IT201900005868A1 - Procedimento di elaborazione di un segnale elettrofisiologico, sistema, prodotto informatico e veicolo corrispondenti - Google Patents

Description

DESCRIZIONE dell’invenzione industriale dal titolo:

“Procedimento di elaborazione di un segnale elettrofisiologico, sistema, prodotto informatico e veicolo corrispondenti”

TESTO DELLA DESCRIZIONE

Campo tecnico

La descrizione è relativa a un procedimento di elaborazione di un segnale elettrofisiologico come, per esempio, segnali di fotopletismografia (PPG, “PhotoPlethysmoGraphy”).

Una o più forme di attuazione possono essere utili nell’ottenere informazioni da un conducente di un veicolo con una vista alla possibilità di generare eventualmente segnali di allarme e/o attivare procedure di sicurezza (per es., assumendo il controllo del veicolo), per esempio nel quadro di un sistema avanzato di assistenza alla guida, in breve ADAS (“Advanced Driver Assistance System”), o di un sistema di rilevazione del tasso alcolemico del conducente per la sicurezza, in breve DADSS (“Driver Alcohol Detection System for Safety”).

Sfondo Tecnologico

La sonnolenza del conducente di un veicolo (prima e durante la guida) può influire negativamente sulla sicurezza di guida. La sonnolenza di un conducente può causare gravi incidenti stradali che coinvolgono veicoli.

La possibilità di rilevare uno stato di attenzione di un conducente può facilitare la valutazione della sua idoneità a guidare un veicolo, facilitando la prevenzione di incidenti stradali.

È noto che esiste una correlazione tra la sonnolenza e la variabilità della frequenza cardiaca, in breve HRV (“Heart Rate Variability”), cosicché stimare l’HRV per es. di un conducente può permettere di ottenere informazioni utili per quanto concerne una possibile sonnolenza.

La variabilità della frequenza cardiaca (HRV) è il fenomeno fisiologico della variazione nell’intervallo di tempo tra battiti del cuore. Dunque, l’HRV è indicativa dello stato di attività del sistema nervoso autonomo, che è responsabile di effettuare le attività automatiche, inconsce e involontarie del corpo, come l’attività del battito cardiaco.

Un valore di HRV può essere ottenuto attraverso l’elaborazione di segnali elettrofisiologici misurati relativi ai battiti del cuore, per es. segnali di elettrocardiografia (ECG) e/o di fotopletismografia (PPG).

La porzione a) della Figura 1 è un esempio di un diagramma di un segnale di ECG, mentre la porzione b) della Figura 1 è un esempio di un diagramma di un segnale di PPG.

Usando l’ECG, o l’elettrocardiogramma, è tipicamente il picco di R che contrassegna un battito cardiaco. Quindi, gli intervalli tra i battiti cardiaci sono chiamati intervalli di R-R, che possono essere usati per calcolare l’HRV. Usando la fotopletismografia o PPG (“PhotoPlethysmoGraphy”), gli intervalli inter-battito, in breve IBI (“InterBeat Interval”), possono essere misurati per calcolare l’HRV al posto degli intervalli di R-R.

Per esempio, se i battiti cardiaci in un segnale di ECG misurato hanno un periodo costante, l’HRV può avere un valore basso; per contro, l’HRV può avere un valore alto in un caso opposto.

Per esempio, se il segnale di ECG comprende un pattern irregolare di battiti cardiaci, ciò può indicare che il corpo è in una condizione di riposo mentre, se il segnale di ECG comprende un pattern regolare di battiti cardiaci, ciò può essere indicativo di uno stress cronico nel corpo.

I segnali di ECG possono soffrire di artefatti dovuti a un moto di micromovimento di una persona durante una misurazione dei segnali.

I segnali di PPG possono avere una tolleranza più elevata dei segnali di ECG a tale movimento.

Almeno in linea di principio, si potrebbe contemplare di installare rilevatori di ECG sul volante di un veicolo. Tuttavia, un funzionamento soddisfacente richiederebbe che (entrambe) le mani del conducente debbano essere poste incessantemente sul volante in quelle posizioni in cui sono situati i rilevatori di ECG. Tuttavia, questo è uno scenario altamente irrealistico.

Inoltre, come menzionato, l’HRV è legata allo stato di attenzione del conducente solamente da una dipendenza/correlazione del “secondo ordine” con la sonnolenza. L’HRV è legata alla sonnolenza a causa della correlazione biologica tra l’ECG e l’attività del sistema nervoso autonomo (ANS, “Autonomic Nervous System”) (per es., simpatico, parasimpatico, enterico). L’ANS regola funzioni involontarie fondamentali del corpo, comprendendo l’attività cardiaca.

Perfino nello scenario (verosimilmente irrealistico) di riuscire a rilevare un segnale di ECG a bordo del veicolo, o nello scenario più realistico di rilevare un segnale di PPG a bordo del veicolo, generare segnali di allarme e/o attivare procedure di sicurezza in base all’HRV calcolata da quei segnali presenterebbe ancora alcuni problemi, come:

- una lunga memorizzazione tampone di dati, per esempio sarebbero usati approssimativamente da 8 a 10 minuti di serie temporali di ECG rilevata per fornire una misura robusta della sonnolenza del conducente, conducendo a una segnalazione di allarme/cambiamento di stato con una bassa dinamica (per es., lenta), e

- un’elaborazione di segnale complessa nel dominio della frequenza coinvolta nel calcolo dell’HRV, siccome l’HRV è collegata alla frequenza dei segnali di ECG/PPG rilevati, implicherebbe un calcolo a uso intensivo della CPU lento/costoso.

Alcuni autori propongono di sostituire l’ECG/PPG con alcune caratteristiche di EEG, ma anche in questo caso la commutazione di dominio di frequenza e operazioni a uso intensivo della CPU, così come un ritardo nella rilevazione della sonnolenza (memorizzazione tampone di dati), rappresentano ancora un collo di bottiglia tecnologico.

Alcuni autori propongono di integrare un sistema di visione per migliorare l’efficienza, il che può giungere all’alto prezzo di una complessità e di costi maggiori.

Come menzionato, è portata avanti una vasta attività e sono proposti vari approcci in letteratura, per esempio in:

[1] Jeyhani, Vala et al.: “Comparison of HRV parameters derived from photoplethysmography and electrocardiography signals”, 2015, 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015, pagine da 5952 a 5955, che discute un’analisi di HRV applicata agli intervalli da battito a battito ottenuti dall’ECG e dalla PPG e che discute alcuni importanti parametri di HRV calcolati dalla PPG-HRV e dall’ECG-HRV, in cui il massimo della PPG e la sua derivata seconda sono stati considerati come due procedimenti per ottenere i segnali da battito a battito dalla PPG e i risultati sono stati confrontati con quelli ottenuti dall’ECG-HRV;

[2] M. Bolanos, et al.: “Comparison of Heart Rate Variability Signal Features Derived from Electrocardiography and Photoplethysmography in Healthy Individuals”, 2006, International Conference of the IEEE Engineering in Medicine and Biology Society, New York, NY (Stati Uniti d’America), 2006, pagine da 4289 a 4294, discute un segnale di variabilità della frequenza cardiaca (HRV) usato come un marcatore non invasivo nel monitoraggio dello stato fisiologico di un individuo e un sistema basato su PDA sviluppato per registrare simultaneamente segnali di ECG e di PPG per facilitare un campionamento e una registrazione delle durate controllati accuratamente, in cui è stato effettuato un confronto tra caratteristiche differenti dei segnali di HRV ricavati da entrambi i procedimenti per testare la validità dell’uso dei segnali di PPG nell’analisi dell’HRV, usando una modellizzazione auto-regressiva (AR), grafici di Poincare', una correlazione incrociata, una deviazione standard, una media aritmetica, l’asimmetria, la curtosi e un’entropia approssimata (ApEn, “Approximate Entropy”) per ricavare e confrontare differenti misure dai segnali sia di ECG sia di PPG, fornendo un supporto potenziale all’idea di usare le PPG invece delle ECG nella derivazione e nell’analisi dei segnali di HRV nel monitoraggio cardiaco ambulatoriale di individui sani;

[3] Vicente, José et al.: “Detection of driver's drowsiness by means of HRV analysis”, 2011, Computing in Cardiology (2011): pagine da 89 a 92, discute la rilevazione della sonnolenza di un conducente in base a segnali biologici e del veicolo che sono studiati in una sicurezza automobilistica preventiva in base a un’attività del sistema nervoso autonomo (ANS, “Autonomous Nervous System”), che può essere misurata in modo non invasivo dal segnale di variabilità della frequenza cardiaca (HRV) ottenuto da un ECG superficiale, che presenta alterazioni durante episodi di stress, affaticamento estremo e sonnolenza secondo l’ipotesi che queste alterazioni si manifestino sull’HRV, in cui è sviluppato un rilevatore online della sonnolenza del conducente basato sull’analisi di HRV, in cui sono stati analizzati due database: uno di simulazione di guida in cui i soggetti sono stati privati del sonno, e l’altro di una situazione reale senza alcuna privazione del sonno;

