CN113905664B - 一种用于检测生理状况的事件驱动脉冲神经网络系统 - Google Patents

一种用于检测生理状况的事件驱动脉冲神经网络系统 Download PDF

Info

Publication number
CN113905664B
CN113905664B CN202080040327.5A CN202080040327A CN113905664B CN 113905664 B CN113905664 B CN 113905664B CN 202080040327 A CN202080040327 A CN 202080040327A CN 113905664 B CN113905664 B CN 113905664B
Authority
CN
China
Prior art keywords
event
signal
neural network
events
network system
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
Application number
CN202080040327.5A
Other languages
English (en)
Other versions
CN113905664A (zh
Inventor
菲利克斯·鲍尔
迪兰·缪尔
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.)
Chengdu Shizhi Technology Co ltd
Original Assignee
Chengdu Shizhi Technology Co ltd
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 Chengdu Shizhi Technology Co ltd filed Critical Chengdu Shizhi Technology Co ltd
Publication of CN113905664A publication Critical patent/CN113905664A/zh
Application granted granted Critical
Publication of CN113905664B publication Critical patent/CN113905664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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]
    • A61B5/346—Analysis of electrocardiograms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A61B5/293—Invasive
    • 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]
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychology (AREA)
  • Power Engineering (AREA)
  • Fuzzy Systems (AREA)
  • Robotics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种事件驱动脉冲神经网络系统(100)和一种用于基于检测到的人的生理信号来检测人的生理状况的方法，该系统至少包括以下组件：‑至少一个传感器(111‑1)，其被配置和布置成检测生理信号并且将所述生理信号转换为指示所述生理信号的传感器信号(112)，‑信号转换模块(120)，其被配置和布置成从至少一个传感器(111‑1)接收传感器信号(112)并且将传感器信号(112)转换为离散事件的至少一个时间序列，‑人工神经元群体(140)，其包括被布置在事件驱动脉冲神经网络中的多个人工事件驱动脉冲神经元(131‑1，131‑N)，其中所述神经元群体(140)被配置和布置成接收事件，其中所述神经元群体(140)被布置成基于所接收的事件来识别人的生理状况，其中所述神经元群体(140)被配置成提供一个或多个经处理的事件时间序列至，‑状况检测模块(150)，其被布置和配置成从所述神经元群体(140)接收事件，并且当从所述人工神经元群体(140)接收的事件指示生理信号包括指示生理状况的特征时，输出触发信号(180)。

