WO2016096886A1 - Procédé et dispositif de surveillance d'un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables - Google Patents

Procédé et dispositif de surveillance d'un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables Download PDF

Info

Publication number
WO2016096886A1
WO2016096886A1 PCT/EP2015/079843 EP2015079843W WO2016096886A1 WO 2016096886 A1 WO2016096886 A1 WO 2016096886A1 EP 2015079843 W EP2015079843 W EP 2015079843W WO 2016096886 A1 WO2016096886 A1 WO 2016096886A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
quality indicator
rule
time
monitoring
Prior art date
Application number
PCT/EP2015/079843
Other languages
English (en)
Inventor
Christophe RIVOIRE
Nabil BENAYADI
Alexis THIEULLEN
Original Assignee
Amesys Conseil
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Amesys Conseil filed Critical Amesys Conseil
Priority to EP15817178.5A priority Critical patent/EP3234830A1/fr
Publication of WO2016096886A1 publication Critical patent/WO2016096886A1/fr

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation

Definitions

  • the invention relates to the field of process monitoring that generates data repetitively according to predictive time rules, so as to anticipate the occurrence of events (or data) and / or to facilitate decision-making.
  • an event may consist of the collection of data or a set, optionally ordered data.
  • a set of appropriate temporal predictive rules As known to the man of art, when we want to carry out effective monitoring data generating process, it is imperative to have a set of appropriate temporal predictive rules.
  • the definition of such a set is usually done in two phases. In a first phase, harvest a data set which characterizes the operation of a process to be monitored. In a second phase, the harvested data set is analyzed to extract information necessary for the construction of predictive temporal rules.
  • the object of the invention is in particular to improve the situation, and in particular to allow rapid convergence towards time rules making it possible to anticipate the occurrence of events (or data) and possibly to provide non-specialist users in real time tips for solving problems, possibly complex.
  • a second step in which it is determined in real time whether data newly generated by the process satisfy determined time rules associated with a quality indicator value greater than a first chosen threshold, and if not, modifies each untested time rule or the associated quality indicator value and / or create at least one new time rule for the set, while in the affirmative generate a first message containing a proposed action (s) to achieve due to the verification of at least one time rule by newly generated data.
  • the monitoring method according to the invention may comprise other characteristics that can be taken separately or in combination, and in particular:
  • each time ruler can be determined as a function of at least one selected constraint (e.g. based on a structural description and / or functional sub monitoring process);
  • this datum in the first step, in the case of generation of a datum of the quantitative type, this datum can be transformed into a datum of qualitative type;
  • each quality indicator can be chosen from (at least) a confidence rate representative of the probability that an ordered sequence of selected data will lead to the generation of another chosen data item, and a support rate representative of the number of occurrences of a selected datum resulting from the occurrence of an ordered sequence of other selected data;
  • an unverified time rule can be deleted when the associated quality indicator value is strictly less than a second threshold (parameter which is for example related to the requirements of the application concerned and / or the job);
  • the set may not include any rules temporal
  • each temporal rule can be integrated into the set after being validated (for example by human reasoning).
  • the invention also provides a computer program product comprising a set of instructions which, when executed by the processing means, is peculiar to implement a type of monitoring method from the one shown above to watch a data generating process.
  • the invention also proposes a device, intended to monitor a data generating process, and comprising:
  • the analysis means arranged to analyze data generated by the process to determine a set of time rule generation prediction of future data subsequent to the generation of deleted data, each temporal rule being associated with at least one value of at least one quality indicator, and
  • monitoring means arranged to determine in real time whether data newly generated by the process checks determined time rules associated with a quality indicator value higher than a first chosen threshold, and if not to modify each time rule not checked or the associated quality indicator value and / or create at least one new time rule for the set, or if so to generate a first message containing a proposed action (s) to achieve due to the checking at least one time rule with the newly generated data.
  • the invention also proposes electronic equipment comprising a monitoring device of the type of that presented above.
  • FIG. 1 diagrammatically and functionally illustrates an electronic equipment equipped with an exemplary embodiment of a monitoring device according to the invention and coupled to a communication network to which communication terminals are also coupled,
  • FIG. 2 illustrates an example of an algorithm implementing a method of monitoring according to the invention
  • FIG. 3 illustrates an example of spatial discretization of input data.
  • the object of the invention is in particular to propose a monitoring method, and an associated DS monitoring device, for enabling the monitoring of a data generating process (or events).
  • the data generating process is a medical application providing data relating to a person suffering from at least one pathology, such as for example diabetes arterial tension or respiratory failure.
  • the invention can, for example, allow a home telemonitoring to inform real-time health status of a person (possibly interactively) others chosen, such as doctors, nursing staff, nurses, physiotherapists.
  • the invention is not limited to this type of process. It concerns indeed any type of process generating data (or events). Thus, it also concerns, in particular, industrial processes, and in particular production systems, financial processes, and more generally any physical system that can generate data.
  • a datum can be in various forms. Thus, it may be a qualitative or categorical data, which may be ordinal or nominal, such as an event, or quantitative, numerical, discrete or continuous data.
  • an event may be an exceeding of a threshold, opening a door, a change in value of a variable (or a parameter), pressing a button of an interface man / machine, or any other binary event.
