题是一种包括实现用于在含噪环境中估算感兴趣信号的规律性的方法的装置的设备。
本发明将有利地应用于所有领域，包括例如需要对人的心理-生理状态进行分析的(生物)医学领域，以及需要监控部件的所有工业领域，在航空工业、汽车工业、铁路工业或任何其他重工业。
为了达到期望的结果，根据各种实施方案要求保护方法、设备和计算机程序产品。
具体地，提出了一种用于确定系统的状态的计算机实现方法。所述方法包括以下步骤：
-收集与系统有关的数据，所述数据是包括感兴趣数据和噪声的含噪数据；
-从收集的数据生成待分析的信号，所述信号是包括感兴趣信号和噪声的含噪信号；
-通过在积分的含噪信号与其趋势之差的幂的计算中补偿噪声的影响，基于含噪信号分析感兴趣信号的规律性；以及
-根据感兴趣信号的规律性的分析结果确定所述系统的状态。
根据本方法的一些实施方案，如下步骤作为替代方式或组合方式：
-分析含噪信号的规律性的步骤包括以下步骤：
-定义一组“N”值；
-对于每个“N”值：
-根据含噪信号的自相关函数，计算关于“N”值的积分的含噪信号与该积分的含噪信号的趋势之差的幂的值；
-根据感兴趣信号的自相关函数，计算积分的感兴趣信号与其趋势之差的幂的值；以及
-估算感兴趣信号的规律性。
-所述方法包括：在生成待分析的信号的步骤之后，计算含噪信号的自相关函数的步骤。
-计算和补偿积分的感兴趣信号与其趋势之差的幂的值的步骤包括以下步骤：
-估算噪声的属性；
-计算噪声的自相关函数；
-根据噪声的自相关函数和含噪信号的自相关函数，计算感兴趣信号的自相关函数；以及
-利用自相关函数，在积分的感兴趣信号与其趋势之差的幂的值的计算中数学补偿噪声的影响。
-估算噪声的属性的步骤在于研究噪声的统计特性、和/或噪声的有色或白色性质、和/或通过参数模型来表示噪声。
-定义一组“N”值的步骤在于将含噪信号划分为大小为“N”的分段，并且估算感兴趣信号的规律性的步骤可以包括对于所述一组“N”值估算积分的含噪信号的趋势。
-定义一组“N”值的步骤在于将阶数为“N”的低通滤波器应用于积分的含噪信号，并且估算感兴趣信号的规律性的步骤可以包括估算积分的含噪信号的趋势。
-收集数据的步骤在于从与系统联接的传感器收集数据。
-传感器配置为收集与大脑的电活动EEG“脑电图”、和/或心脏的电活动ECG“心电图”、和/或皮肤电活动、和/或瞳孔测定有关的数据。
-传感器包括至少一个惯性传感器，所述至少一个惯性传感器包括加速度计和陀螺仪。
-所述方法还包括根据规律性分析的结果显示所述系统的状态的步骤。
本发明还涉及一种计算机程序产品，所述计算机程序包括代码指令，当在计算机上执行所述程序时，所述代码指令使得执行要求保护的方法的步骤。
本发明还涉及一种用于确定系统的状态的设备，所述设备包括：
-用于收集与系统有关的数据的装置，所述数据是包括感兴趣数据和噪声的含噪数据；
-用于从收集的数据生成待分析的信号的装置，所述信号是包括感兴趣信号和噪声的含噪信号；
-用于通过在积分的含噪信号与其趋势之差的幂的计算中补偿噪声的影响，基于含噪信号分析感兴趣信号的规律性的装置；以及
-根据规律性分析的结果确定所述系统的状态的装置。
根据一个实施方案，该设备另外包括配置为提供系统的状态的用户界面。
附图说明
通过参照所附附图对本发明的一种优选的但非限制性的实施方式的描述，本发明的各个方面和优点将显而易见，在附图中：
图1是示出根据一个实施方案的本发明的设备的一种实施方式的框图；
图2示出了根据一个实施方案的本发明的方法的一系列步骤；
图3示出了根据本发明一个实施方案的用于估算感兴趣信号的规律性的一系列步骤；
图4示出了根据本发明一个实施方案的用于补偿噪声影响的一系列步骤；
图5描述了在给定信号不含噪声的情况下从给定信号的各种趋势获得的点的回归线斜率；
图6图示了在log(F(N))根据log(N)变化的曲线图上，非含噪信号的情况下和这种相同的含噪信号的情况下，利用DFA的方法和利用本发明的方法对于N的各种值的