Description

一种用于检测生理状况的事件驱动脉冲神经网络系统
技术领域
本发明涉及一种用于检测生理状况的系统，尤其涉及一种用于基于检测到的生理信号来识别人的生理状况的事件驱动脉冲神经网络系统。
背景技术
许多病理状况可以通过检查来自对象的测量的生理信号来检测。例如，可以通过检查由对象的心脏的电活动引起的信号来检测病理心脏状况。有时使用一个或多个同时的电记录，其可以检测用于引起心肌收缩的电信号。可替代地，光学或其它传感器可以测量通过身体的血流中的压力波，其反映心脏的收缩。这些传感器信号被统称为生物特征丛(biogram)，而不管所使用的传感器。因此，生物特征丛包括一个传感器信号或多个传感器信号。
由熟练的专业人员对传感器信号(例如，一组ECG轨迹)的检查和诊断对于诊断病理状况是重要的，但是非常耗时。为此，通常仅在医生办公室或医院中怀疑有病理问题时才记录传感器信号。另一方面，连续监测可以潜在地在病理状况变得急性医学相关之前检测病理状况。
本领域已知的用于传感器信号分析的系统依赖于基于时钟的计算，通常称为冯·诺伊曼计算系统。这些系统可以被实现为数字信号处理器(DSP)、微处理器或微控制器、中央处理单元或CPU、图形处理单元或GPU、或者包含基于时钟的处理单元的ASIC。冯·诺伊曼处理器执行与数据和程序存储(也称为存储器)物理上分离的计算。因此，冯·诺伊曼处理器必须从存储器中提取数据，从存储器中提取程序指令，将数据和指令移动到执行模块(或算术逻辑部件，也称为“ALU”)，执行所请求的计算，然后将结果移回到存储器。在存储器与ALU之间移动数据和指令会招致严重的时间和能量成本。
作者Das等，“Unsupervised Heart-rate Estimation in Wearables WithLiquid States and A Probabilistic Readout”,ARXIV.ORG,CORNELLUNIVERSITYLIBRARY,201OLIN LIBRARY CORNELL UNIVERSITY ITHACA,NY 14853,18July2017(2017-07-8),XP081279151,001:10.1016/J.NEUNET.2017.12.015公开了一种用于检测人的心跳的系统，其中所述系统包括传感器、用于将传感器的检测到的心跳编码到脉冲事件流中的脉冲编码器、以及被配置成检测事件流中的心跳的脉冲神经元网络。然而，在该论文中采用的技术不允许生理信号的更详细分析，诸如心跳信号的形状或指示生理状况的信号的其他特征的确定，因为脉冲编码基于同步的、基于时钟的系统。然而，这又不允许重构来自传感器的原始信号，这意味着由于与基于时钟的方法相关联的信息丢失，不能执行对传感器信号的更详细分析。因此，需要多信息和对传感器信号的更深入分析的生理状况确定对于所述系统是不可能的。
发明内容
本发明的目的是提供一种克服冯·诺伊曼处理器的缺点的系统，并提供一种用于生理信号分析的装置。
有利的实施例在后文中描述。
一种用于基于检测到的生理信号来检测并且特别地识别人的生理状况，特别地用于识别从人记录的光电容积描记图信号中的病理状况的事件驱动脉冲神经网络系统，至少包括以下组件：
至少一个传感器，其被配置和布置成检测生理信号，例如血管活动，诸如心跳、心率或心率变异性，并且将生理信号转换为指示生理信号的特定电传感器信号；
信号转换模块，其被配置和布置成从至少一个传感器接收传感器信号，并且特别地将传感器信号异步地转换成离散的特别是二进制事件的至少一个时间序列，特别地通过对传感器信号和/或传感器信号的函数进行Lebesgue采样，所述函数诸如其导数，特别地其中，每个事件指示传感器信号的变化，诸如传感器信号的增加或减小，和/或超过或低于阈值；
人工神经元群体，其包括被布置在事件驱动脉冲神经网络中的多个人工事件驱动脉冲神经元，其中神经元群体被配置和布置成接收事件，特别是事件的一个或多个时间序列，其中神经元群体被布置、特别地训练为基于所接收的事件来识别人的生理状况，其中神经元群体被配置成提供事件的一个或多个经处理的时间序列至；
状况检测模块，被布置和配置成接收事件，特别是来自神经元群体的特别地经由输出总线的事件的一个或多个时间序列，并且被特别训练为当事件，特别是事件的一个或多个经处理的时间序列指示所检测的生理信号中的至少一个包括指示生理状况的特征时输出触发信号。
与基于冯·诺伊曼的计算相反，根据本发明的系统采用分布式存储器方法，特别是因为神经元群体中的每个神经元是基本计算和存储器单元。
因此，计算和存储器在物理上分布在整个网络系统中，这尤其使与处理数据相关联的时间和能量成本最小化。
此外，根据本发明的系统特别地被配置成执行流水线处理，其中来自时间序列的事件渐进地移动通过计算流水线，特别地包括神经元群体，其中对于每个计算部件，即神经元，重复地执行相同的计算，但是对不同的事件。因此，与提取指令相关联的时间和能量成本被最小化。
注意，特别地，每个组件或模块是硬件组件，特别地，被配置用于与所述组件或模块相关联的任务。
根据本发明的该系统还允许对传感器信号的连续实时监测和集成本地分析，同时提供与冯·诺伊曼系统相比非常低的功耗和紧凑的尺寸，使得其与低功率可穿戴设备中的实施兼容。
术语“事件驱动”特别是指系统被配置成不以时钟同步方式而是基于每个事件(event-per-event)来处理事件和信息，即，当事件被提供给系统的组件时，所述组件将开始处理事件，并且特别地输出事件，而与用于同步系统的组件的全局同步时钟无关。
这允许精确地重构包括在至少一个传感器的信号中的信息，并且因此允许在信号的单独检测之外关于可能在信号中可检测的生理状况对信号进行分析。
因此，在本说明书的上下文中，术语“事件驱动”特别涉及事件的异步产生和处理，特别地与同步事件生成模块所使用的时钟周期无关。
术语“异步”特别是指没有任何基于时钟或基于周期的处理的系统的处理方案。例如来自传感器的任何流入信号由信号转换模块转换成事件，其中与信号转换模块的事件生成相关联的时间不由计时器计时或循环。
因此，根据信号转换模块可能产生的事件的时间序列，可以将信号的完整信息编码到事件流中。在基于时钟的系统中，流中的预定事件间隔不允许对来自传感器的信号的完整信息进行编码。
根据本发明的另一实施例，信号转换模块转换至少一个传感器的信号，使得信号的完整信息被编码在事件流中。
特别地，信号转换模块被配置成以异步方式生成事件。
根据本发明的另一实施例，信号转换模块是异步操作模块，使得事件生成是完全异步的。
根据本发明的另一实施例，人工神经元群体和状况检测模块被配置成以异步方式处理事件。
根据本发明的另一实施例，人工神经元群体和状况检测模块是系统的异步操作部件。根据本发明的另一实施例，系统所包括的所有组件被配置成以异步方式处理事件。
根据本发明的另一实施例，系统的所有组件是系统的异步操作组件。
特别地，如果组件没有接收到事件，则所述组件保持不活动直到接收到事件。
术语“生理状况”特别地指表现出指示人的生理状态的特别独特的性质的状况。
因此，生理状况可能实际上是诸如心脏病发作的病理状况，但也可能是诸如在工作期间的体力活动的非病理状况。
特别地，指示生理状况的特征包括形状信息、信号的频率信息、振幅或其任何组合，特别地其中指示生理状况的特征依赖于至少一个传感器的信号的完整信息。
传感器信号可以包括从人记录的光电容积描记图信号，而且包括EEG信号、心电图或在人处检测到的其他信号。
至少一个传感器输出指示生理信号的传感器信号。这样的输出信号例如可以是用于生理信号的数字电压信号编码或者是基本上与生理信号成比例的模拟电压信号。
传感器可以例如是以下中的至少一个：
加速度计；
惯性测量单元(IMU)；
光学传感器，例如光电容积描记；
EEG。
信号转换模块可以包括计算元件，其被配置成计算至少一个传感器信号的和或差。特别地，信号转换模块包括一个或多个信号转换单元，其被配置成各自接收特别地来自多个传感器的传感器信号，并且将(一个或多个)传感器信号转换成多个事件的时间序列。
信号转换模块，特别是每个信号转换单元可以被配置成将传感器信号转换成事件的一个或多个时间序列，特别地其中通过检测传感器信号的增加或减少来生成事件的时间序列，并且其中每当检测到传感器信号的增加或减少时，由转换模块特别是转换单元来生成事件。
