IT201900015926A1 - Procedimento di elaborazione di segnali elettrofisiologici per calcolare una chiave virtuale di veicolo, dispositivo, veicolo e prodotto informatico corrispondenti - Google Patents

Description

DESCRIZIONE dell’invenzione industriale dal titolo:

“Procedimento di elaborazione di segnali elettrofisiologici per calcolare una chiave virtuale di veicolo, dispositivo, veicolo e prodotto informatico corrispondenti”

TESTO DELLA DESCRIZIONE

Campo tecnico

La descrizione è relativa all’elaborazione di segnali elettrofisiologici come, per es., i segnali di fotopletismografia (PPG, “PhotoPlethysmoGraphy”).

Una o più forme di attuazione possono essere utili nell’ottenere informazioni biometriche in un veicolo (“invehicle”) dal corpo vivente del conducente di un veicolo con uno sguardo alla possibilità di effettuare un’autenticazione personale e di attivare funzionalità del veicolo su misura.

Sfondo Tecnologico

La fotopletismografia (PPG) è una tecnica ottica semplice e di basso costo che può essere usata per rilevare i cambiamenti del volume sanguigno nel letto microvascolare di un tessuto umano. La fotopletismografia è usata spesso in una maniera non invasiva per fare misurazioni alla superficie della pelle.

Una forma d’onda di PPG comprende una forma d’onda fisiologica pulsatile (‘AC’) che può essere attribuita ai cambiamenti sincroni cardiaci nel volume sanguigno con ciascun battito cardiaco, sovrapposta a una linea di base che varia lentamente (‘DC’) con varie componenti di frequenza inferiore che può essere attribuita alla respirazione, alla termoregolazione, alla natura dei tessuti cutanei, e così via.

Per ciascun ciclo cardiaco, il cuore pompa il sangue alla periferia. Questo impulso di pressione è abbastanza smorzato per il momento in cui raggiunge la pelle, ma è sufficiente da distendere le arterie e le arteriole nel tessuto sottocutaneo. Se un dispositivo rilevatore della trasmissione/riflessione della luce è attaccato sopra la pelle, dal plesso venoso può anche essere visto un impulso di pressione, come un piccolo picco secondario.

Il cambiamento di volume causato dall’impulso di pressione può essere rilevato illuminando la pelle con una luce proveniente da un diodo a emissione luminosa (LED, “Light-Emitting Diode”) e misurando quindi la quantità di luce trasmessa o riflessa a un fotodiodo. Ciascun ciclo cardiaco appare come un picco.

Il flusso di sangue alla pelle può essere modulato con altri molteplici sistemi fisiologici e la PPG può anche essere usata per monitorare la respirazione, l’ipovolemia, e condizioni circolatorie così come per un’analisi soggettiva.

In aggiunta, la sagoma della forma d’onda di PPG differisce da soggetto a soggetto, e varia con la posizione e il modo in cui è attaccato l’ossimetro a impulsi.

I segnali di fotopletismografia (PPG) contengono ricche informazioni personali che possono essere usate per distinguere soggetti individuali.

I segnali di fotopletismografia (PPG) sono facili da ottenere con un basso costo, il che migliora il loro potenziale a servire come un meccanismo di identificazione biometrica per varie applicazioni.

L’autenticazione con l’uso di informazioni biometriche è un sistema mediante il quale un’autenticazione personale è fatta in base a tratti fisici umani di un utente, cioè, informazioni biologiche come un’impronta digitale, l’iride, o simili.

I segnali di PPG possono essere ottenuti facilmente con apparecchiature di basso costo e possono trovare uso in un meccanismo di identificazione biometrica.

In letteratura sono proposti vari approcci, per esempio in:

- M. Szankin et al., “Long Distance Vital Signs Monitoring with Person Identification for Smart Home Solutions”, 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Honolulu, HI (Stati Uniti d’America), 2018, pagine da 1558 a 1561, doi: 10.1109/EMBC.2018.8512509 discute la fotopletismografia a formazione di immagini (“imaging”), che ha già dimostrato di avere successo a breve distanza (al di sotto di 1 m), nel contesto dei possibili scenari che i progettisti dei sistemi devono avere a mente che comprendono il monitoraggio dei segni vitali degli ospiti nelle case di riposo, delle persone con disabilità, di chi non può muoversi, un supporto costante per le persone indipendentemente dall’attività compiuta (per es., durante il sonno), i neonati, ecc., verificando la possibilità di una stima degli impulsi remota a una distanza superiore a 5 m, integrando algoritmi di apprendimento profondo (“deep learning”) per l’identificazione e il tracciamento delle persone, anche quando i tratti distintivi facciali non sono visibili, permettendo la raccolta di misurazioni specifiche per utente per creare pattern di segni vitali personalizzati e fornendo il supporto per il monitoraggio di molteplici persone usando un solo flusso continuo (“stream”) video;

- B. -. Lee, S. -. Jung e W. -. Chung, “Real-time physiological and vision monitoring of vehicle driver for non-intrusive drowsiness detection,” in IET Communications, vol. 5, n. 17, pagine da 2461 a 2469, 25 novembre 2011, doi: 10.1049/iet-com.2010.0925 discute un approccio per rilevare la sonnolenza di un conducente applicando due procedimenti distinti nella visione artificiale (“computer vision”) e nella elaborazione di immagini, per 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;

- Yongbo Wan, Xiaodong Sun e Jianchu Yao, “Design of a Photoplethysmographic Sensor for Biometric Identification,” 2007 International Conference on Control, Automation and Systems, Seoul (Corea del Sud), 2007, pagine da 1897 a 1900, doi: 10.1109/ICCAS.2007.4406656 discute il progetto di un circuito di amplificazione analogico per segnali di PPG per rimuovere la componente DC del segnale, aggiungendo un circuito di regolazione della polarizzazione dell’amplificatore, un segnale AC con un alto rapporto di segnale-rumore (“signal-to-noise ratio”) può essere acquisito dal segnale di PPG non elaborato (“raw”), in cui miglioramenti dell’hardware hanno come risultato una migliore qualità del segnale e rendono più semplice l’elaborazione dei dati di identificazione;

- J. Yao, X. Sun e Y. Wan, “A Pilot Study on Using Derivatives of Photoplethysmographic Signals as a Biometric Identifier,” 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Lyon (Francia), 2007, pagine da 4576 a 4579, doi: 10.1109/IEMBS.2007.4353358 discute due importanti questioni nell’applicare derivate di segnali di PPG come discriminanti per identificare e verificare dei soggetti: la coerenza in un soggetto individuale e la discriminabilità tra soggetti differenti. I risultati sperimentali dimostrano che, impiegando strumenti statistici, le derivate possono descrivere precisamente le caratteristiche di un segnale di PPG di un individuo e possono essere usate come bio-misure a scopi di identificazione;

- P. Spachos, Jiexin Gao e D. Hatzinakos, “Feasibility study of photoplethysmographic signals for biometric identification,” 2011 17th International Conference on Digital Signal Processing (DSP), Corfu (Grecia), 2011, pagine da 1 a 5, doi: 10.1109/ICDSP.2011.6004938 discute la fattibilità, insieme ai procedimenti di elaborazione di segnale rilevanti, dell’uso di segnali di PPG di un individuo come un tratto biometrico, in cui sono esaminati segnali di PPG da due insiemi di dati biometrici, in cui i segnali di PPG sono stati ottenuti dalle impronte digitali di 29 soggetti in salute, in cui i risultati sperimentali hanno dimostrato che i segnali di PPG possono essere usati come bio-misure a scopi di identificazione, dato che i segnali di PPG sono raccolti in un ambiente controllato e con sensori accurati.