[4] G. Ryu et al., “Flexible and Printed PPG Sensors for Estimation of Drowsiness” in IEEE Transactions on Electron Devices, vol. 65, n. 7, pagine da 2997 a 3004, luglio 2018, discute sensori optoelettronici flessibili stampati composti da fotodiodi organici (OPD, “Organic PhotoDiode”) e da diodi a emissione di luce organici (OLED, “Organic Light-Emitting Diode”) rossi per la rilevazione di vari segnali biologici in un dispositivo di fotopletismogramma (PPG), in cui segnali di PPG sono stati rilevati con successo usando il sensore di PPG flessibile sviluppato e il circuito di pilotaggio tradizionale, in cui la sonnolenza di un soggetto è stata stimata dalla variabilità della frequenza cardiaca, estratta dai segnali di PPG, usando algoritmi di apprendimento di macchina (“machine learning”);

[5] Sari, Nila Novita et al.: “A two-stage intelligent model to extract features from PPG for drowsiness detection”, 2016, International Conference on System Science and Engineering (ICSSE) (2016), pagine 1 e 2, discute un modello intelligente a due stadi che combina la trasformata a pacchetto wavelet (WPT, “Wavelet Packet Transform”) e una rete neurale fuzzy basata su collegamenti funzionali (FLFNN, “Functional-Link-based Fuzzy Neural Network”) per valutare un livello di sonnolenza per una rilevazione in anticipo della sonnolenza impiegando un dispositivo sensore che rileva lo stato di sonnolenza in uno stadio anticipato;

[6] Kurian, Deepu et al.: “Drowsiness Detection Using Photoplethysmography Signal”, 2014, Fourth International Conference on Advances in Computing and Communications (2014), pagine da 73 a 76, discute un approccio per rilevare la sonnolenza usando segnali di fotopletismografia, acquisibili facilmente con tecniche non invasive, in cui l’attività del sistema nervoso autonomo (ANS) può essere misurata in modo non invasivo dal segnale di variabilità della frequenza degli impulsi (PRV, “Pulse Rate Variability”) ottenuto dal segnale di fotopletismografia (PPG), che comprende alterazione durante episodi di rilassamento, affaticamento estremo e sonnolenza, sviluppando un rilevatore on-line della sonnolenza basato sull’analisi della PRV, in cui i database sono stati raccolti con l’aiuto di un osservatore esterno che sceglie per ogni minuto delle registrazioni se sonnolento o sveglio, e costituisce il nostro database;

[7] Lee, B.-G. et al.: “Real-time physiological and vision monitoring of vehicle driver for non-intrusive drowsiness detection”, IET Communications 5, 2011, pagine da 2461 a 2469, discute un approccio per rilevare la sonnolenza di un conducente applicando due procedimenti distinti nella visione artificiale (“computer vision”) e nella elaborazione di immagini, in cui l’obiettivo è di combinare entrambi i procedimenti sotto un singolo profilo invece di fare affidamento solamente su un procedimento di rilevazione per migliorare la risoluzione di rilevazione della sonnolenza di un conducente, perciò è sviluppato un sistema di monitoraggio dello stato di sonnolenza non intrusivo per avvisare il conducente se il conducente cade in uno stato di dormiveglia, in cui la fotopletismografia (PPG) è analizzata per i suoi cambiamenti nella forma d’onda dei segnali da uno stato di veglia a uno di sonnolenza, mentre un moto o un pattern degli occhi nell’elaborazione di immagine è affrontato per rilevare un affaticamento del conducente, in cui è progettato un algoritmo genetico con un approccio di adattamento di template per rilevare la regione degli occhi e stimare la sonnolenza in standard metrici differenti in base al comportamento degli occhi, in cui segnali di sonnolenza di PPG sono integrati con il moto degli occhi per ricavare il modello di probabilità finale per fornire un sistema di rilevazione della sonnolenza valido e affidabile.

Come menzionato, varie soluzioni proposte in letteratura possono essere esposte a uno o più dei seguenti inconvenienti:

- essendo basati sull’HRV, i procedimenti esistenti impiegano l’ECG (non applicabile in Automotive) o la PPG post-elaborata;

- una lunga memorizzazione tampone di dati, per es. di 8/10 minuti di dati, rende difficile effettuare un monitoraggio continuo, robusto ed efficiente del conducente,

- una segnalazione del cambiamento di stato con bassa dinamica (per es., lenta) (per es., tra sonnolento/vigile);

- è impiegata un’Analisi nel Dominio della Frequenza, per esempio Trasformata di Fourier Veloce (FFT, “Fast Fourier Transform”) o Densità Spettrale di Potenza (PSD, “Power Spectral Density”);

- procedimenti che si basano solamente sulla rilevazione di segnali di PPG possono fornire un’accuratezza inferiore, il che può essere mitigato con l’impiego di dati di un sistema di visione, aumentando nel contempo la complessità;

- uso di algoritmi ad uso intensivo della CPU;

- bassa compatibilità con dispositivi esistenti.

Quindi, le soluzioni esistenti soffrono di una rilevazione a bassa velocità di un cambiamento nello stato di un livello di attenzione, per es., di un conducente di un veicolo, specialmente mentre impiegano componenti di bassa complessità e relativamente poco costosi.

Scopo e sintesi

Uno scopo di una o più forme di attuazione è di contribuire a fornire una tale soluzione perfezionata.

Secondo una o più forme di attuazione, tale scopo può essere raggiunto per mezzo di un procedimento di elaborazione di segnale avente le caratteristiche esposte nelle rivendicazioni che seguono.

Un procedimento avanzato basato sul tempo per una rilevazione continua in tempo quasi reale (“Near-Real Time”) robusta ed efficiente del livello di attenzione di un conducente, usando un segnale di PPG campionato dello stesso conducente, può essere un esempio di un tale procedimento.

Una o più forme di attuazione possono essere relative a un sistema corrispondente.

Un sistema avanzato di assistenza alla guida configurato per effettuare il procedimento di elaborazione di segnale secondo la presente descrizione può essere un esempio di un tale sistema.

Una o più forme di attuazione possono facilitare la fornitura di un monitoraggio della sonnolenza continuo nel tempo per un conducente di un veicolo a bordo del veicolo, per es. aumentando la sicurezza stradale.

Una o più forme di attuazione comprendono una rilevazione avanzata in tempo quasi reale robusta ed efficiente basata sul tempo del livello di attenzione di un conducente continuo, usando un segnale di PPG campionato dello stesso conducente.

Una o più forme di attuazione possono comprendere rilevatori di PPG che effettuano un campionamento di serie temporali di PPG di un conducente di un’automobile (per es., solamente da una mano posta sul volante, impiegando quindi vantaggiosamente un singolo punto di rilevazione).

Una o più forme di attuazione facilitano così l’ottenimento di informazioni (dati, quantità fisiche) dal corpo di un animale o di un umano vivente, per es., a supporto dell’attività diagnostica di un umano in attività mediche o veterinarie o per altri usi possibili. L’ottenimento di informazioni sul comportamento e/o sulla reazione dei conducenti e dei passeggeri nel campo automotive è un esempio di un tale uso possibile.

Una o più forme di attuazione possono comprendere un veicolo equipaggiato con tali rilevatori di PPG e con tale sistema ADAS configurato per elaborare i segnali rilevati dai rilevatori di PPG.

Una o più forme di attuazione possono facilitare un monitoraggio/rilevazione continui della sonnolenza di un conducente senza l’impiego di calcoli nel dominio della frequenza così come senza una lunga memorizzazione tampone di dati.

Una o più forme di attuazione possono comprendere una pipeline di (iper)-filtraggio ad hoc che facilita il fatto di estrarre, per es. simultaneamente, varie dinamiche/caratteristiche dei segnali di PPG.

Una o più forme di attuazione possono adottare una pipeline di elaborazione comprendente uno stadio di filtraggio adattativo di segnali non elaborati (“raw”) elettrofisiologici, comprendente uno schema passa-banda (per es., passa-basso più passa-alto), un sistema di riconoscimento di pattern così come un sistema per rilevare ed estrarre indicatori medicali.

Una o più forme di attuazione possono comprendere una pipeline di machine learning ad alta velocità ad hoc configurata per elaborare tali dinamiche/caratteristiche dei segnali elettrofisiologici dal filtraggio, facilitando il fatto di fornire una classificazione di sonnolento/vigile dello stato di un conducente.