每个信号转换单元还可以包括可调谐带通滤波器，用于在转换成事件之前对传感器信号进行滤波，即，该转换基于传感器信号的函数。
术语“Lebesgue采样”特别地指用于信号的非均匀，特别是非周期性采样方案，其中采样时间取决于待采样的传感器信号。Lebesgue采样是一种信号电平触发的采样方法，每当传感器信号与多个预定信号电平之一交叉时对传感器信号进行采样。因此，信号的信息被编码在所生成的事件的频率中，更准确地说，被编码在事件之间的时间间隔中。
采样的，即转换的传感器信号特别是二进制信号，这减小了传输带宽。
包含在人工神经元群体中的神经元是事件驱动的神经元，并且在本说明书的上下文中也被称为神经元设备。
每个神经元可以经由系统所包含的事件总线从事件的至少一个时间序列接收事件。
特别地，在人工神经元群体接收到事件的多个时间序列的情况下，每个神经元还可以包括地址列表，该地址列表指示哪些事件、特别是哪些时间序列要由所述神经元处理，即哪些事件可以改变神经元的神经元状态。神经元的神经元状态特别是存储在神经元中的事件驱动值，但是也可以是连续更新的模拟或数字值。
就增加或减少神经元发送事件的机会而言，即增加或减少神经元状态，并且特别是事件对神经元的影响强度，即增加或减少发送事件的机会到什么程度，即响应于事件而将神经元状态改变多少，列表的每个地址可以与时间序列的事件对神经元，特别是对神经元状态具有正或负影响的信息相关联。
包含在人工神经元群体中的神经元还可以实现所接收的事件的总和，并且当满足阈值状况时，可以发送输出事件。这个求和改变了神经元状态。
事件驱动人工神经元群体包括多个事件驱动神经元，其中神经元被配置在连接网络中，该连接网络在本说明书的上下文中也被称为事件驱动脉冲神经网络。连接网络可以包括事件驱动的神经元群体中的神经元内和之间的连接。
根据本发明的另一实施例，事件驱动人工神经元群体连接到输入总线，并且被配置成经由所述输入总线从事件的至少一个时间序列接收事件。
此外，根据本发明的另一实施例，人工神经元群体连接到输出总线，并且被配置成经由所述事件输出总线发送由神经元生成的事件，特别地其中经由所述输出总线发送经处理的时间序列。
根据本发明的又一实施例，人工神经元群体与内部总线互连，并且被配置成经由所述内部总线发送和分发所生成的事件。
特别地，内部总线用于为神经元群体提供递归网络配置。
可替代地，根据本发明的另一实施例，输入、内部和/或输出总线被包括在单个总线中，并且共享所述单个总线。
总线和事件的时间序列可以以几种方式实现。例如，每个事件的时间序列可以被实现为独立的信号路径。
可替代地，每个时间序列可以与要在总线上用信号通知的地址相关联，该总线然后充当共享总线。然后，总线可以被实现为多路复用数据总线，其它设备监听多路复用总线上的适当地址。
根据本发明的另一实施例，神经元群体通过产生包括多个事件的动态状态来识别生理状况，所述多个事件允许状况检测模块进行检测，特别是决定生理信号是否包括指示生理状况的特征。
状况检测模块可以包括一个或多个神经元，每个神经元与一个或多个传感器信号中的特定生理状况的检测相关联。
这些生理状况可以用信号通知病理或标称医学状态的存在，或者用信号通知如先前详细阐述的其他感兴趣状态的存在。
由状况检测模块发送的触发信号向外部系统特别地指示检测到的生理状况的检测和特征。
触发信号特别地设计成向外部系统发出检测到的生理状况的发生的信号。
根据本发明的另一实施例，事件驱动脉冲神经网络系统包括事件驱动信号扩展模块，该事件驱动信号扩展模块包括至少第一层事件驱动脉冲人工神经元，其中，信号扩展模块被配置和布置成从信号转换模块接收事件，特别是事件的至少一个时间序列，并且从每个事件，特别是从例如来自不同传感器的每个事件的流入时间序列，通过第一层神经元处理流入事件来生成多个流出事件，特别是事件的多个流出时间序列，并且特别地将多个流出事件或事件的时间序列提供给人工神经元群体。
术语“层”特别地指至少一个电子电路，其表示如本领域技术人员所理解的人工神经网络中的层。
根据本发明的另一实施例，扩展模块被配置成以异步方式处理事件。
根据本发明的另一实施例，扩展模块是系统的异步操作组件。
事件驱动信号扩展模块可以处理从转换模块接收的事件的一个或多个时间序列，并将这些时间序列组成多个流出时间序列。多个时间序列特别地经由输入总线被发送到人工神经元群体。在人工神经元群体处，事件、特别是事件的时间序列被路由到神经元，特别是通过地址列表，以便如先前详细阐述的那样进一步处理。
因此，可以使包括在选定的事件的时间序列中的事件可用于一个或多个事件驱动神经元，特别是通过地址列表。
每个事件驱动神经元可以生成事件或事件的时间序列，其可以被组合成经处理的时间序列。
根据本发明的另一实施例，信号扩展模块中的第一层神经元仅以前馈配置来布置和配置。
根据该实施例，事件的处理以严格前馈的方式发生，即，由第一层处理的事件不被反馈到第一层，而是被提供给人工神经元群体。因此，第一层不被配置成递归层。
根据本发明的另一实施例，人工神经元群体被布置成递归神经网络，特别地被布置成纯递归网络，特别地，其中神经元群体中的神经元被布置在第二层中，特别地仅在一个第二层人工神经元中。
该实施例为系统提供了有效的网络结构。
根据本发明的另一实施例，状况检测模块包括第三层人工神经元，特别地其中第三层仅以前馈配置来布置和配置。
第三层是系统操作特别需要的，使得系统被配置成选择性地识别生理状态。
根据本发明的另一实施例，第三层被训练成根据从人工神经元群体接收的事件、特别是根据事件的多个经处理的时间序列来检测生理状况。
根据本发明的另一实施例，该系统包括用于检测生理信号的多个传感器，其向信号转换模块提供多个传感器信号，特别地，其中每个传感器被配置和布置成检测与多个传感器中的其余传感器被配置和布置成检测的生理信号不同的生理信号。
该实施例允许监测从人获取的多个生理信号，这使得系统对于生理状况检测更灵敏和鲁棒。
此外，该实施例允许同时执行多种类型的分析。例如，来自惯性传感器的步态识别，而同时执行来自PPG传感器的心跳分析。
特别地，如果一个传感器发生故障，则由于由剩余传感器检测到的信号所提供的冗余，根据该实施例的系统仍然是可操作的。
根据本发明的另一实施例，该系统被配置成从至少一个检测到的生理信号识别多个生理状况。
该实施例允许广泛的应用。特别地，根据该实施例，人工神经元群体包括多个神经元单元，每个单元被训练成针对不同的生理状况处理事件或事件的时间序列。
根据本发明的另一实施例，信号转换模块、信号扩展模块、人工神经元群体和/或状况检测模块被包括在单个设备中，特别是可穿戴设备，特别是电池驱动设备。
该实施例提供了一种允许检测生理状况的紧凑设备。
根据本发明的另一实施例，至少一个传感器是被配置成根据人的血管活动生成体积描记图信号的光学传感器。
光学传感器提供非侵入性检测能力并且可靠地监测诸如心率或脉搏的生理信号。
根据本发明的另一实施例，特别地，信号转换模块包括转换模块输入总线，转换模块输入总线被配置和布置成将传感器信号从至少一个传感器传输到信号转换模块，特别地，其中，转换模块输入总线将传感器与转换模块连接，其中，对于由转换模块接收的每个传感器信号，信号转换模块生成事件的两个时间序列，特别地，其中，事件的两个时间序列的第一时间序列指示传感器信号已经增加，并且其中，事件的两个时间序列的第二时间序列指示传感器信号已经减少，其中，信号转换模块被配置和布置成将至少两个时间序列的事件提供给信号扩展模块和/或人工神经元群体。
根据本发明的另一实施例，神经元群体的神经元包括用于事件的输入总线，其中输入总线连接到每个神经元所包括的事件过滤器，其中事件过滤器被配置成针对从输入总线接收的所选事件更新神经元的神经元状态，其中神经元还包括事件生成器，其被配置成当神经元的神经元状态超过或低于预定阈值时生成事件。
输入总线的一些实施例和特征已经在说明书的先前实施例中详细阐述。
事件过滤器特别地包括地址列表，使得实现对要由所述神经元处理的时间序列的事件的选择。
例如，在事件过滤器识别出要由神经元处理的事件的情况下，所述事件特别地改变神经元状态。事件发生器监测神经元的神经元状态，并且在改变的神经元状态超过或低于预定或训练的阈值的情况下，事件发生器生成事件。然后，所述事件由神经元群体中的其他神经元(例如，内部总线路由)进一步处理，或者被发送到状况检测模块(例如，输出总线路由)。
