DE102015104726B3

DE102015104726B3 - Verfahren und Vorrichtung zum Schätzen eines biologischen Parameters und zugehöriges Computerprogrammprodukt

Info

Publication number: DE102015104726B3
Application number: DE102015104726.8A
Authority: DE
Inventors: c/o IMRA EUROPE S.A.S. Vrazic Sacha
Original assignee: IMRA Europe SAS
Current assignee: IMRA Europe SAS
Priority date: 2015-03-27
Filing date: 2015-03-27
Publication date: 2016-06-02
Anticipated expiration: 2035-03-28
Also published as: JP2016187555A; US20160278708A1; JP6738177B2

Abstract

Ein biologischer Parameter (40) eines Subjekts wird geschätzt, das auf einem Träger vorhanden ist, der zumindest zwei Sensoren jeweils zur Messung einer Druckveränderung umfasst, wobei zumindest ein Beschleunigungsmesser mit dem Träger verbunden ist. Ein sensorspezifisches Modell (21, 22) ist für jeden der zumindest zwei Sensoren beruhend auf Signalen (61) von den zumindest zwei Sensoren vorgesehen, wobei die Signale (61) jeweils der durch die zumindest zwei Sensoren gemessenen Druckveränderung entsprechen. In einem Auswahlprozess wird für jeden Zeitrahmen T ein Sensor aus den zumindest zwei Sensoren, der zur Schätzung des biologischen Parameters des Subjekts zu verwenden ist, beruhend auf Signalen (161) von dem zumindest einen Beschleunigungsmesser ausgewählt. In einem Schätzprozess wird der biologische Parameter des Subjekts unter Verwendung des für den ausgewählten einen Sensor bereitgestellten sensorspezifischen Modells (21, 22) für jeden Zeitrahmen T geschätzt.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf die Schätzung biologischer Parameter eines Subjekts auf einem Träger. Mit anderen Worten bezieht sich die Erfindung auf eine Schätzung physiologischer Parameter eines menschlichen Körpers, insbesondere Pulsschlag und Atmung, beispielsweise für Fahrer und Beifahrer eines Fahrzeugs.
Verwandter technischer Hintergrund
Die Beobachtung biologischer Parameter ist in den Patentdokumenten 1 bis 3 beschrieben. Beispielsweise werden Pulsschlag- und Atmungssignale unter Verwendung piezoelektrischer Sensoren erhalten. Piezoelektrische Sensoren messen eine Druckveränderung. Beispielsweise messen in einem Sitz zu Hause oder in einem Auto eingebettete Piezoelektrische Sensoren eine durch Blutflussdruck erzeugte Verschiebung.
Dokumente des Standes der Technik
Patentdokumente

Patentdokument 1: FR 2 943 233 A1
Patentdokument 2: FR 2 943 234 A1
Patentdokument 3: FR 2 943 236 A1

Ferner ist in der EP 1 749 477 A1 eine Bioinformationserfassungsvorrichtung beschrieben, die beurteilt, ob die Erfassung von Herzschlägen durch einen Lenkradsensor möglich ist. Ist die Erfassung nicht möglich, wird beurteilt, ob die Erfassung durch einen im Sitz installierten Sensor möglich ist. Dabei werden eine Ausgabe aus einem Beschleunigungssensor und ein Herzfrequenzschwankungsbereich berücksichtigt, der vom Lenkwinkelsensor erhalten wird.
KURZZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Erfindung zielt ab auf eine Verbesserung der in den Patentdokumenten 1 bis 3 beschriebenen Überwachung biologischer Parameter und die Bereitstellung einer robusten Schätzung biologischer Parameter für ein Subjekt auf einem Träger, beispielsweise einem Sitz oder Bett, in den zumindest zwei Sensoren zur Messung einer Druckveränderung eingebettet sind.
Dies wird durch das Verfahren, die Vorrichtung und das Computerprogrammprodukt wie in den anliegenden Patentansprüchen definiert erreicht.
Gemäß einem Ausführungsbeispiel der Erfindung wird ein biologischer Parameter eines Subjekts geschätzt, das auf einem Träger vorhanden ist, wobei der Träger zumindest zwei Sensoren umfasst, die jeweils eine Druckveränderung messen, wobei zumindest ein Beschleunigungsmesser mit dem Träger verbunden ist. Für jeden der zumindest zwei Sensoren wird beruhend auf Signalen von den zumindest zwei Sensoren ein sensorspezifisches Modell bereitgestellt, wobei die Signale jeweils der durch die zumindest zwei Sensoren gemessenen Druckveränderung entsprechen. In einem Auswahlprozess wird zu jedem Zeitrahmen T ein Sensor zur Verwendung bei der Schätzung des biologischen Parameters des Subjekts aus den zumindest zwei Sensoren beruhend auf Signalen von dem zumindest einen Beschleunigungsmesser ausgewählt. In einem Schätzprozess wird der biologische Parameter des Subjekts zu jedem Zeitrahmen T unter Verwendung des für den ausgewählten einen Sensor bereitgestellten sensorspezifischen Modells geschätzt.
Die Erfindung stellt eine robuste Pulsschlagmessung durch Ändern des Sensors nach Bedarf bereit, bei dem die Schätzung durchgeführt werden soll.
Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen unter Bezugnahme auf die beiliegenden Zeichnungen beschrieben.
KURZBESCHREIBUNG DER ZEICHNUNGEN
1 zeigt ein schematisches Blockschaltbild einer Architektur einer Vorrichtung gemäß einem Ausführungsbeispiel der Erfindung, die eine automatische Sensoränderung bei IMM-EKF bereitstellt.
2 zeigt ein schematisches Blockschaltbild zur Veranschaulichung eines automatischen Sensoränderungsprinzips gemäß einem Ausführungsbeispiel der Erfindung.
3 zeigt Darstellungen von Variationen einer Normalverteilung für zwei verschiedene Fahrsituationen.
4 zeigt eine Darstellung einer geschätzten Wahrscheinlichkeitsdichtefunktion bei allen Sensoren gemäß einem Implementierungsbeispiel der Erfindung, bei dem 14 Sensoren verwendet werden.
5 zeigt eine Darstellung eines 20-Sekunden-Ausschnitts einer Pulsschlagschätzung bei einer Fahrsituation für alle Sensoren ohne Auswahl von Sensoren.
6 zeigt ein schematisches Blockschaltbild eines Modells einer Klassifizierung von q-Hurst-Parametern in eine Sensornummer gemäß einem Implementierungsbeispiel der Erfindung.
7 zeigt ein schematisches Blockschaltbild von Sensorvorverarbeitungsschritten gemäß einem Ausführungsbeispiel der Erfindung.
8 zeigt eine Darstellung eines Amplituden- und Phasengangs eines in den Vorverarbeitungsschritten verwendeten Durchlassbandfilters.
9 zeigt eine Darstellung nichtlinear transformierter Sensorsignale gemäß den Vorverarbeitungsschritten.
10 zeigt ein schematisches Blockschaltbild eines Anfangsfrequenzschätzprinzips gemäß einem Ausführungsbeispiel der Erfindung.
11 zeigt eine Darstellung des ESPRIT-Frequenzschätzprinzips.
12 zeigt eine Darstellung eines Clusterprinzips für eine Anfangsfrequenzentscheidung gemäß einem Implementierungsbeispiel der Erfindung.
13 zeigt ein schematisches Blockschaltbild einer nichtlinearen Passung unter Verwendung neuronaler Netze.
14 zeigt eine Darstellung einer IMM-EKF-Verarbeitung.
15 zeigt eine Darstellung eines Pulsschlagschätzergebnisses unter Verwendung der automatischen Sensoränderung gemäß einem Ausführungsbeispiel der Erfindung.
BESCHREIBUNG DER AUSFÜHRUNGSBEISPIELE
Erfindungsgemäß werden biologische Parameter geschätzt, wie der Herzschlag und/oder der Atemrhythmus eines Subjekts auf einem Träger. Der Träger kann einen Sitz beispielsweise zu Hause oder in einem Auto oder ein Bett umfassen. Der Träger enthält zumindest zwei Sensoren, die eine Druckänderung messen, beispielsweise piezoelektrische Sensoren.
Der Träger kann ferner zumindest einen Beschleunigungsmesser enthalten. Ist der Träger als Sitz in einem Fahrzeug implementiert, arbeiten an dem Sitz positionierte Beschleunigungsmesser insbesondere als Referenzsensoren für Umgebungsrauschen, wie Vibrationsrauschen oder dergleichen, von dem Fahrzeug, und erfassen Rauschen in drei orthogonalen Richtungen.
Während des Fahrens sind Köperbewegungen häufig und können große Amplituden aufweisen. Als Körperbewegung wird hier die Bewegung aller Körperteile betrachtet, beispielsweise Beine, Hände, Rumpf, Kopf, individuell oder gleichzeitig. Die Körperbewegungen können in zwei Kategorien klassifiziert werden: auf das Fahren bezogene Bewegungen und auf einen physiologischen oder psychologischen Zustand bezogene Bewegungen.
Hier wird angenommen, dass zumindest zwei Sensoren, beispielsweise zwei piezoelektrische Sensoren, in einem Träger, wie einem Sitz, eingebettet sind und nicht rauschbehaftet sind, bzw. bei denen das Rauschen bereits entfernt wurde.
A. Architektur
1 zeigt ein schematisches Blockschaltbild einer Architektur einer Vorrichtung gemäß einem Ausführungsbeispiel der Erfindung, die eine automatische Sensoränderung bei einem interaktiven Multimodell erweiterten Kalman-Filter bereitstellt.
Es wird angemerkt, dass in den Ausführungsbeispielen beschriebene Signale und Funktionen im digitalen Bereich vorhanden sind.
Die in 1 gezeigte Vorrichtung umfasst zwei Blöcke:

– einen automatischen Sensoränderungs(”Automatic Sensor Change Estimation”, ASCE)-Block 30, der den wahrscheinlichsten besten Sensor zur Verwendung für die Pulsschlagschätzung zu einer gegebenen Zeit vorhersagt und auswählt, und
– einen interaktiven Multimodell erweiterten Kalman-Filter(”Interactive Multi-Model Extended Kalman Filter”, IMM-EKF-)-Block 20, der lineare/nichtlineare Zustandsraummodelle 21, 22 umschaltet, wenn ein neuer Sensor ausgewählt wird.

Signale 61, beispielsweise von (nicht gezeigten) Sensoren eines Trägers, wie eines Sitzes in einem Fahrzeug (beispielsweise Piezosensoren im Sitzoberteil und -Unterteil), werden durch die Vorrichtung 1 verarbeitet. Die Signale 61 sind digitalisierte Sensor-(beispielsweise piezoelektrische Sensor-)Ausgangssignale, deren Rauschen verringert ist. Die Vorrichtung 1 kann auch Signale 161 beispielsweise von Beschleunigungsmessern verarbeiten, die von dem Träger, beispielsweise dem Sitz in dem Fahrzeug umfasst sind. Die Signale 161 sind digitalisierte Ausgangssignale von den Beschleunigungsmessern.
Erfindungsgemäß wird in dem IMM-EKF-Block 20 nur ein Sensor in jedem Zeitrahmen verwendet. Gibt es N Sensoren, wählt der ASCE-Block 30 daher einen der N Sensoren für einen gegebenen Zeitrahmen T aus. T kann in der Größenordnung von 500 ms, einer Sekunde oder 2 Sekunden, usw. sein.
Die Vorrichtung 1 stellt ein Ausführungsbeispiel der Erfindung zur Schätzung eines biologischen Parameters 40 eines Subjekts auf einem Träger dar, wobei der Träger N (>= 2) Sensoren umfasst, die jeweils eine Druckveränderung messen. M (M >= 1) Beschleunigungsmesser sind mit dem Träger verbunden. Die Vorrichtung 1 umfasst lineare/nichtlineare Zustandsraummodelle (sensorspezifisches Modell) 21, 22 für jeden der N Sensoren, die auf Signalen 61 von den N Sensoren beruhen, was nachstehend näher beschrieben wird. Die Signale 61 entsprechen jeweils der durch die N Sensoren gemessenen Druckänderung. In einem Auswahlprozess wählt der ASCE-Block 30 zu jedem Zeitrahmen T einen Sensor aus den N Sensoren zur Verwendung zur Schätzung des biologischen Parameters 40 des Subjekts in dem IMM-EKF-Block 20 beruhend auf den Signalen 161 von den M Beschleunigungsmessern oder den Signalen 161 und den Signalen 61 aus, was nachstehend näher beschrieben wird. In einem Schätzprozess schätzt der IMM-EKF-Block 20 den biologischen Parameter 40 des Subjekts, wobei in dem biologischen Parameterschätz- und Nachführungsblock 24 zu jedem Zeitrahmen T das sensorspezifische Modell 21, 22 verwendet wird, das für den ausgewählten Sensor bereitgestellt und durch den Modellumschaltblock 23 umgeschaltet wird, was nachstehend näher beschrieben wird.
Ein Block H₀ in dem ASCE-Block 30 umfasst einen Test, ob eine Verteilung des Rauschens eine Normalverteilung (Gaußsche Verteilung) ist. Ein Block PDF in dem ASCE-Block 30 umfasst eine Wahrscheinlichkeitsdichtefunktion, die eine Funktion ist, die die relative Wahrscheinlichkeit für eine Zufallsvariable, hier Rauschen, darstellt. Ein Block KL in dem ASCE-Block 30 umfasst die Kullback-Leibler-Divergenz und ein Block q-Hurst in dem ASCE-Block 30 umfasst Hurst-Parameter q^ter Ordnung gemäß der Zufallsmultifraktaltheorie.
1. Automatische Sensoränderung
Ein Prinzip einer automatischen Sensoränderung gemäß einem Ausführungsbeispiel der Erfindung ist in 2 gezeigt.
In jedem Zeitrahmen T werden Merkmalsparameter für jedes Beschleunigungsmessersignal 161 oder Beschleunigungsmessersignale 161 und Sensorsignale 61 berechnet. Die Beschleunigungsmesser messen Vibrationsrauschen und werden durch einige Körperbewegungen beeinflusst.
Der Merkmalsvektor tritt in ein Modell automatischer Sensoränderungsmodelle 31 des ASCE-Blocks 30 ein, und schließlich wird eine Entscheidung über eine Sensornummer (Sensor#) zur Verwendung in dem Schätzprozess in dem IMM-EKF-Block 20 getroffen.
1.1 Der Merkmalsvektor
Der Merkmalsvektor ist ein Satz von Parametern, die aus den Beschleunigungsmessern und Sensoren extrahiert sind. Der Parametertyp ist nicht begrenzt. Beispielsweise werden die folgenden Parameter verwendet:
a) q-Hurst-Parameter
Diese Parameter beruhen auf der Zufallsmultifraktaltheorie. Die zugrunde liegende Idee besteht im Auffinden einer bestimmten Struktur, die bezüglich Rauschen und eines Sensorsignals unveränderlich ist. Die Hurst-Komponenten q^ter Ordnung werden zum Parametrisieren der Multifraktalstruktur der Beschleunigungsmessersignale 161 und des Sensorsignals 61 verwendet. Die q-Hurst-Parameter werden unter Verwendung einer multifraktalen trendbeseitigten Schwankungsanalyse berechnet.
Eine erste Operation besteht im Integrieren des Signals. Dies wird durch eine kumulative Summe x_int(k) = Σ k / l=1x_k durchgeführt.
Dabei ist x_int das integrierte Beschleunigungsmesser- oder Sensorsignal, und x ist das Beschleunigungsmesser- oder Sensorsignal.
Die mittlere Amplitudenänderung, d. h., der quadratische Mittelwert (RMS) wird wie folgt berechnet
Dabei ist F der RMS-Wert für den Maßstab s und den Segment-Index v. Und x_fit ist die quadratische Trend-Beseitigung von x_int, gegeben durch
Dabei sind a die Passungskoeffizienten.
Im Allgemeinen wird die multifraktale Amplitudenveränderung mit q Parametern wie folgt erhalten:
Dann wird der q-Hurst-Parameter durch Schätzen der Neigung von log₂F_q(s) erhalten.
Das ”q” im Hurst-Parameter ist ein zusätzlicher Maßstab, der bei negativem q Segmente mit sehr kleiner Schwankung verstärkt, und bei positivem q Segmente mit sehr großer Schwankung verstärkt.
Die Berechnung wird daher für mehrere Maßstäbe s durchgeführt, beispielsweise s = 4, 8, 16, 32, 64, 128, 256, 512.
Dies wird für jeden gewünschten q-Wert wiederholt, beispielsweise für q = –5, –1, 5.
Da der q-Hurst-Parameter die Neigung darstellt, hat ein möglicher Merkmalsvektor bei 3 Werten für q eine Länge von N·3, in Abhängigkeit von der Anzahl der Sensoren. Werden die Sensoren der Berechnung unterzogen, und gibt es 14 Sensoren in dem Sitz, hat der in das Modell 31 eingegebene Merkmalsvektor beispielsweise eine Länge von 42.
Unter Verwendung des vorstehenden Merkmalsvektors kann eine Entscheidung über den besten Sensor getroffen werden, d. h., den für die biologische Parameterschätzung zu verwendenden Sensor, was nachstehend gezeigt wird.