Varie soluzioni proposte in letteratura possono essere esposte a uno o più dei seguenti inconvenienti:

- mancanza di robustezza e bassa accuratezza;

- i procedimenti basati sull’analisi in frequenza hanno come risultato un’elaborazione lenta e che richiede tempo;

- problemi di rumore e di stabilizzazione dei segnali. In generale, le soluzioni esistenti non forniscono un’affidabilità adeguata, per es., specialmente quando sono impiegati componenti relativamente poco costosi e di bassa complessità.

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 avente le caratteristiche esposte nelle rivendicazioni che seguono.

Un procedimento di elaborazione di segnali elettrofisiologici per identificare il conducente di un’automobile per mezzo di bio-segnali fisiologici, per es. una fisio-impronta digitale, può essere un esempio di un tale procedimento.

Una o più forme di attuazione possono essere relative a un dispositivo di chiave di veicolo corrispondente.

Un dispositivo a pulsante di chiave di veicolo comprendente un sensore di PPG e configurato per effettuare una o più forme di attuazione del procedimento di elaborazione di segnali elettrofisiologici può essere un esempio di un tale sistema.

Una o più forme di attuazione possono essere relative a un veicolo equipaggiato con una o più forme di attuazione del dispositivo di chiave di veicolo.

In una o più forme di attuazione, il procedimento può essere un procedimento implementato da elaboratore o computer.

Una o più forme di attuazione possono comprendere un prodotto informatico caricabile nella memoria di almeno un circuito di elaborazione (per es., un elaboratore o computer) e comprendente porzioni di codice software per eseguire le fasi del procedimento quando il prodotto è eseguito su almeno un circuito di elaborazione. Come usato qui, un riferimento a un tale prodotto informatico intende essere equivalente a un riferimento a un mezzo leggibile da elaboratore che contiene istruzioni per controllare il sistema di elaborazione al fine di coordinare l’implementazione del procedimento secondo una o più forme di attuazione. Un riferimento ad “almeno un elaboratore” intende evidenziare la possibilità che una o più forme di attuazione siano implementate in una forma modulare e/o distribuita.

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

Una o più forme di attuazione possono comportare una pipeline configurata per elaborare segnali di fotopletismografia (PPG) in base all’uso di rilevatori, come per es. rilevatori fotomoltiplicatori al silicio (SiPM, “Silicon PhotoMultiplier”). Tali sensori di sonda possono fornire vantaggi in termini di sensibilità a singolo fotone e di elevato guadagno interno per una polarizzazione inversa relativamente bassa.

Una o più forme di attuazione possono adottare (eventualmente in relazione ai rilevatori SiPM) una pipeline di elaborazione atta a correggere la distorsione dei segnali.

Una o più forme di attuazione possono adottare una pipeline di elaborazione comprendente un filtro di segnali non elaborati di PPG, che comprende a sua volta per es. uno schema passa-banda FIR (per es., passa-basso più passaalto), un sistema di riconoscimento di pattern di PPG così come un sistema per rilevare ed estrarre indicatori medicali.

Una o più forme di attuazione possono comprendere sistemi di apprendimento profondo/macchina che facilitano un’identificazione e profilamento robusti del conducente di un’auto.

Una o più forme di attuazione possono facilitare un aumento della sicurezza e della protezione di attenzione, migliorando le applicazioni dei cosiddetti sistemi avanzati 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”).

Una o più forme di attuazione possono usare algoritmi avanzati basati sul tempo per una rilevazione efficiente e robusta, quasi in tempo reale (“near-real time”), del conducente di un’auto, usando un segnale di PPG campionato dello stesso conducente.

Una o più forme di attuazione possono, vantaggiosamente:

- evitare di usare una conversione al dominio della frequenza o operazioni che possono usare calcoli a uso intensivo della CPU,

- ridurre una quantità di strumentazione, per es. evitando l’uso di telecamere di visione, facendo affidamento solamente su un semplice sensore elettrofisiologico, per es. PPG,

- un basso consumo della CPU poiché il procedimento è feed-forward;

- un riapprendimento (opzionalmente) e una rilevazione del profilo di utente (del conducente dell’auto) ad alta velocità (~ 4/5 secondi),

- alta precisione e robustezza (~ 99,7% di accuratezza),

- resilienza ai tentativi di pirateria informatica (“hacking”).

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 un esempio di un diagramma temporale di un segnale di forma d’onda di PPG,

- la Figura 2 è un esempio di un diagramma di un principio alla base della raccolta di segnali elettrofisiologici di un essere umano,

- la Figura 3 è uno schema di un sensore di PPG,

- la Figura 4 è un esempio di un diagramma di operazioni di un procedimento secondo la presente descrizione,

- la Figura 5 è un esempio di un diagramma di una porzione del diagramma della Figura 4,

- la Figura 6 è un esempio di un diagramma di una porzione del diagramma della Figura 4,

- le Figure da 7 a 9 sono esempi di diagrammi di possibili operazioni di calcolo di un segnale di chiave virtuale,

- le Figure da 10 a 12 sono esempi di possibili layout di reti neurali in forme di attuazione.

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.

Come menzionato, la presente descrizione è relativa a un procedimento di elaborazione di segnali elettrofisiologici.

Per semplicità, una o più forme di attuazione sono discusse qui principalmente con riferimento a segnali di fotopletismografia (PPG) come segnali elettrofisiologici. Un tale tipo di segnali elettrofisiologici è esemplificativo, essendo inteso per il resto che una o più forme di attuazione possono essere applicate virtualmente a un qualsiasi segnale elettrofisiologico che può essere raccolto convenientemente attraverso un sensore.

La Figura 1 è un esempio di un diagramma di un segnale di fotopletismografia (PPG).

Come rappresentato come esempio nella Figura 1, un tipico segnale/forma d’onda di fotopletismografia (in breve, PPG) comprende:

- un picco sistolico SP a un valore di picco x,

- una incisura dicrota DN,

- un picco diastolico DP a un valore y.

Può anche essere definita una larghezza W dell’impulso a un dato valore del valore di PPG.

I segnali di PPG possono essere rilevati usando dispositivi/sensori di PPG (per es., il sensore PD nella Figura 2 o un sensore) comprendenti emettitori LED che funzionano a specifiche lunghezze d’onda (di solito infrarosso a 940 nm) e fotomoltiplicatori al silicio o SiPM (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).

Questi SiPM possono avere un’area totale di 4,0 x 4,5 mm<2 >e 4871 microcelle quadrate con passo di 60 micron (1 micron = 10<-6 >m). Questi dispositivi hanno un fattore di riempimento geometrico del 67,4% e sono impacchettati in un alloggiamento a montaggio superficiale (SMD) con un’area totale di 5,1 x 5,1 mm<2 >(si veda per esempio M. Mazzillo, et al. citato sopra oppure M. Mazzillo, et al.: “Electrooptical performances of p-on-n and n-on-p silicon photomultipliers”, IEEE Trans. Electron Devices, vol. 59, n. 12, pagine da 3419 a 3425, 2012).