根据本发明的另一实施例，神经元群体中的每个神经元包括平衡器，平衡器被配置和布置成基于导致神经元状态的更新的流入事件的频率和/或基于导致神经元状态的更新的流入事件对神经元状态的累积效应来调整神经元的事件的输出频率。
这允许系统变得更鲁棒并且防止神经元活动溢出。
根据本发明的另一实施例，状况检测模块包括被配置成生成触发信号的触发单元，并且其中触发单元被配置成提供关于检测到的生理状况的信息，以提供检测到的生理状况的标识。
根据本发明的另一实施例，该系统连接或可连接到外部特定计算机化系统，其中状况检测模块被配置成向外部系统提供触发信号。
这样的外部计算机化系统可以包括智能设备，诸如智能手表、诸如医院的医疗设施的中央计算机。
特别地，其中中央计算机被配置成在接收到关于生理状况的触发信号的情况下通知医务人员。
根据本发明的另一实施例，该系统包括信号存储器，其被配置成分别存储来自至少一个传感器的传感器信号和来自多个传感器信号的传感器信号，其中，在检测到生理状况时，将指示生理状况的传感器信号的一部分提供给外部系统。
该实施例允许技术人员重新评估(一个或多个)传感器信号部分，例如用于检验检测到的生理状况。
信号存储器特别地被配置成记录缓冲器，并且可以保存(一个或多个)传感器信号的至少一部分的记录。该缓冲器可以被不断地更新，使得它总是包含在某一预定时间段内的(一个或多个)传感器信号的最近部分的记录。外部系统还可以查询记录缓冲器，以返回当前记录的传感器信号。可替代地，记录缓冲器可由状况检测模块控制以将当前记录的传感器信号发送到外部系统。
术语“计算机化系统”或类似术语表示包括根据一个或多个程序可操作或操作的一个或多个处理器的装置。
尽管根据本发明的系统通常涉及事件驱动的神经元系统，但是所述系统可以连接到普通的计算机化系统或计算机。
在适用的情况下，术语“计算机”或其系统在本文中用作本领域的普通上下文，诸如通用处理器或微处理器、RISC处理器或DSP，可能包括诸如存储器或通信端口之类的附加元件，尤其是当这样的计算机是系统的外部设备时。可选地或附加地，术语“计算机”或其派生词表示能够执行所提供的或所结合的程序和/或能够控制和/或访问数据存储装置和/或诸如输入和输出端口的其他装置的装置。术语“计算机”还表示多个连接的和/或链接的和/或以其他方式通信的处理器或计算机，可能共享一个或多个其他资源，例如存储器。
此外，通过一种用于根据生理信号检测生理状况的方法，尤其是使用根据本发明的系统，解决了根据本发明的问题，该方法包括以下步骤：
提供生理信号，特别地通过模拟生成或者利用至少一个传感器从人记录，传感器生成指示生理信号的传感器信号，
利用信号转换模块将传感器信号转换成离散事件的至少一个时间序列，特别是借助于Lebesgue变换，
将事件的至少一个时间序列提供给神经元群体，
在神经元群体处，以事件驱动的方式处理来自至少一个时间序列的事件，其中至少一个经处理的时间序列由人工神经元群体生成，
将经处理的时间序列的事件提供给状况检测模块，
当从经处理的时间序列中测到生理状况时，在状况检测模块处生成触发信号，
将触发信号提供给外部系统，以通知所检测到的生理状况。
根据本发明的方法可以是计算机实现的方法。
为根据本发明的系统公开和定义的特征的术语和定义以相应的方式应用于该方法，反之亦然。
该方法和系统可以至少部分地在诸如智能手表的智能设备中实现。然后，该方法可以警告佩戴智能设备的人，引起传感器信号(即，(一个或多个)传感器信号，特别是包括所检测到的生理状况的部分)的存储，和/或收集和/或显示所检测到的生理状况的统计数据。
该方法和系统还可以至少部分地在用于医疗设施中的患者的健康护理的可穿戴设备中实现：然后，该方法可以发出医疗警报，和/或将传感器信号发送给卫生医师以进行诊断。此外，该方法可以存储传感器信号以用于以后的诊断，并且收集生理状况的统计数据。
根据该方法的另一实施例，该方法进一步包括以下步骤：
将由转换模块生成的至少一个时间序列提供给信号扩展模块，
-在信号扩展模块处，针对每个接收到的事件的时间序列生成事件的多个时间序列，并且将所述多个时间序列提供给神经元群体。
根据该方法的又一实施例，该方法进一步包括以下步骤：
记录至少一个传感器信号并且如果检测到生理状况，
将至少一个传感器信号的至少一部分提供给外部系统，序列包括指示所检测到的生理状况的传感器信号部分。
该问题还通过一种计算机程序来解决，该计算机程序包括计算机程序代码，当在计算机化设备上执行时，该计算机程序代码使得该设备执行计算机可实现的方法步骤。
附图说明
具体地，下面结合附图描述示例性实施例。附图被附加到权利要求书，并且伴随有解释所示实施例的各个特征和本发明的方面的文本。在附图中示出的和/或在附图的文本中提到的每个单独的特征可以并入(也以分离的方式)到与根据本发明的装置有关的权利要求中。
图1示出了根据本发明的事件驱动脉冲神经网络系统的示意图，以及其与外部系统的交互；
图2示出了信号转换模块的示意图；
图3示出了信号转换单元的示意图；
图4示出了信号扩展模块的示意图；
图5示出了神经元的示意图；
图6示出了事件驱动的神经元群体的示意图；
图7示出了状况检测模块的示意图；
图8示出了用于在所记录的传感器信号中检测病理或其他生理状况的方法的流程图；以及
图9示出了用于配置事件驱动脉冲神经网络系统的方法；以及
图10示出了传感器信号和生理状况的检测。
具体实施方式
图1示意性地示出了用于检测生理信号中的病理或其他状况的事件驱动脉冲神经网络系统100。生理信号由一个或多个传感器检测，该传感器将检测到的生理信号转换为传感器信号，这些传感器信号也统称为生物特征丛。
系统100包括生物信号感测单元110、信号转换模块120、信号扩展模块130、事件驱动人工神经元群体140、状况检测模块150和记录缓冲器160。
系统100被配置成通过发送关于所检测到的状况的信息170和/或通过发送指示已经检测到生理状况的一个或多个触发信号180来与外部系统200通信。系统100还可将所记录的生物特征丛(即，所记录的传感器信号)161或其一部分传输到外部系统200。
外部系统200可以发送控制和配置信号210以控制系统100的操作，例如以使得传输所记录的传感器信号161或其一部分。
生物信号感测单元110可以包含多个传感器111-1......111-N，在本说明书的上下文中也称为感测设备。这些感测设备111中的每一个检测一些生理信号，例如由心跳(通常称为“ECG”或“EKG”)引起的电压变化，或血氧水平。
每个感测设备111可以将传感器信号(电波形信号的特定阴(yin)形式)112发送到信号转换模块120，并且还可以将传感器信号112的副本发送到可以形成为记录缓冲器160的信号存储器。
图2示出了信号转换模块120的示意性实施例。
信号转换模块120可从传感器111-1......111-N接收传感器信号112-1......112-N。
信号转换模块120可以进一步包括一些信号组合单元121-1......121-M，它们被配置成计算两个或多个传感器信号112之间的和或差。
信号转换模块120还可以包括多个信号转换单元122-1......122-L，其将(一个或多个)所接收的传感器信号转换成二进制数字事件的一个或多个时间序列。事件的时间序列是仅采用二进制值的数字信号。事件的时间序列也被称为事件流。
每个信号转换单元可以输出一系列事件流作为事件总线123-1......123-L。
信号转换模块120也可以在没有信号组合单元121-1......121-M的情况下实施，或者可以选择绕过信号组合单元。
图3示出了信号转换单元122的一个实施例。
转换模块120所包括的信号转换单元可以接收输入信号1220，该输入信号可以是由组合单元121-1......121-M处理的传感器信号或未处理的传感器信号112-1......112-N。类似于传感器信号，输入信号可以是模拟波形，例如模拟电压信号。
信号转换单元122可进一步包含可调谐带通滤波器1221，其可放大或抑制输入信号1220的特定频带。在另一实施例中，带通滤波器可以被绕过，在这种情况下，它不修改输入信号1220。在又一实施方式中，来自相邻信号转换单元的带通滤波器可使用信号12211和12212来连接，以便于对输入信号1220进行滤波。