b) Statistische Parameter
Eine weitere Möglichkeit besteht in der Kombination statistischer Deskriptoren zur Erzeugung des Merkmalsvektors. Derartige Berechnungen werden auch für jeden Zeitrahmen T durchgeführt.
Null-Hypothese(H₀)-Test, dass die Verteilung von einer Normalverteilung kommt
Diese Berechnung wird für alle Sensoren oder Beschleunigungsmesser durchgeführt und umfasst den Lilliefors-Test für Normalität.
Ist die Datenverteilung normal, dann ist H₀ = 0, und sonst ist H₀ = 1.
Ein erster Schritt besteht in der Berechnung von Mittel- und Standardabweichungswerten der Sensorsignale 61 und/oder der Beschleunigungsmessersignale 161, die wie folgt gegeben sind:
Dabei ist x_k der k-te Datenabtastwert des aktuellen Zeitrahmens. Der Zeitrahmen umfasst L-Abtastwerte. x und σ sind jeweils der abgetastete Mittelwert und der abgetastete Standardabweichungswert.
Ein zweiter Schritt berechnet den normalisierten Wert für alle Abtastwerte des Rahmens:
Dann wird der Lilliefors-Test LF berechnet durch LF = sup|F(x) – S(x)|
Wobei LF das Supremum des Absolutwerts der Differenz zwischen der Normalverteilung mit Mittelwert 0 mit Varianz 1 (F(x)) und der empirischen Verteilung der Z_k-Werte ist.
Der Test wird verworfen, wenn LF größer als der kritische Wert für den Test ist (die kritischen Werte sind durch eine Tabelle gegeben).
So wird ein Maß der Variabilität der Rauschwahrscheinlichkeitsverteilung verglichen mit der Normalwahrscheinlichkeitsverteilung hergeleitet. Dieser Vergleich wird bei jedem Zeitrahmen durchgeführt.
3 zeigt die Veränderungen, wenn die Rauschwahrscheinlichkeitsdichte an dem Sensor eine Normalverteilung aufweist oder nicht. Die x-Achse ist die Zeit als Rahmennummer, und die y-Achse ist die Sensornummer. Weiß gibt an, wenn die Verteilung normal ist, und schwarz gibt an, wenn sie anders ist.
Die Wahrscheinlichkeitsdichtefunktion (”Probability Density Function”, PDF)
Der vorhergehende Deskriptor zeigt, dass die Rauschverteilung nicht oft eine Gauß-Verteilung ist, und daher ist das Hinzufügen eines Deskriptors von Interesse, der die Form der Verteilung für alle Beschleunigungsmesser oder Sensoren in mehr Einzelheiten angibt.
Die PDF kann unter Verwendung des Histogramms der Daten der Beschleunigungsmesser- oder Sensorsignale oder vorzugsweise unter Verwendung eines Kerndichteschätzansatzes berechnet werden, der zu der wahren PDF konvergiert, und gegeben ist durch
Dabei sind h die Bandbreite und K der Kern. Beispielsweise kann der Kern Normal, Uniform oder Epanechnikov, usw. sein.
4 zeigt die Schätzwerte der Rauschwahrscheinlichkeitsdichtefunktionen für einen gegebenen Zeitmoment. Alle 14 Sensoren sind an der horizontalen Achse platziert, und jede Sensorbegrenzung wird in der graphischen Darstellung durch einen Pfeil angegeben.
Wie es aus 4 ersichtlich ist, sind die Verteilungen für jeden Sensor verschieden. Einige sind flach (beispielsweise Sensor #12), einige laufen stark aus (beispielsweise Sensor #7), einige sind dissymmetrisch (beispielsweise Sensor #1, #4 und #8), usw.. Diese Verteilungen ändern sich auch mit jedem Zeitschritt und geben daher wesentliche Informationen darüber an, was bei den Sensoren und Beschleunigungsmessern passiert.
Die Kullback-Leibler-(KL-)Divergenz über PDFs
Die PDF-Schätzwerte zu jedem Zeitmoment wurden erhalten. Es kann auch wichtig sein, ein Maß der Veränderung der Verteilung an einem gegebenen Sensor verglichen mit anderen Sensoren zu kennen.
Daher wird die KL-Divergenz für alle Sensoren zu einer gegebenen Zeit t_i-1 über alle Sensoren zur Zeit t_i berechnet.
Die KL-Divergenz ist wie folgt gegeben:
Dabei sind f und h die 2 PDF-Werte zur Berechnung der Divergenz. Gibt es 14 Sensoren, gibt es daher 14·14 = 196 Werte, die zu einem gegebenen Zeitpunkt berechnet werden.
Zusätzliche statistische Parameter
Außerdem können die dritten und vierten statistischen Momente berechnet werden, d. h., jeweils der Symmetriekoeffizient und die Kurtosis, und zu dem Merkmalsvektor hinzugefügt werden. Sie sind wie folgt gegeben:
All diese Parameter bilden den Merkmalsvektor.
1.2 Das Ziel
Das Ziel ist die Sensornummer. Somit muss der beste wahrscheinliche Sensor für jeden Zeitrahmen entschieden werden, beispielsweise indem zuerst die Pulsschlagschätzung an jedem Sensor überprüft wird.
5 zeigt ein Verfahren zum Auffinden des besten Sensors für ein gegebenes Subjekt und einen Durchlauf. Es ist ein 20-Sekunden-Ausschnitt der Pulsschlagschätzung für alle Sensoren individuell unter Verwendung eines erweiterten Kalmann-Filters gezeigt. Die Zeit ist in Segmente einer Sekunde aufgesplittet (hier sind lediglich die 10 ersten Sekunden gezeigt), und für jedes Segment wird der beste Sensor erhalten (#5 bedeutet Sensor #5, usw.). 5 zeigt auch ein EKG-Signal als Referenzsignal.
Daher führt das Modell 31 von 2 eine nichtlineare Abbildung zwischen dem Merkmalsvektor am Eingang und dem Ziel am Ausgang durch.
1.3 Das Modell
Ein auf neuronalen Netzen (NN) beruhendes nichtlineares Modell wird verwendet, da neuronale Netze jeden Typ von Nichtlinearität modellieren können.
Der Aufbau des neuronalen Netzes, das zur Durchführung der Klassifizierung (d. h. der Entscheidung über den wahrscheinlich besten Sensor) verwendet wird, ist in 6 gezeigt. 6 veranschaulicht ein Beispiel des Aufbaus des Klassifizierer(d. h., Entscheidungs-)Modells 31, wenn der eingegebene Merkmalsvektor auf den 3 q-Hurst-Parametern pro Sensor beruht. Es wird angemerkt, dass der eingegebene Merksmalvektor nicht auf die 3 q-Hurst-Parameter beschränkt ist, und mehr als 3 Parameter verwendet werden können.
Wie in 6 gezeigt sind 42 Parameter am Eingang vorhanden, die 3 q-Hurst-Parametern pro Sensor entsprechen, und 14 Parameter sind am Ausgang vorhanden. Jedes Element am Ausgang entspricht einer Sensornummer: Element 1 entspricht Sensor #1, Element 2 entspricht Sensor #2, usw..
Die Sensornummerentscheidung ist das Element am Ausgang, das den maximalen Wert, d. h., die höchste Wahrscheinlichkeit hat. Der Aufbau ist für andere Entscheidungsarten bereit, da es zu jeder Sekunde für jede Sensornummer eine Wahrscheinlichkeit gibt.
Natürlich muss der Aufbau an die Art des eingegebenen Merkmalsvektors angepasst werden.
