DE10008251A1

DE10008251A1 - Verfahren zum Erfassen und Auswerten von Korrelationen

Info

Publication number: DE10008251A1
Application number: DE10008251A
Authority: DE
Inventors: Gordon Pipa
Original assignee: Individual
Current assignee: Individual
Priority date: 2000-02-23
Filing date: 2000-02-23
Publication date: 2001-08-30

Abstract

Das Verfahren bietet die Möglichkeit, komplexe Korrelationen in Signalen zu erfassen, wobei der Aufwand der zur Analyse benötigten Verfahrensschritte nur nahezu linear mit der Anzahl der zu untersuchenden miteinander korrelierten Signale wächst. Bei bisherigen Verfahren skalierte der Aufwand nahezu exponentiell. Das hier angewendete Verfahren trägt den Namen NeuroXidence. DOLLAR A Anwendung findet das Verfahren NeuroXidence zum Beispiel in der Analyse und Interpretation neurologischer Signale und lässt somit eine direkte Dekodierung der in diesen Signalen enthaltenen Information zu. Diese dekodierten Informationen können zum Beispiel zur Steuerung von Datenverarbeitungsanlagen durch neurologische Aktivität genutzt werden und machen somit Eingabeinstrumente wie die Tastatur und Mouse überflüssig. Das Verfahren NeuroXidence stellt somit eine neuartige Mensch-Computer-Schnittstelle dar, die als Neuro-Port bezeichnet werden kann. DOLLAR A Ein zweites Anwendungsgebiet findet das Verfahren NeuroXidence in der Entdeckung komplexer Korrelationen in der Signalverarbeitung, um zum Beispiel artifizielle oder Störsignale von informationstragenden Signalen unterscheiden zu können. DOLLAR A Ein drittes Anwendungsgebiet ist die Entdeckung von Korrelationen in Signalen mehrerer Signalquellen, zum Beispiel bei der Entdeckung und Bestimmung von unterschiedlichen Signallaufzeiten von unterschiedlichen Signalen und Signalanteilen zwischen mehreren Empfängern und Sendern.

Description

Verfahren zum Betrieb einer Vorrichtung zum Erfassen und Auswerten von Korrelationen zwischen verschieden Daten und innerhalb von Daten. Zudem zur Erzeugung von Signifikanzaussagen für charakteristische Merkmale in diesen Daten, welche zur Erzeugung von Steuersignalen und dann zur Stimulation verwendet werden können.

Das hier vorgestellte Verfahren sucht Korrelationen charakteristischer Merkmale in diesen Datensätzen. Bekannt und verwendet werden Methoden zur Suche von Korrelationen charakteristischer Merkmale zwischen zwei Datensätzen oder Datenreihen. Die bisherigen Methoden lassen sich auf Korrelationen höherer Ordnung verallgemeinern, vergrößern aber den Suchaufwand extrem, bei der Vergrößerung der Ordnung der gesuchten Korrelationen und der Größe des zugelassenen Jitters. Das hier beschriebene Verfahren skaliert in allen Analyseparametern (Anzahl der Datenreihen (K), Länge der Datenreihen (t), maximaler Jitter der Datenreihen (G)) nahezu linear. Die Anzahl der gefundenen charakteristischen Merkmale (N) mehrerer Datensätze oder Datenreihen skaliert den Suchaufwand wegen verwendeter Sortieralgorithmen mit ca. 3.N.(In(N)).

Bisherige Methoden:
Anzahl der Verarbeitungsschritte proportional zu: ((G)^K).t.
Hier vorgestelltem Verfahren:
Anzahl der Verarbeitungsschritte proportional zu: K.t + 3.N.In(N).

Die hier vorgestellten Verfahren werden durch bereits veröffentlichte Verfahren, wie Sortieralgorithmen etc. ergänzt. Zu den bekannten Verfahrensschritten zählen folgende hier verwendete Verfahrenschritte: Vs. B.1, 2, 3, 4, 5 sowie Vs. C.1, 2, 3. Die Verfahrenschritte Vs. B.6-13 sowie Vs. A.1-10 und Vs. C.4, 5 sind die Neuerungen zur Detektion von Korrelationen in Daten und Datensätzen. Das gesamte hier vorgestellte Verfahren nutzt die Vs. C.1-3 zur Interpretation der gewonnen Analyseergebnisse, so dass die Verfahren immanent für die gesamte Neuerung sind.

Weiterhin ist die Anwendung dieser Methoden zur Interpretation neurologischer Daten nach Anwendungsbeispiel Ab. A.1 und die gezielte Stimulation nach Ab. A.1 eine Neuerung. Es können so beliebige Daten aus dem Nervensystem abgeleitet werden.

Dieses Anwendungsbeispiel ermöglicht zum Bespiel querschnittsgelähmten Personen eine Steuerung von Geräten, durch die Gewinnung von Steuersignalen aus den Interpretierten neurologischer Daten. Zudem ist es möglich diese Daten oder Steuersignale zu einer gezielten Stimulation der Nerven des Anwenders zu nutzen und oder um die Muskulatur zu stimulieren und so Bewegungen zu ermöglichen.

Möglich ist zum Bespiel die Interpretation von Planungsvorgängen im Motorkortex oder Sinneseindrücke im visuellen Kortex. Diese Eindrücke können zu einer Bewertung von artifiziellen oder realen Stimuli oder zur Generation von Steuerimpulsen verwendet werden. Des weiteren können die zu bestimmten Stimuli gehörenden neurologischen Daten, gezielt durch pharmakologische Produkte oder elektrischen Impulsen reproduziert werden, so dass Sinneseindrücke generiert werden können, ohne dass das entsprechende Sinnesorgan (Auge, Ohr) gereizt wird.

Bereits bekannt Ultraschall Diagnosegeräte. Diese erzeugen aus reflektierten Ultraschallimpulsen, repräsentative Bilder des Reflektionsmediums, welche zum Bespiel die Dichte den Mediums darstellen. Mit der hier vorgestellten Methode lassen sich diese bekannten Geräte erweitern. Nach Anwendungsbeispiel Ab. B.1 werden ein oder mehrere Sender und ein oder mehrere Empfänger verwendet. Die Korrelationen der gesendeten und empfangen Signale lassen sich durch die vorgestellten Verfahren zu Informationen, bezüglich der Dichte und der Entfernung von Reflektionsgebieten, interpretieren. Die entscheidenden Vorteile gegenüber bereits bekannter Geräte ist die Nutzung der Korrelationen zur Bestimmung der Entfernung, zur Erstellung von 3d Informationen, sowie der Reduktion der notwendigen Arbeitsschritte für diese Informationsdekodierung. Bekannt sind Methoden zur Detektion von Strukturen in elektromagnetischen Wellen. Ein Beispiel ist das Seti-Programm der USA, zur Aufspürung von Strukturen in elektromagnetischer Wellen aus dem Weltall zu nennen. Die hier vorgestellten Methoden nach Ab. A.2 arbeiten wesentlich effizienter und damit schneller als bisher bekannten Methoden. Des weiteren können die hier vorgestellten Methoden auf beliebige Daten ausgeweitet werden, z. B. Daten von Satelliten, Mobilfunk, Funk, Verkehr, den zeitlichen Verlauf von Kursen etc.

Definition Datenkonstrukte

Die zu analysierenden Daten (Datensatz oder Analysedatensatz) bestehen aus mehreren zu gleichen oder unterschiedlichen Zeiten aufgenommenen Signalen (Datenreihen), zum Beispiel elektrischen Signalen. In der Abbildung Abbildung A.1 ist zu erkennen, wie ein Datensatz aus mehreren Datenreihen zusammengesetzt ist.

Die Datenreihe kann als eine Reihe bzgl. der Zeit, des Raumes oder einer artifiziellen Koordinate aufgebaut sein. Jede Datenreihe besteht aus mehreren Datenpunkten (Sample points). Siehe Abbildung Abbildung B.2.

Jede Datenreihe kann einer Signaldatenreihe, also einer direkten Abbildung der Signale auf eine Datenreihe entsprechen. Zudem wird ausdrücklich daraufhin gewiesen, dass jede Datenreihe eine charakteristische Repräsentation eines eindimensionalen oder mehrdimensionalen Signal Datensatzes darstellen kann.

Diese charakteristische Repräsentation kann zum Beispiel durch ausgezeichnete Punkte ( zum Beispiel Maxima, Minima, Mean etc) einer oder mehrerer Signal Datenreihen gebildet werden. Eine solche Repräsentation kann zum Beispiel (Abbildung Abbildung B.3) durch die Maxima mehrerer Signal Datenreihen gebildet werden, indem die Datenpunkte der Maxima aller Signaldatenreihen in der Repräsentationsdatenreihe durch zum Beispiel eine Eins gekennzeichnet sind. Die Menge aller Repräsentationsdatenreihen bilden wiederum einen Repräsentationsdatensatz, welcher die für die Analyse entscheidenden Kriterien, der zusammengefassten Signaldatenreihen repräsentiert. Im allgemeinen ist die Dimensionalität eines Repräsentationsdatensatzes (RDS) kleiner als die des Signaldatensatzes.

Definition Jitter

Als Jitter (G) wird eine Verschiebung zueinander gehöriger Daten bzgl. der verwendeten Koordinaten beschrieben. Diese Verschiebungen können systembedingt sein (Anwendungsbeispiele A), einer Systemerweiterung entsprechen (Anwendungsbeispiel B), oder statistischer Natur sein.

Eine solche Verschiebung wird in der Abbildung Abbildung A.1 dargestellt. Die Datenreihe 2 ist um G = +2 sample points gegen die Datenreihe 1 verschoben. Wird die Datenreihe 1 also um +2 verschoben sind die Datenreihen 1, 2, bzgl. der verwendeten Koordinaten nicht mehr gegeneinander verschoben. Nachfolgend wird der maximale Jitter einer Datenreihen in Rundenklammern bzgl. eines ausgezeichneten Punktes in negative und positive Richtung angegeben. Dieser maximale Jitter stellt die maximal erlaubte Verschiebung einer Datenreihe zu Feststellung von Übereinstimmungen zwischen dieser und anderen Datenreihen fest. Ein Jitter von (-2, 2) lässt eine maximale Verschiebung der (einer oder mehrer) Datenreihen von -2; +2 zu, also -2, -1, 0, +1 +2.