信号转换单元122还可包括比较器1222-1和1222-2，其可在输入信号1220高于或低于阈值时发出信号。
信号转换单元122还可以包括保持用于比较的参考值的装置1223。将参考值1223与带通滤波器1221输出的电流值进行比较，加上或减去步长值1224。通过加法1225-1或减法1225-2将步长值1224与来自带通滤波器1221的信号组合。
因此，一个比较器1222-1可以通过检测经滤波的输入信号1221何时增大到当前参考值1223以上达固定步长1224而操作。
比较器可以通过生成事件并将其发送到第一事件流1226-1中来响应。当比较器1222-1发送事件时，参考值1223可以将其存储值增加步长值1224。
类似地，另一比较器单元1222-2可通过检测经滤波的输入信号1221何时减小到当前参考值1223以下达固定步长1224而操作。比较器可以通过生成事件并将其发送到第二事件流1226-2中来响应。
当比较器1222-2发送事件时，参考值1223可以将其存储值减小步长值1224。
第一事件流1226-1中的事件因此可以信号通知经滤波的输入信号的增加。同样，第二事件流1226-2中的事件因此可以信号通知经滤波的输入信号的减小。
在另一实施例中，比较器1222-1和1222-2可各自连接到独立的步长值1224。
在另一实施例中，比较器1222-1和1222-2可由具有泄漏积分器的装置代替，使得当积分滤波信号通过阈值时生成并发送事件。
图4示出了信号扩展模块130的实施例。
信号扩展模块130可接收多个输入事件流13-1......13-N，也称为事件的流入时间序列，其被组合到包括所有输入事件流的事件总线132中。
信号扩展模块130可以进一步包括一些事件驱动的神经元，也被称为神经元设备133-1......133-M，每个神经元都接收来自事件总线132的输入，每个神经元都可以产生输出事件流134-1......134-M，在本说明书中也被称为事件的流出时间序列。
图5示出了事件驱动神经元设备131的实施例。
事件驱动神经元设备131可以接收事件总线1310作为输入，该事件总线可以包括若干事件流1310-1......1310-N。
事件驱动神经元设备131还可以包括可配置事件过滤器1311；状态单元1314，其维持神经元的当前状态；脉冲生成单元1315；以及平衡器单元1317。
可配置事件过滤器1311可以包含地址列表1312(包括地址1312-1......1312-M)。可配置事件过滤器还可以包含地址列表关联配置1313，编号为1313-1......1313-M，每个配置与地址列表1312中包括的地址相关联。地址列表1312可以保存与事件总线1310中的事件流相对应的地址。
可配置事件过滤器1311可以连续地监测事件总线1310。
当事件发生在事件流上时，匹配由地址列表1312包括的地址1312-1......1312-M，事件过滤器1311更新神经元的当前状态1314。如果地址与事件匹配，则使用对应的关联配置。
所使用的配置可以使事件过滤器1311以各种方式来更新神经元状态1314。例如，事件过滤器可以简单地立即从神经元状态加上或减去指定值。在另一实施例中，事件过滤器1311可以根据预定的时间函数引起随着时间改变的值的增加或减少。在另一实施例中，事件过滤器1311可加上或减去与当前神经元状态1314成比例的值。
神经元状态1314可以用各种方式来实现。在一个实施例中，神经元状态由存储的模拟或数字值组成。在另一实施例中，神经元状态1314可通过连续减法或乘以小数字来随时间减小。类似地，神经元状态1314可随时间增加。
事件驱动神经元还可以包括事件生成单元1315。事件生成单元可以在神经元1314的当前状态超过预定阈值时生成和发送事件。它可以将事件发送到输出事件流1319中。在一个实施方式中，输出事件1316还可修改当前神经元状态1314。
例如，它可以使当前状态复位到预定值。在另一实施例中，输出事件1316可导致神经元状态1314减去预定值。
在另一实施例中，事件驱动神经元131可以被配置成使得一旦输出事件1316被发送，则在被称为“不应期”的时间段内防止神经元发送另一输出事件。
事件驱动神经元还可以包括平衡器1317。平衡器单元可从事件生成单元1315接收事件，并修改事件过滤器1311的操作。在一个实施例中，平衡器1317可修改配置列表1313中的配置。例如，平衡器可引起用于修改神经元状态1314的值的弱化或强化。
在另一实施例中，平衡器1317可以向事件生成单元1315发送信号1318，以修改其动作。例如，平衡器1317可以升高或降低由事件生成单元1315使用的阈值以发送事件，或者修改神经元的不应期。
平衡器1317可以通过对输出事件1316计数并尝试确保输出事件的速率平均上保持恒定来操作。在另一实施例中，平衡器可通过监视神经元状态1314并尝试确保神经元状态平均上保持恒定来操作。在另一实施例中，平衡器1317可监测事件过滤器1311，并且尝试确保事件过滤器对神经元状态1314的总影响平均上保持恒定。在另一实施例中，平衡器可以确保事件过滤器的输出平均上保持恒定。
图6示出了事件驱动神经元群体140的实施例。
事件驱动神经元群体140可以包括用于事件的输入总线141，也称为输入事件总线，多个事件驱动神经元设备131-1......131-N，用于事件的内部总线142，也称为内部事件总线和用于事件的输出总线143，也称为输出事件总线。
事件驱动神经元设备131的实施例已经在之前的段落中详细阐述。
事件驱动神经元131可以从输入事件总线141接收输入事件，并将输出事件发送到输出事件总线143。事件驱动神经元131还可以将它们的输出事件复制到内部事件总线142。神经元131还可以从内部事件总线142接收输入，使得神经元群体131可以对来自群体中的其他单元的事件做出响应。
图7示出了状态检测模块150的实施例。
状况检测模块可以包括输入事件总线151；一组152事件驱动神经元设备131-1......131-N，其中每个神经元设备编号为131-1......131-N；触发生成单元153；内部事件总线154；输出总线，其被配置成承载关于所检测到的状况155的信息；以及被配置成承载触发信号156的输出总线。状况检测模块还可以被配置成与外部系统200通信。
事件驱动神经元设备组152从输入事件总线151接收输入事件，并且将输出事件发送到内部事件总线154。该组神经元可以被配置成使得每个神经元对应于输入传感器信号112中的状况(例如，参见图2)。在这样的实施例中，来自每个神经元的事件将指示在输入传感器信号112中检测到对应的状况。
在另一实施例中，152中的多个神经元可以对应于输入传感器信号112中的一个状况。在这样的实施例下，来自所述多个神经元的事件将指示已经检测到相应的状况。
在另一实施例中，152中的神经元可以对应于输入传感器信号112中的一个状况，但是可以信号通知支持或反对状况的检测的证据。在这样的实施例下，来自所述多个神经元的事件可以指示支持检测相应状况的正面证据；并且来自其它神经元的事件可以信号通知证据来反对检测到相应状况。
在另一实施例中，152中的神经元可以被布置在若干“层”中，所述“层”各自都包括一个或多个神经元，在层内和层间具有连接。在该实施方式中，最后一层的输出可以在内部事件总线154上发送事件。
状况检测模块150还可以包括触发生成单元153。
触发生成单元可从内部事件总线154接收输入，并生成指示关于所检测到的状况155的信息的信号以及触发信号156。
触发生成单元153可以通过等待内部事件总线154上的事件来操作，该事件信号通知检测到输入传感器信号112中的状况。当检测到状况时，触发生成单元153可以例如通过升高或降低信号线的电压来向外部系统200发送触发信号。触发生成单元还可以通过状况信息总线155向外部系统200发送关于检测到的状况的信息。
一旦事件驱动神经元设备152中的一个发送事件，触发生成单元153就可以发送触发。在另一实施例中，触发生成单元可整合来自神经元152的事件，直到达到用于检测的预定阈值为止，且接着发送触发信号。在另一实施例中，触发生成单元153可在整合之前执行内部事件总线154上的事件的时间过滤。在另一实施例中，触发生成单元153可以收集支持或反对由组中的事件驱动神经元设备152信号通知的状况的检测。