  • a monitoring method according to the invention comprises at least two steps that can be implemented by means of a monitoring device DS.
  • this monitoring device DS may, for example, be installed in electronic equipment EE.
  • Such EE electronic equipment may, for example, be a computer (possibly communicating), a microcomputer (possibly communicating) or an electronic tablet. But this is not mandatory. Indeed, the monitoring device DS could itself be in the form of an electronic equipment, possibly dedicated. Therefore, a surveillance device DS, according to the invention, can be realized either in the form of software modules (or computer (or "software”)); it is then in the presence of a computer program product comprising a set of instructions which, when executed by processing means such as electronic circuits (or "hardware"), is adapted to implement the method monitoring, either in the form of a combination of software modules and electronic circuits.
  • EE electronic equipment has a communication module MC that allows it to connect to a communications network RC (possibly by waves), in order to be able to transmit information relating to this person to at least one communication terminal TCj.
  • the index j is equal to 1 or 2, by way of purely illustrative example.
  • the EA electronic equipment includes a medical application providing data relating to the aforementioned person based on measurements transmitted by radio by sensors coupled to that person or located in the close environment of that person.
  • the electronic equipment EE also includes an IH man / machine interface intended to allow its control by people and the control of the DS (monitoring) device that it includes.
  • Some authorized persons may possibly partially or completely control the application (here medical) via their communication terminal TCj. It is also possible to provide an interface application with a central information system enabling authorized individuals to connect to this system in order to create / update / view medical information and patient records.
  • (MA monitoring means of the (monitoring) device DS) analyzes (s) so automated data that has already been generated by the process (here the medical application) to determine a set of prediction time rules for generating future data subsequent to the generation of prior data.
  • Each time ruler so determined is associated with at least one value of at least one quality indicator.
  • This first step corresponds to substeps 10 to 60 of the exemplary algorithm of FIG.
  • the data which are analyzed are, for example, stored, in correspondence of the times when they were respectively generated, in first storage means B1 which may be part of the electronic equipment EE, as shown in non-limiting manner in FIG.
  • first B1 storage means may, e.g., be formed as a first database. It will be understood that these stored data have been accumulated during the life of the process that generates them.
  • the generated data can be qualitative or quantitative type
  • the means of analysis MA extract from the first storage means B1 a quantitative type data they can first perform a test for determine if its type is qualitative. This test corresponds to the substep 10 of the example algorithm of FIG. 2. If the result of the test is negative (and therefore if the datum is of the quantitative type), then the analysis means MA transform this datum. in a qualitative type of data, for example by cutting into classes at intervals or constant strengths or by thresholding. This transformation corresponds to the substep 20 of the exemplary algorithm of FIG.
  • the objective of this transformation of a quantitative data into a qualitative data is to obtain a spatial and temporal discretization of the input data.
  • This treatment can be simply segmenting a signal from the derivative of order one (1). It is also possible to perform a thresholding based on the dispersion of the measurements, then to segment the signal according to the crossing of recorded thresholds. Thresholds created are made optimal with respect to a chosen criterion, which can be (but not limited to) the respective maximization and minimization of inter-threshold and intra-threshold dispersions.
  • An example of spatial discretization is given in Figure 3. The segments (or events) from the same threshold are then grouped according to their distance two-to-two. This frees up event groups with common trends.
  • a unique reference time signature corresponding to the characteristic change of a signal over a given time interval can be calculated. It is then possible to characterize the data by a limited set of classes, the set of classes obtained making it possible to reconstruct the entirety of the initial signal.
  • each temporal rule is constructed according to the behavioral modelings of the data which concern it.
  • An ordered sequence of events can, for example, be represented by d1 ⁇ d2 ⁇ d3 or d1 ⁇ d3 ⁇ d4 ⁇ d7.
  • the arrow (or arc) between two successive events of a sequence represents the temporal constraint that binds these two events.
  • an event may correspond to a set, possibly ordered, of collected data. For example, if a first event d1 is generated and the second event d2 is generated within the next 10 minutes then there is X% probability that a third event d3 will be generated in the next 15 minutes and 15 seconds.
  • a sequence therefore has a prognostic power and / or a diagnostic power which is / are characterized by a quality indicator (s).
  • each quality indicator can be chosen from a confidence level tdc (prognostic power) and a support rate tds (diagnostic power).
  • the confidence rate tdc is representative of the probability that an ordered sequence of selected data will lead to the generation of another chosen data item. For example, if one has the ordered sequence "d1 ⁇ d2 ⁇ d3", tdc is equal to the ratio of the total number of occurrences of the ordered sequence "d1 ⁇ d2 ⁇ d3" to the total number of occurrences of the ordered sequence "d1 ⁇ d2".
  • the support rate tds is representative of the number of occurrences of a chosen datum resulting from the occurrence of an ordered sequence of other selected data. For example, if we have the ordered sequence "d1 ⁇ d2 ⁇ d3", tds is equal to the ratio between the total number of occurrences of the sequence ordered "d1 ⁇ d2 ⁇ d3" and the total number of occurrences of the data d3.
  • each time ruler may be optionally determined as a function of at least one selected constraint.
  • at least one flow constraint which sets the flow order of the data flow (in order to fix the causal order of the data generated in a multi-model approach)
  • at least one function constraint which sets functional relationships between variables
  • a constraint may be a flow sensor or implantation model indicating material flow / energy or data flow indication.
  • Each time rule is constructed from a target event that is the starting point for establishing a tree of the most likely causes that caused a problem.