Definition Korrelation

Als Korrelation wird eine Übereinstimmung zwischen Datenreihen, bzgl. der verwendeten Koordinaten bezeichnet. Sollten Datenreihen miteinander korreliert, jedoch bzgl. der verwendeten Koordinaten gegeneinander Verschoben sein, so besitzen die Datenreihen eine Korrelation unter Berücksichtigung ihres Jitters. Als Ordnung einer Korrelation wird die Größe der Menge der übereinstimmenden Datenreihen bezeichnet. Stimmen drei Datenreihen in einer charakteristischen Eigenschaft überein, so gilt dies als Korrelation 3. Ordnung.

Verfahren (A) zur Untersuchung eines Datensatzes auf Korrelationen Korrelationsanalyse

Im folgenden Text wird das Verfahren (V) A zur Untersuchung eines Analysedatensatzes (Repräsentationsdatensatz oder Signaldatensatz) auf Korrelationen beschrieben. Ziel ist es, Korrelationen zwischen verschiedenen Datenreihen zu finden. Dabei sollen eventuelle Jitter der Datenreihen berücksichtigt und ermittelt werden. Die Analyse kann sich auf eine Auswahl von k aus N Datenreihen beschränken (k < 1), oder alle N Datenreihen umfassen, ohne das im folgenden beschriebene Verfahren zu verändern.

In einem Verfahrensschritt Vs. A.1 werden die maximal zu berücksichtigenden Jitter festgelegt (-G -|max; G +|max). Diese maximalen Jitter können symmetrisch oder asymmetrisch um einen ausgezeichneten Punkt für die Analyse vorgegeben werden.

In einem Verfahrensschritt Vs. A.2 wird ein Datensatz (KRF-Datensatz) mit korrelationsrelevanten Fenstern erzeugt. Dieser Datensatz besitzt die gleiche Anzahl an Datenreihen und sample points, wie der Analysedatensatz. Der ist, bis auf die Fenster, um ausgezeichnete Punkte jeder Analysedatenreihe, mit z. B. Nullen gefüllt. Um jeden ausgezeichneten Punkt der Analysedatenreihe werden, in der entsprechenden KRF- Datenreihe und der entsprechenden Position, Fenster der Länge des maximalen Jitters (-G -|max; G +|max) beispielsweise mit Einsen gefüllt (Siehe Abbildung Abbildung A.3). Die Menge aller so gebildeten KRF-Datenreihen bildet den KRF-Datensatz (Siehe Abbildung Abbildung A.2). In einem Verfahrensschritt Vs. A.3 wird die Summe über jede Spalte des KRF-Datensatzes gebildet. Das Ergebnis entspricht der jeweiligen Ordnung, der unter einem noch unbestimmten Jitter möglichen Korrelation (Siehe Abbildung Abbildung A.2).

Die Korrelationsrelevanten Fenster bilden somit den möglichen Bereich einer Verschiebung der Datenreihen um einen ausgezeichneten Punkt. Da diese Fenster nur um die zu Vergleichenden, ausgezeichneten Punkte gebildet werden, stellen diese die für eine Korrelation relevanten Bereiche dar. Es ist dadurch möglich, sich während der weiteren Verfahrensschritte bei der Analyse des Datensatzes auf die Spalten zu beschränken, in denen mindestes zwei Datenreihen einen korrelationsrelevanten Bereich besitzen, also die Ordnung der Korrelation aus Verfahrensschritt Vs. A.3. größer eins ist.

In einem Verfahrensschritt Vs. A.4 wird ein V-Datensatz (Verschiebungsbestimmungs datensatz) erzeugt. Dieser Datensatz besitzt die gleiche Anzahl an Datenreihen wie der Analysedatensatz. Die Anzahl Spalten kann auf die Spalten reduziert werden, deren Ordnung größer eins ist. Die Reduzierung der Anzahl trägt zu einer Reduzierung der Verarbeitungsschritte bei, verändert aber nicht grundsätzlich das Verfahren. Im nachfolgenden Text wird von der gleichen Anzahl an Spalten wie der des Analysedatensatzes ausgegangen. In diesem Datensatz werden ebenfalls die im Verfahrensschritt Vs. A.3 erläuterten korrelationsrelevanten Fenster gebildet. Für die Bildung des V-Datensatzes werden diese jedoch mit unterscheidbaren Einträgen gefüllt. Vorgeschlagen wird eine Füllung beginnend mit eins und jeweils um eins zunehmend. Durch diese Indizierung der Felder der korrelationsrelevanten Fenster, kann mit jedem Index eine Verschiebung (Jitter) identifiziert werden. Hier entspräche eine eins einem Jitter G = 0, eine zwei einem Jitter G = +1 und eine drei einem Jitter G = +2. Die bisher ungefüllten Felder des V- Datensatzes werden mit einem bisher in diesem Datensatz nicht vorgekommenen Eintrag gefüllt, z. B. x. Somit sind die korrelationsrelevanten Fenster in diesem Datensatz weiterhin identifizierbar. Dieses Verfahren wird für alle V-Datenreihen durchgeführt. Die Menge aller V-Datenreihen stellt wieder einen V-Datensatz dar (Siehe Abbildung Abbildung A.2).

In dem Verfahrensschritt Vs. A.5 werden Konfigurationen (conf.) gebildet. Diese Konfigurationen stellen das Ergebnis der notwendigen Verschiebungen für eine Korrelation, der in Vs. A.3 bestimmten Ordnung dar. Die Konfigurationen werden aus den Spalten des V- Datensatzes gewonnen. Berücksichtigt werden nur die Spalten, deren Ordnung in Vs. A.3 größer eins bestimmt wurden. Die gewonnenen Konfigurationen werden in ein Feld (Speicher), das sogenannte C-Feld (Konfigurations-Feld), geschrieben. Die Konfiguration kann durch weitere, für den ausgezeichneten Punkt einer oder mehrerer Datenreihen im Analysedatensatz charakteristischen Größe (Amplituden, Breite einer Verteilung, etc.) erweitert werden. Beispiel der Erweiterungen der Konfiguration:

Verfahrensbeispiel (Vb). Vs. A.3

1. Zunächst wird ein Repräsentationsdatensatz gewonnen auf welchem die Korrelationsanalyse angewendet wird. Die Analyse wird, dadurch nur für die im Repräsentationsdatensatz enthaltenen charakteristischen Merkmale des Signaldatensatzes durchgeführt. Der Repräsentationsdatensatz kann beispielsweise aus den lokalen Maxima eines analogen Signals bzgl. der Zeit gewonnen werden (siehe Abbildung B.3). Die Konfigurationen können nun zum Beispiel mit den Amplituden des Signals der Datenreihen an den jeweiligen Maxima erweitert werden. In unserem Bespiel würde die Konfigurationen um die Amplitude der Datenreihe 1 und 2 an der jeweiligen Stelle erweitert. Die Dimensionalität entspreche der Anzahl der Datenreihen N plus 2 der Amplituden, also N + 2.

Es empfiehlt sich die Ordnung der Korrelationen in ein an die Konfiguration angehängtes Feld zu schreiben. Diese Erweiterung trägt jedoch keinen zusätzlichen Informationsgehalt, da die Ordnung aus der ursprünglichen Konfiguration ebenfalls direkt bestimmbar war (am Beispiel: Ordnung = Summe aller Zeilen ungleich x), siehe Abbildung Abbildung A.5.

Die gefundenen Konfigurationen stellen nun dar, in welcher Weise die einzelnen Datenreihen verschoben werden müssten, um eine Korrelation ohne Jitter an dem zu dieser Konfiguration gehörenden sample point, zu erhalten. Eine Korrelation ohne Jitter bedeutet, dass die ausgezeichneten Punkte der korrelierenden Datenreihen zum selben sample point Index gehören, also in dem beschriebenen Datenkonstrukt nach der Verschiebung direkt in einer Spalte stehen. Enthalten nun die Analysedatenreihen mehrere ausgezeichnete Punkte, so kann man durch Zählen der gleichen Konfigurationen die Anzahl der gefundenen Korrelationen unter den, der Konfiguration entsprechenden Verschiebung bestimmen.

1. Es entsprechen sich im Beispiel B.A.1 (Abbildung Abbildung A.5.) die Konfigurationen (1 & 4); (2 & 5); (3 & 6); (4 & 8). Dies entspricht einer Häufigkeit der Konfiguration 1, 2, 3, 4 von zwei.
Die Konfigurationen des Beispiels B.A.1 werden wie folgt interpretiert:
2. Im Beispiel B.A.2 (Abbildung Abbildung A.5.) gleicht sich keine der Konfigurationen. Die Konfigurationen des Beispiels B.A.2 werden wie folgt interpretiert:
3. Im Beispiel B.A.3 (Abbildung Abbildung A.5.) gleicht sich keine der Konfigurationen. Die Konfigurationen des Beispiels B.A.3 werden wie folgt interpretiert:

Bei diesen Konfigurationsvektoren sind die Konfigurationen 2 und 3 sowie 21 und 5 bis auf eine gemeinsame Verschiebung um eins gleich. Es ist somit für eine reine Häufigkeitsbestimmung von Konfigurationen unerheblich, ob die Konfiguration 2 oder 3 und 4 oder 5 gewählt würde. Sollen jedoch auch Intervallanalysen, z. B. Korrelationsintervalle (Frage nach der Anzahl sample points, nach der sich eine Konfiguration wiederholt) bestimmt werden, kann eine Unterscheidung der Konfigurationen 2 und 3 sowie 4 und 5 wie in Beispiel B.A.3 notwendig werden.

Im folgenden Text wird als invariante Konfiguration, eine Zusammenfassung aufeinanderfolgender, bis auf eine gemeinsame Verschiebung identischer Konfigurationen bezeichnet. Eine Unterscheidung dieser Konfigurationen wird dementsprechend als variante Konfigurationen bezeichnet.

Es werden in den folgenden Verfahrensschritten die Bestimmung der Häufigkeit des Auftretens varianter und invarianter Konfigurationen beschrieben.

Bestimmung der Häufigkeit varianter Konfigurationen

In einem Verfahrensschritt Vs. A.6 werden die im Verfahrensschritt Vs. A.5 gebildeten Konfigurationen gezählt. Für diese Zählung werden die Konfigurationen zunächst sortiert, so dass gleiche Konfigurationen benachbart zu finden sind. Anschließend wird die Häufigkeit der Konfigurationen durch Bestimmung der Längen der Intervalle gleicher Konfigurationen bestimmt.

Verfahrensbeispiel Vb.A.6

Die Konfigurationen aus dem Beispiel B.A.1 in der Reihenfolge bezüglich der sample point Indeces aufgeführt lauten.