在另一实施例中，触发生成单元153可维持指示支持检测所述状况的证据的当前权重的每一可能状况的值。在该实施例中，当状况的最高值充分高于所有其它状况时，例如高10倍时，触发生成单元可以发送触发信号156。在另一实施例中，在评估用于生成触发信号的阈值之前，可以在该组状况值上执行诸如soft-max的运算。
触发生成单元153还可以将状况信息155发送到外部系统200。在一个实施例中，状况信息可以包括关于所检测到的状况的身份的信息。在另一实施例中，状况信息可以包括所检测状况的证据强度。在一个实施例中，仅当生成触发信号156时，才可以信号通知状况信息155。
在另一实施例中，状况信息155可以连续地信号通知当前哪个状况具有最高证据量。
在一个实施例中，触发生成单元153可以对证据值使用例如最大值(maximum)或softmax运算之类的数学运算来选择具有最多证据的状况。在另一实施例中，所有状况的当前证据可被发送到外部系统200。
在根据本发明的系统100的一个实施例中，该系统可以由单个定制设计的硅芯片来实现，特别是除了可能位于其它地方的外部系统之外。在另一实施例中，系统100可以由多个单独的电子部件实现，其中系统的各种子系统分开地实现。例如，传感器111-1，特别是传感器单元110可以与系统100的其余部分分开地实现。在另一示例中，传感器信号存储器，例如记录缓冲器160可以与系统的其余部分分开地实现。在另一实施方式中，系统100的各部分可以由例如CPU或GPU等计算系统来模拟。
图8示出了使用根据本发明的系统100来检测传感器信号中的生理状况的方法1000。
在操作1010中，并且参考图1，特别地包括在感测单元110中的至少一个传感器111-1生成指示所检测到的生理信号的传感器信号112，并且将该信号发送到信号转换模块120。
在操作1020中，参照图2，信号转换模块120将传感器信号112转换为对传感器信号进行编码的一组事件123。这些编码的事件被发送到信号扩展模块130。
在操作1030中，参照图4，编码传感器信号的事件可由信号扩展模块130加权和组合。信号扩展模块中的神经元133特别地执行输入事件(即，从转换模块提供的事件)的一系列非线性组合，并且增加输入事件131和输出事件134(即，由信号扩展模块生成的事件)之间的事件流的数量和复杂度。输出事件134被发送到事件驱动的神经元群体140。
注意，在整个说明书中，术语“输入”组合术语，例如“输入事件”，特别是指关于相应组件，例如模块、单元等的接收的输入、接收的事件或接收的事件流。
还应当注意，在整个说明书中，术语“输出”组合术语，例如“输出事件”，特别是指关于相应组件，例如模块、单元等的输出、发送事件或发送事件流。
因此，第一设备的输出事件可以充当后续设备的输入事件，或者在递归网络架构中甚至充当同一设备的输入。
在操作1040中，事件驱动神经元群体140可以从信号扩展模块130接收输出事件。如上段中详细描述的，所接收的输出事件被称为关于神经元群体的输入事件。事件驱动的神经元群体140可以被配置成使得其以持续一段时间的复杂事件模式来响应输入事件。然后，该正在进行的活动可以被神经元群体处新接收到的输入事件扰动，使得神经元群体140的动态状态是瞬时输入和过去输入之间的复杂组合。由事件驱动神经元群体产生的输出事件143作为输入事件151被发送到状况检测模块。
在操作1050中，由状况检测模块150监测事件驱动神经元群体140的动态状态。参考图7，当事件驱动神经元群体140的瞬时动态状态与预先配置的状态匹配时，状况检测模块中的神经元响应事件。在状况检测模块150内，事件被用于暗示支持或反对输入传感器信号112中检测到特定状况的证据。在操作1060下，在触发生成单元153中，存储和整合用于检测每个生理状况的证据。
在操作1070中，且再次参照图7，触发生成单元可测试是否存在支持状况的足够证据。如果支持生理状况的证据超过预定阈值，则在操作1080中，可以生成触发信号并将其发送到外部系统200。
在操作1082中，关于当前生理状况的信息被发送到外部系统200。在一个实施例中，在操作1080中触发信号的生成还可以使得生理状况信息被传输。在另一实施例中，可以连续地、间歇地或根据来自外部系统200的请求来传输状况信息。
在操作1084中，参照图1，记录缓冲器160可用于将一组所记录的传感器信号161传输到外部系统200。在一个实施方式中，在操作1080中触发信号的生成可以使得记录的传感器信号161或其一部分被传输到外部系统200。在另一实施例中，所记录的传感器信号161的传输可以在外部系统200的控制下。
图8所示的方法1000特别设计成连续和重复执行。
图9示出了根据本发明的用于配置系统100的方法1100。
在操作1110中，特别参考图1，可以向系统100呈现至少一个模拟或预先记录的传感器信号，以代替所检测到的传感器信号112。在另一实施例中，或者可替换地，特别参考图2，可以呈现事件的时间序列，以代替来自信号转换模块120的输出事件总线123。
在操作1120中，具体参照图6，可以收集由事件驱动的神经元群体140产生的事件。
在操作1130中，对于期望被检测的每个生理状况，根据事件模式对应的生理状况对在操作1120中收集的事件模式进行分组，以便识别对应于生理状况的事件驱动神经元群体140的动态状态。
在操作1130的一个实施例中，可以为每个要检测的生理状况选择单个动态状态并将其与每个要检测的生理状况相关联。这可以例如通过计算针对给定生理状况收集的所有动态状态上的平均动态状态来发生。可替代地，可使用其它数学运算来选择动态状态，例如中值或其它运算。
在操作1130的另一实施例中，可针对期望被检测的每个状况选择若干动态状态。这可以例如通过执行对针对单个状况收集的动态状态的聚类分析，并选择一定数量的聚类作为代表性动态状态来执行。
在操作1130的另一实施例中，并且特别地除了在先前段落中描述的实施例之外，可以选择与要检测的任何或所有生理状况的缺失相对应的动态状态。这可以例如通过使用“maximum margin”分类器来识别动态状态，或者通过在说明书的先前段落中描述的技术来执行。
在操作1140中，参照图7，为神经元152选择配置，使得每个神经元在检测到在操作1130中选择的动态状态时发送事件。在操作1130的实施例中，一个或若干神经元152可以对应于要检测的单个生理状况。在一些实施例中，可以为神经元152选择配置，使得当存在反对生理状况的证据时，所选择的神经元发送事件。例如，可以通过为每个神经元设置地址列表和配置列表来选择这些配置，所述设置是对所选动态状态的线性缩放。在另一实施例中，例如线性或非线性回归技术之类的技术可以用于确定配置列表中的加权。在又一实施例中，可针对配置列表单独考虑正权重和负权重。在另一实施例中，可以通过执行maximum-margin优化技术或类似技术来选择权重。
在操作1150中，特别地再次参考图7，可以选择一组权重来组合由神经元152发送的事件，使得触发生成单元153为要检测的每个生理状况产生值，使得增加的值指示用于检测对应生理状况的增加的证据。该操作1150可以通过线性或非线性回归技术或者通过另一优化技术来执行。
在操作1160中，为触发生成单元153选择阈值，以便信号通知生理状况的检测。这可以是针对所有生理状况的单个阈值，或者可以是针对每个生理状况的单独阈值。例如，可以通过评估整个系统100在模拟传感器信号下的行为，并且在触发生成单元153内搜索证据值的阈值，使得真实检测和真实否决最大化，并且假阳性和失误最小化，来选择这些阈值。
图10示出了根据本发明的系统的工作示例。在图10的上图中，示出了由ECG传感器系统检测的ECG轨迹形式的检测到的传感器信号的几秒序列。在ECG信号由信号转换模块、输入扩展模块和事件驱动神经元群体处理之后，在状况检测单元处，状况检测单元中的神经元表现出指示ECG轨迹中的异常并且因此指示生理状况的强脉冲序列(下图，标记为“检测到的异常”的灰框)。传感器信号中的相应序列也由第二图上方的相应框出区域(标记为“异常搏动”)指示。当状况检测单元中的神经元的输出超过触发生成阈值(下图中的虚线)时，状况检测单元发出指示已经检测到生理状况的信号。然后，该信号可以用于外部系统的报警或信息目的。