Un filtro in banda passante dicroico Pixelteq con una banda passante centrata a 542 nm con una larghezza a metà altezza (FWHM) di 70 nm (1 nm = 10<-9 >m) ed una trasmissione ottica maggiore del 90% nell’intervallo di banda passante può essere incollato sul package SMD usando un adesivo Loctite<® >352TM. Con il filtro dicroico a 3V-OV, il SiPM ha un’efficienza di rilevamento massima di circa il 29,4% a 565 nm ed una PDE di circa 27,4% a 540 nm (lunghezza d’onda centrale nella banda passante del filtro - 1 nm = 10<-9 >m). Si è osservato che il filtro dicroico può ridurre di oltre il 60% l’assorbimento della luce ambientale nell’intervallo di funzionamento lineare del rilevatore funzionante in modalità Geiger al di sopra della sua tensione di rottura (~ 27V). I LED OSRAM LT M673 in un package SMD che emettono a 529 nm (1 nm = 10<-9 >m) e basati su una tecnologia InGaN sono stati usati in qualità di sorgenti luminose ottiche in forme di attuazione esemplificative. Questi LED hanno un’area di 2,3 x 1,5 mm<2>, angolo di visione di 120°, larghezza di banda spettrale di 33 nm (1 nm = 10<-9 >m) ed emissione di potenza tipica di pochi mW nell’intervallo di funzionamento standard.

L’uso di sonde di PPG comprendenti rilevatori fotomoltiplicatori al silicio (SiPM) può fornire vantaggi in termini di sensibilità a singolo fotone e di elevato guadagno interno per una polarizzazione inversa relativamente bassa.

È stato osservato (si veda per es. D. Agrò, et al.: “PPG embedded system for blood pressure monitoring,” in AEIT Annual Conference - From Research to Industry: The Need for a More Effective Technology Transfer (AEIT), Trieste, 2014), che i fotomoltiplicatori al silicio (SiPM) possono fornire vantaggi in sistemi di PPG in termini di rapporto AC-DC più elevato in una forma d'onda di impulso di PPG, elevata ripetibilità ed immunità ad artefatti di movimento ed interferenze ambientali. Una o più forme di attuazione come qui discusso possono rilevare segnali di PPG usando i SiPM (come disponibili presso le società del gruppo ST) in qualità di sensori di sonda ottica, atti ad essere usati in combinazione con componenti hardware e software per fornire una pipeline di elaborazione di segnali.

La Figura 2 è un esempio di un possibile funzionamento di sensori di PPG.

Una luce emessa dai LED può essere assorbita dalla cute (componente DC) e dalle arterie, specificamente mediante emoglobina ossigenata (e in piccola parte non ossigenata) (componente AC).

La luce propagata/riflessa (retrodiffusa) residua può essere funzione (proporzionale-differenziale) della quantità di luce assorbita dall’emoglobina nel sangue del paziente nelle svariate fasi del cuore (sistolica, diastolica, dicrota e così via). Un fotomoltiplicatore SiPM può così rilevare la presenza di fotoni nella luce propagata/riflessa trasducendo un segnale elettrico che può essere campionato per esempio mediante un ADC a 24 bit, fornendo così un segnale di PPG come discusso precedentemente.

Tali sensori di PPG PD possono essere applicati su un pulsante di chiave di veicolo SB in un veicolo V, in vari dispositivi come rappresentato nella Figura 2.

Una o più forme di attuazione possono trarre vantaggio dalla capacità dei sensori di PPG PD di funzionare sia in una modalità di trasmissione (si veda per es. la porzione a) nella Figura 2), vale a dire con una radiazione dal LED che si propaga attraverso il corpo (per es., il corpo di un paziente che è esaminato clinicamente o di un conducente), per esempio attraverso un’impronta digitale F, e in una modalità di riflessione (si veda per es. la porzione b) nella Figura 2), vale a dire con una radiazione dal LED riflessa (retrodiffusa) dal corpo, che facilita un rilassamento dei requisiti per un possibile posizionamento dei rilevatori/sensori di PPG PD rispetto al corpo.

Specificamente, come rappresentato nella Figura 3, un dispositivo sensore di PPG 10 può comprendere una sezione di sonda (SiPM) 10A e una scheda a circuito stampato (PCB, “Printed Circuit Board”) 10B configurata per interfacciarsi con le sezioni di sonda 10A con una circuiteria di acquisizione e di elaborazione.

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 e di elaborazione 18, come rappresentato qui come esempio, può anche comprendere una piattaforma hardware/software basata, per es., su un personal computer (per es., con un core i5 Intel a 3,4 GHz più MATLAB) configurato per acquisire ed elaborare segnali elettrofisiologici.

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

Una o più forme di attuazione possono comprendere un veicolo V equipaggiato con un dispositivo di chiave di veicolo SB, 10 comprendente un sensore PD di segnali elettrofisiologici configurato per raccogliere da un essere umano una forma d’onda di segnale di PPG su un tempo limitato e configurato per eseguire la pipeline di elaborazione 100.

Specificamente, il sensore SB, 10 può essere configurato in modo da raccogliere una forma d’onda di PPG durante un intervallo di tempo uguale al tempo di avviamento del motore del veicolo V. Per esempio, un processo di accensione del veicolo può essere attivato come risultato del fatto di tenere il dispositivo di chiave di veicolo SB, per es. il pulsante, per un dato ammontare di tempo.

Per esempio, una tale durata di tempo può durare approssimativamente da 50 a 60 secondi. Per esempio, il tasso di campionamento del sensore di PPG SB, 10 può essere di approssimativamente 1 kilohertz, ottenendo una serie temporale o un segnale campionato S.

Una o più forme di attuazione, come rappresentato come esempio nella Figura 4, possono comprendere una pipeline di elaborazione 100 comprendente, per esempio:

- uno stadio di preelaborazione di segnale 42, configurato per ricevere un segnale elettrofisiologico S (campionato), per esempio raccolto da un dispositivo di chiave di veicolo 10 come discusso in precedenza, e per applicare a esso un filtraggio del rumore; in una o più forme di attuazione, tale stadio di preelaborazione di segnale 42 può usare un procedimento di elaborazione di segnali elettrofisiologici come discusso nel documento US 2019/0021615 A1;

- uno stadio di elaborazione di segnale 43 configurato per ricevere il segnale elettrofisiologico S filtrato e per estrarre da esso almeno un insieme di caratteristiche SF1; SF2, SF3, lo stadio di elaborazione comprendendo almeno uno tra uno stadio di iper-filtraggio 44, uno stadio di elaborazione di dynamic time warping (in breve, DTW -“Dynamic Time Warping”) 46 e/o uno stadio di elaborazione di rete neurale artificiale (in breve, ANN - “Artificial Neural Network”) 44;

- uno stadio di riconoscimento di pattern 50, configurato per ricevere l’almeno un insieme di caratteristiche estratto dal segnale elettrofisiologico S elaborato e per applicare a esso un’elaborazione di riconoscimento di pattern, lo stadio di riconoscimento di pattern 50 comprendendo un primo stadio di riconoscimento di pattern 52 e un secondo stadio di riconoscimento di pattern 54 ed essendo configurato per fornire un segnale di chiave virtuale configurato per attivare selettivamente sottosistemi nel veicolo (per es., l’accensione) in funzione di un “profilo” riconosciuto di conducente in carne e ossa di un veicolo che “concorda” con le caratteristiche del segnale elettrofisiologico.