1. (x,x,x,0, . . ., 0)
2. (0,x,0,1, . . ., 1)
3. (1,0,1,2, . . ., 2)
4. (2,1,2,x, . . ., x)
5. (x,x,x,0, . . ., 0)
6. (0,x,0,1, . . ., 1)
7. (1,0,1,2, . . ., 2)
8. (2,1,2,x, . . ., x)

Diese Konfigurationen werden sortiert:

1. (x,x,x,0, . . ., 0)
2. (x,x,x,0, . . ., 0)
3. (0,x,0,1, . . ., 1)
4. (0,x,0,1, . . ., 1)
5. (1,0,1,2, . . ., 2)
6. (1,0,1,2, . . ., 2)
7. (2,1,2,x, . . ., x)
8. (2,1,2,x, . . ., x)

Die Intervalllänge gleicher Konfigurationen ist jeweils zwei. Somit ist die Häufigkeit jeder Konfiguration zwei.

Bestimmung des Intervallverhaltens varianter Konfigurationen

In einem Verfahrensschritt Vs. A.7 kann mit der Auflösung einzelner sample points die Periodizität durch Bestimmung der Intervalle zwischen zwei gleichen Konfigurationen bestimmt werden. Die Intervalle lassen sich durch die Kenntnis des sample point Indeces jeder Konfiguration bestimmen. Diese Intervalle können auf Gleichmäßigkeit und den Abweichungen von dieser untersucht werden. Es kann durch diese Untersuchung des Intervallverhaltens auf das Wiederholungsverhalten der jeweiligen Konfigurationen geschlossen werden.

Bestimmung invarianter Konfigurationen

In einem Verfahrensschritt Vs. A.8 werden die invarianten Konfigurationen bestimmt. Dazu werden die in Vs. A.5 gebildeten Konfigurationen verwendet. Es werden stets zwei oder mehrere, bzgl. der sample points, aufeinanderfolgende Konfigurationen miteinander verglichen. Unterscheiden sich die Konfigurationen nur um jeweils eine gemeinsame Verschiebung, so wird nur eine der Konfigurationen verwendet. In der Wahl der oben vorgeschlagenen Indizierung des V-Datensatzes, bedeutet dies, dass aufeinanderfolgende und gegeneinander verschobene Konfigurationen sich in allen Feldern um eins unterscheiden, und die Konfiguration mit dem kleineren sample point Index, die um eins kleineren Feldeinträge besitzen. Sollte bei der vorgeschlagenen Indizierung die Konfiguration mit dem größeren sample point Index kleinere Feldeinträge besitzen, so müssen beide Konfiguration berücksichtigt werden, da dies bei der oben vorgeschlagenen Indizierung bedeutete, dass die beiden aufeinanderfolgenden Konfigurationen zu unterschiedlichen ausgezeichneten sample points gehörten. Alle zu verwendenden Einträge werden in ein Feld (Speicher), das sogenannte IK-Feld (Invariante-Konfigurationen), geschrieben.

In einem Verfahrensschritt Vs. A.9 werden alle die Konfigurationen aus dem IK-Feld auf ihre äquivalenten invarianten Konfigurationen, mit zum Beispiel kleinsten Feldeinträgen, abgebildet. Dazu wird bei der vorgeschlagenen Indizierung das Minimum der Feldeinträge jeder Konfiguration gebildet. Dieses Minimum wird von allen Feldeinträgen dieser Konfiguration subtrahiert. Somit werden die Konfigurationen des IK-Feldes durch Ihre äquivalente invariante Konfiguration mit kleinsten Feldeinträgen ersetzt. Bei einer anderen Wahl der Indizierung des V-Datensatzes müssen die Operationen angepasst werden.

Verfahrensbeispiel Vb. Vs. A.9

(1,2,3) → (0,1,2)	(1,2,x) → (0,1,x)
(3,2,3) → (1,0,1)	(0,2,3,x) → (0,2,3,x)

Durch diesen Verfahrensschritt Vs. A.9 ist sichergestellt, dass äquivalente, invariante Konfigurationen als äquivalent und invariant bei einer Zählung berücksichtigt werden. Es kann also nicht vorkommen, dass die Konfiguration (3,2,3) und (1,0,1) jeweils einzeln gezählt werden.

Für das Beispiel B.A.3 bedeutet dies:
Die Konfigurationen 2 und 3 sowie 4 und 5 unterscheiden sich nur durch eine gemeinsame Verschiebung um eins. Somit wird nur eine der Konfigurationen 2 und 3 sowie 4 und 5 gezählt. Es ergibt sich vor der Anwendung des Verfahrensschrittes Vs. A.9, also nur unter der Verwendung der einmaligen Berücksichtigung äquivalenter invarianter Konfigurationen nach Vs. A.8:

Verfahrensschrittbeispiel Vb(1).Vs. A.8

Nach Anwendung des Verfahrensschrittes Vs. A.9, also unter der Bedingung:
(2,1,2) und (3,2,3) → (1,0,1)

Verfahrensschrittbeispiel Vb(1).Vs. A.9

Für das Beispiel B.A.4 bedeutet dies:
Die Konfigurationen 1 und 2 sowie 5 und 6 unterscheiden sich nur durch eine gemeinsame Verschiebung um eins. Somit wird nur eine der Konfigurationen 1 und 2 sowie 5 und 6 gezählt. Es ergibt sich vor der Anwendung des Verfahrensschritts Vs. A.9, also nur unter der Verwendung der einmaligen Berücksichtigung äquivalenter, invarianter Konfigurationen nach Vs. A.8:

Verfahrensschrittbeispiel Vb(2).Vs. A.8

Nach Anwendung des Verfahrensschrittes Vs. A.9, also unter der Bedingung:
(1,2,1) → (0,1,0); (2,x,2) → (0,x,0); (2,1,2) → (1,0,1)

Verfahrensschrittbeispiel Vb(2).Vs. A.9

Bestimmung der Häufigkeit varianter Konfigurationen

Gezählt werden die invarianten Konfigurationen, also die im Vs. A.9 gebildeten und im IK- Feld gespeicherten invarianten Konfigurationen. Das Vorgehen der Zählung entspricht dem Vorgehen im Vs. A.6.

Bestimmung des Intervallverhaltens invarianter Konfigurationen

In einem Verfahrensschritt Vs. A.10 soll das Intervallverhalten der invarianten Konfigurationen bestimmt werden. Das Vorgehen der Zählung entspricht dem Vorgehen im Vs. A.7.

Verfahren (B) zur Erstellung eines Datensatzes, der auf Korrelationen nach Verfahren A untersucht werden soll Datensatzerstellung

Infolge wird das Verfahren (V) B zur Erstellung eines Analysedatensatzes (Repräsentationsdatensatz oder Signaldatensatz) beschrieben. Ein Analysedatensatz besteht aus N Datenreihen.

In einem Verfahrensschritt Vs. B.1 werden Signale mit der Zeit gemessen. Diese Signale werden entweder kontinuierlich (Funktion der Zeit) oder in diskreten Zeitschritten (Reihe) gemessen. Infolge wird das Ergebnis der diskreten und der kontinuierlichen Messung als Messsignal der Länge der Messzeit bezeichnet. Diese Messzeit kann vor oder während der Messung begrenzt werden, oder unbegrenzt bleiben. Im letzteren Fall entspricht die Messzeit der Analysezeit.

Verfahrensbeispiel Vb. Vs. B.1

Als Verfahrensbeispiel Vb. Vs. B.1 kann eine Spannung (Strom, Intensität, Kraft, Fluss, Feldstärke, etc.) kontinuierlich bzgl. der Zeit durch eine analoge Messvorrichtung gemessen werden. Diskret kann dies durch eine Digitalisierung erfolgen.

In einem Verfahrensschritt Vs. B.2 werden Signale bzgl. Ortskoordinaten gemessen. Diese Signale werden entweder kontinuierlich (z. B. Funktion des Ortes) oder in diskreten Schritten (Reihe) gemessen. Infolge wird das Ergebnis der diskreten und der kontinuierlichen Messung als Messsignal der Länge der Messlänge bezeichnet. Die Messlänge kann vor oder während der Messung begrenzt werden.

Verfahrensbeispiel Vb. Vs. B.2

Als Verfahrensbeispiel Vb. Vs. B.2 kann eine Höhe (Kraft, Intensität, Fluss, Feldstärke, Strom) kontinuierlich durch eine analoge Messvorrichtung bzgl. des Ortes gemessen werden Diskret kann dies durch eine Abtastung der gleichen Größen an einigen Ortspunkten erfolgen.

In einem Verfahrensschritt Vs. B.3 werden Signale bzgl. artifizieller (artifiziell = nicht Ort und Zeit) Koordinaten gemessen. Eine Artifizielle Koordinate ist zum Bespiel die Frequenz bei einer Messung der Amplituden bzgl. einer Frequenz. Die Signale dieser Messung werden entweder kontinuierlich gemessen (Funktion der artifiziellen Koordinate) oder in diskreten Schritten der artifiziellen Koordinate (Reihe) gemessen. Infolge wird das Ergebnis der diskreten und der kontinuierlichen Messung als Messsignal der Länge, der Messlänge, bezeichnet. Die Messlänge kann vor oder während der Messung begrenzt werden.

Verfahrensbeispiel Vb. Vs. B.3

Als Verfahrensbeispiel Vb. Vs. B.3 kann eine artifizielle Größe (Amplitude, Periode, Intervalllänge, Frequenz, Verteilungsbreite, etc.) kontinuierlich durch eine analoge Messvorrichtung bzgl. einer anderen artifiziellen Größe gemessen werden. Zum Beispiel kann so die Amplitude eines Signals nach verschiedenen Frequenzpässen gemessen werden. Diskret kann dies durch eine Abtastung der gleichen Größen an einigen Koordinatenpunkten erfolgen.

In einem Verfahrensschritt Vs. B.4 werden die Messsignale in einer sinnvollen Einteilung in den Bezugskoordinaten diskretisiert. Diese Diskretisierung kann zum Beispiel durch eine Digitalisierung der Signale erfolgen. Die diskretisierten Messsignale werden als Messreihe bezeichnet.

Verfahrensbeispiel Vb. Vs. B.4

Die Diskretisierung muss auf einer Skala geschehen, auf der die charakteristischen Eigenschaften der Signale nicht verloren gehen. Als Bespiel soll ein kontinuierliches Signal in der Zeit mit sehr schmalen Impulsen diskretisiert werden. Die Zeitskala muss mindestens so groß sein, dass der Impuls registriert wird, oder so groß, dass sein Anstieg und Abfall zeitlich aufgelöst wird.

In einem Verfahrensschritt Vs. B.5 werden die Messsignale nach zu bestimmenden Kriterien verändert (verstärkt, abgeschwächt etc.). Diese Veränderungen können z. B. durch Filter oder Sortierer erreicht werden.