Figure BDA0002470029510000041
的各种值的演变；以及
图7示出了在估算具有已知和受控规律性并且已被加性噪声干扰的合成信号的规律性时，利用已知的增强方法和利用本发明的方法获得的结果的比较。
具体实施方式
图1示出了根据一个实施方案的本发明的设备100的实施方式。设备100大体上包括：数据获取模块102、信号生成模块104、分析模块106以及结果模块108，所述数据获取模块102配置为从能够记录关于受监控系统101的信息的至少一个传感器接收数据；所述信号生成模块104配置为从获取的数据生成待分析的信号；所述分析模块106配置为根据本发明的原理从含噪信号估算感兴趣信号的规律性；所述结果模块108联接至分析模块，该结果模块108配置为根据分析的结果确定系统状态。该系统还包括配置为提供分析的结果的用户界面110。有利地，用户界面可以配置为根据需要对数据获取模块进行参数配置。
在本发明的上下文中，指定的受监控系统应当理解为可以是待监控的人或装置。
在本发明的上下文中，指定的至少一个传感器在传感器的数量和性质方面没有限制。因此，可以实施一个或多个传感器以记录关于受监控系统的信息。
如果受监控系统是人，例如为了确定该人的注意力水平或睡意，则传感器可以是安装在该人身上的电极，以记录关于大脑的电活动(EEG)“脑电图”、和/或心脏的电活动(ECG)“心电图”、和/或皮肤电活动、和/或瞳孔测定的信息。
如果受监控系统是装置，例如为了确定对该装置的损坏程度，则传感器能够研究施加至所述装置的力及其所经历的振动。在一个实施方案中，传感器可以是“惯性测量单元”(IMU)惯性传感器，其包括加速度计和陀螺仪，也使得能够追踪物体在空间中的位置的演变。
数据获取模块102配置为接收和记录源自传感器的数据。来自传感器的数据的传输可以是有线或无线的。如在关于现有技术的部分所解释的，源自传感器的信号通常受到测量噪声、与测量背景(环境、传感器)相关联的噪声的影响。因此，获取的数据是包括感兴趣数据和噪声的含噪数据。
信号生成模块104配置为从获取的数据生成时间序列。根据一些实施方案，可以对数据进行格式处理、滤波和组合，以生成待分析的信号。由于获取的数据受到附加测量噪声的影响，因此生成的待分析的信号是包括感兴趣信号和附加噪声的含噪信号。
分析模块106配置为根据本发明的原理估算感兴趣信号的规律性。有利地，本发明的方法能够在估算可用含噪信号的规律性时补偿噪声的影响。
用于确定系统状态的模块108联接至规律性估算模块，以根据提供的结果确定受监控系统的状态。
本发明的设备包括用户界面110。该用户界面可以配置为对数据获取模块102进行参数配置。用户界面可以是图形化的，以查看由用于确定系统状态的模块108获得的结果。例如，用户界面可以包括用于以可听见的方式生成结果的附加装置。
可以利用软件和/或硬件元件来实现本发明的设备。执行的方法可以采用计算机可读介质上的计算机程序产品的形式来实施。所述介质可以是电子的、磁性的、光学的或电磁的。如果将本发明植入可重编程的计算机器(例如，FPGA电路)中，则相应的程序(即，指令序列)可以存储在如下的存储介质中或存储介质上：可移动的存储介质(例如，SD卡、或诸如硬盘的大容量存储装置(例如SSD))、或不可移动的存储介质、易失性或非易失性的存储介质，这些存储介质能够由计算机或处理器部分地或全部地读取。计算机可读介质可以是便携式的、或可通信的、或可移动的、或可传输的(即，经由2G、3G、4G、WiFi、BLE、光纤或其它电信网络)。