Come menzionato, in una o più forme di attuazione, la pipeline di elaborazione 100 può essere configurata per fornire un tale segnale di chiave virtuale P a un circuito di utente A, per esempio a un controllore elettronico che gestisce tutti i sottosistemi nell’auto, o a un’interfaccia come un visualizzatore (“display”), per es. sul cruscotto del veicolo V, per inviare segnali di allarme o altri segnali in funzione del segnale di chiave virtuale P.

In una o più forme di attuazione, lo stadio di classificazione può fornire un segnale di classificazione P indicativo di un profilo di un conducente in carne e ossa di un veicolo V a un circuito di utente A, per esempio in cui il circuito di utente comprende un circuito di avvio/accensione del veicolo o un circuito configurato per attivare sottoinsiemi di funzionalità del veicolo V.

In una o più forme di attuazione come rappresentato come esempio nella Figura 5, lo stadio di iper-filtraggio 44 nella pipeline 40 può essere configurato per ricevere da essa il segnale elettrofisiologico S e per applicare a esso un filtraggio, preferibilmente un filtraggio passa-banda attraverso un filtraggio passa-alto 44a e un filtraggio passa-basso 44b concorrenti congiunti, che fornisce un insieme di segnali elettrofisiologici SF1 filtrati, per es. segnali di PPG filtrati.

Si nota che, per la maggior parte delle applicazioni, una maggioranza di caratteristiche interessanti del segnale di PPG elettrofisiologico raccolto è inclusa in una componente “AC” del segnale di PPG, la componente AC trovandosi per es. nella gamma di frequenze 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., 44 nella Figura 4) attivo in tale gamma.

Si può avere interesse ad analizzare ulteriori sottobande di frequenza di tale gamma, al fine di estrarre dal segnale elettrofisiologico S indicatori più accurati del livello di attenzione. Uno stadio di iper-filtraggio 44 può prevedere di applicare un filtraggio multiplo in varie gamme di frequenze al fine di estrarre da esse informazioni rilevanti.

In una o più forme di attuazione, tale stadio di iperfiltraggio 44 può essere implementato in un circuito di elaborazione di un’unità microcontrollore (MCU, “MicroController Unit”) SPC58 Chorus fabbricata da STMicroelectronics.

Come rappresentato come esempio nella Figura 5, un (iper-)filtraggio 44 può comprendere un filtraggio passabanda attraverso un filtraggio passa-basso 44a e un filtraggio passa-alto 44b 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 44a e uno stadio di filtraggio passa-alto 44b possono comprendere stadi di filtraggio multipli 442a, 444a, 446a, 442b, 444b, 446b, per esempio:

- un primo stadio di filtraggio passa-basso 44a che può comprendere un primo insieme di filtri 442a, 444a, 446a aventi un primo insieme di parametri di filtro, per es. frequenze di taglio, tipi di filtri, ecc., per esempio all’interno della gamma di frequenze da 0,5 Hz a 7,0 Hz delle componenti AC di PPG, e

- lo stadio di filtraggio passa-alto 44b può comprendere un secondo insieme di filtri 442b, 444b, 446b aventi un secondo insieme di parametri, per es. frequenze di taglio, tipi di filtri, ecc. per esempio all’interno della gamma di frequenze da 0,5 Hz a 7,0 Hz delle componenti AC di PPG.

In una o più forme di attuazione, uno stesso numero di stadi di filtro Nf può essere presente 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 passa-banda 44 multiplo al segnale elettrofisiologico S può facilitare l’ottenimento di una rappresentazione differente delle informazioni contenute nel segnale originale. Un filtraggio con differenti tipi di filtro e parametri di filtro può facilitare l’ottenimento di caratteristiche multiple di un segnale in uno stesso momento, riducendo la velocità di elaborazione del segnale per riconoscere il profilo di un conducente.

Per esempio, l’insieme di segnali filtrati SF1 può essere memorizzato in una matrice definita in modo appropriato avente un numero di colonne uguale a un numero n di filtri impiegati nel terzo stadio di elaborazione 44 e un numero m di righe uguale al numero di segnali di PPG elaborati.

In una o più forme di attuazione, possono essere forniti parametri di filtraggio FP dei filtri passa-basso 442a, 444a, 446a e dei filtri passa-alto 442b, 444b, 446b nel terzo stadio di elaborazione 44.

In una o più forme di attuazione, un insieme di parametri di filtraggio FP comprende parametri FP dei filtri passa-basso 442a, 444a, 446a e passa-alto 442b, 444b, 446b selezionati tra i parametri di filtro di Butterworth, di Chebyshev tipo I, di Chebyshev tipo II ed ellittici.

Tali parametri di filtro possono essere calibrati in uno stadio di calibrazione, in cui le caratteristiche di uscita estratte del segnale SF1 possono variare in funzione della variazione di detti parametri dei filtri e della selezione di parametri di filtro passa-basso 442a, 444a, 446a e parametri di filtro passa-alto 442b, 444b, 446b calibrati che forniscono un adattamento delle caratteristiche estratte rispetto a un insieme di riferimento di caratteristiche estratte (per es., che è noto che appartengono a un dato profilo).

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 44a, 44b, rispettivamente, possono essere calibrati attraverso una Procedura di Ottimizzazione di Algoritmo Genetico (in breve, GAOP -“Genetic Algorithm Optimization Procedure”) 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 442a nel primo insieme di filtri 444a. Si può anche trovare che una mappa Auto-Organizzante (“Self-Organizing”) possa essere adatta in combinazione con la GAOP.

In una o più forme di attuazione, un tale terzo stadio di elaborazione 44 può essere calibrato secondo un procedimento come discusso nella domanda di brevetto italiano n. 102019000005868 a nome della stessa Richiedente.

In una o più forme di attuazione, come rappresentato come esempio nella Figura 6, lo stadio di elaborazione di DTW 46 nella pipeline 40 può comprendere:

- fornire un segnale elettrofisiologico di riferimento Sref, per esempio memorizzando un segnale di PPG di un conducente di un veicolo in un’area di memoria M nella pipeline 40 e recuperandolo da essa, e

- ricevere il segnale di PPG S raccolto, e

- applicare un’elaborazione di DTW 462 al segnale S raccolto e ai segnali elettrofisiologici di riferimento Sref, l’elaborazione di DTW configurata per calcolare un insieme di valori o caratteristiche SF2 del segnale di PPG S raccolto come risultato di un allineamento (temporalmente) del segnale raccolto sul segnale di riferimento (o viceversa); valori di caratteristiche SF2 calcolati per effettuare tale allineamento possono essere indicativi di un grado di similarità tra il segnale S raccolto e i segnali di riferimento Sref (e quindi indicativi di un profilo di “identità” del conducente del veicolo).

In una o più forme di attuazione, applicare l’elaborazione di DTW può comprendere di fornire un generatore casuale caotico 464 al fine di ottenere un indicatore del grado di similarità in un ambiente rumoroso, aumentando quindi un “peso” delle caratteristiche calcolate.

In una o più forme di attuazione, un’implementazione ad-hoc di un algoritmo di Needleman–Wunsch può essere adatta per l’uso nello stadio di elaborazione di DTW.