Verfahrensbeispiel Vb. Vs. B.5

Die Messsignale können mehrere unterscheidbare Signalarten (Signalformen) enthalten, nach denen die Messsignale unterschieden und auf unterschiedliche neue Messsignale verteilt werden. Zusätzlich können für die folgenden Analysen unerhebliche oder behindernde Signale entfernt werden.

In einem Verfahrensschritt Vs. B.6 werden die Signale auf charakteristische Eigenschaften untersucht und die Vorkommnisse dieser in einem neuen Signal gekennzeichnet. Die Kennzeichnung der Vorkommnisse wird eindeutig mit diesen zu identifizierenden Signalen vorgenommen.

Verfahrensbeispiel Vb. Vs. B.6

Die Signale können auf Schwellenwerte (Amplituden, Frequenzen, Verteilungsbreiten etc.) untersucht werden. An jedem Punkt an, dem das analysierte Signal den geforderten Eigenschaften gerecht wird, wird in einem neuen Signal, zum Bespiel eine bestimmte vereinbarte, den Eigenschaften entsprechende Zahl, eingeführt.

In einem Verfahrensschritt Vs. B.7 wird ein Repräsentationsdatensatz (Abbildung B.1). mit N Repräsentationsdatenreihen aus einem oder mehreren Signalen erstellt. Jedes dieser Signale wird nach den Verfahren Vs. B.1, Vs. B.2, Vs. B.3, oder ihren Kombinationen, oder ähnlichen Verfahren gewonnen. Sollte der Signaldatensatz kontinuierlich sein, wird er durch einen Verfahrenschritt nach Vs. B.4 diskretisiert und eventuell nach einem Verfahrenschritt Vs. B.5 verändert. Durch einen Vs. B.6 wird aus dem veränderten und diskreten Signaldatensatz ein Repräsentationsdatensatz erstellt. Dieser repräsentiert alle für die folgenden Analysen wichtigen Eigenschaften des Signaldatensatzes. Die Reihenfolge der Verfahrensschritte oder ein mehrfaches Anwenden der gleichen Verfahrenschritte ist für die Verfahrensmethodik unerheblich.

Verfahrensbeispiel Vb. Vs. B.7

Eine Spannung wird über Elektroden von Neuronengruppen abgeleitet. Die Spannung, als kontinuierliches Signal der Zeit, wird zunächst verstärkt und Störfrequenzen (50 Hz) werden herausgefiltert. Das verstärkte Signal enthält eine Vielzahl von Antworten (Spikes) einzelner Neurone, welche sich durch die Signalform unterscheiden lassen. Um diese Antworten unterscheiden zu können, werden N (der Anzahl der unterscheidbaren Antworten entsprechend) neue, je einem Neuron entsprechende Signale, generiert. Aus diesen N-Signalen werden N- repräsentative Signale erzeugt, in denen die Stellen im Repräsentationssignal, an denen die Amplituden einen Schwellenwert überschreiten, eine eins tragen (sonst Nullen). Anschließend wird das repräsentative Signal diskretisiert.

In einem Verfahrensschritt Vs. B.8 wird der Repräsentationsdatensatz um eine definierte Länge verlängert. Die Felder der Verlängerung werden mit dem für das Fehlen von repräsentativen Eigenschaften vorgesehen Inhalt gefüllt. Diese Verlängerung ist notwendig, wenn im Verfahren B Fenster um Datenpunkte gebildet werden. Sollte ein Datenpunkt zu Beginn des Repräsentationsdatensatzes liegen, so kann kein Fenster ohne eine vorherige Verlängerung gebildet werden. Siehe Abbildung Abbildung B.4.

Verfahrensbeispiel Vb. Vs. B.8

In der oben getroffenen Vereinbarung stellen Nullen das Nichtvorhandensein einer gesuchten Signaleigenschaft dar. Nach Vs. B.8 werden die Enden eines Repräsentationsdatensatzes (N-Datenreihen) mit Datensätzen aus ebenfalls N- Datenreihen und z Felder aus Nullen ergänzt.

In einem Verfahrensschritt Vs. B.9 wird der Repräsentationsdatensatz auf Intervalle bzgl. des Vorkommens zweier repräsentativer Punkte in einer Datenreihe untersucht und eventuell verändert. Aufgrund der Anforderungen aus Verfahren A muss sichergestellt werden, dass das Intervall zwischen zwei aufeinanderfolgenden repräsentativen Datenpunkten nicht zu klein ist. Die Abstände sind zu klein, wenn sich zwei Fenster des korrelationsrelevanten Bereiches aus Vs. A.2 oder Vs. A.4 überschneiden. (Siehe Abbildung Abbildung B.5.) Dies hätte zur Folge, dass das Verfahren A scheitern würde. Um dies zu verhindern, werden die Konfigurationen bei denen eine Überschneidung aufträte, verändert. Es ist jedoch wichtig, dass alle in dieser ursprünglichen Konfiguration möglichen Korrelationen auch weiterhin existieren. Dazu wird der Repräsentationsdatensatz an allen Positionen einer Überschneidung wie folgt verändert: Verfahrenschritte Vs. B.10-Vs. B.13.

In einem Verfahrensschritt Vs. B.10

Der Repräsentationsdatensatz wird für jede Datenreihe auf Überschneidungen untersucht. Eine Überschneidung tritt auf, wenn das Intervall zwischen zwei ausgezeichneten Punkten in einer Datenreihe kleiner A_min ist. A_min ist der minimal zu gewährleistende Abstand zweier ausgezeichneter Punkte einer Datenreihe. Der Wert A_min = |G -|max| + |G +|max|. Bei einem maximalen Jitter von G = (-2, 3) beträgt der Abstand somit A_min = |2| + |5| = 7. Tritt eine solche Überschneidung auf, werden die beiden Punkte markiert oder die Indices der Punkte in einem Feld (Speicher) gespeichert. (Siehe Abbildung Abbildung B.5.) Die Punkte Sp_z und Sp_z+3 der Datenreihe 1 sind ausgezeichnete Punkte. Der Abstand der Punkte ist kleiner als A_min. Die Überschneidung der einzuführenden KRF wird durch die schraffierten Flächen symbolisiert. Die Datenreihen 2 und 3 zeigen keine Überschneidung.

In einem Verfahrensschritt Vs. B.11

Zur Aufhebung dieser Überschneidung wird das doppelt umrahmte Datensegment der ursprünglichen Datenreihe in die drei neuen Datenreihen x.1 geschrieben. Das doppelt punktiert umrahmte Datensegment der ursprünglichen Datenreihe wird in die drei neuen Datenreihen x.2 geschrieben. Zudem wird in der Datenreihe 1.1 einer der beiden in Vs. B.10 gefunden Datenpunkte (z. B. Sp_z+3 gelöscht) und in der Datenreihe 2.1 der andere in Vs. B.10 (z. B. Sp_z) gelöscht. Die doppelt punktiert umrahmten Datenreihen 1 und 2 (Alle Datenreihen mit Ausnahme der auf Überschneidungen untersuchten Datenreihe) aus der ursprünglichen Datenreihe, werden in die zwei neuen Datenreihe 2.3, 3.3 geschrieben. Die Auswahl, um welchen Punkt diese Fenster (punktiert oder Linie) gebildet werden, spielt keine Rolle. In der Datenreihe 1.3 werden alle Inhalte im ausgewählten Bereich gelöscht. Die drei Datensegmente x.1,x.2,x.3 müssen wie folgt interpretiert werden:

Zu späteren Analyse werden nicht die Daten in der ursprünglichen Datenreihe, sondern nur die in den neu gebildeten Datensegmenten benutzt. Die neuen Datenreihen x.1,x.2 bilden die zu analysierenden Datenbereiche. Es werden durch diese Aufspaltung und durch die Kopien, Korrelationen doppelgezählt. Die durch eine diagonale Linie markierten Datenfelder kommen im ursprünglichen Datensegment nur einmal vor. In den Datensegmenten x.1,x.2 aber jeweils einmal. Dies würde eine Doppelzählung, bzw. Berücksichtigung bewirken. In der Datenreihe x.3 werden diese Doppelberücksichtigungen gebildet, so dass zur Analyse das doppelte Vorhandensein berücksichtigt werden kann. Das Datenfeld der Datenreihen x.3 wird in Zukunft als D-Feld bezeichnet, es beinhaltet alle doppeltgezählten Konfigurationen zur Korrektur der Doppelberücksichtigung.

Sollten in mehreren Datenreihen im gleichen KRF Punkte gefunden werden, die zu nah bei einander liegen, wird der Vs. B.12 verwendet.

Verfahrensschritt Vs. B.12

Die Überschneidungen der KRF werden Datenreihe für Datenreihe behoben. Das heißt, es wird immer nur eine Datenreihe verändert. Zu Beginn werden je Reihe durch Vs. B.10 zu nah beieinander liegende Punkte gesucht. Sollte mindestens ein Paar gefunden werden, so wird im Schritt 2 der Datensatz am Ende (je nach Durchlaufrichtung) mit einem Satz Nullen (bei der oben vorgeschlagenen Indizierung) gefüllt. Der Satz Nullen besitzt n Spalten und die gleiche Anzahl Datenreihen wie der Repräsentationsdatensatz selbst. n ist mindestens so groß wie G_min. In einem dritten Schritt wird ein Datensegment (Doppelrahmen in Abbildung B.6) symmetrisch um den ersten der beiden zu nahe beieinanderliegenden Punkte kopiert und an das Ende des Datensatzes kopiert. Die untersuchte Datenreihe ist in diesem Segment nicht enthalten, so dass das kopierte Datensegment durch eine Datenreihe (anstelle der untersuchten) mit Nullen ergänzt wird. Die Länge des Datensegmentes beträgt symmetrisch um den ersten gefundenen Punkt A_min (aus Vs. B.10.) sample points. In einem vierten Schritt wird der erste Eintrag im ursprünglichen Datensatz gelöscht. In einem fünften Schritt wird der dem gelöschten Punkt entsprechende Punkt im angefügten Datensegment ergänzt (gesetzt). (Siehe Abbildung B.6). Die mit einem schrägen Strich gekennzeichneten Konfigurationen kommen im neuen Datensatz, aufgrund der Erstellung der Datensatzkopie, doppelt vor. Das heißt alle unveränderten Datenreihen kommen ein zweites Mal in dem ergänzten Datensatz vor. Um dies zu berücksichtigen wird das kopierte Datensegment (in der analysierten Datenreihe nur Nullen), in ein D-Feld (Doppel-Feld) geschrieben (gespeichert). Alle in diesem Feld befindlichen Konfigurationen müssen am Ende von den gefundenen abgezogen werden, da diese doppelt berücksichtigt wurden.