在硬件方面，用于执行所描述的方法的计算机可以在平板计算机或便携式计算机上实现。以适合于实现本发明的硬件架构作为示例，设备可以包括：通信总线、只读存储器(ROM)、随机存取存储器(RAM)或高速缓冲存储器、I/O(“输入/输出”)或通信接口，中央处理单元(CPU)或微处理器连接到所述通信总线，所述处理器可以是“多核”或“众核”的；所述只读存储器(ROM)能够包含实现本发明所需的程序；所述随机存取存储器(RAM)或高速缓冲存储器包括适于记录在上述程序的执行期间创建和修改的变量和参数的寄存器；所述I/O(“输入/输出”)或通信接口适于发送和接收数据。
图2示出了根据本发明的原理用于确定系统状态的一系列步骤(200)。在第一步骤(202)，该方法能够从用于监控系统的一个或多个传感器收集多个数据。根据本发明的一个实施方案，数据由图1的设备100的数据获取模块102记录。获取的数据包括感兴趣数据和噪声。
在随后的步骤(204)，该方法能够从所有或部分获取的数据生成信号。由于收集的数据含噪，因此生成的信号是包括感兴趣信号和噪声的含噪信号。目的是从含噪信号估算感兴趣信号的规律性。
本领域技术人员知道用于分析信号规律性的各种方法，这些方法属于两大类别：
-基于信号的频率分析的估算器，包括例如局部Whittle方法、周期图方法、基于小波变换的方法或半参数方法。最近，已经引入了基于“经验模态分解”(empirical modedecomposition，EMD)或分数阶傅立叶变换的解决方案。
-基于信号的时间分析的估算器，包括例如称为如下方法的分析：“重标极差(rescaled range)”、“聚合方差(aggregated variance)”法、“绝对值”法、或残差的方差法。
本发明的方法通过估算赫斯特系数“H”而属于信号的时间分析的类别。在详细地描述所要求保护的方法之前，需要回顾已知的方法以估算单重分形过程的赫斯特系数。
二十世纪九十年代初提出了一种标准的“波动分析”(FA)方法。原理如下：在对待分析的信号进行积分(integrate)之后，得出一个新的序列“yint”，然后针对“l”的各个值计算以下变量：
Figure BDA0002470029510000071
其中，<.>表示时间平均值。
由于FFA(l)∝l(H+1)，其中∝表示比例关系，因此log(FFA(l))可以表示为log(l)的函数，以估算“H”的值，该值等于获得的回归线的斜率值减去1。
最近，从方法(FA)衍生出的两种方法已被广泛用于估算赫斯特系数：称为“去趋势波动分析”(detrended fluctuation analysis，DFA)的方法和称为“去趋势移动平均”(detrending moving average，DMA)的方法。
C.K.Peng、S.V.Buldyrev、S.Havlin、M.Simons、H.E.Stanley和A.L.Goldberger在“Mosaic organization of DNA nucleotides”(Physical Review，第149期，第1685-1689页，1994)描述了DFA方法。
D.Osborne在“Moving average detrending and the analysis of businesscycles”(Oxford Bull.Econom.Statist，第157期，第547-558页，1995)描述了DMA方法。
这两种方法基于同一个原理，即估算积分信号关于变量“N”的趋势，以获得积分信号与趋势之差的幂。尽管两种方法的原理相同，但是趋势的估算方式因方法而异，“N”的定义也是如此。
对于DFA方法，基于将积分信号分成大小为“N”的分段(对分段的局部趋势进行估算)来估算积分信号的趋势。整体趋势就是局部趋势的级联。对于DMA方法，参数“N”与应用于积分信号以获得其趋势的低通滤波器的阶数相对应。
下面回顾利用DFA和DMA方法分析信号的规律性的步骤。
考虑信号“y”的“M”个连续采样{y(m)}m＝1,…,M，每种方法包括四个主要步骤：
步骤1：对信号进行积分并且从中减去其均值。此步骤产生一个称为“y的曲线(profile)”的新信号，并且表示为：