Una o più forme di attuazione possono vantaggiosamente fornire risultati velocemente, per es. impiegando tra meno di 8 secondi di un segnale di PPG campionato e 1 minuto per l’addestramento di una rete neurale, perfino in assenza di una Unità di Elaborazione Grafica (GPU, “Graphical Processing Unit”). In una o più forme di attuazione, una pipeline Feed-forward può facilitare di ridurre il tempo impiegato fino a 4/5 secondi.

In una o più forme di attuazione, può essere impiegata vantaggiosamente una calibrazione one-shot ad alta velocità, riducendo ulteriormente il tempo di elaborazione.

Una o più forme di attuazione possono usare solamente campioni di un segnale elettrofisiologico, per es. un segnale di PPG, per fornire una rilevazione della sonnolenza con approssimativamente il 96% di accuratezza, eliminando vantaggiosamente la presenza di sistemi di rilevazione di tipi di segnali multipli (per es., Visione).

In una o più forme di attuazione, possono essere evitati vantaggiosamente calcoli a uso intensivo della CPU, eliminando l’uso di operazioni nel dominio della frequenza.

In una o più forme di attuazione, un ri-apprendimento ad alta velocità (se selezionato) può essere facilitato vantaggiosamente grazie all’adozione di un procedimento di addestramento di rete neurale a Gradiente Coniugato Scalato (“Scaled Gradient Conjugate”).

Le rivendicazioni sono parte integrante dell’insegnamento tecnico qui fornito con riferimento alle forme di attuazione.

Breve descrizione delle varie viste dei disegni

Una o più forme di attuazione saranno ora descritte, a puro titolo di esempio non limitativo, con riferimento alle Figure annesse, nelle quali:

- la Figura 1 è discussa in precedenza;

- la Figura 2 è un esempio di uno schema di una pipeline di elaborazione per segnali elettrofisiologici secondo la presente descrizione;

- la Figura 2A è un esempio di un diagramma del possibile comportamento nel tempo di certi segnali elettrofisiologici in forme di attuazione;

- le Figure 3 e 3A sono esempi di diagrammi di tipi di parametri di filtraggio;

- le Figure da 4 a 6 sono esempi di schemi di principi alla base di una pipeline di elaborazione per segnali elettrofisiologici secondo la presente descrizione;

- le Figure 7 e 8 sono esempi di diagrammi di porzioni del diagramma rappresentato come esempio nella Figura 2;

- la Figura 9 è un esempio di un veicolo equipaggiato con un sistema secondo la presente descrizione.

Descrizione dettagliata di esempi di forme di attuazione

Nella descrizione che segue, sono illustrati uno o più dettagli specifici, allo scopo di fornire una comprensione approfondita di esempi di forme di attuazione di questa descrizione. Le forme di attuazione possono essere ottenute senza uno o più dei dettagli specifici o con altri procedimenti, componenti, materiali, ecc. In altri casi, operazioni, materiali o strutture note non sono illustrate o descritte in dettaglio in modo tale che certi aspetti delle forme di attuazione non saranno resi poco chiari.

Un riferimento a “una forma di attuazione” nel quadro della presente descrizione intende indicare che una particolare configurazione, struttura, o caratteristica descritta con riferimento alla forma di attuazione è compresa in almeno una forma di attuazione. Per cui, le frasi come “in una forma di attuazione” che possono essere presenti in uno o più punti della presente descrizione non fanno necessariamente riferimento proprio alla stessa forma di attuazione.

Inoltre, particolari conformazioni, strutture o caratteristiche possono essere combinate in un modo adeguato qualsiasi in una o più forme di attuazione.

I riferimenti usati qui sono forniti semplicemente per convenienza e quindi non definiscono l’ambito di protezione o l’ambito delle forme di attuazione.

I disegni sono in forma semplificata e non sono in una scala precisa. Per semplicità, possono essere usati termini direzionali (su/giù, ecc.) o di movimento (in avanti/all’indietro, ecc.) con riferimento ai disegni. Il termine “accoppiare” e termini simili non indicano necessariamente connessioni dirette e immediate, ma comprendono anche connessioni attraverso dispositivi o elementi intermedi.

Per semplicità, i principi alla base dell’invenzione sono discussi in seguito principalmente in relazione all’elaborazione di un segnale di fotopletismografia (PPG).

Un tale tipo di segnale elettrofisiologico è puramente esemplificativo, essendo inteso per il resto che altri tipi di segnali elettrofisiologici possono essere elaborati in una o più forme di attuazione, per es. segnali di elettrocardiogramma (ECG), segnali di elettroencefalogramma (EEG), ecc.

In una o più forme di attuazione, un segnale di PPG può essere più semplice da impiegare come segnale elettrofisiologico da elaborare secondo un procedimento come qui descritto, poiché è più semplice da campionare in un ambiente automotive rispetto a un segnale di ECG, a causa di un’invasività ridotta dell’hardware nel volume limitato di un veicolo.

Come rappresentato come esempio nella Figura 2, una o più forme di attuazione di un sistema per l’elaborazione di un segnale elettrofisiologico 100 possono comprendere una pipeline di elaborazione di segnali elettrofisiologici, comprendente:

- uno stadio di raccolta 18, configurato per raccogliere almeno un segnale elettrofisiologico WF, per es. un segnale di PPG/ECG WF “non elaborato” come rappresentato come esempio nella Figura 2A;

- uno stadio di (iper) filtraggio 20, configurato per ricevere il segnale elettrofisiologico WF ricevuto e per applicare a esso un filtraggio, preferibilmente un filtraggio a banda passante attraverso un filtraggio passaalto 22a e un filtraggio passa-basso 22b concorrenti congiunti, fornendo un insieme di segnali elettrofisiologici filtrati WFf, per es. segnali di PPG filtrati; per esempio, l’insieme di segnali filtrati WFf può essere memorizzato in una matrice definita in modo appropriato, avente un numero di colonne uguale al numero di filtri Nω impiegati nello stadio di filtraggio 20 e un numero di righe uguale al numero di segnali di PPG elaborati NPPG,

- uno stadio di elaborazione di riconoscimento di pattern 50, per es. un primo stadio di Rete Neurale Artificiale (ANN, “Artificial Neural Network”), configurato per ricevere l’insieme di segnali elettrofisiologici filtrati WFf e per applicare un riconoscimento di pattern 50 a esso, al fine di rilevare un livello di attenzione del conducente, e

- uno stadio classificatore, per es. un secondo stadio di elaborazione di ANN 60, configurato per classificare un livello di attenzione del conducente, generare un segnale indicativo del livello di attenzione del conducente, per es. un indicatore della sonnolenza del conducente, e fornirlo a circuiti di utente A.

In una o più forme di attuazione, lo stadio di raccolta 18 può comprendere una circuiteria di sonda di PPG 10 che può comprendere una sezione di sonda di PPG 10A e una scheda a circuito stampato (PCB, “Printed Circuit Board”) 10B configurata per interfacciare le sezioni di sonda 10A con un circuito di acquisizione ed elaborazione 18.

In una o più forme di attuazione, la scheda a circuito stampato (PCB) 10B può essere progettata e usata per interfacciare la sonda (le sonde) di PPG e una strumentazione di acquisizione NI (National Instrument) durante la misurazione dei segnali di PPG. Un tale circuito di acquisizione ed elaborazione 18 come rappresentato qui come esempio può comprendere anche una piattaforma hardware/software basata, per es., su un personal computer (per es., con Intel core i53,4 GHz più MATLAB) configurato per acquisire ed elaborare segnali elettrofisiologici.

Nell’esempio di dispositivo rappresentato, la sezione di sonda di PPG 10A può essere accoppiata alla PCB di interfaccia 10B per es. tramite cavi USB con la PCB di interfaccia 10B accoppiata, a sua volta, con la strumentazione di acquisizione 18, per es. tramite cavi SMA (SubMiniature version A). Per le connessioni possono essere adottati naturalmente altri dispositivi noti nella tecnica a questi scopi.

In una o più forme di attuazione, la sezione di sonda 10A può comprendere dei SiPM aventi associati, in maniera nota di per sé, vari componenti ausiliari come filtri passa-banda, LED, resistori di rilevamento, capacità di polarizzazione.

In una o più forme di attuazione, la sezione di sonda di PPG 10A può essere basata sull’uso di SiPM n-su-p con grande area fabbricati in STMicroelectronics (si veda, per es., M. Mazzillo, et al.: “Silicon Photomultiplier technology at STMicroelectronics”, IEEE Trans. Nucl. Sci, vol. 56, n. 4, pagine da 2434 a 2442, 2009).