In una o più forme di attuazione, come rappresentato come esempio nella Figura 7, applicare l’elaborazione di DTW 462 può comprendere:

- fornire una griglia vuota 4620 che comprende una pluralità di celle, la griglia configurata per contenere un primo segnale campionato S su una prima riga e un secondo segnale campionato Sref su una prima colonna, in cui la griglia vuota ha un numero di righe j=1,…,m e un numero di colonne i=1,…,n e in cui il numero massimo di righe m è funzione di un numero di campioni di segnale del segnale di PPG di riferimento Sref, mentre il numero massimo di colonne n è funzione di un numero di campioni di segnale del segnale di PPG S raccolto;

- fornire un generatore casuale caotico 464 e generare da esso almeno un valore casuale K, e

- scegliere un sistema di punteggio, per esempio impostare una classificazione uguale ai valori di (un vettore di) una distanza d attraverso i valori dei campioni di segnale di rispettivi segnali; per esempio, indicando con X il primo segnale campionato S e con Y il secondo segnale campionato Sref, una prima metrica di distanza può essere espressa come:

e una seconda metrica di distanza può essere espressa come:

dove K è un valore casuale generato dal generatore casuale caotico 464; il fatto di usare una o più metriche può facilitare l’ottenimento di caratteristiche multiple; - calcolare, muovendosi attraverso le celle della griglia riga per riga, un rispettivo punteggio

per ciascuna cella (i,j) della griglia,

- selezionare un valore di punteggio candidato “migliore” (per es., il più basso/alto) per ciascuna riga e/o ciascuna colonna.

Come rappresentato come esempio nella Figura 6A, come risultato dell’elaborazione di DTW 462, può essere ottenuta una caratteristica o un “warping path” (“percorso di deformazione”) SF2 di un segnale su un altro.

L’elaborazione di DTW 462 può distendere (“stretch”) due segnali campionati (o vettori), x e y, su un insieme comune di istanti in modo tale che una distanza, per es. la somma delle distanze euclidee tra punti corrispondenti, sia la più piccola. Per distendere gli ingressi, il DTW può ripetere ciascun elemento di x e y tante volte quanto necessario. Come risultato, l’elaborazione di DTW può restituire un insieme comune di istanti, o un warping path, in modo tale che x(i) e y(j) abbiano la più piccola distanza possibile tra loro.

Per esempio, il warping path SF2 può comprendere, come rappresentato come esempio nella Figura 6A, una porzione indicativa di un’espansione 4622, una contrazione 4626 o una concordanza 4624 tra campioni di segnali di PPG raccolti e un loro gruppo “parallelo” di campioni di segnale del segnale di PPG di riferimento.

Come rappresentato come esempio nelle Figure 8 e 9, possono essere ottenute caratteristiche multiple SF2, SF2’ da una applicazione successiva dell’elaborazione di DTW 462 all’insieme di segnali da mappare gli uni sugli altri. Specificamente, caratteristiche SF2, SF2’ multiple possono differire per il fatto che è usato un differente valore K generato dal generatore casuale 464 per calcolare una o l’altra delle matrici di punteggio aumentando il numero di caratteristiche che possono essere ottenute e la robustezza del procedimento.

In una o più forme di attuazione, lo stadio di elaborazione di ANN 48 nello stadio di elaborazione 43 nella pipeline 40 può comprendere uno stadio di elaborazione di ANN 48.

La Figura 10 è un esempio di un diagramma di una possibile topologia di rete di uno stadio di rete neurale artificiale (o di apprendimento macchina) 48 configurato per estrarre un insieme di caratteristiche SF3 dal segnale di PPG S ricevuto.

In una o più forme di attuazione, si può trovare che procedimenti di elaborazione come quelli descritti in Yoshua Bengio (2009), “Learning Deep Architectures for AI”, Foundations and Trends® in Machine Learning: Vol. 2: N. 1, pagine da 68 a 95. http://dx.doi.org/10.1561/2200000006 possono essere adatti per un’elaborazione di rete neurale artificiale 48.

In una o più forme di attuazione, applicare un’elaborazione di rete neurale 48 può comprendere una pipeline di elaborazione di rete neurale artificiale (in breve, ANN), per es. in una pipeline feed-forward, comprendente:

- uno strato di ingresso 160, configurato per ricevere il segnale di PPG S, specificamente per ricevere un insieme di (campioni di) segnali di PPG raccolti sulla durata di tempo limitata della permanenza del dito F del conducente del veicolo sul sensore di PPG del pulsante della chiave SB, 10 del veicolo;

- un primo strato di elaborazione 162, accoppiato allo strato di ingresso 160, configurato per ricevere l’insieme di campioni di segnale di PPG S e per fornire un primo insieme di rappresentazioni latenti y e un primo sottoinsieme di caratteristiche W, per es. auto-apprese, nell’insieme di campioni di segnale di PPG S nel tempo;

- un secondo strato di elaborazione 164, accoppiato al primo strato di elaborazione 162, configurato per ricevere tale insieme di rappresentazioni latenti y e per fornire un secondo insieme di rappresentazioni latenti y′ e un secondo sottoinsieme di caratteristiche W′, per es. auto-apprese, nell’insieme di campioni di PPG S;

- uno strato di uscita 180, accoppiato al secondo strato 164, configurato per fornire l’insieme di caratteristiche SF3 calcolato.

Lo strato di ingresso 160 e lo strato di uscita 180 possono essere indicativi di un numero di “spazi” (“slot”) o di “percettroni” (“perceptrons”) disponibili per l’ingresso o l’uscita nello stadio di ANN 48. Per esempio, lo strato di ingresso 160 può fornire spazio per un certo numero di dati di ingresso, per es. per un numero k di punti di dati di ingresso uguale al numero di campioni di segnale di PPG nel tempo, per es. k=22.

In una o più forme di attuazione, il primo 162 o il secondo 164 strato può comprendere cosiddetti “strati nascosti”, in cui i percettroni si accoppiano ad altri neuroni nella rete e quindi non sono direttamente accessibili dagli strati di ingresso e di uscita, il che indica che l’elaborazione può avvenire con un numero più elevato e con un’architettura più complessa di percettroni rispetto a uno strato singolo, per esempio al fine di elaborare in parallelo segnali di PPG raccolti multipli, per es. usando 50 strati nascosti.

In una o più forme di attuazione, il primo strato di elaborazione 162 e il secondo strato di elaborazione 164 possono avere un’architettura di Percettroni Multistrato (in breve, MLP (“Multi-Layer Perceptron”)) simile, avente un insieme di n strati nascosti, per esempio n=50 strati nascosti.

Un singolo i-esimo percettrone per es. nel primo strato di elaborazione 162, può essere identificato <nell’insieme di n percettroni da una tupla di valori >

comprendente un valore di peso e un valore di

scostamento (“offset”) e una funzione di attivazione

In una o più forme di attuazione, per esempio, per un primo strato 162 e un secondo strato 164 rispettivi:

<- un insieme di valori di ponderazione è indicato come >

- un insieme di valori di polarizzazione è indicato come

- un insieme di funzioni di attivazione è indicato come

Si nota che, anche se i simboli usati sono differenti, i valori e le funzioni possono essere gli stessi per il primo strato 162 e il secondo strato 164, per es. il primo e il secondo strato possono avere un insieme uguale di funzioni di attivazione

In una o più forme di attuazione, gli insiemi di funzioni di attivazione comprendono funzioni sigmoide, per <esempio come >

dove è l’insieme di valori di ingresso.

In una o più forme di attuazione, il primo e il secondo stadio di elaborazione 162, 164 possono implementare un’elaborazione di Stacked auto-encoder (in breve, SAE - “Stacked AutoEncoder”) 161, al fine di apprendere a riconoscere i pattern e di fornire caratteristiche nell’insieme di segnali x, per es. in modo non supervisionato.