Figure BDA0002470029510000081
其中，μy表示y的均值。
步骤2：估算曲线的趋势。
对于DFA方法，曲线分为大小为“N”的“L”个分段。由于“M”(连续采样的数量)不一定是“N”的倍数，因此仅考虑最前面的L×N个样本。对分段l采用最小二乘法估算第l局部趋势(l＝1,…,L)。然后将积分信号的整体趋势定义为L个局部趋势的级联。在图5的左侧部分显示了针对N＝(10，20，40)的各个值的曲线趋势的一个示例。
对于DMA方法，利用取决于“N”的低通滤波器对信号进行滤波。具体地，滤波器的脉冲响应由
Figure BDA0002470029510000082
定义，n＝0,…,N-1。
步骤3：从曲线中减去获得的整体趋势。然后，变量F(N)计算为积分信号与该积分信号关于N的整体趋势之差的幂的平方根。
步骤4：对N的各个值重复步骤2和3。由于因信号的积分而F(N)∝Nα(其中，α＝H+1)，logF(N))表示为log(N)的函数。获得的点的回归线的斜率值则是α的估算值，并且因此是信号的规律性的估算值。在图5的右侧部分显示了从三个曲线趋势获得的回归线的描绘。
这两种DFA和DMA方法已广泛地应用于生物医学领域来研究语音、EEG和ECG信号的病理学，这两种方法在估算赫斯特系数方面表现出良好的性能。在其它领域(例如，工业环境)，这两种方法的用途仍然受到更多限制。在气象学中，一个示例是专利申请WO2017/132225A1“Weather-based industry analysis system”。
这些方法有多种变体，目的是要对这些方法进行修正。对于DFA方法，可以提及例如大于1阶的DFA、或者“适应性分形分析”(Adaptative Fractal Analysis，AFA)，或者可以提及J.W.Kantelhardt、E.Koscielny-Bunde、H.H.A.Rego、S.Havlin和A.Bunde在“Detecting long-range correlations with detrended fluctuation analysis”(Physica A:Statistical Mechanics and its Applications，第1295期，第441-454页，2001年)，其提出了旨在对小的N值添加校正项的研究。
对于DMA方法，可以提及变型“中心化DMA”、“l阶加权DMA”(WDMA-1)、“l阶加权中心化DMA”(WCDMA-l)。
可以看出，在已知的应用环境中，信号增强技术不允许保留信号的规律性。有利地，本发明的方法没有增强信号以消除噪声，然后估算感兴趣信号的规律性，而是通过考虑附加测量噪声的影响直接从含噪信号估算感兴趣信号的规律性，不会丢失感兴趣信息或更改信号的规律性。本发明的方法免除了通常方法中的信号增强步骤，从而在积分的含噪信号与其趋势之差的幂的计算中直接补偿测量噪声的影响。积分
因此，返回至图2，根据本发明分析含噪信号包括：在分析中，利用测量噪声的影响的直接补偿来估算(206)感兴趣信号的规律性。
在随后的步骤(208)，该方法能够根据感兴趣信号的规律性的分析结果来确定系统状态。
图3描述了步骤(206)，其示出了根据本发明基于DFA方法的一个实施方案，利用噪声影响的补偿从含噪信号估算感兴趣信号的规律性的一系列步骤。然而，该方法可以变换为能够基于计算信号趋势的任何其它规律性估算方法。
在第一步骤(302)，该方法能够定义一组N值，其对应于将含噪信号划分为大小为“N”的分段，然后对于N的每个值重复(304)多个步骤(306至308)。
在常规的DFA方法中，F.(N)由以下等式定义：
Figure BDA0002470029510000101
其中，xl(n)是第l个局部趋势的第n个样本。
也可以利用以下公式表示F.(N)：
Figure BDA0002470029510000102