In una o più forme di attuazione, il segnale elettrofisiologico WF può essere un segnale di ECG acquisito attraverso rispettive sonde 12, che possono essere di tipo tradizionale.

Come menzionato, in una o più forme di attuazione, i dati del segnale elettrofisiologico WF “non elaborato” possono anche essere raccolti “online” mediante sistemi ADAS, in vista dell’elaborazione in un circuito di elaborazione 100.

I risultati prodotti dal sistema 100 possono essere presentati eventualmente su un’unità di visualizzazione a un operatore, per es. un medico, con la capacità di supportare la sua attività, per es., a scopi diagnostici.

Come indicato ripetutamente in precedenza, un’apparecchiatura di elaborazione di PPG come qui discusso si presta ad essere usata in aree diverse dal campo medicale, per es. nel campo automotive, al fine di ottenere informazioni utili sul comportamento e/o sulla reazione dei conducenti e dei passeggeri in varie situazioni che possono presentarsi in un veicolo a motore.

La Figura 2A è un esempio di un diagramma della forma d’onda rilevata di PPG (dati non elaborati) che può essere ottenuta con un dispositivo di rilevazione di segnali di PPG 18 comprendente LED con specifiche lunghezze d’onda (di solito infrarosso a 940 nm) e un fotomoltiplicatore SiPM del tipo descritto, per es., negli articoli di M. Mazzillo, et al. già citati.

In un tale dispositivo, la luce emessa dai LED è assorbita dalla pelle (componente DC) e dalle arterie, per es. dall’emoglobina ossigenata (e in piccola parte da quella non ossigenata) (componente AC). Perciò, la luce riflessa residua (come risultante, per es., dalla retrodiffusione) sarà proporzionale-differenziale rispetto all’ammontare di luce assorbita dall’emoglobina nel sangue del paziente nelle varie fasi del cuore (sistolica, diastolica, dicrotica, e così via). Il sensore di PPG (per es., fotomoltiplicatore SiPM) rileverà così la presenza di fotoni retrodiffusi (luce riflessa) producendo un segnale elettrico corrispondente che può essere campionato, per es., da un ADC a 24-bit (per es., nell’interfaccia 10B della Figura 2), fornendo così un segnale di PPG come rappresentato nella Figura 2A.

Per esempio, il documento US 2019/0021615 A1 della stessa Richiedente discute un tale sensore di PPG 10.

Un tale segnale comprende la componente DC e quella AC, così come vari tipi di rumore di misurazione, per es. rumore elettronico, rumore dovuto all’alimentazione (per es., 50 Hz), rumore dovuto al movimento del corpo del paziente, l’attività respiratoria, e così via.

Per la maggior parte delle applicazioni è utile soltanto la componente AC del segnale di PPG, la componente AC trovandosi per es. nella gamma di frequenza da 0,5 Hz a 7,0 Hz. Una o più forme di attuazione come rappresentato come esempio possono così comprendere un sistema di filtraggio (per es., 20 nella Figura 2) attivo in quella gamma. Ci può essere interesse ad analizzare ulteriori sotto-bande di frequenza di tale gamma, al fine di estrarre indicatori più accurati del livello di attenzione dal segnale elettrofisiologico WF. Al fine di trattare tali altre sotto-bande di frequenza e di combinare le informazioni al loro interno come discusso in precedenza, una o più forme di attuazione possono comprendere uno stadio di (iper) filtraggio (per es., 20 nella Figura 2), che applica un filtraggio multiplo in varie gamme di frequenza.

In una o più forme di attuazione, lo stadio di filtraggio 20 può essere implementato in un circuito di elaborazione di un’unità microcontrollore (MCU, “MicroController Unit”) SPC58 Chorus fabbricata in STMicroelectronics.

Come rappresentato come esempio nella Figura 2, il (iper) filtraggio 20 può comprendere un filtraggio a banda passante attraverso un filtraggio passa-basso 22a e passaalto 22b congiunti.

Gli inventori hanno osservato che il fatto di impiegare un tale approccio iperspettrale può facilitare l’ottenimento di una rappresentazione differente delle informazioni contenute nel segnale elettrofisiologico originale.

In una o più forme di attuazione, uno stadio di filtraggio passa-basso 22a e uno stadio di filtraggio passa-alto 22b possono comprendere stadi di filtraggio 222a, 224a, 226a, 222b, 224b, 226b multipli, per esempio:

- un primo stadio di filtraggio passa-basso 22a che può comprendere un primo insieme di filtri 222a, 224a, 226a aventi un primo insieme di parametri di filtro, per es. frequenze di taglio, tipi di filtri, ecc., per esempio all’interno della gamma di frequenza da 0,5 Hz a 7,0 Hz della componente AC di PPG, e

- lo stadio di filtraggio passa-alto 22b può comprendere un secondo insieme di filtri 222b, 224b, 226b aventi un secondo insieme di parametri, per es. frequenze di taglio, tipi di filtri, ecc. per esempio all’interno della gamma di frequenza da 0,5 Hz a 7,0 Hz della componente AC di PPG.

In una o più forme di attuazione, può essere presente uno stesso numero di stadi di filtro Nf nello stadio di filtraggio passa-basso 22a e nello stadio di filtraggio passa-alto 22b.

In una o più forme di attuazione, il fatto di applicare un filtraggio a banda passante 20 multiplo a un segnale elettrofisiologico WF può facilitare l’ottenimento di una rappresentazione differente di informazioni contenute nel segnale originale. Un filtraggio con differenti tipi di filtri e parametri di filtri può facilitare il fatto di ottenere caratteristiche multiple di un segnale allo stesso tempo, riducendo la velocità di elaborazione del segnale per riconoscere uno stato di attenzione del conducente.

In una o più forme di attuazione, i parametri dello stadio di filtraggio possono essere calibrati in uno stadio di calibrazione 40, comprendente di variare parametri di filtro passa-basso 222a, 224a, 226a e parametri di filtro passa-alto 222b, 224b, 226b nell’insieme di parametri di filtraggio, in modo tale che le caratteristiche estratte varino in funzione della variazione di detti parametri di filtro passa-basso 222a, 224a, 226a e di detti parametri di filtro passa-alto 222b, 224b, 226b, e di selezionare parametri di filtro passa-basso 222a, 224a, 226a e parametri di filtro passa-alto 222b, 224b, 226b calibrati che forniscono un fit delle caratteristiche estratte rispetto a un insieme di caratteristiche di riferimento estratte e/o a un segnale di classificazione di riferimento, come descritto ulteriormente in dettaglio in seguito (si veda, per es., la Figura 4).

In una o più forme di attuazione, uno o più tipi di filtri possono essere trovati adatti per l’uso nello stadio di filtraggio 20. Per esempio, filtri adatti possono avere varie funzioni di trasferimento in frequenza come rappresentato come esempio nella Figura 3, in cui:

- un tipo Butterworth può avere una prima funzione di trasferimento 32 come rappresentato come esempio nella porzione a) della Figura 3,

- un tipo Chebyshev tipo I può avere una seconda funzione di trasferimento 34 come rappresentato come esempio nella porzione b) della Figura 3,

- un tipo Chebyshev tipo II può avere una terza funzione di trasferimento 36 come rappresentato come esempio nella porzione c) della Figura 3,

- una funzione di trasferimento di tipo ellittico può avere una quarta funzione di trasferimento 38 come rappresentato come esempio nella porzione d) della Figura 3.

La Figura 3A è un esempio di un insieme di grafici di Bode di funzioni di trasferimento di filtri di Butterworth 320 che possono avere una stessa frequenza di taglio ω0. Il filtro di Butterworth è un tipo di filtro di elaborazione di segnale progettato in modo da avere una risposta in frequenza più piatta possibile nella banda passante. Per esempio, la funzione di trasferimento può essere più o meno vicina a un gradino discendente ideale in funzione di un parametro n che ha un valore alto (per es., n=6) o basso (per es., n=1), dove n può essere il numero di poli della funzione di trasferimento del filtro in frequenza.

Uno o più parametri di filtro (per es., frequenza di taglio, numero di poli, ecc.) di filtri di un dato tipo, per es. filtri di Butterworth, scelti per l’uso nell’insieme di stadi di filtro 22a, 22b, rispettivamente, possono essere calibrati mediante una Procedura di Ottimizzazione di Algoritmo Genetico (in breve, GAOP (“Genetic Algorithm Optimization Procedure”)) 40 ad hoc. In una o più forme di attuazione, una tale GAOP 40 può essere impiegata nel trovare parametri ottimali, per es. frequenze di taglio ωc, per ciascun filtro nello stadio di (iper) filtraggio, per esempio per il filtro 222a nel primo insieme di filtri 22a.