Verfahrensschritt Vs. B.13

Diese in Vs. B.12 beschrieben Schritte werden für jede Datenreihe durchgeführt. Es wird empfohlen, die Reihen in einer Durchlaufrichtung nacheinander zu bearbeiten (z. B. mit steigenden Indices). Dies hat zur Folge, dass die Reihen mit kleineren Indices als dem aktuellen Index, bereits auf die Mindest-Intervalllänge korrigiert sind. Sollten in einem KRF in mehreren Reihen zu nahe beieinander liegende Punkte vorkommen, werden bei der Korrektur der Intervalle im D-Datenfeld ebenfalls zu kleine Intervalle auftauchen. Nach jedem Durchlauf der Korrektur der Reihe h im Datensatz, können also Doppelzählungen in den Reihen h + 1 bis N im D-Feld entstehen. Dazu wird nach einem Durchlauf nach Vs. B.12 der Reihe h im Datensatz ein Durchlauf der Reihe h + 1 nach Vs. B.12 im D-Feld vorgenommen. Da alle im D-Feld doppelt vorkommenden Konfigurationen zu häufig den Datensatz korrigieren, wird ein drittes Feld, das DD-Feld eingerichtet. In dieses Feld werden alle im D-Feld doppelt berücksichtigten Konfigurationen geschrieben (gespeichert). Auch in diesem Feld kann eine Doppelzählung vorkommen. Nach diesen Vorkommnissen wird nach Vs. B.12 gesucht, um im D-Feld berücksichtigt zu werden. Somit ist der Vs. B.13 in sich mit 3 Feldern geschlossen. Es ist nicht unbedingt notwendig das Feld 3 (DD-Feld) und das Feld 1 (Datensatz) zu unterschieden, denn die zwei Beiträge symbolisieren die positiv zu zählenden Konfigurationen, wobei das DD-Feld den Datensatz um Korrekturen des D-Feldes ergänzt. Somit ist für eine Auswertung zu beachten, dass die Summe der Felder, der Datensatz und das DD-Feld, die zu berücksichtigenden Konfigurationen enthalten und das D-Feld die doppelt Berücksichtigten enthält. Dadurch müssen die Konfigurationen des D-Feldes z. B. von der Summe der Konfigurationen des Datensatzes und des DD-Feldes abgezogen werden.

Verfahren (C) zur Interpretation der Analyseergebnisse eines Datensatzes, welcher auf Korrelationen nach Verfahren A untersucht wurde Interpretation der Analyseergebnisse

Infolge wird das Verfahren C zur Interpretation der Analyseergebnisse, welche in Verfahren A erstellt wurde, beschrieben.

Die gewonnenen Ergebnisse müssen wie folgt interpretiert werden.

Alle Korrelationen werden in ihrer höchsten Ordnung gefunden. Das heißt, dass eine Korrelation 3. Ordnung, nach den jeweiligen Analysekriterien, auch immer 3 Korrelationen 2. Ordnung entspricht. (A,B,C (A,B); (B,C); (A,C)). Dies entspricht allen Korrelationen der Ordnung n (n kleiner gleich der Anzahl der Analysedatensätze (N)). Die in dieser Beschreibung enthaltenen Untermengen können eine sehr große Anzahl annehmen.

Die Größe der Menge bestimmt sich als:

Bei der Interpretation der Analyseergebnisse ist also zu beachten, daß in jeder Ordnung n, Ordnung 2 bis n - 1 enthalten sind. Dieses ist vor allem bei der Häufigkeits- und Interwallbestimmung wichtig. Diese Interpretation gilt für zeitvariante und zeitinvariante Bestimmung nach Vs. A.9 oder Vs. A.5. Des weiteren kann es sinnvoll und notwendig sein, ein zeitliches Verhalten der Korrelation zu betrachten. Zum einen war das Intervallverhalten erwähnt worden. Eine zweite Möglichkeit stellt die Bestimmung einer zeitlichen Dichte von Korrelationen dar.

In einem Verfahrensschritt Vs. C.1 wird die zeitliche Dichte von Korrelationen bestimmt.

Dazu wird z. B. die Häufigkeit in einem Intervall, einer Länge Ts bestimmt. Die Bestimmung der Häufigkeit in einem Intervall T_s entspricht einer mittleren Dichte in diesem Intervall. Diese Bestimmung kann für jede Ordnung 1 bis N erfolgen. Neben dieser einfachen Mitteilung ist in der wissenschaftlichen Literatur eine Vielzahl geschickt einzusetzender Verfahren beschrieben. Zum Beispiel kann die Bestimmung der zeitlichen Dichte durch zusätzliche Gewichtungen (Faltungen) erweitert werden. Siehe Abbildung C.1.

In einem Vs. C.2 kann die Häufigkeit mit erwarteten Größen verglichen werden. Zum Beispiel können statistische Erwartungswerte aufgrund verschiedener Modelle bestimmt werden, mit welchen die tatsächlichen Häufigkeits- oder Intervalllängen etc verglichen werden. In einem Vs. C.3 werden Abweichungen oder Übereinstimmungen zwischen den Erwartungswerten und den in Vs. C.2 bestimmten statistischen Aussagen ermittelt. Die Vergleiche zwischen diesen Soll- und Istwerten führen zu einer Signifikanzaussage, bzgl. der Untersuchten Eigenschaft. Bei der Bestimmung der Signifikanz können bekannte Verfahren, wie Flächenanteile der Gesamtverteilung genutzt werden. Die Aussage der Signifikanz ist die eigentliche Interpretation der Analysedaten. Wir ein charakteristisches Merkmal als signifikant bestimmt, können die mit dieser Aussage verknüpften Folgerungen getroffen werden.

In einem Vs. C.4 werden Ergebnisse der Untersuchungen aus Vs. A.9 oder Vs. A.5 jeweils auf Ähnlichkeiten untersucht.

Die Verfahrensschritte Vs. A.5, Vs. A,9 erlauben es noch sehr kleine Unterschiede in den Datensätzen zu sehen. Es ist aber nicht immer gewünscht, dass alle Eigenschaften auf dieser sehr feinen Skala untersucht werden. Es bietet sich also an, bestimmte Eigenschaften zusammenzufassen.

In einem Vs. C.5 werden Abstände (Ähnlichkeiten) zweier Konfigurationen bestimmt. Diese Abstände können auf verschiedene Weise gebildet werden und werden als eine Aussage der Ähnlichkeit zweier Konfigurationen gewertet. Ich schlage vor, die Abstände zweier Konfigurationen, als Abstände zweier Vektoren zu interpretieren. Es können jedoch auch verschiedenste Gewichtungen in dieser Bestimmung eingebaut werden. Anhand der vorhandenen Abstände kann man Konfigurationen mit einem akzeptablen Abstand als ähnliche zusammenfassen. Man müsste somit einen maximal zulässigen Abstand bestimmen oder festlegen, der die maximale Unterscheidbarkeit der Konfigurationen festlegt. Somit wird die Vielfalt der Konfigurationen auf ein notwendiges Minimum reduziert.

In einer Anwendung können die Verfahren A, B und C, in den jeweiligen Abschnitten der Patentanmeldung dargestellt, in einer Logik, Elektronik, Programm oder programmierbaren Logik umgesetzt werden.

Es bietet sich aufgrund der Verfahrensstruktur der Datensatzerstellung an, diese in einer programmierbaren Logik um zu setzten. Das Strukturgramm einer solchen Umsetzung ist in Abbildung B.7 dargestellt. Dazu werden die Verfahrensschritten des Verfahrens A in eineprogrammierbare Logik übertragen. Diese programmierbare Logik analysiert in der Anwendung die Daten nach Verfahren A und stellt die Ergebnisse anderen Verfahren zu Verfügung. Die Datensätze können in Speichern, es bieten sich heutige elektronische Bausteine an, gespeichert werden.

Auch die Verfahrensschritte, des Verfahrens B können in einer programmierbaren Logik umgesetzt werden. Dazu werden die Verfahrensschritten des Verfahrens B in eine programmierbare Logik übertragen. Diese programmierbare Logik analysiert in der Anwendung die Daten nach Verfahren BA und stellt die Ergebnisse anderen Verfahren zu Verfügung. Die Datensätze können in Speichern, es bieten sich heutige elektronische Bausteine an, gespeichert werden.

Die Verfahrensschritt des Verfahrens C können zum Beispiel in einen Mikroprozessor umgesetzt werden.

Es bietet sich also aufgrund der vielen strukturähnlichen Verfahrensschritte in A und B an, eine programmierbare Logik zu verwenden, sowie aufgrund der sehr unterschiedlichen Strukturen im Verfahren C auf die Flexibilität eines Mikroprozessors zurückzugreifen.

Anwendungsbeispiele

Die Anwendungsbeispiele werden in zwei Gruppen gegliedert.

- Die Gruppe A entspricht Systemen, bei dem die Verschiebungen der Daten in der Zeit für das System charakteristisch sind.
- Die Gruppe B entspricht einem System bei denen zusätzliche Verschiebungen der Daten in der Zeit eine Systemerweiterung bedeuten.

Anwendungsbeispiele Gruppe A

Ab.A.1. Ziel der Vorrichtung ist es, neurologische Aktivität zu verstehen und zu interpretieren, bzw. nach Kenntnis und Verständnis diese neurologische Aktivität gezielt zu stimulieren. Dies ermöglicht es zum Beispiel die Planungsvorgänge im motorischen-Kortex direkt zu interpretieren und die Bewegungen die vollführt werden sollen, aus dem neurologischen Aktivitätsmuster abzuleiten. Dies erlaubt infolge zum Beispiel einer gelähmten Person eine Steuerung von Maschinen oder eine Stimulation der eigenen Muskulatur nach den Mustern der erlernten Stimuli. Des weiteren kann aus der Aktivität des visuellen Systems, der visuelle Eindruck des Benutzers ermittelt werden. Später kann dieser Eindruck ohne Aktivierung der Retina, durch die erlernten Stimulationen des Nervensystems reproduziert werden.

In der Biologie werden Informationen häufig durch Gleichzeitigkeit codiert. Als Beispiel einer solchen Codierung soll die Informationscodierung in einem System aus Neuronen analysiert werden. Zum Beispiel dem menschlichen Nervensystem.