In una o più forme di attuazione, il primo stadio di elaborazione 162 può implementare una prima ANN ad Auto-Codificatore (in breve, codificatore), mentre il secondo stadio di elaborazione 164 può implementare un secondo codificatore.

In una o più forme di attuazione, il primo stadio di elaborazione 162 può fornire come risultato y una cosiddetta “rappresentazione latente” dei segnali di ingresso elaborati indicativa, per es. della mappatura interna, della dinamica morfo-volumetrica del segnale di PPG S campionato.

In una o più forme di attuazione, il secondo stadio di elaborazione 162 può fornire come risultato y′ una rappresentazione latente ulteriore, per es. una mappatura interna ulteriore, della rappresentazione latente y elaborata dei segnali di ingresso elaborati.

Gli stadi di codificatore 162, 164 nello stadio di SAE 161 apprendono a comprimere i dati x dallo strato di ingresso 160 in un codice y, e quindi a ricostruire da quel codice y un insieme di segnali ricostruiti z avente come obiettivo di concordare con l’insieme di dati x originale, apprendendo autonomamente e fornendo un insieme di caratteristiche di immagine, per es. codificate nei valori di peso W, W′, nel processo.

In una o più forme di attuazione, il primo codificatore 162 e il secondo codificatore 164 nello stadio di SAE 161 possono essere espressi attraverso rispettive funzioni e che identificano tuple di valori di <percettroni in rispettivi strati, per es.:>

dove il grassetto indica che i simboli sono vettori (per es., aventi una dimensione >1).

Per esempio, la rappresentazione latente può essere <espressa come:>

mentre l’insieme di segnali ricostruiti può essere <espresso come: >

Di conseguenza, lo stacked auto-encoder SAE 161 può essere addestrato a minimizzare gli errori di ricostruzione, per es. gli errori quadratici, imponendo vincoli sui residui, per es. la differenza residua tra gli insiemi di segnali ricostruiti e originali per <esempio espressa come:>

dove il funzionale è un funzionale <variazionale che può essere espresso come:>

In una o più forme di attuazione, può essere trovato che un procedimento di Divergenza di Kullback-Leibler o KLD (Kullback-Leibler Divergence) può essere adatto per un uso nell’addestramento dello stadio di elaborazione di SAE ANN 161, facilitando il fatto di evitare che si verifichino tradizionali problemi di over-fitting per la rete 161 (per es., a causa di una generalizzazione limitata) e migliorando le prestazioni di apprendimento.

Di conseguenza, la funzione di obiettivo per minimizzare i residui può essere modificata, e può essere espressa come:

dove rappresenta l’operatore di divergenza di Kullback-Leibler, per es. indicativo di una misura di come una distribuzione di probabilità è differente da una seconda distribuzione di probabilità di riferimento

<espressa come: >

in cui che implementa quindi una divergenza di Kullback-Leibler.

In una o più forme di attuazione, può essere usata un’espressione ulteriore, che riassume quanto discusso in <preceden> <za, per esempio come: >

In una o più forme di attuazione, i pesi appresi W nel primo stadio di codificatore 162 e i pesi appresi W′ nel secondo stadio di codificatore 162 possono essere inclusi nell’insieme di caratteristiche SF3 fornito dallo stadio di elaborazione di ANN 48.

In una o più forme di attuazione, il terzo insieme di caratteristiche comprende per esempio il segnale ricostruito z, la prima rappresentazione latente y, la seconda rappresentazione latente y′, il primo insieme di caratteristiche W e/o il secondo insieme di caratteristiche W′ dallo stadio di SAE 161.

In una o più forme di attuazione, come rappresentato come esempio nella Figura 11, è trovato che uno strato di raggruppamento in cluster (“clustering”), per es. uno strato softmax, sia adatto per l’uso nello strato di riconoscimento di pattern 50 nella pipeline 40 secondo la presente descrizione.

In una o più forme di attuazione, lo stadio di riconoscimento di pattern 50 può ricevere almeno uno tra un primo insieme di caratteristiche SF1 fornito dallo stadio di iper-filtraggio 44, un secondo insieme di caratteristiche SF2 fornito dallo stadio di elaborazione di DTW 46 e/o un terzo insieme di caratteristiche SF3 fornito dallo stadio di elaborazione di ANN 48, e può fornire al circuito di utente un raggruppamento o un clustering delle caratteristiche indicative di un profilo di un utente.

In una o più forme di attuazione, l’insieme di caratteristiche SF1; SF2, SF3 può essere elaborato ulteriormente in uno stadio di elaborazione di riconoscimento di pattern 50 nella pipeline 100, che può impiegare uno stadio di elaborazione di rete artificiale 52.

In una o più forme di attuazione, può essere trovato che un procedimento di Regressione Completamente Connessa Coniugata a Gradiente Scalato (in breve, SGC-FC - “Scaled Gradient Conjugate Fully-Connected”), come rappresentato come esempio nella Figura 8, possa essere adatto per un uso nell’addestramento della rete neurale artificiale impiegata nel primo stadio di elaborazione di riconoscimento di pattern 52.

Per esempio, una tale rete neurale artificiale 52 può essere addestrata impiegando il procedimento noto dal documento a nome , “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 con supervisione (gradiente coniugato scalato - SCG “Scaled Conjugate Gradient”) con un tasso di convergenza super-lineare.

Il procedimento può essere basato su una classe di tecniche di ottimizzazione ben note nell’analisi numerica come i Procedimenti a Gradiente Coniugato. L’SCG usa informazioni del secondo ordine dalla rete neurale, ma richiede soltanto un utilizzo di memoria di ordine O(N), dove N è il numero di 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 è grande la velocizzazione. L’SCG può essere completamente automatizzato non includendo alcun parametro dipendente dall’utente e può facilitare il fatto di evitare ricerche di linee che richiedono tempo.

In una o più forme di attuazione, un procedimento a Gradiente Coniugato Scalato (SCG) indica l’approssimazione quadratica all’errore E nelle vicinanze di un punto.

Come rappresentato come esempio nella Figura 11, un tale strato di Regressione SGC-FC nel primo stadio di riconoscimento di pattern 52 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 dei 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 caratteristiche SF1, SF2, SF3 può essere elaborato inoltre in un secondo stadio di elaborazione di riconoscimento (di classificazione) di pattern 54.

In una o più forme di attuazione, come rappresentato come esempio nella Figura 12, può essere trovato che uno strato softmax 900 sia adatto per un uso nello stadio di elaborazione di classificazione 54.

Uno strato di Regressione Softmax è una generalizzazione di una regressione logistica che si può trovare adatta per un uso per una classificazione multiclasse secondo l’ipotesi che le classi siano mutuamente esclusive: per es., un profilo di un utente può essere classificato come abilitato/non abilitato ad accendere il veicolo o ad attivare altre funzioni del veicolo.

In una o più forme di attuazione, lo strato softmax 900 comprende un insieme di neuroni 900m, per esempio m=4 neuroni, configurato 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 <softmax La funzione softmax può essere rappresentata come:>

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

In una o più forme di attuazione, lo stadio di elaborazione di classificazione 60 può fornire come uscita un segnale P, per es. che ha un valore tra 0 e 1, che può essere usato per riconoscere un “profilo” del conducente e per classificarlo come “abilitato” o “non abilitato” a usare il veicolo. Per esempio, in funzione di un primo valore di soglia:

- se il segnale di uscita P ha un valore tra il primo valore, per es. 0,0, e un secondo valore, per es. 0,5, il profilo del conducente è classificato come “non abilitato” (classe=0),

- se il segnale dello stadio di uscita P ha un valore tra un terzo valore, per es. 0,51, e un quarto valore, per es. 1,0, il profilo del conducente è classificato come “abilitato” (classe=1).