其中，ΓN,.(k,k+r)表示位于行k和列k+r上的矩阵ΓN,.的元素，并且其中，
Figure BDA0002470029510000103
对应于积分的感兴趣信号与其趋势之差的幂(与所选方法DFA、DMA等有关)，并且ΓN,.是适合的矩阵。
在步骤(306)，该方法能够计算
Figure BDA0002470029510000104
即相对于当前值“N”的积分的含噪信号与该积分的含噪信号趋势之差的幂的值。这包括将F.(N)表示为含噪信号z(k)＝y(k)+b(k)的样本的函数。
鉴于上述数学研究，相对于当前值“N”的积分的含噪信号与该积分的含噪信号趋势之差的幂的值(标记为
Figure BDA0002470029510000105
可以表示如下：
Figure BDA0002470029510000106
可以利用含噪信号的自相关函数来近似该表达式(305)。
具体地，在数学上可以写为：
Figure BDA0002470029510000107
其中，E[]是数学期望运算符。因此，在广义上是平稳过程的情况下，该等式变为：
Figure BDA0002470029510000111
最后，对于广义上的平稳和遍历过程，可以利用
Figure BDA0002470029510000112
来近似
Figure BDA0002470029510000113
的值。本领域技术人员理解的是，这等同于利用延迟r的自相关Rz,z(r)来近似乘积z(k)z(k+r)，其中，r＝0,…,LN-1。
在这种情况下，
Figure BDA0002470029510000114
将变为：
Figure BDA0002470029510000115
其中，
Figure BDA0002470029510000116
是含噪信号的自相关函数的估算值。
该表达式可以利用以下等式来重写：
Figure BDA0002470029510000117
其中，rr(ΓN,.,r)表示ΓN,.的第r对角线的迹。
在随后的步骤(308)，该方法能够通过利用感兴趣信号的自相关函数补偿计算中的噪声影响(307)，来计算积分的感兴趣信号与趋势之差的幂的值
Figure BDA0002470029510000118
如图4的说明所述。
对于每个“N”值重复步骤306至308，并且在处理了N值的所有值时，该方法能够在随后的步骤(310)中从含噪信号估算感兴趣信号的规律性，然后继续进行确定系统状态的步骤(208)。
图4描述了步骤(308)，用于通过补偿噪声的影响来推导积分的感兴趣信号与趋势之差的幂的值
Figure BDA0002470029510000119
在步骤(402)，该方法能够估算噪声的属性，然后确定噪声的自相关函数的表达式(404)，标记为Rb,b(r)。
本领域技术人员理解的是，待估算的噪声的属性可以涉及例如，噪声的统计属性、和/或有色或白色性质、和/或由此可以形成的参数模型等。
基于噪声的自相关函数(404)和含噪信号的自相关函数(400)，该方法能够确定感兴趣信号的自相关函数(406)。
如果噪声和信号不相关且在广义上是平稳的，则利用以下等式将含噪信号z的自相关函数表示为感兴趣信号y的自相关函数与加性噪声b的自相关函数之和：
Figure BDA0002470029510000121
其中，r＝0,…,LN-1。
然后，在随后步骤(408)，该方法能够在积分的感兴趣信号与趋势之差的幂的值
Figure BDA0002470029510000122
计算中，对噪声的影响进行数学补偿。
该方法继续进行步骤(310)，以估算感兴趣信号的规律性。
给出的一个示例具有白噪声：也就是说，b为高斯白噪声，均值为零，方差为
Figure BDA0002470029510000123
在这种情况下，含噪信号z定义如下：
z(n)＝y(n)+b(n).