Un Algoritmo Genetico (in breve, GA (“Genetic Algorithm”)) è un tipo di Algoritmo Evolutivo (in breve, EA (“Evolutionary Algorithm”)) che simula il processo di selezione naturale per trovare soluzioni buone, se non ottimali, a problemi molto complessi. Nell’EA, un insieme di soluzioni potenziali codificate come cromosomi è valutato e gli è assegnato un punteggio mediante una funzione di idoneità. In base al punteggio di idoneità, sono selezionati i cromosomi migliori per generare la prossima generazione di soluzioni o di “progenie”. I procedimenti di EA possono essere classificati secondo i mezzi di generazione della progenie: GA, consente una riproduzione sessuale (operazione di incrocio) per la generazione della progenie così come mutazioni, come discusso in seguito.

Come menzionato, di solito l’evoluzione parte da una popolazione di individui generati in modo casuale, ed è un processo iterativo, con la popolazione in ciascuna iterazione detta generazione. In ciascuna generazione, è valutata l’idoneità di ogni individuo nella popolazione; di solito, l’idoneità è il valore della funzione obiettivo nel problema di ottimizzazione che è risolto. Gli individui più idonei sono selezionati in modo stocastico tra la popolazione corrente, e il genoma di ciascun individuo è modificato (ricombinato e mutato eventualmente in modo casuale) per formare una nuova generazione. La nuova generazione di soluzioni candidate è quindi usata nella prossima iterazione dell’algoritmo. Comunemente, l’algoritmo termina quando è stato prodotto un numero massimo di generazioni o è stato raggiunto un livello di idoneità soddisfacente per la popolazione.

Può anche essere trovata una mappa Auto-Organizzante (“Self-Organizing”) adatta per l’uso in combinazione con il GA, come discusso in seguito.

In una o più forme di attuazione come rappresentato come esempio nella Figura 4, la GAOP 40 può comprendere:

- uno stadio di inizializzazione della popolazione 400, in cui un insieme di filtri di Butterworth Pωi della “popolazione” aventi ciascuno un insieme di “geni” comprendenti un insieme di parametri di filtro, per es. frequenza di taglio, numero di poli, hanno i valori dei geni inizializzati a un insieme di valori casuali, per es.

11 valori di frequenza di taglio differenti e un numero di valori di poli estratti casualmente in modo indipendente da due distribuzioni normali, è generata per il tipo di filtro scelto per il filtro 222a, per es. un filtro di Butterworth avente n=4 poli,

- uno stadio di test di filtraggio 402, in cui il segnale elettrofisiologico WF è filtrato una volta da un qualsiasi filtro nella popolazione di filtri di Butterworth Pωi generata nello stadio di inizializzazione della popolazione 400, che fornisce un insieme delle caratteristiche di segnali elettrofisiologici della popolazione candidata,

- uno stadio di raggruppamento (“clustering”) 404, per es. comprendente uno stadio di elaborazione di rete neurale artificiale con Mappa Auto-Organizzante (SOM, “Self-Organizing Map”), in cui è applicato un raggruppamento all’insieme di segnali filtrati dall’insieme di filtri della popolazione candidata generati nello stadio di test di filtraggio 402;

- uno stadio di calcolo dell’idoneità 406, in cui è calcolata una funzione di idoneità per uno qualsiasi dei filtri di Butterworth nella popolazione di filtri di Butterworth Pωi usando i valori generati nelle fasi precedenti; per esempio, quando applicata a un segnale di PPG, la funzione di idoneità impiegata nello stadio 406 della GAOP 40 può essere definita come:

Una tale espressione può essere indicativa di una selezione della funzione di idoneità del GOA in funzione di una differenza quadratica tra un cluster (baricentro) di forme d’onda filtrate del segnale elettrofisiologico, per es. un primo segnale elettrofisiologico di un umano vigile e un secondo segnale elettrofisiologico di un umano sonnolento come discusso in seguito, e i pesi dei neuroni della SOM che appartengono alle sue vicinanze. Una tale espressione di una funzione di idoneità può facilitare il raggiungimento di una condizione stazionaria in cui un singolo cluster (peso) significativo insieme a pesi vicini della SOM “sopravvivono” per ciascun tipo di segnale elettrofisiologico filtrato.

In una o più forme di attuazione, il GOA può facilitare l’ottimizzazione di una tale idoneità, per es. trovando un insieme di frequenze di taglio che massimizza una tale differenza quadratica, come risultato di una riduzione dei valori di peso della SOM rispetto a un valore dominante del singolo valore di peso che può rappresentare il cluster in cui si trovano i segnali elettrofisiologici filtrati.

- uno stadio di selezione 408, in cui sono selezionati filtri casuali nella popolazione di filtri Pωi e altri sono scartati mediante un procedimento di “ruota della roulette” in base a valori di funzioni di idoneità ponderati, calcolati nello stadio 406; i filtri selezionati costituiscono una popolazione “genitore” di filtri di Butterworth Pωs,

- uno stadio di riproduzione 410, in cui è generata una nuova generazione di filtri “progenie” Pωsc incrociando i geni da ciascuna coppia di filtri genitore nella popolazione di filtri genitore Pωs, per esempio generando un filtro figlio che ha un valore di frequenza di taglio uguale a quello di un primo filtro genitore e un numero di nodi uguale a quello di un secondo filtro genitore, differente dal primo filtro genitore;

- uno stadio di mutazione 412, in cui occasionalmente un gene della nuova generazione di filtri progenie Pωs è variato a un numero casuale dal valore assegnato nella fase precedente;

- uno stadio di inizializzazione della nuova generazione 414, che è impiegato come una nuova generazione “genitore” in un’iterazione successiva degli stadi da 402 a 410.

Questo processo generazionale è ripetuto finché è stata raggiunta una “condizione di terminazione”. Condizioni di terminazione comuni possono essere: un soddisfacimento di criteri minimi, un numero fisso di generazioni raggiunto, l’idoneità della soluzione con la più alta classificazione sta raggiungendo o ha raggiunto un plateau cosicché iterazioni successive non producono più risultati migliori, una ispezione manuale e/o combinazioni delle precedenti.

Sebbene l’incrocio e la mutazione siano noti come operatori genetici principali, è possibile usare altri operatori come il raggruppamento, la colonizzazioneestinzione o la migrazione.

Può valere la pena regolare finemente parametri come la probabilità di mutazione, la probabilità di incrocio e la dimensione della popolazione per trovare impostazioni ragionevoli per la classe di problemi su cui si lavora.

È stato trovato che una SOM (Self Organizing Map) estesa come rappresentato schematicamente come esempio nella Figura 5 (in cui è visibile soltanto lo strato di uscita 500) è adatta per l’uso in una o più forme di attuazione.

Un approccio con mappa auto-organizzante (SOM) come, per es., “Chi Vince Prende Tutto” attiverà il neurone che minimizza una distanza (in base a una certa metrica, per es. euclidea) tra i pesi sinaptici (w(t)) e il pattern della caratteristica.

Il neurone attivato (di minimizzazione della distanza) attiverà perciò i neuroni nelle sue vicinanze (come definito, per es., da una tradizionale funzione gaussiana β(x,y,t) e lo strato di uscita della rete neurale, vale a dire, un neurone di uscita corrispondente e la sua vicinanza relativa (definita di nuovo da β(x,y,t)). Il neurone attivato è “ricompensato” diventando così più probabile che sia il dato fornito. Quanto più il nodo è vicino alla cosiddetta rete di Unità che Concorda Meglio, BMU (“Best Matching Unit”), tanto più i suoi pesi w0 saranno modificati, mentre quanto più il vicino è lontano dalla BMU tantomeno variano i suoi valori di peso.

Per esempio, in una o più forme di attuazione, la SOM può comprendere uno strato neurale di ingresso (per es., simile a un reticolo, per esempio n*n = n2 nodi neuronali), che può ricevere come ingresso l’insieme di segnali filtrati WFf e uno strato di uscita 500 (per es., simile a un reticolo, per esempio n*n=n<2 >nodi neuronali) corrispondente, che può fornire in uscita il vettore di pesi selezionati U.

In una o più forme di attuazione, può essere compreso un elemento casuale µ(t) al fine di un miglioramento del processo di apprendimento.

In effetti, da una distribuzione iniziale di pesi casuali, e nel corso di molte iterazioni, la SOM può essere addestrata al fatto di facilitare la fornitura in uscita di una mappa di caratteristiche dell’ingresso. La mappa di caratteristiche può essere fornita in uscita sotto forma di un vettore di pesi selezionati U comprendente una pluralità di valori di peso. La pluralità di valori può essere il risultato della selezione nello strato di uscita 500 della SOM di una pluralità di parametri di neuroni delle unità che concordano meglio (BMU).