  • the method of discovering the most probable and temporal constraints may be as follows: from the data segmentation performed in the previous step, the sequences of events are compared for each variable. The temporal correlations between two (or more) variables are highlighted by comparing the number and frequency of transitions between the events identified, as well as the average time between these transitions. It is also possible to quantify the impact of carrying out an event on a related event with the help of an appropriate measure.
  • the determination of the most likely causes that explain a particular problem can then be done through a tree that we pruned to determine / the rule (s) that will (have) to better anticipate the problem.
  • only the time rules associated with at least one quality indicator value that is greater than a first threshold s1 are retained. It will be noted that the value of the first threshold s1 may vary from one quality indicator to another.
  • the analysis means MA can perform a test to determine whether the quality indicator value associated with a given time rule is greater than the first threshold s1. This test corresponds to the sub-step 40 of the algorithm of example in Figure 2.
  • the analysis means MA reject the temporal rule and therefore do not store it. Indeed, the value of the quality indicator evolves as and as new data is generated, and as new events arrive. If the rule is not effective and the value of the associated indicator falls below a certain threshold, it is revoked. This rejection corresponds to the substep 50 of the exemplary algorithm of FIG. 2.
  • the means of analysis MA store the temporal rule, corresponding to each associated quality indicator value, in second storage means B2 which may be part of the device DS, as shown in non-limiting manner in FIG.
  • This temporal rule becomes part of the overall usable temporal rules.
  • These second storage means B2 may, for example, be arranged in the form of a second database. This storage corresponds to substep 60 of the exemplary algorithm of FIG. 2.
  • each time rule is integrated into the set of time rules stored in the second storage means B2 after being validated or approved.
  • This validation is preferably performed by an authorized person following a reasoning. But it could be done by the analysis means MA or by other means of dedicated DS device.
  • the set of time rules may be empty (and thus may not include any temporal rules).
  • a second step, the method according to the invention, is then performed in real time on the new data generated by the process. It is therefore a step of monitoring.
  • This second stage corresponds to the sub-steps 70-1 10 of the algorithm example in Figure 2.
  • monitoring means MS determines in real time whether the data newly generated by the process check time rules previously determined by the analysis means MA and which are associated with a quality indicator value that is greater than the first threshold chosen s1. In other words, the monitoring means MS check during test (s) whether each time rule of the stored set is satisfied by one or more newly generated data. This check corresponds to the sub-step 70 of the exemplary algorithm of FIG. 2.
  • the MS monitoring means modifies each untested time rule or the indicator value. associated quality and / or create at least one new time rule for the set.
  • This modification and / or creation is the sub-stage 80 of the example algorithm of Figure 2. It is for example carried out by means of analysis MA at the request of MS surveillance.
  • the modified and / or created temporal rule is then integrated into the set of temporal rules in the second storage means B2 (possibly after validation), during a substep similar to the substep 60 previously described.
  • MS monitoring means If the result of verification is positive (and therefore whether newly generated data satisfy a temporal rule), we (MS monitoring means) generate (s) a first message containing a proposal for action (s) to achieve the makes the verification of at least one time rule by newly generated data. This generation is the sub-step 90 of the algorithm of example in Figure 2.
  • This first message may be of textual or audio type, and may possibly be encrypted. Depending on the application concerned, the first message may be displayed and / or broadcast either by the electronic equipment EE or by at least one communication terminal TCj after being transmitted via an RC communication network by the electronic equipment EE.
  • this first message is intended to warn at least one person that one or more actions must be considered in view of the latest data generated by the process.
  • An action can be an alarm trigger or a proposal for intervention, possibly in an emergency.
  • bit (s) may then optionally generating a second message containing a justification for a reasoning which led to the proposed action (s) to achieve contained in the first message. This generation corresponds to sub-step 100 of the exemplary algorithm of FIG 2.
  • This second message may be of textual or audio type, and may possibly be encrypted. Depending on the application concerned, the second message may be displayed and / or broadcast either by the electronic equipment EE or by at least one communication terminal TCj after having been transmitted via an RC communication network by the electronic equipment EE. It will be understood that this second message is intended to provide at least one person with an explanation (or justification) of the reasons which led to proposing one or more actions.
  • an unverified time rule (previously stored in the second storage means B2) can be deleted when the associated quality indicator value has become strictly less than a second threshold s2.
  • This second threshold s2 is preferably lower than the first threshold s1. But it could be equal to the latter (s1). It will be understood that it is no longer justified to use a temporal rule when its predictive interest with respect to the process becomes too low. This deletion is for example carried out by the analysis means MA automatically, or at the request of the monitoring means MS.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Un dispositif (DS) surveille un processus générateur de données et comprend des moyens d'analyse (MA) pour analyser des données générées par ce processus afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données, chaque règle temporelle étant associée à au moins une valeur d'au moins un indicateur de qualité, et des moyens de surveillance (MS) pour déterminer en temps réel si des données nouvellement générées par le processus vérifient des règles temporelles déterminées associées à une valeur d'indicateur de qualité supérieure à un premier seuil choisi, et dans la négative pour modifier chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou créer au moins une nouvelle règle temporelle pour cet ensemble, ou dans l'affirmative pour générer un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées.