Der Aufbau zeigt eine verborgene Schicht und eine Ausgangsschicht. Die Anzahl an Neuronen in der verborgenen Schicht hängt von der Struktur der Eingangsparameter (des Merkmalsvektors) ab, beispielsweise 250 Neuronen, kann aber einen beliebigen Wert annehmen, der eine zuverlässige Sensornummervorhersage erreicht. Die verborgene Schicht enthält ein Gewicht (w), einen Verschiebungswert (b) und eine nichtlineare Funktion, in diesem Fall eine Sigmoid-Funktion (für ein Neuron). Die Ausgabeschicht enthält ein Gewicht (w), einen Verschiebungswert (b) und eine nichtlineare Funktion, hier eine Softmax-Funktion.
Die verwendeten Sigmoid- und Softmax-Gleichungen sind wie folgt gegeben:
Die Softmax-Funktion liefert ein Maß der Gewissheit (d. h., eine nachträgliche Wahrscheinlichkeit).
Zuerst müssen die Daten für die Berechnung der Parameter vorbereitet werden. Dies wird nachstehend beschrieben.
Die Eingangsmatrix sollte 42 Zeilen, die der Anzahl an q-Hurst-Parametern für alle 14 Sensoren entsprechen, und C Spalten aufweisen, die der Anzahl an pro Parameter gegebenen Sekunden von Daten entsprechen. Jede neue Spalte ist ein anderes Zeitmoment, wie vorstehend beschrieben. Die Zielmatrix weist dieselbe Anzahl an Spalten wie die Eingangsmatrix auf, jedoch gibt es nur 14 Zeilen, die jeweils einem Sensor entsprechen. Daher muss lediglich der entsprechende ausgewählte beste Sensor auf 1 eingestellt werden, und die anderen Werte müssen 0 sein.
Dann können die Parameter des Modells 31 berechnet werden. Dieser Prozess wird auch Lernen genannt, da es sich um eine iterative Berechnung handelt, und derselbe Zielwert verschiedene Eingangswerte haben kann. Diese Berechnung wird unter Verwendung des skalierten konjugierten Gradientenrückausbreitungsansatzes ausgeführt.
Dasselbe Berechnungsverfahren gilt für einen anderen Merkmalsvektor, wie den Merkmalsvektor statistischer Deskriptoren.
Sind die Parameter des nichtlinearen Modells 31 berechnet, kann es zur Entscheidung des Sensors verwendet werden, der für die Pulsschlagschätzung zu verwenden ist.
Dann werden die q-Hurst-Parameter oder die statistischen Deskriptoren für jeden Zeitrahmen für die Sensoren oder Beschleunigungsmesser berechnet, und der Merkmalsvektor x_feature der Parameter wird erzeugt.
Dieser Vektor wird bei den folgenden Berechnungen verwendet. Zuerst sollte das Eingangsignal abgebildet werden unter Verwendung von y_map(k) = (x_feature(k) – x_offset(k))·G(k) – 1
Dabei sind x_offset der von dem Merkmalsvektor G zu entfernende Offset und G die Verstärkung. Diese Offsets und Verstärkungen werden bei der vorherigen Offline-Prozedur berechnet.
Dann wird das Ausgangssignal der verborgenen Schicht wie folgt berechnet y_hidden = y_sigmoid(B_hidden + W_hiddeny_map)
Dabei ist B_hidden der Verschiebungsvektor der verborgenen Schicht, der eine Länge Q gleich der Anzahl an Neuronen in der verborgenen Schicht aufweist. W_hidden ist eine Matrix von Koeffizienten der verborgenen Schicht, mit einer Größe [Q×P]. P ist die Länge des Merkmalsvektors. y_sigmoid ist die nichtlineare Sigmoid-Funktion, deren Gleichung zuvor angegeben wurde. Das Ausgangssignal der verborgenen Schicht y_hidden ist ein Vektor der Länge Q.
Der letzte Schritt ist die Berechnung des Ausgangssignals der Ausgangsschicht, das durch die folgende Gleichung gegeben ist: y_out = y_softmax(B_out + W_outy_hidden)
Dabei ist B_out der Verschiebungsvektor der Ausgangsschicht, der eine Länge gleich der Anzahl an Sensoren N hat.
W_out ist eine Matrix von Koeffizienten der Ausgangsschicht, mit einer Größe von [N×Q]. y_softmax ist die nichtlineare Softmax-Funktion, deren Gleichung zuvor angegeben wurde. Das Ausgangssignal y_out ist ein Vektor der Länge gleich der Anzahl an Sensoren, d. h. N.
Der beste wahrscheinliche Sensor ist dann die Nummer des Elements, das dem größten Wert in y_out entspricht.
Die neuronalen Netze sind nicht die einzige Möglichkeit, und können durch Hidden Markov-Modelle ersetzt werden.
Die Sensornummer wird dem IMM-EKF-Block 20 kommuniziert, der im folgenden Abschnitt beschrieben wird.
2. Robuste Pulsschlagschätzung mit IMM-EKF
In den Patentdokumenten 1 bis 3 ist ein erweiterter Kalman-Filter (EKF) beschrieben.
Da bei dieser Anmeldung lediglich ein Sensor auf ein Mal für eine Pulsschlagmessung behalten wird, und bei Bedarf unter Verwendung des zuvor beschriebenen Ansatzes für eine automatische Sensoränderung in der Zeit verändert wird, muss der Kalman-Filter zum Umschalten von Beobachtungsmodellen und Zustandsraummodellen angepasst werden, wenn es die Bedingung erfordert.
Die Rolle des IMM-EKF-Blocks 20 besteht in der Schätzung des Pulsschlags auf robuste Art und Weise, ungeachtet von Vibrationsrauschen und Körperbewegungen, beispielsweise, wenn Kontakt mit dem Sensor bestehen bleibt. Der IMM-EKF-Block 20 ist eine erweiterte Version von EKF, die zwischen Modellen umschalten kann. Grundlegend besteht sie aus drei Hauptschritten: Mischen, Filtern und Kombinieren.
Die Entscheidung der Änderung des Modells beruht hauptsächlich auf dem Mischen von Wahrscheinlichkeiten. Eine EKF-Schätzung wird bei jedem Modell ausgeführt.
Da erfindungsgemäß Informationen über eine Sensornummer zur Verwendung zur Schätzung bereitgestellt werden, wird der ursprüngliche IMM-EKF-Ansatz zur Verwendung dieser Informationen modifiziert. Da es die Möglichkeit zum Umschalten zwischen N Sensoren gibt, sind N Zustandsraummodelle und N Beobachtungsmodelle (lineare Zustandsraummodelle 21 und nichtlineare Beobachtungsmodelle 22) bereitgestellt.
2.1 Vorverarbeitung von Piezosensoren
Vor der Verwendung der Sensorsignale 61 im IMM-EKF-Block 20, die rauschreduziert sind, aber immer noch einiges Rauschen enthalten, wird eine Vorverarbeitung zum Maximieren der Schätzleistung ausgeführt. 7 veranschaulicht Vorverarbeitungsschritte für die Sensorsignale 61 (beispielsweise Piezosignale mit Piezosensoren im Sitz unten und oben).
a) Durchlassbandfilter
Zuerst werden die Sensorsignale 61 einer Durchlassbandfilterung unterzogen. Das zu diesem Zweck verwendete Durchlassbandfilter ist an für die Pulsschlagschätzung interessierenden Frequenzen zentriert. Ein Infinite-Impulsantwort-(”Infinite Impulse Response”, IIR-)Filter mit der folgenden Kennlinie wurde entwickelt:

– Mittenfrequenz: f₀ = 1,3 Hz
– Durchlassband: b = 2,5 Hz
– Ordnung: 3

Zum Entwurf dieses Filters wurden die folgenden Berechnungen durchgeführt: w₀ = πb; w₁ = 2πf₀
Und die folgenden Vektoren sind definiert:
Da die Filterordnung 3 ist, werden diese Werte zwei Mal auf folgende Weise gefaltet: B = B₀; A = A₀ B = B·B₀ (zwei Mal auszuführen) A = A·A₀ (zwei Mal auszuführen)
Hier steht das Zeichen * für die Faltung (und nicht für die Multiplikation).
Da ein IIR-Filter entworfen wurde, wird die bilineare Transformation zur Bewegung des Entwurfs im Z-Bereich verwendet.
Für die bilineare Transformation wird die Krümmungsfrequenz wie folgt verwendet.
Die Kennlinie des Filters ist in 8 gezeigt. 8 zeigt als durchgezogene Linie den Amplitudengang und als Strichpunktlinie den Phasengang des Durchlassbandfilters.
b) Normalisierung
Das durchlassbandgefilterte Signal wird dann der Normalisierung unterzogen. Die erste Normalisierung teilt die Sensorsignale durch die Standardabweichung des ersten Rahmens (d. h. fünf Sekunden).
Dabei ist S_n,i das normalisierte Signal des Sensors i, Si das Sensorsignal,
der Rahmenabtastwert des Sensors i, und std steht für die Standardabweichung σ.
c) Nichtlineare Transformation
Die Vibrationen und Körperbewegungen verursachen große Amplitudenänderungen im Sensorsignal in Abhängigkeit von der Situation. Diese großen Amplitudenänderungen können eine Auswirkung auf die Pulsschlagschätzung haben. Daher zielt ein nichtlinearer Transformationsschritt auf die Bereitstellung eines Signals ab, das eine konstante Amplitude hat, die Oszillationen aber beibehalten werden.
Die hyperpolische Tangente wird als nichtlineare Transformationsfunktion verwendet, und das Signal nach der nichtlinearen Transformation wird wie folgt berechnet:
9 zeigt das Ergebnis der nichtlinearen Transformation (durchgezogene Linie) verglichen mit dem Sensorsignal vor der Transformation (strichpunktierte Linie). Es wird angemerkt, dass die strichpunktierte Kurve bezüglich der Amplitude normalisiert ist, um mit dem transformierten Signal in derselben Figur vergleichbar zu sein. Die realen Werte der Sensorsignale sind 10.000 Mal größer.
Wie aus 9 ersichtlich ist, sind die Amplitudenschwankungen nun konstant, welche Veränderungen am Eingang auch vorhanden sein mögen, und die Oszillationsperioden sind beibehalten.
d) Durchlassbandfilter
Dasselbe Durchlassbandfilter wie vorstehend in Abschnitt a) beschrieben wird nach der nichtlinearen Transformation angewendet. Dies ergibt eine Sinusform des Signals.
e) Zentrierung
Nach der erneuten Anwendung der Durchlassbandfilterung stellt die folgende Operation der Zentrierung die Beseitigung des Abtastmittelwerts aus dem Signal dar:
Dabei sind Y_c,i das zentrierte Signal, Y_bp,i das in d) verarbeitete Bandpasssignal und Y _dp,i der Abtastmittelwert.
f) Normalisierung
Dieser letzte Schritt ist die endgültige Normalisierung des vorverarbeiteten Sensorsignals. Es handelt sich um eine Normalisierung durch den Standardabweichungswert über die Signaldauer bzw. den aktuellen Rahmen T:
2.2 Zustandsparameter initialisieren
Zustandsparameter des IMM-EKF Blocks 20 werden zur Erleichterung der Schätzprozedur in einer Vektorform eingestellt. Da es N Sensoren gibt, gibt es N Modelle 21, 22 und auch N Zustandsvektoren, die für die Schätzung verwendet werden. Wie vorstehen beschrieben kann N beispielsweise 14 sein, ist aber nicht darauf beschränkt.
Die zu schätzenden Parameter sind die Frequenz f, die Amplitude A und die Phase φ. Die Zustandsvektoren ergeben sich dann zu:
Die N Zustandsvektoren x ^_i haben 3 Parameter, die in dem IMM-EKF-Block 20 zu initialisieren sind. Beispielsweise werden diese drei Parameter unter Verwendung der ersten 1,5 Sekunden der Sensorsignale geschätzt. Obwohl diese Parameter zufällig aufgefüllt werden können, kann die Konvergenzzeit im Fall einer nicht guten Wahl länger sein.
10 zeigt, dass die Schätzung der Frequenz zwei Schritte aufweist: die Frequenzschätzung selbst an allen Sensoren und die Entscheidung über den zu verwendenden Wert.
Die Frequenzschätzung verwendet einen Unterraumansatz, was eine Zerlegung der Signale in Eigenwerte und Eigenvektoren bedeutet. Der ESPRIT-(”Estimation of Signal Parameters via Rotational Invariance Techniques”, Schätzung von Signalparametern über Rotationsinvarianzverfahren)Schätzer wird verwendet. Das Prinzip ist in 11 beschrieben.
Der ESPRIT-Frequenzschätzer verwendet eine deterministische Beziehung zwischen Unterräumen. Die erste auszuführende Operation besteht im Bilden einer Datenmatrix X. Dies wird auf folgende Weise gemacht:
Dabei sind x Daten des Sensorsignals und D eine Fenstergröße. Beispielsweise ist D = 8. O ist die Anzahl der verwendeten Abtastwerte.
Dann wird bei der X-Matrix die Singulärwertzerlegung (”Singular Value Decomposition”, SVD) angewendet, und X kann als X = LSU neu geschrieben werden, wobei L eine [O×O]-Matrix linker singulärer Vektoren und U eine [D×D]-Matrix rechter singulärer Vektoren ist. S ist eine [O×D]-Matrix singulärer Werte der Hauptdiagonalen in absteigender Größenordung.
U bildet eine orthonormale Basis für den multidimensionalen Vektorraum. Dieser Unterraum kann in Signal (U_s)- und Rausch (U_n)-Unterräume partitioniert werden. Der Schwellenwert zwischen Unterräumen ist auf P = 5 eingestellt. Das heißt, dass U_s die Matrix von Singulärwerten auf der rechten Seite mit den P größten Amplituden ist.
Der nächste Schritt besteht in der Staffelung der Unterräume durch ihre Separierung in U₁ und U₂. U₁ enthält die Elemente von 1 bis D-1, und U₂ enthält die Elemente von 2 bis D. Die Rotationseigenschaft besteht zwischen gestaffelten Unterräumen, und dies erzeugt die Frequenzschätzungen.
Dann wird Ψ wie folgt berechnet: Ψ = (U T / 1U₁)^–1U T / 1U₂