In una o più forme di attuazione, la SOM usata per lo stadio di raggruppamento 404 può essere addestrata, per es. i suoi pesi wij, uij possono essere determinati, attraverso un processo iterativo basato sulla fornitura di un insieme di addestramento di segnali elettrofisiologici memorizzati in una memoria nel circuito di elaborazione.

Specificamente, in una o più forme di attuazione, lo stadio di raggruppamento 404 dello stadio di elaborazione di rete neurale artificiale con Mappa Auto-Organizzante (SOM) può facilitare il fatto di verificare se una distribuzione di parametri di filtro, per es. frequenze di taglio, può avere una certa distribuzione che può essere impiegata come “condizione di terminazione” per il GOA, per es. impiegando un approccio euristico.

Per esempio, una tale operazione di verifica della distribuzione dei parametri di filtro può usare la SOM per raggruppare un primo segnale elettrofisiologico filtrato, raccolto dall’umano in uno stato vigile, e un secondo segnale elettrofisiologico filtrato, raccolto dall’umano in uno stato sonnolento. Nell’esempio considerato, se la SOM raggruppa tali segnali in due gruppi, i parametri di filtro di test possono essere considerati come quelli di interesse e il GOA può terminare. Per contro, nell’esempio considerato, se il raggruppamento della SOM conduce, per es., a identificare più di due gruppi, il GOA può progredire verso un’altra iterazione.

In una o più forme di attuazione, iterazioni multiple (per es., un numero finito di iterazioni predefinito) di operazioni della GAOP 40 di calibrazione, come rappresentato qui come esempio, possono condurre a determinare che:

- nel primo stadio di filtraggio 22a, i filtri nell’insieme di filtri 222a, 224a, 226a possono comprendere un insieme di 11 filtri che hanno rispettive frequenze di taglio passa-basso uguali a: 0,5 Hz, 1,5 Hz, 2,2 Hz, 2,75 Hz, 3,12 Hz, 3,65 Hz, 4,1 Hz, 4,487 Hz, 5,23 Hz, 5,3 Hz, 6,11 Hz;

- nel secondo stadio di filtraggio 22b, i filtri nell’insieme di filtri 222b, 224b, 226b possono comprendere un insieme di 11 filtri che hanno rispettive frequenze di taglio passa-alto uguali a: 1 Hz, 1,34 Hz, 2,09 Hz, 2,321 Hz, 3,09 Hz, 3,44 Hz, 4,2 Hz, 4,23 Hz, 5,2 Hz, 5,52 Hz, 6,87 Hz.

Come menzionato, in una o più forme di attuazione, la determinazione o la selezione dei parametri di filtro, per es. frequenze di taglio ωc, degli stadi di filtraggio 22a, 22b nello stadio di iper-filtraggio 20 può impiegare l’uso di un algoritmo genetico applicato su un insieme di segnali elettrofisiologici filtrati WFf, per es. ottenuti da un insieme di segnali di PPG che sono stati pre-elaborati precedentemente mediante un’elaborazione dedicata, per estrarre caratteristiche in essi e le cui caratteristiche possono quindi essere in qualche modo predeterminate.

Tale pre-elaborazione può comprendere, per esempio, un sistema di riconoscimento di pattern di PPG “bio-ispirato” - BI-P2RS (“Bio-Inspired” PPG Pattern Recognition System) -che facilita un procedimento di elaborazione di segnale di riduzione del rumore (“denoising”) e di stabilizzazione. Per esempio, un tale procedimento di pre-elaborazione può impiegare Reti Neurali Cellulari (“Cellular Neural Network”) configurate adeguatamente, per esempio come descritto nel documento US 2019/0021615 A.

Il numero di filtri nel primo 222a e nel secondo 222b insieme di filtri qui discusso è puramente esemplificativo e non è in alcun modo limitativo, essendo inteso per il resto che può essere impiegato un numero qualsiasi di filtri.

Lo schema della Figura 5 rappresenta come il blocco 404 può completare l’apprendimento di un modello non lineare, il che rende possibile mappare i parametri di filtro di ingresso su un pattern di caratteristiche di segnali elettrofisiologici corrispondente.

Per esempio, in una o più forme di attuazione, i segnali elettrofisiologici filtrati nello stadio di filtro 402 precedente possono essere forniti in ingresso allo stadio di raggruuppamento 404, che può comprendere una struttura neurale di ingresso (per es., simile a un reticolo, per esempio 8x8 = 64 neuroni).

La Figura 6 comprende una porzione a) e una porzione b) che sono esempi di segnali elettrofisiologici filtrati WFf, per es. segnali di PPG, forniti come uscita dallo stadio di iper-filtraggio 20 con l’impiego di undici filtri progettati come discusso in precedenza (per es., procedimento 400) applicati al segnale di PPG WF.

Per esempio:

- la porzione a) della Figura 6 è un esempio di un grafico di valori di segnali di PPG filtrati per ciascun kesimo filtro Passa-Basso nell’insieme di undici filtri passa-basso, in cui l’asse orizzontale rappresenta il kesimo numero di filtro e l’asse verticale il punto del valore del campione del segnale di PPG filtrato da tale kesimo filtro rispettiva k-esima frequenza di taglio passabasso;

- la porzione b) della Figura 6 è un esempio di un grafico di valori di segnali di PPG filtrati per ciascun kesimo filtro Passa-Alto nell’insieme di undici filtri passa-alto, in cui l’asse orizzontale rappresenta il kesimo numero di filtro e l’asse verticale il punto del valore del campione del segnale di PPG filtrato da tale kesimo filtro rispettiva k-esima frequenza di taglio passaalto.

In una o più forme di attuazione come rappresentato come esempio nella Figura 2, l’insieme di segnali filtrati WFf può essere elaborato in un’elaborazione di riconoscimento di pattern 50.

In una o più forme di attuazione, può essere trovato che un procedimento di Regressione a Gradiente Coniugato Scalato con Connessione Completa (in breve, SGC-FC (“Scaled Gradient Conjugate Fully-Connected”)) come rappresentato come esempio nella Figura 7 sia utile per l’uso nell’addestramento della rete neurale artificiale impiegata nello stadio di elaborazione di riconoscimento di pattern 50. Per esempio, una tale rete neurale artificiale 50 può essere addestrata impiegando il procedimento noto dal documento M. Moller, “A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning”, Neural Networks, Vol. 6, pagine da 525 a 533, ’99, che discute un algoritmo di apprendimento supervisionato (Scaled Conjugate Gradient, SCG) con un tasso di convergenza superlineare.

Il procedimento è basato su una classe di tecniche di ottimizzazione ben note nell’analisi numerica come i Procedimenti di Gradiente Coniugato (“Conjugate Gradient Methods”). L’SCG usa informazioni del secondo ordine dalla rete neurale ma richiede soltanto un utilizzo della memoria di O(N), dove N è il numero dei pesi nella rete. L’SCG può produrre una velocizzazione di almeno un ordine di grandezza a seconda del criterio di convergenza, per es., quanto più la richiesta di riduzione di errore è grande, tanto più grande è la velocizzazione. L’SCG è completamente automatizzato non comprendendo alcun parametro dipendente dall’utente ed evita una ricerca in linea che richiede tempo.

In una o più forme di attuazione, un procedimento SCG (Scaled Conjugate Gradient) indica l’approssimazione quadratica all’errore E in una vicinanza di un punto.

Come rappresentato come esempio nella Figura 7, tale strato di Regressione di SGC-FC 50 può comprendere:

- uno strato di ingresso 810, comprendente nodi di ingresso x1, x2,…, xK, per corrispondenti valori di ingresso x1, x2,…, xK,

- almeno uno strato nascosto 820, comprendente nodi di somma Σ dello strato nascosto, che forniscono rispettive somme ponderate di valori di ingresso con rispettivi pesi e nodi di uscita nascosti g(n11), g(n21), g(n31), e

- uno strato di uscita 830, comprendente nodi di somma Σ di valori da strati precedenti con rispettivi pesi e nodi di uscita y1, y2.

In una o più forme di attuazione come rappresentato come esempio nella Figura 2, l’insieme di segnali filtrati WFf può essere elaborato in uno stadio di elaborazione di classificazione 60.

In una o più forme di attuazione come rappresentato come esempio nella Figura 8, può essere trovato uno strato di softmax 900 adatto per l’uso nello stadio di elaborazione di classificazione 60.

Lo strato di Regressione Softmax è una generalizzazione di una regressione logistica che può essere trovata adatta per l’uso per una classificazione multi-classe secondo l’ipotesi che le classi siano mutuamente esclusive: per es., un livello di attenzione di un conducente può essere classificato come sonnolento o come vigile.