由于b的自相关函数等于
Figure BDA0002470029510000124
函数δ定义为：
Figure BDA0002470029510000125
含噪信号z的自相关函数变为：
Figure BDA0002470029510000126
然后，可以利用如下等式，将关于N的积分的含噪信号与估算趋势之差的幂
Figure BDA0002470029510000127
表示为关于N的积分的感兴趣信号与相同积分的感兴趣信号的估算趋势之差的幂的函数：
Figure BDA0002470029510000128
其中，Tr(ΓN,.)为矩阵ΓN,.的迹，即其对角线元素的总和。
图6示出了在log(F(N))根据log(N)而变化的曲线图上，利用DFA方法，
Figure BDA0002470029510000129
根据N而变化的各个值的演变。该信号具有估算为α＝1.60的规律性。利用具有与信号相同功率的白噪声对该信号添加噪声，可以观察到该噪声显著地修改了对于小的N值的
Figure BDA00024700295100001210
的值。因此，在含噪情况下估算的α值被改变并估算为αnoisy＝1.35。通过利用本发明的噪声补偿方法，可以消除在计算
Figure BDA00024700295100001211
时的这种影响，并且可以改善估算值α。在作为示例的上述情况下，其具有值：αcompensated＝1.61。
图7示出了对于利用在估算规律性之前增强信号的常规方法的曲线图(上部)与利用本发明的噪声补偿方法的曲线图(下部)所获得的结果比较。该示例示出了50个合成信号，其规律性已知，范围从0.1到0.9。然后，利用功率等于信号功率的白噪声对这些信号添加噪声。
上部的曲线示出了在利用常规方法首先增强信号，然后对增强的信号或去除了噪声的信号估算规律性时的结果。因此，可以观察到，对于较高的α值，增强信号会更改估算的规律性值。当基本信号的先验规律性增加时，这种现象会加剧。
下部的曲线示出了在利用本发明的方法估算规律性时具有直接噪声补偿的结果。因此，可以观察到，估算的规律性值改变的现象被减弱，本发明的方法因而能够平均地更好地估算含噪信号的规律性。
另外，本发明的利用噪声补偿方法的估算方差也低于利用常规增强方法获得的估算方差。有利地，与利用已知方法相比，利用本发明的方法可以使对真实信号估算的规律性值α的信任度更高。因此，该方法能够更稳健且更准确地估算信号的规律性。

Claims (15)

1.一种用于确定系统的状态的计算机实现方法(200)，所述方法包括以下步骤：
-收集与系统有关的数据(202)，所述数据是包括感兴趣数据和噪声的含噪数据；
-从收集的数据生成待分析的信号(204)，所述信号是包括感兴趣信号和噪声的含噪信号；
-通过在积分的含噪信号与其趋势之差的幂的计算中补偿噪声的影响，基于含噪信号分析感兴趣信号的规律性(206)；以及
-根据从含噪信号估算的感兴趣信号的规律性的分析结果，确定所述系统的状态(208)。
2.根据权利要求1所述的方法，其中，分析含噪信号的规律性的步骤(206)包括以下步骤：
-定义一组“N”值(302)；
-对于每个“N”值(304)：
-根据含噪信号的自相关函数(305)，计算积分的含噪信号与该积分的含噪信号关于“N”值的估算趋势之差的幂的值(306)；
-根据积分的含噪信号与该积分的含噪信号关于“N”值的估算趋势之差以及噪声的自相关函数(307)，计算积分的感兴趣信号与该积分的感兴趣信号趋势之差的幂的值(308)；以及
-估算含噪信号的规律性(310)。
3.根据权利要求1或2所述的方法，其在生成待分析的信号的步骤(204)之后，包括计算含噪信号的自相关函数的步骤(400)。
4.根据权利要求3所述的方法，其中，计算积分的感兴趣信号与其趋势之差的幂的值的步骤(308)包括以下步骤：
-估算噪声的属性(402)；
-计算噪声的自相关函数(404)；
-根据噪声的自相关函数以及含噪信号的自相关函数，计算感兴趣信号的自相关函数(406)；以及
-利用噪声的自相关函数，在积分的感兴趣信号与其趋势之差的幂的值的计算(408)中数学补偿噪声的影响。
5.根据权利要求4所述的方法，其中，估算噪声的属性的步骤在于估算噪声的统计特性、和/或噪声的有色或白色性质、和/或从所述噪声形成的参数模型的参数。
6.根据权利要求2至5中任一项所述的方法，其中，定义一组“N”值的步骤(302)在于将积分的含噪信号划分为大小为“N”的分段，并且估算感兴趣信号的规律性的步骤(310)包括对于所述一组“N”值估算所述积分信号的趋势。
7.根据权利要求2至5中任一项所述的方法，其中，定义一组“N”值的步骤(302)在于将阶数为“N”的低通滤波器应用于积分的含噪信号，并且估算感兴趣信号的规律性的步骤(310)包括估算所述积分信号的趋势。
8.根据前述权利要求中任一项所述的方法，其中，收集数据的步骤(202)在于从与所述系统联接的传感器收集数据。
9.根据权利要求8所述的方法，其中，所述传感器配置为收集与大脑的电活动EEG“脑电图”、和/或心脏的电活动ECG“心电图”、和/或皮肤电活动、和/或瞳孔测定有关的数据。
10.根据权利要求8或9所述的方法，其中，所述传感器包括至少一个惯性传感器，所述惯性传感器包括加速度计和陀螺仪。
11.根据权利要求1至10中任一项所述的方法，还包括根据规律性分析的结果显示所述系统的状态的步骤。