Es ist bekannt, dass Informationen im Nervensystem durch gleichzeitiges Antworten von großen Gruppen von Neuronen codiert sind. Die Neurone kodieren ihre Antworten damit über zeitliche Muster, also Korrelationen. Die Vielzahl der Neuronen ermöglicht eine sehr komplexe Antwortmöglichkeit auf Reize. Antworten heißt, dass das Neuron einen sehr steilen Spannung Peak, den sogenannten Spike generiert. Siehe Abbildung B.3.

Gleichzeitiges Antworten mehrerer Neurone bedeutet nahezu gleichzeitiges spiken.

Systembedingt spiken die einzelnen Neuronen nicht immer absolut gleichzeitig.

Die Verschiebung ist nicht nur statistischer Natur. Die Muster der zeitlichen Verteilung enthalten zusätzliche Informationen. Um diese Informationen zu finden, müssen diese feinen Strukturen in den Antworten der Neurone bzgl. der Zeit aufgelöst, gemessen und durch eine Analyse gefunden werden. Anschließend können die gefundenen Muster (Konfigurationen) zur Interpretation, der in ihnen enthaltenen Informationen verwendet werden.

Bisher war es nicht möglich diese Vielzahl an Korrelationsmöglichkeiten in Echtzeit zu bestimmen. Mit den Verfahren A, B und C ist es möglich, die Korrelationen um Größenordungen schneller zu bestimmen und zur Interpretation der neurologischen Aktivitäten zu nutzen, sowie im Anschluss dieses Wissen wieder zu einer gezielten Stimulation zu verwenden. Bisherige Algorithmen benötigten für die Suchen nach Korrelationen in 64 Datenreihen, mit Ordnungen von 2 bis 64, ca. 1 E + 63 Sekunden. Dabei wurde von einer Rechenleistung von 1 E + 9 Operationen pro Sekunde vorrausgesetzt. Diese riesige Zahl verdeutlicht, warum es bisher unmöglich schien neurologische Informationen zu decodieren. Die hier vorgestellten Methoden erlauben eine Erkennung in Echtzeit, ohne auf approximative Ergebnisse aufzubauen. Zudem skalieren diese hier vorgestellten Methoden die Rechenzeit nahezu linear in allen Parametern (Maximaler Jitter, Kanalanzahl und Analyselänge). Mit der Anzahl der gefundenen Ereignisse (N) skaliert das gesamte Verfahren nach A, B und C ca. mit 3.N.(In(N)). Bisherige Verfahren skalieren in der Anzahl der Kanäle (K) und des maximalen Jitter (J_max) wie (J_max)^K. Dies macht schon einen enormen Unterschied ab K = 2 aus.

Dazu wird die neurologische Aktivität, wie bereits zum Stand der Technik gehörend, abgeleitet. Bei der Ableitung werden elektrische Signale gewonnen. Man benutzt zum einem im Gehirn oder im Nervensystem implantierte Elektroden, oder Elektroden auf der Oberfläche des Gehirns bzw. der Haut.

Zunächst werden zur Messung von Spannungen, oder Strömen, Messvorrichtungen in die zu analysierende Struktur (zum Beispiel dem Gehirn, Motor-Cortex, visuelles System) Elektroden ein- oder aufgebracht. Als eine solche Messvorrichtung können sehr feine Elektroden verwendet werden, welche einzeln oder in größerer Anzahl als eine Art Nagelbrett in das Gehirn implantiert werden. Jede der einzelnen Nadeln wird eine Vielzahl (1-ca. 15) unterscheidbarer Spikes (Antworten) verschiedener Neurone aufnehmen.

Der Transport der Signaldaten kann leitungsgebunden (Kabel), oder über nicht leitungsgebunden (zum Beispiel über Funk, Infrarot) erfolgen. Letzt genannter Datentransfer vermeidet Infektionen, welche über eine nicht geschlossene Hautdecke entstehen können.

Der so gewonnene Signaldatensatz entspricht einer Spannungsamplitude pro Elektrode bezüglich der Koordinate Zeit. Eine Diskkretisierung bzgl. der Zeit, nach Vs. B.4 kann an einer beliebigen Stelle des Messvorgangs vorgenommen werden. Die Signale werden zunächst nach dem Verfahren A bearbeitet. Dazu werden die elektrischen Signale zuerst nach Vs. B1 mit der Zeit gemessen. In einem Vs. nach Vs. B.5 werden Störfrequenzen zum Beispiel 50 Hz entfernt und das Signal verstärkt. Die Antworten und Signale verschiedener Neurone werden bestimmt und nach Vs. B.6 nach ihrer Herkunft gekennzeichnet. Dies ist möglich, da sich die Spikes verschiedener Neurone unterscheiden. Sie werden nach der Gestalt sortiert, so dass durch die Form der Spikes (kurze, nadelartige Spannungspulse einzelner Neurone, siehe Abbildung Ab. 1) die Signalanteile unterschieden werden können. Der Ursprungssignaldatensatz der Elektrode wird damit in einen Signaldatensatz mit einer Datenreihe je Neuron aufgeteilt.

In einem Verfahrenschritt nach Vs. B.7 wird ein Repräsentationsdatensatz aus n-Neuronen und eventuellen anderen Signalen (lokales Feldpotential) gebildet. Da bekannt ist, dass die Antwort der Neurone, die Spikes, sehr schmale Peaks sind, wird im allgemeinen ein Schwellwert definiert, welcher zwischen Ruhe und Antwort unterscheidet. Eine Schwellwertüberschreitung entspricht einer Antwort. Abbildung Abbildung B.3. Die Schwellwertüberschreitung ist das charakteristische Merkmal bzgl. dessen der Datensatz auf Korrelationen untersucht wird. Über diesen Schwellwert wird aus dem Analogen ein repräsentatives Signal gewonnen, indem an den Punkten, an denen im analogen Signal der Schwellwert überschritten wird, das charakteristische Merkmal durch eine 1 oder null gekennzeichnet wird. Die Antworten des Neurons werden binarisiert bzgl. des charakteristischen Merkmals (liegt vor oder liegt nicht vor).

Diese charakteristischen Merkmale bilden den Repräsentationsdatensatz, in welchem in jeder Datenreihe eine Antwort je Neuron durch eine 1 gekennzeichnet ist und welcher durch andere Merkmale ergänzt werden kann.

Ist das Signal bis zu diesem Zeitpunkt kontinuierlich in der Zeit, wird es spätestens jetzt, nach Vs. B.4, in der Zeit diskretisiert. In diesem Anwendungsbeispiel mit ca. 10000-20000 Samplepoints pro Sekunde. Sollte die Zeitachse zum Beispiel durch eine vorherige Digitalisierung bereits diskretisiert sein, so ist die zeitliche Auflösung eventuell durch zusammenfassen von Zeitpunkten (das bilden von bins) zu reduzieren. Eine weitere Möglichkeit zur Bestimmung der Korrelationen ist es, die Spikes der unterschiedlichen Neurone je Elektrode zu sortieren, aber nicht in einzelne Signaldatenreihen je Neuron aufzuteilen, sondern die Antworten zum Beispiel mit einer Zahl die dem antwortendem Neuron entspricht, zu kennzeichnen. Die kennzeichnende Zahl kann dann bei der Erstellung der Konfiguration als weiteres Unterscheidungsmerkmal genutzt werden und somit zum gleichen Ergebnis führen.

Der entstandene Datensatz entspricht dem Analysedatensatz. Gesucht werden sollen Korrelationen von k = y bis h = N (N Anzahl der abgeleiteten Neuronen, y Ordnung der kleinsten gesuchten Korrelation, meist 2). Die oben beschriebene Erzeugung des Analysedatensatzes entspricht einem Verfahrenschritt nach Vs. B.7.

Die Analyse des Analysedatensatzes geschieht wie folgt:

In einem Verfahrenschritt nach Vs. A.1 werden zu Beginn die maximal zu berücksichtigenden Jitter festgelegt. Dann werden die Enden des Analysedatensatzes nach Vs. B.8 verlängert und der Analysedatensatz auf zu kurze Intervalle nach Vs. B.9 untersucht. Dazu wird Vs. B.10, sowie je nach Bedarf Vs. B.11, Vs. B.12 und Vs. B.13 angewandt. Spätestens nach der Anwendung von Vs. B.13 ist sichergestellt, dass der Analysedatensatz nach Verfahren A analysiert und so das zeitliche Muster der Aktivitäten der Neurone bestimmt werden kann. Es hat sich gezeigt, dass die Muster der Aktivitäten Informationen codieren. Somit ist es möglich durch einer Korrelationsanalyse, nach einen Lernvorgang der neurologischen Aktivitätsmuster, diese zu interpretieren. Es ist also möglich die Informationen zu decodieren und zu interpretieren, sowie zur Steuerung und Kommunikation zu nutzten. Dazu soll die zeitliche Dichte der einzelnen Korrelationen und deren zeitliches Verhalten bestimmt werden.

Hierzu werden in der folgenden Reihenfolge die Verfahrenschritte angewendet.

1. Vs. A.2
2. Vs. A.3
3. Vs. A.4
4. Vs. A.5
Die varianten Konfigurationen werden genutzt, wenn sehr feine zeitliche Strukturen im Intervallverhalten aufeinander folgender gleicher Konfigurationen untersucht werden sollen.
5. Vs. A.8
Die invarianten Konfigurationen werden genutzt, wenn sehr feine zeitliche Strukturen im Intervallverhalten aufeinander folgender gleicher Konfigurationen vernachlässigt werden sollen. Diese Methode empfiehlt sich bei der neurologischen Interpretation, da die Neurone auf einer sehr feinen Zeitskala untereinander synchronisiert sind, aber auf einer längeren Zeitskala größere Varianzen im Intervallverhalten besitzen. Das bedeutet: Die Bildung invarianten Konfiguration trennt die Zeitskala auf der die Nervenzellen nahezu gleichzeitig antworten (ca. 2-5 ms) von der groben Skala des Intervallverhaltens (ca. 20-50 ms).
6. Vs. A.9
7. Vs. A.6 Hilfreich bei zeitlichen feinem Intervallverhalten.
8. Vs. A.7 Hilfreich bei zeitlichen feinem Intervallverhalten.