In una o più forme di attuazione, il segnale di uscita P può essere fornito a circuiti di utente A che possono essere fatti scattare (“triggered”) ad attivare funzioni del veicolo (per es., accensione/avviamento) quando la classificazione è “abilitato”, inviando per contro un messaggio di allarme quando la classificazione è “non abilitato”. Per cui, il segnale P può essere modellato come una chiave virtuale che, quando fornita in ingresso a un ricevitore appropriato collocato a bordo del veicolo V, può essere atta oppure no ad attivare tutte o alcune delle funzioni del veicolo.

Una o più forme di attuazione sono state testate su segnali elettrofisiologici, per es. segnali di PPG, raccolti da trentadue pazienti con differenti età, sesso e così via. In una o più forme di attuazione, le reti neurali artificiali 52, 54 dello stadio di riconoscimento di pattern 50 possono essere addestrate su un insieme di addestramento predisposto, per es. memorizzato in una porzione di un circuito di memoria nella pipeline 100, comprendente segnali di PPG raccolti, custom o predefiniti, al fine di apprendere a mappare adeguatamente l’insieme di segnali su un insieme di classi, per es. abilitato alla guida/non abilitato alla guida, ecc.

In una o più forme di attuazione, l’addestramento dell’ANN è stato effettuato usando un INTEL i9 a 15 Core, insieme a una GPU TI GTX 2030 con operazioni CUDA in un intervallo di tempo di approssimativamente 100 secondi.

In una o più forme di attuazione, un’elaborazione del segnale elettrofisiologico attraverso un’elaborazione di rete neurale artificiale e un’elaborazione di classificazione 50, 52, 54 come qui discusso può essere implementata in un circuito di elaborazione di un processore Accordo 5 fabbricato da STMicroelectronics.

Una o più forme di attuazione possono comprendere un procedimento (per esempio, 100), comprendente:

- raccogliere (per esempio, 10, SB) almeno un segnale elettrofisiologico (per esempio, S) di un essere umano (per esempio, F) su una durata di tempo limitata, in cui raccogliere (per esempio, 10, SB) l’almeno un segnale elettrofisiologico è interrotto allo scadere della durata di tempo limitata,

- calcolare (per esempio, 44) un insieme di caratteristiche del segnale elettrofisiologico (per esempio, SF1, SF2, SF3) in funzione del segnale elettrofisiologico raccolto, in cui detto calcolare può comprendere almeno uno tra:

- i) fornire almeno un segnale elettrofisiologico di riferimento (per esempio, Sref) e applicare un’elaborazione di dynamic time warping, DTW, (per esempio, 46) all’almeno un segnale elettrofisiologico raccolto e all’almeno un segnale elettrofisiologico di riferimento;

- ii) applicare un’elaborazione di rete neurale artificiale di stacked auto-encoder, SAE ANN, (per esempio, 48, 161) al segnale elettrofisiologico raccolto;

- iii) filtrare (per esempio, 42) il segnale elettrofisiologico raccolto attraverso un filtraggio passabasso (per esempio, 42a) e un filtraggio passa-alto (per esempio, 42b) congiunti usando un insieme di parametri di filtraggio (per esempio, FP) comprendenti parametri di filtro passa-basso (per esempio, 442a, 444a, 446a) e parametri di filtro passa-alto (per esempio, 442b, 444b, 446b) aventi rispettivamente un insieme di frequenze di taglio passa-basso e un insieme di frequenze di taglio passa-alto;

- applicare un’elaborazione di riconoscimento di pattern (per esempio, 50) all’insieme di caratteristiche calcolato, in cui detta elaborazione di riconoscimento di pattern produce un segnale di chiave virtuale (per esempio, P) indicativo di un’identità di detto essere umano,

- applicare detto segnale di chiave virtuale a un circuito di utente (per esempio, A) per fare commutare detto circuito di utente tra un primo stato e un secondo stato come risultato del fatto che detto segnale di chiave virtuale concorda con un segnale di chiave autorizzata memorizzato in detto circuito di utente.

In una o più forme di attuazione del procedimento, applicare un’elaborazione di dynamic time warping, DTW, (per esempio, 46) all’almeno un segnale elettrofisiologico raccolto e all’almeno un segnale elettrofisiologico di riferimento può comprendere:

- fornire una griglia (per esempio, 4620) che comprende una pluralità di celle della griglia vuota, la griglia configurata per contenere l’almeno un segnale elettrofisiologico raccolto come una prima voce e l’almeno un segnale elettrofisiologico di riferimento come un primo elemento, in cui la griglia vuota ha un numero (massimo) di voci che è funzione del segnale elettrofisiologico di riferimento e un numero (massimo) di elementi che è funzione del segnale elettrofisiologico raccolto,

- generare (per esempio, 464) almeno un valore casuale (per esempio, K),

- applicare una metrica di classificazione in base ad almeno un valore di distanza (per esempio,

calcolato tra detto almeno un segnale elettrofisiologico raccolto e detto almeno un segnale elettrofisiologico di riferimento, in cui detto valore di distanza è calcolato in funzione di detto almeno un valore casuale generato e di detto almeno un segnale elettrofisiologico raccolto e detto almeno un riferimento.

In una o più forme di attuazione del procedimento, detta elaborazione di SAE ANN (per esempio, 48, 161) può comprendere:

- un primo strato di codificatore (per esempio, 162), configurato per ricevere il segnale elettrofisiologico raccolto e per fornire un primo insieme di rappresentazioni latenti (per esempio, e un primo sottoinsieme di caratteristiche (per esempio, e

- un secondo strato di codificatore (per esempio, 164), configurato per ricevere il primo insieme di rappresentazioni latenti e per fornire un secondo insieme di rappresentazioni latenti (per esempio, e un secondo sottoinsieme di caratteristiche (per esempio, del segnale elettrofisiologico raccolto.

In una o più forme di attuazione del procedimento, applicare un’elaborazione di riconoscimento di pattern (per esempio, 50) all’insieme di caratteristiche calcolato e produrre il segnale di chiave virtuale può comprendere almeno uno tra:

- applicare (per esempio, 52) un’elaborazione di rete neurale di strato Completamente Connesso a Gradiente Coniugato Scalato (per esempio, 810),

- raggruppare (per esempio, 54) l’insieme di caratteristiche applicando un insieme di funzioni di attivazione softmax (per esempio, g).

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

In una o più forme di attuazione del procedimento, il circuito di utente può essere un dispositivo di assistenza al conducente (per esempio, A) configurato per fare funzionare un veicolo in funzione del segnale di chiave virtuale.

Una o più forme di attuazione possono comprendere un dispositivo di chiave di veicolo (per esempio, SB) configurato per essere equipaggiato a bordo di un veicolo (per esempio, V), il dispositivo di chiave di veicolo (per esempio, SB) comprendendo:

- un sensore di fotopletismografia, PPG, (per esempio, PD) configurato per raccogliere almeno un segnale elettrofisiologico (per esempio, S), e

- una circuiteria di elaborazione (per esempio, 10) configurata per elaborare detto almeno un segnale elettrofisiologico raccolto (per esempio, S) con un procedimento (per esempio, 100) secondo una o più forme di attuazione.