12.一种计算机程序产品，所述计算机程序包括非易失性代码指令，当在计算机上执行所述程序时，所述非易失性代码指令使得执行根据权利要求1至11中任一项所述的方法的步骤。
13.一种用于确定系统的状态的设备(100)，所述设备包括：
-用于收集与系统(101)有关的数据的装置(102)，所述数据是包括感兴趣数据和噪声的含噪数据；
-用于从收集的数据生成待分析的信号的装置(104)，所述信号是包括感兴趣信号和噪声的含噪信号；
-用于通过在积分的含噪信号与其趋势之差的幂的计算中补偿噪声的影响来分析感兴趣信号的规律性的装置(106)；以及
-根据规律性分析的结果确定所述系统的状态的装置(108)。
14.根据权利要求13所述的用于确定系统的状态的设备(100)，还包括用户界面(110)，该用户界面(110)配置为提供系统的状态。
15.根据权利要求13或14所述的用于确定系统的状态的设备(100)，其中，所述系统是人或装置。
CN202010345851.5A 2019-04-26 2020-04-27 用于在含噪环境中分析系统的状态的设备和方法 Pending CN111860102A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1904422 2019-04-26
FR1904422A FR3095546A1 (fr) 2019-04-26 2019-04-26 Dispositif et procédé d’analyse de l’état d’un système en contexte bruité

Publications (1)

Publication Number Publication Date
CN111860102A true CN111860102A (zh) 2020-10-30

Family

ID=68138256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010345851.5A Pending CN111860102A (zh) 2019-04-26 2020-04-27 用于在含噪环境中分析系统的状态的设备和方法

Country Status (4)

Country Link
US (1) US11610073B2 (zh)
EP (1) EP3730048A1 (zh)
CN (1) CN111860102A (zh)
FR (1) FR3095546A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238190B (zh) * 2021-04-12 2023-07-21 大连海事大学 一种基于emd联合小波阈值的探地雷达回波信号去噪方法
CN113091875A (zh) * 2021-04-20 2021-07-09 中国汽车工程研究院股份有限公司 一种车内异响检测与评价系统及检测方法
CN114224360B (zh) * 2021-12-27 2023-10-10 长春工程学院 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768392A (en) * 1996-04-16 1998-06-16 Aura Systems Inc. Blind adaptive filtering of unknown signals in unknown noise in quasi-closed loop system
US8543195B1 (en) * 2009-11-03 2013-09-24 VivaQuant, LLC ECG sensing with noise filtering
WO2014113664A2 (en) * 2013-01-17 2014-07-24 Cardioinsight Technologies, Inc. Non-local mean filtering for electrophysiological signals
WO2015017676A1 (en) 2013-07-31 2015-02-05 Locator Ip, Lp System and method for gaming and hedging weather
US10153806B1 (en) * 2015-03-19 2018-12-11 Hrl Laboratories, Llc Cognitive architecture for wideband, low-power, real-time signal denoising
CN107132033A (zh) * 2017-04-12 2017-09-05 国家电网公司 一种基于变压器噪声的绕组机械状态诊断方法及系统
EP3418831B1 (en) * 2017-06-19 2023-08-16 C.R.F. Società Consortile per Azioni A method for performing a noise removal operation on a signal acquired by a sensor and system therefrom

Also Published As

Publication number Publication date
FR3095546A1 (fr) 2020-10-30
EP3730048A1 (fr) 2020-10-28