Die Analyse wird kontinuierlich mit der Zeit oder für aneinandergereihte Datensätze durchgeführt. Es empfiehlt sich, die Dichte der Korrelationen in Zeitintervallen T_s von ca. 100 ms-500 ms zu bestimmen, die ungefähr der Reaktionsplanungszeit eines Menschen entspricht. Das Zeitfenster bewegt sich mit der Zeit über die Analyseergebnisse und liefert somit eine Interpretationsmöglichkeit der Daten der vorherigen je 100-500 ms. Es wird also eine sogenannte Sliding-Window-Analyse verwendet. Siehe Vs. C.1 und Abbildung C.1. Es werden somit Dichten für einen endlichen Zeitraum, welcher in etwa der Reaktionsplanungszeit entspricht ermittelt. Die Analyse der Daten ergibt eine Dichte der Konfigurationen und deren zeitliches Verhalten (Periodizität, Jitter in dieser Periodizität, Intervalle, zeitliches Verhalten von Intervallen, etc). Die Verfahrensschritte Vs. A.5, Vs. A.9 erlauben es noch sehr feine Unterschiede in den Datensätzen fest zu stellen. Es ist aber nicht immer gewünscht das alle Eigenschaften auf dieser sehr feinen Skala untersucht werden. Die Analyse kann sich somit auf zeitvariante und zeitinvariante Konfigurationen beschränken, so dass nicht alle Vs. A.5 bis Vs. A.9 zwingend durchgeführt werden müssen.

Ziel der Vorrichtung ist es, neurologische Aktivität zu verstehen und zu interpretieren, bzw. nach Kenntnis und Verständnis neurologische Aktivität gezielt zu stimulieren. Dies ermöglicht es zum Beispiel die Planungsvorgänge im Motorischen-Kortex, direkt zu interpretieren und die Bewegungen die vollführt werden sollen, aus dem neurologischen Aktivitätsmuster abzuleiten. Beispielsweise erlaubt das einer gelähmten Person eine Steuerung von Maschinen, oder eine Stimulation der eigenen Muskulatur nach den erlernten Stimuli. Des weiteren kann aus der Aktivität des visuellen Systems, der visuelle Eindruck des Benutzers ermittelt werden. Später kann dieser Eindruck ohne Aktivierung der Retina, im Nervensystem durch die erlernten Stimulationen reproduziert werden. Die gezielte Stimulation der Neurone, kann über pharmazeutische Produkte, oder elektrische geschehen. Dazu werden nach Vs. C.2, 3, 4, 5 Statistiken und Signifikanzaussagen gemacht.

Zum Verständnis der Aktivität ist eine Lernphase notwendig. In der Lernphase, wird der Benutzer mit Aufgaben, Situationen, Eindrücken, konfrontiert. Die gewonnenen Daten sind Reaktionen auf diese Aufgaben, etc. Es wird eine Statistik für diese Kontext bezogenen Reaktionen erstellt und zur Interpretation der Analysedaten verwendet. Diese Daten werden verwendet um in Vs. C.2, 3 Signifikanzlevel zu ermitteln.

Die Informationen sind in der Korrelation, deren Häufigkeit und deren zeitlichen Periodizität codiert. Nach dieser Identifikation von Reiz und Reaktion ist es möglich sowohl von Reiz auf die Reaktion, als auch von der Reaktion auf den Reiz zu schließen.

Andererseits kann durch eine gezielte Stimulation, zum Beispiel durch elektrische Reize, das neurologische System zu gleichen Antworten ohne Reiz stimuliert werden.

Anwendungsbeispiel Ab. A.2

In der Astronomie werden Strukturen und Informationen in einem breiten Spektrum von elektromagnetischen Wellen gesucht. Diese Suche ist heute vor allem durch verteilte Rechensysteme möglich, wie das sogenannte Seti-Programm zeigt. Mit diesem hier vorgestelltem Verfahren ist es möglich die Suche nach Korrelationen zwischen verschiedenen Frequenzbändern und zeitlichen Veränderungen stark zu beschleunigen. Dazu wird der Datensatz aus elektromagnetischer Wellen, als Spannungen bzgl. der Zeit, gewonnen. Dieser Datensatz kann zum einen als solcher mit einer Amplitude pro Zeit interpretiert werden, oder auch durch eine Fouriezerlegung eine weitere artifizielle Koordinate zugewiesen bekommen. Es wird vorgeschlagen für Zeitfenster T_s eine Fouriezerlegung (FT) durchzuführen. Die Amplituden der FT entsprechen den Amplituden einzelner Frequenzbänder. Mit vorgestellter Methode kann nun nach zeitlichen Mustern in den Amplituden der Frequenzbänder gesucht werden. Dazu werden folgende Verfahrenschritte durch geführt:

1. Vs. A.1
2. Vs. B.1
3. FT mit einem Ergebnis nach Vs. B.3 für Zeitfenster der Länge T_s
4. Vs. B.6: Jedes Frequenzband entspricht einer eindeutigen Kennzeichnung der Amplitude und wird somit als charakteristisches Merkmal eines Frequenzbandes interpretiert.
5. Vs. B.7: Es können weitere charakteristische Merkmale festgelegt werden, mit denen der Analysedatensatz aus Vs. B.6 verändert werden kann.
6. Vs. B.8
7. Vs. B.9
8. Vs. B.10
9. Vs. B.11
10. Vs. B.12
11. Vs. B.13
Spätestens nach der Anwendung von Vs. B.13 ist sichergestellt, dass der Analysedatensatz nach Verfahren A analysiert werden und das zeitliche Muster der Amplituden der Frequenzbänder bestimmt werden kann. Dazu soll die zeitliche Dichte der einzelnen Korrelationen und deren zeitliches Verhalten bestimmt werden.
Dazu werden in der folgenden Reihenfolge die Verfahrenschritte angewendet.
12. Vs. A.2
13. Vs. A.3
14. Vs. A.4
15. Vs. A.5
16. Vs. A.6
17. Vs. A.7
18. Vs. A.8
19. Vs. A.9

Die Analyse wird kontinuierlich mit der Zeit oder für aneinandergereihte Datensätze durchgeführt. Das Zeitfenster bewegt sich mit der Zeit über die Analyseergebnisse und liefert somit eine Interpretationsmöglichkeit der Daten des vorherigen Zeitfensters. Es wird also eine sogenannte Sliding-Window-Analyse verwendet und somit Dichten für einen endlichen Zeitraum ermittelt. Siehe Vs. C.1, 2, 3, 4, 5 und Abbildung C.1. Die Analyse der Daten ergibt eine Dichte der Konfigurationen und deren zeitliches Verhalten (Periodizität, Jitter in dieser Periodizität, Intervalle, zeitliches Verhalten von Intervallen, etc). Die Verfahrensschritte Vs. A.5, Vs. A.9 erlauben es noch sehr kleine Unterschiede in den Datensätzen zuerkennen. Es ist aber nicht immer gewünscht das alle Eigenschaften auf dieser sehr feinen Skala untersucht werden. Die Analyse kann sich somit auf zeitvariante und zeitinvariante Konfigurationen beschränken, so dass nicht alle Vs. A.5 bis Vs. A.9 zwingend durchgeführt werden müssen.

Anwendungsbeispiel Ab. B.1

In einem Anwendungsbeispiel Ab. B.1 sollen zum Beispiel Ultraschallsignale auf zeitliche Korrelationen untersucht werden. In Abbildung Abbildung A.B.1.1 erkennt man einen Senderund Empfänger. Sendet der Sender zum Beispiel Ultraschallwellen, so können diese reflektiert und von dem Empfänger registriert werden. Wann der oder die Empfänger die Signale detektieren hängt von der jeweiligen Entfernung des Reflektionspunktes vom Sender und Empfänger sowie der Signalgeschwindigkeit ab. Die zeitlich unterschiedlich eingetroffenen Signale lassen sich als zeitlich korrelierte Ereignisse bezüglich der Sendezeit betrachten. Dazu werden kurze Ultraschallimpulse ausgesandt. Diese Methode lässt sich zum Beispiel zur Auswertung von Ultraschallbildern verwenden.

Der entscheidende Unterschied zu bisherigen Verfahren ist, dass mehrere Empfänger gleichzeitig Signale empfangen und bzw. oder an verschieden Orten in bekannten Abständen zu einander, mehrere Sender platziert sind, die nacheinander oder gleichzeitig senden, dann jedoch durch Eigenschaften wie zum Beispiel der Sendefrequenz von einander zu unterscheidbar sind. Die empfangenen Daten werden durch die im Verfahren A, B und C bzgl. der unterscheidbaren Eigenschaften analysiert. Vorgeschlagen werden 4 Sender, ein Sender im Mittelpunkt eines oder mehrerer konzentrischer Kreise und 3 weitere auf einem Konzentrischen Kreis. Die Empfänger können auf den Kreisen in einer beliebigen Dichte angeordnet sein. Jede andere geometrische Form ist ebenso geeignet, jedoch zeichnet sich ein Kreis durch seine hohe Symmetrie aus. Anschließend suchen die Verfahren A, B und C nach zeitlichen Muster in der den detektierten Signalen der vielen Empfänge. Aus der Statistik der zeitlichen Muster, kann auf die Herkunft der Signale bzw. den Reflektionsgebiet geschlossen werden. So kann aus dem jeweiligem Jitter eine unterschiedliche Signallaufzeit abgelesen oder aus der breite eines Wellenpaketes auf die Dispersion im Medium geschlossen werden. Diese kann in Informationen der Entfernung des Reflektionsgebietes und der Dichte, bzw. der Signalausbreitungsgeschwindigkeit umgerechnet werden. Somit ist es möglich sehr schnell 3 dimensionale Aussagen über das Reflexionsmedium zu machen.

Dazu werden folgende Verfahrenschritte durchgeführt:

1. Vs. A.1
2. Vs. B.1: Es werden an Y Empfänger Signale bzgl. der Zeit gemessen. Die gemessen Signale entsprechen einer Intensität des Schalls an einem Empfänger.
3. Vs. B.5
4. Vs. B.6: Jeder Empfänger bildet mit der jeweiligen Amplitude eine eindeutige Zuordnung. Zudem können 1.-3. wiederholt für andere Sender durchgeführt oder bei gleichzeitigem Senden der Sender die Signalanteile der verschiedenen Sender eindeutig gekennzeichnet werden.
5. Vs. B.7: Es können weitere charakteristische Merkmale festgelegt werden, mit denen der Analysedatensatz aus Vs. B.6 verändert werden kann. Zum Beispiel die Breite der Empfangenen Wellenpakete, welche mit der gesendeten Breite nahezu übereinstimmen sollte, um Artefakte auszuschließen.
6. Vs. B.8
7. Vs. B.9
8. Vs. B.10
9. Vs. B.11
10. Vs. B.12
11. Vs. B.13

Spätestens nach der Anwendung von Vs. B.13 ist sichergestellt das der Analysedatensatz nach Verfahren A analysiert werden kann. Es kann nun das zeitliche Muster der Amplituden der Empfänger bestimmt werden. Dazu soll die zeitliche Dichte der einzelnen Korrelationen und deren zeitliches Verhalten bestimmt werden.