Claims (30)

1.一种事件驱动脉冲神经网络系统(100)，用于基于检测到的人的生理信号来检测人的生理状况，其特征在于，至少包括以下组件：
至少一个传感器(111-1)，其被配置和布置成检测生理信号并且将所述生理信号转换为指示所述生理信号的传感器信号(112)；
信号转换模块(120)，其被配置和布置成从所述至少一个传感器(111-1)接收所述传感器信号(112)并且对所述传感器信号(112)进行Lebesgue采样，异步地转换为离散事件的至少一个时间序列；
人工神经元群体(140)，其包括被布置在事件驱动脉冲神经网络中的多个人工事件驱动脉冲神经元(131-1，……，131-N)，其中所述神经元群体(140)被配置和布置成接收事件，且所述神经元群体(140)被布置成基于所接收的事件来识别人的生理状况，且所述神经元群体(140)被配置成提供事件的一个或多个经处理的时间序列至状况检测模块(150)；
状况检测模块(150)，其被布置和配置成从所述神经元群体(140)接收事件，并且当从所述人工神经元群体(140)接收的所述事件指示所述生理信号包括指示所述生理状况的特征时，输出触发信号(180)。
2.根据权利要求1所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述事件驱动脉冲神经网络系统(100)包括事件驱动的信号扩展模块(130)，所述事件驱动的信号扩展模块至少包括第一层事件驱动脉冲人工神经元(133-1，……，133-M)，其中所述信号扩展模块(130)被配置和布置成：
从所述信号转换模块(120)接收事件的至少一个时间序列(13-1，……13-N)，并且借助于所述第一层事件驱动脉冲人工神经元(133-1，……，133-M)从每个事件的时间序列生成离散事件的多个流出时间序列(134-1，……，134-M)，并且将所述多个流出时间序列提供给所述人工神经元群体(140)。
3.根据权利要求2所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述信号扩展模块(130)中的所述第一层事件驱动脉冲人工神经元(133-1，……，133-M)仅以前馈配置来布置和配置。
4.根据权利要求3所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述神经元群体(140)被布置成递归神经网络。
5.根据权利要求1-4任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述至少一个传感器具体为两个及其以上传感器(111-1，……，111-N)。
6.根据权利要求1-4任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述Lebesgue采样的实现方式是每当传感器信号与多个预定信号电平之一交叉时对传感器信号进行采样。
7.根据权利要求1-4任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述传感器信号(112)的信息被编码在事件之间的时间间隔中。
8.根据权利要求1-4任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述Lebesgue采样是非周期性采样，采样时间取决于待采样的传感器信号。
9.根据权利要求1-4任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述信号转换模块生成离散事件的至少一个时间序列时，与用于同步所述事件驱动脉冲神经网络系统的组件的全局同步时钟无关。
10.根据权利要求7中所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述事件驱动脉冲神经网络系统(100)包括：被配置和布置成检测生理信号的多个传感器(111-1，……，111-N)，并用于向所述信号转换模块(120)提供多个传感器信号；并且，每个传感器(111-1，……，111-N)被配置和布置成：检测与所述多个传感器中的其余传感器被配置和布置成检测的生理信号不同的生理信号。
11.根据权利要求1-4、10任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述状况检测模块(150)包括第三层人工神经元(131-1，……，131-N)；其中，所述第三层人工神经元仅以前馈配置来布置和配置，并且，所述第三层人工神经元被训练为从事件的所述一个或多个经处理的时间序列检测所述生理状况。
12.根据权利要求1-4、10任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述事件驱动脉冲神经网络系统(100)被配置成从所述检测到的人的生理信号来识别多个生理状况。
13.根据权利要求2-4中的任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，对于由所述转换模块(120)接收的每个传感器信号，所述信号转换模块(120)生成事件的至少两个时间序列，其中，事件的所述至少两个时间序列中的第一时间序列指示所述传感器信号已增大；事件的所述至少两个时间序列中的第二时间序列指示所述传感器信号已减小；并且，所述信号转换模块(120)被配置和布置成将事件的所述至少两个时间序列提供给所述信号扩展模块(130)和/或所述人工神经元群体(140)。
14.根据权利要求中1-4、10任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述神经元群体(140)的所述人工事件驱动脉冲神经元(131)包括用于事件的输入总线(1310)；所述输入总线(1310)连接到每个人工事件驱动脉冲神经元(131)所包括的事件过滤器；所述事件过滤器被配置成针对从所述输入总线(1310)接收的所选事件更新所述人工事件驱动脉冲神经元(131)的神经元状态；所述人工事件驱动脉冲神经元(131)还包括事件生成器，所述事件生成器被配置成当所述人工事件驱动脉冲神经元(131)的所述神经元状态超过或低于预定阈值时生成事件。
15.根据权利要求1-4、10任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述神经元群体的每个人工事件驱动脉冲神经元(131)包括平衡器(1317)；所述平衡器被配置和布置成基于导致所述人工事件驱动脉冲神经元状态的更新的流入事件的频率和/或基于导致所述神经元状态的更新的流入事件对所述人工事件驱动脉冲神经元状态的累积效应来调整所述人工事件驱动脉冲神经元(131)的事件输出频率。
16.根据权利要求1-4、10任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述事件驱动脉冲神经网络系统(100)连接或可连接到外部计算机化系统(200)，其中，所述状况检测模块(150)被配置成将所述触发信号(180)提供给所述外部计算机化系统(200)。
17.根据权利要求16所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述事件驱动脉冲神经网络系统(100)包括信号存储器，其被配置成存储来自所述至少一个传感器的所述传感器信号；在检测到生理状况时，将指示所述生理状况的所述传感器信号的至少一部分提供给所述外部计算机化系统(200)。
18.根据权利要求1-4、10、17任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述事件驱动脉冲神经网络系统(100)实施为单个定制设计的硅芯片。
19.根据权利要求1-4、10、17任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述事件驱动脉冲神经网络系统(100)中的传感器单元与其它组件分开地实现。
20.根据权利要求17中所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述事件驱动脉冲神经网络系统(100)中的所述信号存储器，与其它组件分开地实现。
21.根据权利要求1-4、10、17、20任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，信号转换模块(120)是异步操作模块，使得事件生成是完全异步的。
22.根据权利要求1-4、10、17、20任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述人工神经元群体(140)和所述状况检测模块(150)是所述的事件驱动脉冲神经网络系统(100)的异步操作部件。
23.根据权利要求1-4、10、17、20任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述的事件驱动脉冲神经网络系统(100)的所有组件是异步操作组件：如果组件没有接收到事件，则所述组件保持不活动直到接收到事件。
24.根据权利要求1-4、10、17、20任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，所述信号转换模块(120)包括一个或多个信号转换单元，其被配置成各自接收来自多个传感器的传感器信号，并且将一个或多个传感器信号转换成多个事件的时间序列。
25.根据权利要求24所述的事件驱动脉冲神经网络系统(100)，其特征在于，每个信号转换单元被配置成将传感器信号转换成事件的一个或多个时间序列，通过检测传感器信号的增加或减少来生成事件的时间序列，并且其中每当检测到传感器信号的增加或减少时，由转换单元来生成事件。
26.根据权利要求24所述的事件驱动脉冲神经网络系统(100)，其特征在于，每个信号转换单元包括可调谐带通滤波器，用于在转换成事件之前对传感器信号进行滤波。
27.根据权利要求1-4、10、17、20、25-26任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，在人工神经元群体(140)接收到事件的多个时间序列的情况下，每个人工事件驱动脉冲神经元(131-1，……，131-N)还包括事件过滤器；所述事件过滤器包括地址列表，使得实现对要由所述人工事件驱动脉冲神经元处理的时间序列的事件的选择。
28.根据权利要求1-4、10、17、20、25-26任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，人工神经元群体(140)连接到输入总线，并且被配置成经由所述输入总线从事件的至少一个时间序列接收事件；人工神经元群体(140)连接到输出总线，并且被配置成经由所述输出总线发送由人工事件驱动脉冲神经元生成的事件；人工神经元群体(140)与内部总线互连，并且被配置成经由所述内部总线发送和分发所生成的事件。
29.根据权利要求1-4、10、17、20、25-26任一项所述的事件驱动脉冲神经网络系统(100)，其特征在于，状况检测模块(150)包括一个或多个人工事件驱动脉冲神经元，每个人工事件驱动脉冲神经元与一个或多个传感器信号中的特定生理状况的检测相关联。
30.一种可穿戴设备，其特征在于：该可穿戴设备包括权利要求1-29任一项所述的事件驱动脉冲神经网络系统(100)。
CN202080040327.5A 2019-06-24 2020-06-24 一种用于检测生理状况的事件驱动脉冲神经网络系统 Active CN113905664B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19182041.4 2019-06-24
EP19182041 2019-06-24
PCT/EP2020/067755 WO2020260422A1 (en) 2019-06-24 2020-06-24 An event-driven spiking neutral network system for detection of physiological conditions