Una o più forme di attuazione possono comprendere un veicolo (per esempio, V) equipaggiato con una o più forme di attuazione del dispositivo di chiave di veicolo (per esempio, SB) e con un circuito di accensione del veicolo (per esempio, A), in cui detto dispositivo è accoppiato a detto circuito di accensione del veicolo.

In una o più forme di attuazione, il veicolo (V) può essere equipaggiato con almeno un dispositivo di assistenza al conducente (per esempio, A) configurato per essere fatti scattare (“triggered”) in funzione di detto segnale di chiave virtuale (per esempio, P).

Una o più forme di attuazione possono comprendere un prodotto informatico caricabile nella memoria di almeno un circuito di elaborazione (per esempio, 40) e comprendente porzioni di codice software per eseguire le fasi di una o più forme di attuazione di un procedimento (per esempio, 100) 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 (10)

1. RIVENDICAZIONI 1. Procedimento (100), comprendente: - raccogliere (10, SB) almeno un segnale elettrofisiologico (S) di un essere umano (F) su una durata di tempo limitata, in cui raccogliere (10, SB) l’almeno un segnale elettrofisiologico (S) si interrompe allo scadere della durata di tempo limitata, - calcolare (44) un insieme di caratteristiche del segnale elettrofisiologico (SF1, SF2, SF3) in funzione del segnale elettrofisiologico raccolto (10, SB), in cui detto calcolare (44) comprende almeno uno tra: - i) fornire almeno un segnale elettrofisiologico di riferimento (Sref) e applicare un’elaborazione di dynamic time warping, DTW, (46) all’almeno un segnale elettrofisiologico (S) raccolto e all’almeno un segnale elettrofisiologico di riferimento (Sref); - ii) applicare un’elaborazione di rete neurale artificiale di stacked auto-encoder, SAE ANN, (48, 161) al segnale elettrofisiologico (S) raccolto; - iii) filtrare (42) il segnale elettrofisiologico raccolto (S) attraverso un filtraggio passa-basso (42a) e un filtraggio passa-alto (42b) congiunti usando un insieme di parametri di filtraggio (FP) comprendenti parametri di filtro passa-basso (442a, 444a, 446a) e parametri di filtro passa-alto (442b, 444b, 446b) aventi rispettivamente un insieme di frequenze di taglio passa-basso e un insieme di frequenze di taglio passa-alto; - applicare un’elaborazione di riconoscimento di pattern (50) all’insieme di caratteristiche (SF1, SF2, SF3) calcolato, in cui detta elaborazione di riconoscimento di pattern (50) produce un segnale di chiave virtuale (P) indicativo di un’identità di detto essere umano (F), - applicare detto segnale di chiave virtuale (P) a un circuito di utente (A) per fare commutare detto circuito di utente (A) tra un primo stato e un secondo stato come risultato del fatto che detto segnale di chiave virtuale (P) concorda con un segnale di chiave autorizzata memorizzato in detto circuito di utente (A).
2. 2. Procedimento secondo la rivendicazione 1, in cui applicare un’elaborazione di dynamic time warping, DTW, (46) all’almeno un segnale elettrofisiologico (S) raccolto e all’almeno un segnale elettrofisiologico di riferimento (Sref) comprende: - fornire una griglia (4620) che comprende una pluralità di celle della griglia vuota, la griglia configurata per contenere l’almeno un segnale elettrofisiologico (S) raccolto come una prima voce e l’almeno un segnale elettrofisiologico di riferimento (Sref) come un primo elemento, in cui la griglia vuota ha un numero di voci che è funzione del segnale elettrofisiologico di riferimento (Sref) e un numero di elementi che è funzione del segnale elettrofisiologico (S) raccolto, - generare (464) almeno un valore casuale (K), - applicare una metrica di classificazione in base ad almeno un valore di distanza calcolato tra detto almeno un segnale elettrofisiologico (S) raccolto e detto almeno un segnale elettrofisiologico di riferimento (Sref), in cui detto valore di distanza è calcolato in funzione di detto almeno un valore casuale (K) generato e di detto almeno un segnale elettrofisiologico (S) raccolto e detto almeno un riferimento (Sref).
3. 3. Procedimento secondo la rivendicazione 1 o la rivendicazione 2, in cui detta elaborazione di SAE ANN (48, 161) comprende: - un primo strato di codificatore (162), configurato per ricevere il segnale elettrofisiologico (S) raccolto e per fornire un primo insieme di rappresentazioni latenti e un primo sottoinsieme di caratteristiche e - un secondo strato di codificatore (164), configurato per ricevere il primo insieme di rappresentazioni latenti e per fornire un secondo insieme di rappresentazioni latenti e un secondo sottoinsieme di caratteristiche del segnale elettrofisiologico (S) raccolto.
4. 4. Procedimento secondo una qualsiasi delle rivendicazioni precedenti, in cui applicare un’elaborazione di riconoscimento di pattern (50) all’insieme di caratteristiche (SF2, SF3; SF1, SF2, SF3) calcolato e produrre il segnale di chiave virtuale (P) comprende almeno uno tra: - applicare (52) un’elaborazione di rete neurale a strati Completamente Connessi a Gradiente Coniugato Scalato (810), - raggruppare in cluster (54) l’insieme di caratteristiche (SF2, SF3; SF1, SF2, SF3) applicando un insieme di funzioni di attivazione softmax (g).
5. 5. Procedimento secondo una qualsiasi delle rivendicazioni precedenti, in cui l’almeno un segnale elettrofisiologico è un segnale di fotopletismografia, PPG, raccolto dal conducente (F) di un veicolo (V) attraverso un sensore di PPG (PD, 10) a bordo del veicolo (V).
6. 6. Procedimento secondo una qualsiasi delle rivendicazioni precedenti, in cui il circuito di utente è un dispositivo di assistenza al conducente (A) configurato per fare funzionare un veicolo in funzione del segnale di chiave virtuale (P).
7. 7. Dispositivo di chiave di veicolo (SB) configurato per essere equipaggiato a bordo di un veicolo (V), il dispositivo di chiave di veicolo (SB) comprendendo: - un sensore di fotopletismografia, PPG, (PD) configurato per raccogliere almeno un segnale elettrofisiologico (S), e - una circuiteria di elaborazione (10) configurata per elaborare detto almeno un segnale elettrofisiologico raccolto (S) con un procedimento (100) secondo una qualsiasi delle rivendicazioni da 1 a 6.
8. 8. Veicolo (V) equipaggiato con il dispositivo di chiave di veicolo (SB) secondo la rivendicazione 7 e con un circuito di accensione del veicolo (A), in cui detto dispositivo (SB) è accoppiato a detto circuito di accensione del veicolo (A).
9. 9. Veicolo (V) secondo la rivendicazione 8, equipaggiato con almeno un dispositivo di assistenza al conducente (A) configurato per essere fatto scattare in funzione di detto segnale di chiave virtuale (P).
10. 10. Prodotto informatico, caricabile nella memoria di almeno un circuito di elaborazione (40) e comprendente porzioni di codice software per eseguire le fasi del procedimento (100) secondo una qualsiasi delle rivendicazioni da 1 a 6 quando il prodotto è eseguito su almeno un circuito di elaborazione (40).