Die Verfahrenschritte werden in der folgenden Reihenfolge angewendet.

1. Vs. A.2
2. Vs. A.3
3. Vs. A.4
4. Vs. A.5
5. Vs. A.6
6. Vs. A.7
7. Vs. A.8
8. Vs. A.9

Die Analyse der Daten ergibt das zeitliches Verhalten (Periodizität, Jitter in dieser Periodizität, Intervalle, zeitliches Verhalten von Intervallen, etc) der einzelnen Empfänger wieder. Die Analyse kann durch mehrfaches Senden der gleichen Impulse eine verbesserte Statistik erzeugen. Aus den Jittern lassen sich wie oben erläutert die gesuchten Ergebnisse ableiten. Die Verfahrensschritte Vs. A.5, Vs. A.9 erlauben es noch sehr kleine Unterschiede in den Datensätzen zu erkennen. Es ist aber nicht immer gewünscht das alle Eigenschaften auf dieser sehr feinen Skala untersucht werden. Die Analyse kann sich somit auf zeitvariante und zeitinvariante Konfigurationen beschränken, so das nicht alle Vs. A.5 bis Vs. A.9 zwingend durchgeführt werden müssen.

Ankürzungen

V = Verfahren
Vs = Verfahrensschritts
Abbildung = Abbildung
B = Bespiel
Vb = Verfahrensbeispiel
Ab = Anwendungsbeispiel
V.A = Verfahren A
Vs. A.1 = Verfahrensschritt 1 aus Verfahren A
Abbildung A.1 = Abbildung A.1
B.A.1 = Bespiel 1 zum Verfahren A
Vb(1).Vs. A.1 = Verfahrensbeispiel 1 zum Verfahrensschritt A.1
Ab. B.1 = Verfahrensbeispiel Nr. 1 der Gruppe B

Bezeichnungen

KRF Korrelationsrelevante Fenster
KRF-Datensatz Datensatz bestehend aus Korrelationsrelevanten Fenstern
Conf. Konfigurationen aus einem V-Datensatz, eventuell ergänzt durch Charakteristische Eigenschaften.
C-Feld Feld beinhaltet Konfigurationen der Ordnung < 1
IK-Feld Feld beinhaltet Invariante-Konfigurationen
R_n

Datenreihe n
A_min

Minimaler Zugewährleisteneer Abstand zweier ausgezeichneter Punkte einer Datenreihe

Claims

1. Verfahren zum Betrieb einer Vorrichtung zum Erfassen und Auswerten von Korrelationen zwischen verschieden Daten und innerhalb von Daten. Zudem zur Erzeugung von Signifikanzaussagen für charakteristische Merkmale in diesen Daten, welche zur Erzeugung von Steuersignalen und dann zur Stimulation verwendet werden können, wobei in diesem ersten Prozess die Verfahrenschritte:

a) Festlegung eines Maximalen Jitters (Verschiebung gegeneinander) der Datenreihen oder Datensätze nach Vs. A.1
b) Kennzeichnung charakteristischer Merkmale der Daten oder Datensätze nach der Beschreibung des Vs. B.6.
c) Erstellung eines Repräsentationsdatensatzes, nach der Beschreibung des Vs. B.7, welcher alle für die Daten und den Datensatz charakteristischen Eigenschaften enthält und wiedergibt.
d) Verlängerung des Repräsentationsdatensatzes an den Enden, nach der Beschreibung des Vs. B.8 mit nicht charakteristischen Merkmalen nach Vs. B.7 der Länge des maximal zugelassen Jitters.
e) Suche nach für folgende Analysen zu kurzen Intervallen, nach der Beschreibung des Vs. B.9 und Vs. B.10, zwischen charakteristischer Merkmalen und anschließender Markierung dieser Datenelemente.
f) Veränderung des Repräsentationsdatensatzes, nach der Beschreibung des Vs. B.11 und Vs. B.12, zur Behebung zu kleiner Intervalle zwischen charakteristischer Merkmale und Erstellung eines weitern Datensatzes, dem D- Feld, in welchem durch die Veränderung des Repräsentationsdatensatzes doppelt vorkommende Datenelemente, abgelegt werden.
g) Veränderung des Repräsentationsdatensatzes, nach der Beschreibung des Vs. B.13, zur Behebung von zu kleinen Intervallen zwischen charakteristischen Merkmalen und Erstellung eines weitern Datensatzes, dem DD-Feld, in welchem durch die Veränderung des Repräsentationsdatensatzes und des D-Feldes, im D- Feld doppelt vorkommende Datenelemente, abgelegt werden.
h) Erzeugung eines korrelationsrelevanten Fensters, nach der Beschreibung des Vs. A.2, welches die Bereiche der Daten oder eines Datensatzes kennzeichnet, welcher für die gesuchten Korrelationen relevant ist.
i) Bestimmung der Ordnung der Korrelation in einem korrelationsrelevanten Fenster, nach der Beschreibung des Vs. A.3
j) Erzeugung eines Verschiebungsdatensatzes, nach der Beschreibung des Vs. A.4, welcher die notwendige Verschiebung der Datensätze oder Daten gegeneinander, für eine Jitter freie Korrelation bestimmt.
k) Erzeugung invarianter Konfigurationen, nach der Beschreibung des Vs. A.5, welche die jeweilige Verschiebung gleicher charakteristischer Merkmale eines korrelationsrelevanten Fensters der Daten oder des Datensatzes darstellen.
l) Abbildung der invarianten Konfigurationen auf äquivalente Konfigurationen mit kleinst möglichen Feldeinträgen nach Vs. A.9.
m) Erzeugung varianter Konfigurationen, nach der Beschreibung des Vs. A.8, welche die jeweilige Verschiebung gleicher charakteristischer Merkmale eines korrelationsrelevanten Fensters der Daten oder des Datensatzes darstellen, ohne dabei eine absolute Verschiebung aller charakteristischen Merkmale eines Korrelationsrelevanten Fensters, oder ein variierendes Intervallverhalten zu berücksichtigen.
n) Zählung der varianten oder invarianten Konfigurationen, nach der Beschreibung des Vs. A.6, 7, 9, 10, in einem Datenintervall, oder Bestimmung des Intervallverhaltens gleicher oder ähnlicher Konfigurationen.
o) Der Bewertung der ermittelten Konfigurationen, nach der Beschreibung des Vs. C.1, 2, 3, nach Ihrer Häufigkeit und ihres Intervallverhaltens, durch Vergleich mit Erwartungswerten, gewonnen durch Vs. C.1, 2, 3.
p) Der Zusammenfassung bestimmter Konfigurationen aufgrund Ihrer Ähnlichkeit oder anderer ausgezeichneter Eigenschaften, nach Beschreibung des Vs. C.4, 5.

ausgeführt werden.

2. Verfahren nach Anspruch 1,

a) wobei die in 1.n ermittelte Bewertung zu Generation von Steuersignalen verwendet wird.
b) Wobei die in 1.n ermittelte Bewertung zur Erstellung von Statistiken der Häufigkeit oder des Intervallverhaltens bestimmter Konfigurationen verwendet wird und diese im Anschluss mit Systemeigenschaften oder Systemstimulationen oder Systemzuständen, des untersuchten Systems, in Verbindung zu bringen.

3. Verfahren nach Anspruch 1 oder 2, wobei die im Anspruch 1 und 2 aufgeführten Verfahrenschritte wiederholt ausgeführt werden.

4. Verfahren nach Anspruch 3, wobei die im Anspruch 1 und 2 analysierten Daten nur Ausschnitten anderer Datensätze oder Erweiterungen anderer Datensätze entsprechen.

5. Verfahren nach Anspruch 4, wobei es sich bei den zu analysierenden Daten um neurologische Daten in Form von Spannungs- oder Stromverläufe mit der Zeit, einer oder vieler Messpunkte, im oder auf dem Nervensystem oder eines Körpers handelt.

6. Verfahren nach Anspruch 5, wobei die Ergebnisse nach 1.n zur Dekodierung der neurologischen Information, nach Anwendungsbeispiel Ab. A.1, genutzt werden, indem

a) nach Anspruch 2.b zuvor Kontext bezogen die Aktivität des Nervensystems an den Messpunkten analysiert wird und aus diesen Daten Erwartungswerte bestimmter Konfigurationen ermittelt werden.
b) diese Erwartungswerte infolge zum Umkehrschluss nach 6.a verwendet werden, um aus der neurologischen Aktivität auf die Information im Nervensystem zu schließen.

7. Verfahren, wobei die im Anspruch 6 aufgeführten Verfahrenschritte wiederholt ausgeführt werden.

8. Verfahren nach Anspruch 6 oder 7, wobei die im Anspruch 6 oder 7 aufgeführten Verfahrenschritte genutzt werden, um Steuersignale zu erzeugen, die dann zur gezielten Stimulation der Muskulatur, pharmakologisch oder elektrisch über die Nerven oder direkt in der Muskulatur, erfolgen kann.

9. Verfahren nach Anspruch 6 oder 7, wobei die im Anspruch 6 oder 7 aufgeführten Verfahrenschritte genutzt werden, um Steuersignale zu erzeugen, die dann zur gezielten Stimulation des Nervensystems genutzt werden, um ohne reale Reize der Sinnesorgane ähnliche oder gleiche Empfindungen zu erzeugen.

10. Verfahren nach Anspruch 4, wobei es sich bei den zu analysierenden Daten um elektromagnetische Wellen, nach Anwendungsbeispiel Ab. A.2, oder solche durch Sensoren umgewandelte Daten in Form von Spannungs- oder Stromverläufe mit der Zeit eines oder vieler Messpunkte handelt.

11. Verfahren nach Anspruch 4, wobei es sich bei den zu analysierenden Daten mehrerer Sensoren, um Spannungs- oder Stromverläufe mit der Zeit, eines oder vieler Messpunkte handelt.

12. Verfahren nach Anspruch 11, wobei im besonderen Ultraschall Signale, eines oder mehrerer Sender durch einen oder mehrer Empfänger, nach Anwendungsbeispiel Ab. B.1, empfangen werden und auf Korrelationen der Daten der Empfänger untersucht werden sollen.

13. Verfahren nach Anspruch 13, wobei diese Korrelationen der Daten zur Bestimmung der Dichte, der Reflektionseigenschaften des Mediums und der Signallaufzeiten und der damit verbundenen mittleren Reflektionsentfernung benutzt werden, um Aussagen über das Reflektionsmedium und dessen Struktur zu machen.

14. Umsetzung der Verfahren 1 bis 13 in einer Elektronik, einer programmierbarem Logik, einem Mikroprozessor oder einem Programm.