Publications (2)

Publication Number Publication Date
CN113905664A CN113905664A (zh) 2022-01-07
CN113905664B true CN113905664B (zh) 2023-11-14

Family

ID=67003304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080040327.5A Active CN113905664B (zh) 2019-06-24 2020-06-24 一种用于检测生理状况的事件驱动脉冲神经网络系统

Country Status (5)

Country Link
US (1) US20220270751A1 (zh)
EP (1) EP3987446A1 (zh)
JP (1) JP2022538417A (zh)
CN (1) CN113905664B (zh)
WO (1) WO2020260422A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465635A (zh) * 2021-06-10 2021-10-01 电子科技大学 一种传感器与神经网络计算单元信号转换的装置
CN114418081B (zh) * 2022-03-30 2022-07-19 浙江大学 面向片上脉冲神经网络的神经元实现系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1164537A2 (en) * 2000-06-16 2001-12-19 Canon Kabushiki Kaisha Apparatus and method for detecting or recognizing pattern by employing a plurality of feature detecting elements
CN107622303A (zh) * 2016-07-13 2018-01-23 三星电子株式会社 用于神经网络的方法和执行该方法的设备
CN109906101A (zh) * 2016-08-25 2019-06-18 天堂医疗公司 用于处理神经信号的系统和方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150278685A1 (en) * 2014-03-31 2015-10-01 Qualcomm Incorporated Probabilistic representation of large sequences using spiking neural network
WO2016183522A1 (en) * 2015-05-14 2016-11-17 Thalchemy Corporation Neural sensor hub system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1164537A2 (en) * 2000-06-16 2001-12-19 Canon Kabushiki Kaisha Apparatus and method for detecting or recognizing pattern by employing a plurality of feature detecting elements
CN107622303A (zh) * 2016-07-13 2018-01-23 三星电子株式会社 用于神经网络的方法和执行该方法的设备
CN109906101A (zh) * 2016-08-25 2019-06-18 天堂医疗公司 用于处理神经信号的系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Event-Driven Simulation Scheme for Spiking Neural Networks Using Lookup Tables to Characterize Neuronal Dynamics;Eduardo等;《Neural Computation》;第2959-2993页 *
Unsupervised heart-rate estimation in wearables with Liquid states and a probabilistic readout;Anup Das等;《Neural Networks》;第99卷;99 *

Also Published As

Publication number Publication date
WO2020260422A1 (en) 2020-12-30
US20220270751A1 (en) 2022-08-25
CN113905664A (zh) 2022-01-07
JP2022538417A (ja) 2022-09-02
EP3987446A1 (en) 2022-04-27

Similar Documents

Publication Publication Date Title
US20140142448A1 (en) Apparatus and methods for remote cardiac disease management
Venkataramanaiah et al. ECG signal processing and KNN classifier-based abnormality detection by VH-doctor for remote cardiac healthcare monitoring
US11000235B2 (en) Monitoring procedure for early warning of cardiac episodes
CN113905664B (zh) 一种用于检测生理状况的事件驱动脉冲神经网络系统
Ahsanuzzaman et al. Low cost, portable ECG monitoring and alarming system based on deep learning
KR102346824B1 (ko) 인공지능 기반 생체신호 모니터링 및 분석을 통한 복합 생활 지원 솔루션 제공 시스템 및 그 동작 방법
Borges et al. Sensor fusion methods for reducing false alarms in heart rate monitoring
El Halabi et al. Monitoring system for prediction and detection of epilepsy seizure
Acharya et al. A systems approach to cardiac health diagnosis
Yuldashev et al. Systems and technologies for remote health state monitoring of patients with chronic diseases
AU2019208183B2 (en) System and method for identification of neuro-cardiological disturbances
Ramesh et al. An intelligent decision support system for enhancing an m-health application
Lee et al. Detection of atrial fibrillation in short-lead electrocardiogram recordings obtained using a smart scale
Alemzadeh et al. RMED: A reconfigurable architecture for embedded medical monitoring
Jacob et al. Heart diseases classification using 1D CNN
Sivaranjani et al. Earlier prediction of cardiovascular disease using iot and deep learning approaches
US20230282352A1 (en) Heart condition detection sensor device and system for providing complex life support solution using same
Hashim et al. Arrhythmia detection based on Hermite polynomial expansion and multilayer perceptron on system-on-chip implementation
KR102645586B1 (ko) 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법
Karnan et al. Low intricate digital twin method to predict cardiac arrhythmia
Iqbal et al. BD-ECG: Identification of Myocardial Infarction in ECG via Behavior Coupling
Melin et al. [pp. 08.15] a new artificial intelligence method based on modular neural networks for classification of arterial hypertension
Kurniawan et al. Arrhythmia Analysis in the Long-term Electrocardiogram Monitoring System.
Noh et al. Implementation of The Variable Data Transmission System of Abnormal ECG with Activity State
Preethi et al. ECG RR Interval Automatic Detection Using IOT

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