In una o più forme di attuazione, lo strato softmax 900 comprende un insieme di neuroni 900m, per esempio m=4 neuroni, configurati per ponderare dati di ingresso xi1, xi2 con rispettivi pesi w11, w12, w12, w22, w20 e valori di polarizzazione 1. I dati di ingresso ponderati e i valori di polarizzazione sono quindi sommati tra loro in rispettivi nodi di somma 900s per fornire un insieme di valori u11, u12 sui quali è calcolata/applicata una funzione di softmax. La funzione di softmax può essere rappresentata come:

Quando applicato per distinguere tra due classi, come rappresentato come esempio nella Figura 8, uno strato di softmax 900sm può calcolare rispettivi valori di funzioni di softmax per ciascuno dei valori di ingresso ponderati, per esempio, come:

in modo tale che

In una o più forme di attuazione, lo stadio di elaborazione di classificazione 60 può fornire come uscita un segnale DS, per es. avente un valore tra 0 e 1, che può essere usato per classificare lo stato del conducente come vigile o sonnolento, per esempio in funzione di un primo valore di soglia:

- se il segnale DS dello stadio di uscita ha un valore tra il primo valore, per es. 0,0, e un secondo valore, per es. 0,5, lo stato di attenzione del conducente è classificato come vigile (classe=0),

- se il segnale DS dello stadio di uscita ha un valore tra un terzo valore, per es. 0,51, e un quarto valore, per es. 1,0, lo stato di attenzione del conducente è classificato come sonnolento (classe=1).

Una o più forme di attuazione sono state testate su segnali elettrofisiologici, per es. segnali di PPG, raccolti da settanta pazienti con differenti età, sesso, e così via, con almeno cinque minuti di campionamento di PPG in un rispettivo stato sonnolento/vigile sotto la direttiva di fisiologi (per esempio, insieme a un campionamento delle onde dell’ElettroEncefaloGramma - EEG).

Una o più forme di attuazione dello stadio di elaborazione di classificazione 60, come rappresentato come esempio nella Figura 2, possono essere configurate per valutare uno stato del conducente del veicolo, per esempio fornendo un segnale DS indicativo del livello di attenzione del conducente D che può essere fornito a un’interfaccia A (per esempio, un’unità di visualizzazione, un generatore di suono e/o luce, e così via), in particolare nel caso di una sonnolenza rilevata (per es., quando DS=1).

Questo può facilitare, per esempio, il fatto di rendere consapevole il conducente di un livello ridotto di attenzione, dovuto eventualmente a sonnolenza o ad altri motivi.

In una o più forme di attuazione, l’elaborazione del segnale elettrofisiologico mediante un’elaborazione di rete neurale artificiale 50 e un’elaborazione di classificazione 60 come qui discusso può essere implementata in un circuito di elaborazione di un processore Accordo 5 fabbricato in STMicroelectronics.

Una o più forme di attuazione possono impiegare una elaborazione parallela opzionale che impiega una rete neurale convoluzionale (CNN, “Convolutional Neural Network”) per il riconoscimento delle espressioni del viso insieme a un sistema di elaborazione di immagine per rendere robusto il sistema ad errori inattesi, per esempio facilitando una calibrazione one-shot ad alta velocità attraverso una serie temporale di 4 secondi di immagini registrate, per es., di un battito di ciglia dell’occhio prima e dopo il battito di ciglia.

In una o più forme di attuazione come rappresentato come esempio nella Figura 9, un veicolo V può essere equipaggiato con il sistema 100 e l’indicatore di sonnolenza DS di un conducente D a bordo del veicolo V può essere fornito a ulteriori unità di elaborazione e può essere usato per innescare un allarme su un’interfaccia (si veda, per es., l’interfaccia A) come un visualizzatore (“display”), per es. sul cruscotto del veicolo V.

Una o più forme di attuazione comprendono un procedimento (per esempio, 100) di elaborazione di almeno un segnale elettrofisiologico (per esempio, WF) raccolto (per esempio, 10, 12, 18) da un umano (per esempio, D), in cui l’almeno un segnale elettrofisiologico raccolto è funzione del livello di attenzione di detto umano. In una o più forme di attuazione, il procedimento può comprendere:

- filtrare (per esempio, 20) l’almeno un segnale elettrofisiologico raccolto (per esempio, WF) mediante un filtraggio passa-basso (per esempio, 22a) e passa-alto (per esempio, 22b) congiunto usando un insieme di parametri di filtraggio (per esempio, Pωs) comprendenti parametri di filtri passa-basso (per esempio, 222a, 224a, 226a) e parametri di filtri passa-alto (per esempio, 222b, 224b, 226b) che hanno rispettivamente un insieme di frequenze di taglio passa-basso e un insieme di frequenze di taglio passa-alto,

- applicare un’elaborazione di rete neurale artificiale (per esempio, 50) all’almeno un segnale elettrofisiologico filtrato (per esempio, WFf) per estrarre da esso un insieme di caratteristiche dell’almeno un segnale elettrofisiologico (per esempio, WF) raccolto (per esempio, 10, 12, 18),

- applicare un’elaborazione di classificatore (per esempio, 60) all’insieme di caratteristiche estratte dall’almeno un segnale filtrato e produrre un segnale di classificazione (per esempio, DS) indicativo di un livello di attenzione di un umano (per esempio, D),

- innescare un circuito utente (per esempio, A) in funzione di detto segnale di classificazione (per esempio, DS).

In una o più forme di attuazione, il segnale elettrofisiologico può comprendere un segnale di PPG (per esempio, 10) o un segnale di ECG (per esempio, 12).

In una o più forme di attuazione, detto insieme di parametri di filtraggio può comprendere parametri di filtri passa-basso e passa-alto selezionati tra parametri di filtro di Butterworth, di Chebyshev tipo I, di Chebyshev tipo II ed ellittico.

Una o più forme di attuazione del procedimento possono comprendere:

- confrontare detto segnale di classificazione (per esempio, DS) con un livello di soglia di attenzione,

- innescare un circuito di allarme (per esempio, A) come risultato del fatto che detto segnale di classificazione raggiunge detto livello di soglia di attenzione.

In una o più forme di attuazione l’almeno un segnale elettrofisiologico raccolto dal conducente (per esempio, D) di un veicolo (per esempio, V) e il circuito utente innescato in funzione di detto segnale di classificazione possono comprendere un circuito utente (per esempio, A) a bordo del veicolo.

In una o più forme di attuazione, l’almeno un segnale elettrofisiologico può essere raccolto dal conducente di un veicolo (per esempio, V) attraverso un sensore di PPG (per esempio, 10) o un sensore di ECG (per esempio, 12) a bordo del veicolo (per esempio, V).

In una o più forme di attuazione, applicare un’elaborazione di rete neurale artificiale (per esempio, 50) può comprendere di applicare un’elaborazione di rete neurale a strati completamente connessa Scaled Gradient Conjugate.

In una o più forme di attuazione, il procedimento può comprendere di calibrare (per esempio, 40) detto insieme di parametri di filtraggio (per esempio, Pωs). In una o più forme di attuazione, detta calibrazione può comprendere:

- variare parametri di filtro passa-basso (per esempio, 222a, 224a, 226a) e parametri di filtro passa-alto (per esempio, 222b, 224b, 226b) in detto insieme di parametri di filtraggio (per esempio, Pωs), in cui detto insieme di caratteristiche estratte e/o detto segnale di classificazione (per esempio, DS) variano in funzione della variazione di detti parametri di filtro passa-basso (per esempio, 222a, 224a, 226a) e di detti parametri di filtro passa-alto (per esempio, 222b, 224b, 226b),

- selezionare parametri di filtro passa-basso e parametri di filtro passa-alto calibrati in detto insieme di parametri di filtraggio come parametri di filtro passabasso (per esempio, 222a, 224a, 226a) e parametri di filtro passa-alto (per esempio, 222b, 224b, 226b) in detto insieme di parametri di filtraggio (per esempio, Pωs) che forniscono un fit (per esempio, 406) di detto insieme di caratteristiche estratte e/o di detto segnale di classificazione (per esempio, DS) con un insieme di riferimento di caratteristiche estratte e/o un segnale di classificazione di riferimento.

In una o più forme di attuazione, detta calibrazione può comprendere un algoritmo genetico (per esempio, 40) per selezionare detti parametri di filtro passa-basso e parametri di filtro passa-alto calibrati nell’insieme di parametri di filtraggio.