US20200342199A1 (en) 2020-10-29
US11610073B2 (en) 2023-03-21

Similar Documents

Publication Publication Date Title
CN111860102A (zh) 用于在含噪环境中分析系统的状态的设备和方法
EP3876191A1 (en) Estimator generation device, monitoring device, estimator generation method, estimator generation program
Fujita et al. PARHELIA: Particle filter-based heart rate estimation from photoplethysmographic signals during physical exercise
US20160223514A1 (en) Method for denoising and data fusion of biophysiological rate features into a single rate estimate
Cuomo et al. A novel O (n) numerical scheme for ECG signal denoising
US20170086752A1 (en) Devices, systems, and methods for determining heart rate of a subject from noisy electrocardiogram data
Salis et al. Denoising simulated EEG signals: A comparative study of EMD, wavelet transform and Kalman filter
Vargas et al. Empirical mode decomposition, viterbi and wavelets applied to electrocardiogram noise removal
Banerjee et al. Monte Carlo filter-based motion artifact removal from electrocardiogram signal for real-time telecardiology system
Tigga et al. Efficacy of novel attention-based gated recurrent units transformer for depression detection using electroencephalogram signals
CN113647905A (zh) 深度神经网络预测血压的训练方法、计算机装置和存储介质
Aydin Determination of autoregressive model orders for seizure detection
Santillán-Guzmán et al. Real-time empirical mode decomposition for EEG signal enhancement
WO2016104496A1 (ja) 眠気推定装置及び眠気推定プログラム
US10799139B2 (en) Method and system for EEG signal processing
CN116831546A (zh) 预测胎心率曲线异常度的方法、装置、设备及存储介质
Velmurugan et al. Gabor wavelet multi-linear discriminant analysis for data extraction in ECG signals
JP2016187555A (ja) 生体パラメータ推定装置または方法
JPWO2021009851A5 (ja) 生体信号推定装置、生体信号推定方法、及び、生体信号推定プログラム
CN113616194B (zh) 一种监测手部震颤频率和强度的装置及方法
US20100076329A1 (en) Method for reducing baseline drift in a biological signal
Ramdani et al. Parameters selection for bivariate multiscale entropy analysis of postural fluctuations in fallers and non-fallers older adults
Askari et al. Application of neural networks for heart rate monitoring
Xiao et al. Multivariate multiscale cosine similarity entropy
Prashar et al. Morphology analysis and time interval measurements using mallat tree decomposition for CVD Detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201030