Die Frequenzschätzungen sind dann in 11 gegeben, wo Φ_p die Eigenwerte von Ψ enthält.
Ist dies für alle Sensorsignale durchgeführt, wird die Entscheidung nach einer Clusterbildung der an jedem Sensor erhaltenen Frequenzschätzwerte durchgeführt.
Wie in 12 gezeigt, wird die Clusterbildung für alle Sensorfrequenzschätzungen (14 Sensoren in diesem Fall), die durch die vorherige Frequenzschätzprozedur erhalten wurden, iterativ ausgeführt. Ist die Entfernung d näher am Schwerpunkt des Clusters (dem Mittelwert aller Frequenzschätzungen im Cluster), wird die neue Frequenzschätzung zu diesem Cluster hinzugefügt. Andererseits wird ein neues Cluster erzeugt.
Schließlich wird das Cluster, das die größte Anzahl an Elementen aufweist, ausgewählt, und die Anfangsfrequenz ist der Mittelwert der Frequenzschätzungen in diesem Cluster.
Die Amplitude und Phase können auf null gesetzt werden, ohne die Pulsschlagschätzungen zu beeinflussen. Ist eine präzise Schätzung gewünscht, kann dies durch die Verwendung der Parameterschätzung der kleinsten Quadrate erreicht werden.
Diese Werte werden für alle N = 14 Zustandsvektoren eingestellt.
2.3 Prozess- und Rauschkovarianz initialisieren
Das Prozessrauschen ist das Rauschen bezüglich der Zustandsparameter. Es gibt zwei Parameter, bei denen das Prozessrauschen definiert werden muss. Das Frequenzschätzrauschen d_f und das Amplitudenschätzrauschen d_A.
d_A hat keinen sehr großen Einfluss für die IMM-EKF-Pulsschlagschätzung. Es wird einfach auf d_A = 5. 10^–11 eingestellt (beispielsweise empirisch herausgefunden).
d_f hat großen Einfluss auf das IMM-EKF, und ermöglicht eine gute Nachführung des Pulsschlags, oder eine sehr schlechte Nachführung, falls es falsch ist. Der Wert von d_f wird in Betrieb beispielsweise beruhend auf den ersten 1,5 Sekunden des Signals von jedem Sensor berechnet. Dieser Wert kann an jedem Sensor verschieden sein.
Ein nichtlineares Modell wurde zwischen Sensorkovarianzwerten und optimalen Werten für d_f beruhend auf der Berechnung des Cramer-Rao Lower Bound herausgefunden. Diese optimalen Werte können leicht empirisch gefunden werden, indem verschiedene Werte für d_f eingesetzt werden, und die durch das EKF erzielten Ergebnisse beim Schätzen des Pulsschlags überprüft werden. Die beste Pulsschlagschätzung führt zu den besten d_f-Werten.
D. h., es wird ein Modell zum Zusammenpassen der Eingangssignale (Beobachtungskovarianz) und der bekannten optimalen d_f-Werte nachgesucht.
Wird eine polynomiale Passung verwendet, wird der Fehler groß sein. Mittels neuronaler Netze können komplexe Nichtlinearitäten modelliert werden. 13 veranschaulicht eine nichtlineare Zusammenfassung unter Verwendung neuronaler Netze. Dieser neuronale Netzaufbau unterscheidet sich etwas von dem in 4 gezeigten, der für die automatische Sensoränderung verwendet wird. Hier ist die Ausgangsschicht nur eine Abbildung. Die Ausgangsschicht hat ein Neuron, und die verborgene Schicht hat 15 Neuronen. Eingang und Ausgang weisen lediglich einen Parameter auf. Die Berechnung von Modellparametern wird unter Verwendung des Levenberg-Marquardt-Ansatzes durchgeführt.
Ist das Modell berechnet, kann es im Betrieb, beispielsweise während der ersten 1,5 Sekunden der Sensorsignale verwendet werden. Die Berechnung ist dann der automatischen Sensoränderung sehr ähnlich, und wie folgt gegeben: y_map = (R – x_offset)·G – 1
Dabei sind X_offset der von der Beobachtungskovarianz R zu beseitigende Offset und G die Verstärkung. Diese Offset- und Verstärkungswerte wurden in der vorhergehenden Offline-Prozedur berechnet.
Dann wird das Ausgangssignal der verborgenen Schicht wie folgt berechnet y_hidden = y_sigmoid(B_hidden + W_hiddeny_map)
Dabei ist B_hidden der Verschiebungsvektor der verborgenen Schicht, der eine Länge Q gleich der Anzahl an Neuronen in der verborgenen Schicht hat.
W_hidden ist ein Vektor von Koeffizienten der verborgenen Schicht, der eine Größe von [Q×1] hat. y_sigmoid ist die nichtlineare Sigmoid-Funktion, deren Gleichung zuvor angegeben wurde. Das Ausgangssignal der verborgenen Schicht y_hidden ist ein Vektor der Länge M.
Der letzte Schritt ist die Berechnung des Ausgangssignals der Ausgangsschicht, das durch die folgende Gleichung gegeben ist:
Dabei ist B_out der Verschiebungsvektor der Ausgangsschicht, der eine Länge gleich 1 hat. W_out ist ein Vektor von Koeffizienten der Ausgangsschicht, der die Größe von [1×Q] hat. Das Ausgangssignal d_f ist zur direkten Verwendung im IMM-EKF-Block 20.
Die verbleibende Rauschkovarianzschätzung ist die Varianz des Sensorsignals im aktuellen Zeitabschnitt.
2.4 IMM-EKF-Schätzung
Es gibt N Zustandsvektoren x ^₁ bis x ^_N und die 3 Parameter, Frequenz, Amplitude und Phase, die für alle Modelle 21, 22 verschieden sind. Die allgemeinen IMM-EKF-Gleichungen für alle Sensoren sind wie folgt gegeben: x_k ⁱ = F_k-1x_k-1 ⁱ + v_k ⁱ y_k ⁱ = h_k-1(x_k ⁱ) + w_k ⁱ
Dabei ist x_k die lineare Zustandsraumgleichung am Abtastwert k, und y_k ist die nichtlineare Beobachtungsgleichung. V_k und W_k sind jeweils das Prozess- und Beobachtungsrauschen. Der Index i ist die Sensornummer. F_k-1 ist das lineare Zustandsraummodell zur Abtastzeit k – 1, und h_k-1 ist das nichtlineare Beobachtungsmodell zur Abtastzeit k – 1.
F ist die lineare Zustandsraumübergangsmatrix und hier gleich:
Die Zustandsraummatrix kann während des Modellumschaltens durch den in 1 gezeigten Modellumschaltblock 23 verändert werden, jedoch ist im beschriebenen Fall der automatischen Hurst-Sensoränderung dies nicht erforderlich.
Beispielsweise kann die Beobachtungsgleichung geschrieben werden als: y_k ⁱ = A_k ⁱsinφ_k ⁱ + w_k ⁱ
Die Beobachtungsgleichung kann eine Summe von Sinuswellen wie in den Patentdokumenten 1 bis 3 beschrieben sein. Das IMM-EKF hat drei Schritte, und ihre Gleichungen sind unten angegeben.
Vorhersage:

x ^_k|k-1 ⁱ = Fx ^_k-1|k-1 ⁱ
P_k|k-1 ⁱ = Qⁱ + FP_k-1|k-1 ⁱF^T

Dabei ist x ^_k|k-1 die Vorhersage der aktuellen Zustandsparameter, wobei die vorhergehenden Parameter bekannt sind. x ^_k-1|k-1 sind die vorhergehenden Zustandsparameter, P_k|k-1 ist die Vorhersage der Kovarianz, wobei die vorhergehende Kovarianz bekannt ist. Q ist die Prozessrauschkovarianz.
Aktualisierung:
Da h eine nichtlineare Funktion ist, muss sie linearisiert werden. Daher ist H ~ i / k die lokale Linearisierung der nichtlinearen Funktion h für den Sensor i. Sie ist als Jacobi-Determinante definiert, die an x ^_k|k-1 ⁱ bewertet wird, und ergibt sich in dem vorstehenden Fall zu:
Modellumschaltung:
Die Zustandsvektorschätzungen für alle Sensoren sind hergeleitet, und daher ergeben sich in Abhängigkeit von der Entscheidung des automatischen Sensoränderungsblocks 30 die endgültigen Zustandsparameterschätzungen zu: x ^_k|k = x ^_k|k ^p P_k|k = P_k|k ^p
Wobei p die durch den automatischen Sensoränderungsblock 30 vorhergesagte Sensornummer ist.
14 zeigt die IMM-EKF-Verarbeitung des IMM-EKF-Blocks 20 mit den 14 Modellen 21, 22 (wenn N = 14 ist), und wobei die Modelle umschalten können. Gemäß dem in 1 gezeigten Ausführungsbeispiel der Erfindung führt der Modellumschaltblock 23 das Umschalten der Modelle 21, 22 durch. Die schwarzen Punkte sind die endgültigen Zustandsschätzungen, die zur Bereitstellung der Frequenzschätzung des Pulsschlags für den gegebenen Zeitrahmen T durch den in 1 gezeigten biologischen Parameterschätz- und Nachführungsblock 24 verwendet werden. Der in 14 dargestellte ”Filterblock” entspricht der Aktualisierungsverarbeitung im IMM-EKF-Block 20, die durch den biologischen Parameterschätz- und Nachführungsblock 24 durchgeführt wird.
Werden die automatische Sensoränderung und der IMM-EKF kombiniert, kann eine robuste Pulsschlagschätzung selbst bei starker Körperbewegung und im Allgemeinen für alle Körperbewegungen erreicht werden.
15 zeigt das Pulsschlagschätzergebnis. Die x-Achse ist die Zeit und die y-Achse ist die Anzahl an Pulsschlägen pro Minute des Herzens. Die gestrichelte Box entspricht der Zeit, wenn sich das Auto bewegt (Fahrsituation mit Kurven hoher Geschwindigkeit). Im anderen Bereich ist das Auto statisch. 10% Toleranzen sind gezeigt (äußere strichpunktierte Kurven). Die gestrichelte Kurve in der Mitte ist der echte Pulsschlagwert, und die durchzogene Linie ist das Schätzergebnis.
Wie aus 15 ersichtlich ist, ist die Pulsschlagschätzung sehr präzise, und die Oszillationen, die in dem Pulsschlagschätzergebnis zu sehen sind, repräsentieren die Atmungsmodulation des Pulsschlags.
Erfindungsgemäß ist eine automatische Sensoränderungsentscheidung bereitgestellt, die an jedem Zeitrahmen T einen Sensor (vorzugsweise den besten Sensor), der für die Pulsschlagschätzung zu verwenden ist, in Abhängigkeit von Rauschen und Körperbewegungen vorhersagt.
Außerdem ist erfindungsgemäß eine Pulsschlagschätzung unter Verwendung von Sensoränderungsinformationen in einen IMM-EKF bereitgestellt, der Modelle umschaltet, wenn dies als erforderlich beurteilt wird.
Die Funktionen der in 1 gezeigten Vorrichtung 1 können als Software, Firmware und/oder Hardware wie geeignet ausgestaltet sein. Im Allgemeinen können die Ausführungsbeispiele der Erfindung durch in einem Speicher gespeicherte Computersoftware, die von einem Prozessor ausführbar ist, oder durch Hardware oder durch eine Kombination von Software und/oder Firmware und Hardware implementiert sein.
Der Speicher kann ein für die lokale technische Umgebung geeigneter Typ sein, und kann unter Verwendung einer geeigneten Datenspeichertechnologie wie halbleiterbasierte Speichereinrichtungen, magnetische Speichereinrichtungen und Systeme, optische Speichereinrichtungen und Systeme, Festspeicher und entfernbare Speicher implementiert sein. Der Prozessor kann ein für die lokale technische Umgebung geeigneter Typ sein, und kann einen Allzweckcomputer, speziellen Computer, Mikroprozessoren, digitale Signalprozessoren (DSPs) und auf einer Mehrfachkernprozessorarchitektur beruhenden Prozessoren als nicht einschränkende Beispiele enthalten.
In diesem Zusammenhang sollte angeführt werden, dass die vorstehenden verschiedenen Beschreibungen logischer Schritte Programmschritte oder zusammen geschaltete Logikschaltungen, Blöcke und Funktionen oder eine Kombination aus Programmschritten und Logikschaltungen, Blöcken und Funktionen darstellen können.
Es ist ersichtlich, dass die vorstehende Beschreibung die Erfindung veranschaulicht, und die Erfindung nicht einschränkt. Verschiedene Modifikationen und Anwendungen sind für den Fachmann ersichtlich, ohne vom Schutzbereich der Erfindung abzuweichen, wie er in den anliegenden Patenansprüchen definiert ist.