Una o più forme di attuazione possono comprendere un sistema di elaborazione di segnali elettrofisiologici, configurato per essere accoppiato ad almeno un sensore di segnali elettrofisiologici (per esempio, 10, 12) che raccoglie da un umano (per esempio, D) almeno un segnale elettrofisiologico (per esempio, WF) che è funzione del livello di attenzione di detto umano (per esempio, D), in cui il sistema comprende una circuiteria di elaborazione configurata per eseguire detti atti di filtraggio (per esempio, 20) del segnale elettrofisiologico raccolto (per esempio, WF), di applicazione di detta elaborazione di rete neurale artificiale (per esempio, 50) al segnale elettrofisiologico filtrato (per esempio, WFf), di applicazione di detta elaborazione di classificatore (per esempio, 60) e di innesco di detto circuito utente (per esempio, A) con una o più forme di attuazione del procedimento (per esempio, 100).

Una o più forme di attuazione possono comprendere un veicolo (per esempio, V) equipaggiato con una o più forme di attuazione del sistema in combinazione con almeno un sensore di segnali elettrofisiologici, il sistema configurato per raccogliere da un umano (per esempio, D) almeno un segnale elettrofisiologico (per esempio, WF) che è funzione del livello di attenzione di detto umano (per esempio, D).

In una o più forme di attuazione, il veicolo può essere equipaggiato con almeno un dispositivo di assistenza alla guida (per esempio, A) configurato per essere innescato in funzione del segnale di classificazione.

Una o più forme di attuazione possono comprendere un prodotto informatico caricabile nella memoria di almeno un circuito di elaborazione e comprendente porzioni di codice software per eseguire le fasi del procedimento secondo una qualsiasi delle rivendicazioni da 1 a 9 quando il prodotto è eseguito su almeno un circuito di elaborazione.

Per il resto, si comprenderà che le varie opzioni di implementazione individuali rappresentate come esempio in tutte le figure che accompagnano questa descrizione non intendono necessariamente essere adottate nelle stesse combinazioni rappresentate come esempio nelle figure. Una o più forme di attuazione possono così adottare queste opzioni (per il resto non obbligatorie) individualmente e/o in combinazioni differenti rispetto alla combinazione rappresentata come esempio nelle figure annesse.

Fermi restando i principi di fondo, i dettagli e le forme di attuazione possono variare, anche in modo apprezzabile, rispetto a quanto è stato descritto, puramente a titolo di esempio, senza uscire dall’ambito di protezione. L’ambito di protezione è definito dalle rivendicazioni annesse.

Claims (13)

1. RIVENDICAZIONI 1. Procedimento (100) di elaborazione di almeno un segnale elettrofisiologico (WF) raccolto (10, 12, 18) da un umano (D), in cui l’almeno un segnale elettrofisiologico raccolto è funzione del livello di attenzione di detto umano (D), in cui il procedimento (100) comprende: - filtrare (20) l’almeno un segnale elettrofisiologico raccolto (WF) attraverso un filtraggio congiunto passabasso (22a) e passa-alto (22b) usando un insieme di parametri di filtraggio (Pωs) includenti parametri di filtri passa-basso (222a, 224a, 226a) e parametri di filtri passa-alto (222b, 224b, 226b) aventi un insieme di frequenze di taglio passa-basso e un insieme di frequenze di taglio passa-alto, rispettivamente, - applicare un’elaborazione di rete neurale artificiale (50) all’almeno un segnale elettrofisiologico filtrato (WFf) per estrarre da esso un insieme di caratteristiche dell’almeno un segnale elettrofisiologico (WF) raccolto (10, 12, 18), - applicare un’elaborazione di classificatore (60) all’insieme di caratteristiche estratte dall’almeno un segnale filtrato (WFf) e produrre un segnale di classificazione (DS) indicativo di un livello di attenzione di un umano (D), - innescare un circuito utente (A) in funzione di detto segnale di classificazione (DS).
2. 2. Procedimento (100) secondo la rivendicazione 1, in cui il segnale elettrofisiologico comprende un segnale di PPG (10) o un segnale di ECG (12).
3. 3. Procedimento (100) secondo la rivendicazione 1 o la rivendicazione 2, in cui detto insieme di parametri di filtraggio (Pωs) comprende parametri di filtri (Pωs) passabasso (222a, 224a, 226a) e passa-alto (222b, 224b, 226b) selezionati tra parametri di filtri di Butterworth, di Chebyshev tipo I, di Chebyshev tipo II ed ellittici.
4. 4. Procedimento (100) secondo una qualsiasi delle rivendicazioni precedenti, comprendente: - confrontare detto segnale di classificazione (DS) con un livello di soglia di attenzione, - innescare un circuito di allarme (A) come risultato del fatto che detto segnale di classificazione (DS) raggiunge detto livello di soglia di attenzione.
5. 5. Procedimento (100) secondo una qualsiasi delle rivendicazioni precedenti, in cui l’almeno un segnale elettrofisiologico è raccolto dal conducente (D) di un veicolo (V) e il circuito utente (A) innescato in funzione di detto segnale di classificazione (DS) comprende un circuito utente (A) a bordo del veicolo (V).
6. 6. Procedimento (100) secondo la rivendicazione 5, in cui l’almeno un segnale elettrofisiologico è raccolto dal conducente (D) di un veicolo (V) attraverso un sensore di PPG (10) o un sensore di ECG (12) a bordo del veicolo (V).
7. 7. Procedimento (100) secondo una qualsiasi delle rivendicazioni precedenti, in cui applicare un’elaborazione di rete neurale artificiale (50) comprende di applicare un’elaborazione di rete neurale a strati completamente connessa Scaled Conjugate Gradient.
8. 8. Procedimento (100) secondo una qualsiasi delle rivendicazioni precedenti, comprendente di calibrare (40) detto insieme di parametri di filtraggio (Pωs), in cui detto calibrare comprende: - variare parametri di filtro passa-basso (222a, 224a, 226a) e parametri di filtro passa-alto (222b, 224b, 226b) in detto insieme di parametri di filtraggio (Pωs), in cui detto insieme di caratteristiche estratte e/o detto segnale di classificazione (DS) variano in funzione della variazione di detti parametri di filtro passa-basso (222a, 224a, 226a) e di detti parametri di filtro passa-alto (222b, 224b, 226b), - selezionare parametri di filtro passa-basso (222a, 224a, 226a) e parametri di filtro passa-alto (222b, 224b, 226b) calibrati in detto insieme di parametri di filtraggio (Pωs) come parametri di filtro passa-basso (222a, 224a, 226a) e parametri di filtro passa-alto (222b, 224b, 226b) in detto insieme di parametri di filtraggio (Pωs) che forniscono un fit (406) di detto insieme di caratteristiche estratte e/o di detto segnale di classificazione (DS) con un insieme di riferimento di caratteristiche estratte e/o un segnale di classificazione di riferimento.
9. 9. Procedimento (100) secondo la rivendicazione 8, in cui detto calibrare comprende un algoritmo genetico (40) per selezionare detti parametri di filtro passa-basso (222a, 224a, 226a) e parametri di filtro passa-alto (222b, 224b, 226b) calibrati in detto insieme di parametri di filtraggio (Pωs).
10. 10. Sistema di elaborazione di un segnale elettrofisiologico (WF), configurato per essere accoppiato ad almeno un sensore di segnali elettrofisiologici (10, 12) che raccoglie da un umano (D) almeno un segnale elettrofisiologico (WF) che è funzione del livello di attenzione di detto umano (D), in cui il sistema comprende una circuiteria di elaborazione configurata per eseguire detti atti di filtraggio (20) del segnale elettrofisiologico raccolto (WF), di applicazione di detta elaborazione di rete neurale artificiale (50) al segnale elettrofisiologico filtrato (WFf), di applicazione di detta elaborazione di classificatore (60) e di innesco di detto circuito utente (A) con il procedimento (100) secondo una qualsiasi delle rivendicazioni da 1 a 9.
11. 11. Veicolo (V) equipaggiato con il sistema secondo la rivendicazione 10 in combinazione con almeno un sensore di segnali elettrofisiologici (10, 12) configurato per raccogliere da un umano (D) almeno un segnale elettrofisiologico (WF) che è funzione del livello di attenzione di detto umano (D).
12. 12. Veicolo (V) secondo la rivendicazione 11, il veicolo equipaggiato con almeno un dispositivo di assistenza alla guida (A), il dispositivo di assistenza alla guida (A) configurato per essere innescato in funzione di detto segnale di classificazione (DS).
13. 13. Prodotto informatico caricabile nella memoria di almeno un circuito di elaborazione e comprendente porzioni di codice software per eseguire le fasi del procedimento secondo una qualsiasi delle rivendicazioni da 1 a 9 quando il prodotto è eseguito su almeno un circuito di elaborazione.