Claims

Verfahren zum Schätzen eines biologischen Parameters (40) eines Subjekts auf einem Träger, wobei der Träger zumindest zwei Sensoren umfasst, die jeweils eine Druckveränderung messen, wobei zumindest ein Beschleunigungsmesser mit dem Träger verbunden ist, mit: Bereitstellen eines sensorspezifischen Modells (21, 22) für jeden der zumindest zwei Sensoren beruhend auf Signalen (61) von den zumindest zwei Sensoren, wobei die Signale (61) jeweils der durch die zumindest zwei Sensoren gemessenen Druckveränderung entsprechen, Auswählen eines Sensors aus den zumindest zwei Sensoren in einem Auswahlprozess an jedem Zeitrahmen T, der zur Schätzung des biologischen Parameters des Subjekts zu verwenden ist, beruhend auf Signalen (161) von dem zumindest einen Beschleunigungsmesser, und Schätzen des biologischen Parameters des Subjekts an jedem Zeitrahmen T in einem Schätzprozess unter Verwendung des für den ausgewählten einen Sensor bereitgestellten sensorspezifischen Modells (21, 22).
Verfahren nach Anspruch 1, wobei in dem Auswahlprozess der eine Sensor beruhend auf den Signalen (161) von dem zumindest einen Beschleunigungsmesser und den Signalen (61) von den zumindest zwei Sensoren ausgewählt wird.
Verfahren nach Anspruch 1 oder 2, mit Berechnen eines Merkmalsvektors mit Parametern in dem Auswahlprozess für jeden Zeitrahmen T, die aus den Signalen (61) von den zumindest zwei Sensoren und/oder den Signalen (161) von dem zumindest einen Beschleunigungsmesser extrahiert werden, wobei die Parameter q-Hurst-Parameter und/oder statistische Parameter umfassen, wobei die statistischen Parameter Null-Hypothese-Parameter und/oder Wahrscheinlichkeitsdichtefunktionsparameter und/oder Kullback-Leibler-Divergenz-Parameter und/oder Symmetriekoeffizient- und Kurtosis-Parameter umfassen, wobei der Merkmalsvektor in ein nichtlineares Modell (31) eingegeben wird, das die Parameter des Merkmalsvektors für jeden Zeitrahmen T in eine Nummer des ausgewählten einen Sensors abbildet.
Verfahren nach Anspruch 3, wobei das nichtlineare Modell (31) die Parameter des Merkmalsvektors für jeden Zeitrahmen T in eine Nummer des ausgewählten einen Sensors durch Kombinieren einer nichtlinearen Funktion und einer Entscheidung beruhend auf Wahrscheinlichkeiten abbildet.
Verfahren nach einem der Ansprüche 1 bis 4, mit Schätzen von Zustandsparametern eines Zustandsvektors für jeden der zumindest zwei Sensoren in einem Initialisierungsprozess für den Schätzprozess beruhend auf jedem der Signale (61) von den zumindest zwei Sensoren, wobei die Zustandsparameter eine Anfangsfrequenz umfassen.
Verfahren nach Anspruch 5, mit Erhalten eines Prozessrauschwerts für zumindest einen der Zustandsparameter für jeden der zumindest zwei Sensoren in dem Initialisierungsprozess unter Verwendung eines nichtlinearen Abbildungsmodells, das Kovarianzwerte auf Prozessrauschwerte abbildet, wobei der Prozessrauschwert bei dem Schätzprozess verwendet wird.
Verfahren nach Anspruch 6, wobei das Abbildungsmodell einen Kovarianzwert auf einen Prozessrauschwert durch eine erste Berechnung eines Sigmoid-Funktion eines Verschiebungsvektors einer verborgenen Schicht des nichtlinearen Abbildungsmodells und eines Vektors von Koeffizienten der verborgenen Schicht multipliziert mit einem aus dem Kovarianzwert berechneten Abbildungswert und durch eine zweite Berechnung einer Abbildungsfunktion eines Verschiebungsvektors einer Ausgangsschicht des nichtlinearen Abbildungsmodells und eines Vektors von Koeffizienten der Ausgangsschicht multipliziert mit dem Ergebnis der ersten Berechnung abbildet.
Verfahren nach einem der Ansprüche 5 bis 7, mit Berechnen des Zustandsvektors eines aktuellen Abtastwerts (k) des Signals von dem jeweiligen Sensor beruhend auf dem Zustandsvektors eines vorhergehenden Abtastwerts (k – 1) des Signals (61) für jeden der zumindest zwei Sensoren in dem Schätzprozess, wobei das sensorspezifische Modell für den jeweiligen in dem Auswahlprozess berechneten Sensor verwendet wird.
Verfahren nach Anspruch 8, wenn dieser von Anspruch 6 oder 7 abhängig ist, wobei die Prozessrauschwerte, die für den zumindest einen Zustandparameter der zumindest zwei Sensoren erhalten werden, zur Berechnung des Zustandsvektors verwendet wird.
Verfahren nach Anspruch 8 oder 9, wobei die Berechnung des Zustandsvektors umfasst Vorhersagen eines aktuellen Zustandsvektors des aktuellen Abtastwerts beruhend auf einem vorhergehenden Zustandsvektor des vorhergehenden Abtastwerts und einem linearen Modell des sensorspezifischen Modells für den jeweiligen Sensor und Aktualisieren des vorhergesagten aktuellen Zustandsvektors unter Verwendung eines nichtlinearen Modells des sensorspezifischen Modells des jeweiligen Sensors und Umschalten des zur Schätzung des biologischen Parameters zu verwendenden sensorspezifischen Modells auf das für den ausgewählten einen Sensor bereitgestellte sensorspezifische Modell beruhend auf dem in dem Auswahlprozess berechneten einen Sensor.
Verfahren nach Anspruch 5, mit Vorverarbeiten der Signale (61) von jedem der zumindest zwei Sensoren, wobei die vorverarbeiteten Signale als die Signale (61) von den zumindest zwei Sensoren zu dem Initialisierungsprozess und dem Schätzprozess ausgegeben werden.
Verfahren nach Anspruch 11, wobei das Vorverarbeiten umfasst Durchlassbandfiltern der Signale in erste durchlassbandgefilterte Signale, Normalisieren der ersten durchlassbandgefilterten Signale in erste normalisierte Signale, nichtlineares Transformieren der ersten normalisierten Signale in transformierte Signale, Durchlassbandfiltern der transformierten Signale in zweite durchlassbandgefilterte Signale, Zentrieren der zweiten durchlassbandgefilterten Signale in zentrierte Signale und Normalisieren der zentrierten Signale in die vorverarbeiteten Signale.
Computerprogrammprodukt mit einem Programm für eine Verarbeitungseinrichtung, das Softwarecodeabschnitte zur Durchführung der Schritte nach einem der Ansprüche 1 bis 12 bei Ablauf des Programms auf der Verarbeitungseinrichtung umfasst.
Computerprogrammprodukt nach Anspruch 13, wobei das Computerprogrammprodukt ein computerlesbares Medium umfasst, auf dem die Softwarecodeabschnitte gespeichert sind.
Computerprogrammprodukt nach Anspruch 13, wobei das Programm direkt in einen internen Speicher der Verarbeitungseinrichtung ladbar ist.
Vorrichtung zum Schätzen eines biologischen Parameters (40) eines Subjekts auf einem Träger, wobei der Träger zumindest zwei Sensoren umfasst, die jeweils eine Druckveränderung messen, wobei zumindest ein Beschleunigungsmesser mit dem Träger verbunden ist, wobei ein sensorspezifisches Modell (21, 22) für jeden der zumindest zwei Sensoren beruhend auf Signalen (61) von den zumindest zwei Sensoren vorgesehen ist, wobei die Signale (61) jeweils der durch die zumindest zwei Sensoren gemessenen Druckveränderung entsprechen, mit einer Auswahleinheit (30) zum Auswählen eines Sensors aus den zumindest zwei Sensoren zu jedem Zeitrahmen T, der zur Schätzung des biologischen Parameters (40) des Subjekts zu verwenden ist, beruhend auf Signalen (161) von dem zumindest einen Beschleunigungsmesser, und einer Schätzeinheit (20) zum Schätzen des biologischen Parameters des Subjekts unter Verwendung des für den ausgewählten einen Sensor bereitgestellten sensorspezifischen Modells (21, 22) zu jedem Zeitrahmen T.
Vorrichtung nach Anspruch 16, wobei die Auswahleinheit (30) zur Auswahl des einen Sensors beruhend auf den Signalen (161) von dem zumindest einen Beschleunigungsmesser und den Signalen (61) von den zumindest zwei Sensoren eingerichtet ist.
Vorrichtung nach Anspruch 16 oder 17, wobei die Auswahleinheit (30) eingerichtet ist zum Berechnen eines Merkmalsvektors mit Parametern, die aus den Signalen (61) von den zumindest zwei Sensoren und/oder den Signalen (161) von dem zumindest einen Beschleunigungsmesser extrahiert sind, für jeden Zeitrahmen T, wobei die Parameter q-Hurst-Parameter und/oder statistische Parameter umfassen, wobei die statistischen Parameter Null-Hypotheseparameter und/oder Wahrscheinlichkeitsdichtefunktionsparameter und/oder Kullback-Leibler-Divergenz-Parameter und/oder Symmetriekoeffizient- und Kurtosis-Paramter umfassen, und Eingeben des Merkmalsvektors in ein nichtlineares Modell (31) zur Abbildung der Parameter des Merkmalsvektors in eine Nummer des ausgewählten einen Sensors für jeden Zeitrahmen T.
Vorrichtung nach Anspruch 18, wobei die Auswahleinheit das nichtlineare Modell (31) umfasst, das zum Abbilden der Parameter des Merkmalsvektors in eine Nummer des ausgewählten einen Sensors für jeden Zeitrahmen T durch Kombinieren einer nichtlinearen Funktion und einer auf Wahrscheinlichkeiten beruhenden Entscheidung eingerichtet ist.
Vorrichtung nach einem der Ansprüche 16 bis 18, wobei die Schätzeinheit (20) in einem Initialisierungsprozess zum Schätzen von Zustandsparametern eines Zustandsvektors für jeden der zumindest zwei Sensoren beruhend auf jedem der Signale (61) von den zumindest zwei Sensoren eingerichtet ist, wobei die Zustandsparameter eine Anfangsfrequenz umfassen.
Vorrichtung nach Anspruch 20, wobei die Schätzeinheit (20) in dem Initialisierungsprozess zum Erhalten eines Prozessrauschwerts für zumindest einen der Zustandsparameter für jeden der zumindest zwei Sensoren durch Verwenden eines nichtlinearen Abbildungsmodells zur Abbildung von Kovarianzwerten auf Prozessrauschwerte eingerichtet ist, wobei der Prozessrauschwert in dem Schätzprozess verwendet wird.
Vorrichtung nach Anspruch 21, wobei die Schätzeinheit das nichtlineare Abbildungsmodell umfasst, das zur Abbildung eines Kovarianzwerts in einen Prozessrauschwert durch eine erste Berechnung einer Sigmoid-Funktion eines Verschiebungsvektors einer verborgenen Schicht eines nichtlinearen Abbildungsmodells und eines Vektors von Koeffizienten der verborgenen Schicht multipliziert mit einem aus dem Kovarianzwert berechneten Abbildungswert und eine zweite Berechnung einer Abbildungsfunktion eines Verschiebungsvektors einer Ausgangsschicht des nichtlinearen Abbildungsmodells und eines Vektors von Koeffizienten der Ausgangsschicht multipliziert mit dem Ergebnis der ersten Berechnung eingerichtet ist.
Vorrichtung nach einem der Ansprüche 20 bis 22, wobei die Schätzeinheit (20) in dem Schätzprozess zum Berechnen des Zustandsvektors eines aktuellen Abtastwerts (k) des Signals von dem jeweiligen Sensor beruhend auf dem Zustandvektor eines vorhergehenden Abtastwerts (k – 1) des Signals (61) für jeden der zumindest zwei Sensoren unter Verwendung des sensorspezifischen Modells für den jeweiligen in dem Auswahlprozess berechneten Sensor eingerichtet ist.
Vorrichtung nach Anspruch 23, wenn dieser von Anspruch 21 oder 22 abhängig ist, wobei die Schätzeinheit (20) zur Verwendung der Prozessrauschwerte zur Berechnung des Zustandsvektors eingerichtet ist, die für den zumindest einen Zustandsparameter der zumindest zwei Sensoren erhalten werden.
Vorrichtung nach Anspruch 23 oder 24, wobei die Schätzeinheit (20) zur Berechnung des Zustandsvektors eingerichtet ist zum Vorhersagen eines aktuellen Zustandsvektors des aktuellen Abtastwerts beruhend auf einem vorhergehenden Zustandsvektor des vorhergehenden Abtastwerts und einem linearen Modell des sensorspezifischen Modells für den jeweiligen Sensor und Aktualisieren des vorhergesagten aktuellen Zustandsvektors durch Verwenden eines nichtlinearen Modells des sensorspezifischen Modells des jeweiligen Sensors und Umschalten des sensorspezifischen Modells beruhend auf dem durch die Auswahleinheit (30) berechneten einen Sensor, das zur Schätzung des biologischen Parameters zu verwenden ist, auf das für den ausgewählten einen Sensor bereitgestellte sensorspezifische Modell.
Vorrichtung nach Anspruch 20, wobei die Schätzeinheit zur Vorverarbeitung der Signale (61) von jedem der zumindest zwei Sensoren eingerichtet ist, wobei die vorverarbeiteten Signale als die Signale (61) von den zumindest zwei Sensoren zu dem Initialisierungsprozess und dem Schätzprozess ausgegeben werden.