Description

PROCÉDÉ ET DISPOSITIF DE SURVEILLANCE D'UN PROCESSUS GÉNÉRATEUR DE DONNÉES, PAR CONFRONTATION À DES RÈGLES TEMPORELLES PRÉDICTIVES ET MODIFIABLES
L'invention concerne le domaine de la surveillance de processus générant des données de façon répétitive en fonction de règles temporelles prédictives, de manière à anticiper l'occurrence d'événements (ou données) et/ou à faciliter une prise de décision.
On notera qu'ici un événement peut être constitué par la collection d'une donnée ou d'un ensemble, éventuellement ordonné, de données.
Comme le sait l'homme de l'art, lorsque l'on veut réaliser une surveillance efficace de processus générateurs de données, il faut impérativement disposer d'un ensemble de règles temporelles prédictives appropriées. La définition d'un tel ensemble se fait généralement en deux phases. Dans une première phase, on récolte un ensemble de données qui caractérise le fonctionnement d'un processus à surveiller. Dans une seconde phase on analyse l'ensemble de données récolté pour en extraire des informations nécessaires à la construction de règles temporelles prédictives.
Hélas, plus le nombre de données de l'ensemble récolté est grand (et donc plus l'observation du processus est complète), plus l'extraction d'informations est difficile, mais plus le nombre de données de l'ensemble récolté est petit (et donc plus l'observation du processus est incomplète), moins les règles temporelles prédictives sont appropriées. Il est en effet impossible d'anticiper des conséquences (ou effets) si les causes génératrices n'ont pas été observées dans l'ensemble de données récolté.
De nombreuses techniques ont été proposées pour extraire des règles (ou relations de cause(s) à effet(s)) à partir de l'analyse d'un ensemble de données, avec une pertinence et un temps de calcul minimum. Cependant, la plupart de ces techniques induisent un nombre de solutions qui est trop important par rapport au processus à surveiller pour être exploitable facilement. On parle en effet d'explosion combinatoire lorsqu'une petite variation du nombre de données à considérer dans un problème (par ailleurs trivial) suffit à rendre sa solution très difficile, voire impossible à trouver.
Il existe donc un réel besoin de méthode permettant de converger vers des règles temporelles (ou relations de cause(s) à effet(s) dans le temps), même partielles, permettant d'expliquer des problèmes réels et d'anticiper ces derniers.
Certes, pour converger rapidement vers des règles temporelles prédictives appropriées, il est toujours possible d'interroger des experts des processus que l'on veut surveiller. C'est notamment ce qui est fait dans la technique KADS (« Knowledge Acquisition and Documentation Structuring ») qui permet de constituer des systèmes d'aide à la décision prédictifs. Mais l'homme de l'art sait que la collecte et la formalisation des connaissances de plusieurs experts est une tâche particulièrement ardue (notamment du fait d'un goulot d'étranglement des connaissances). C'est d'ailleurs la principale raison avancée pour expliquer l'échec, jusqu'à présent, de l'intelligence artificielle.
L'invention a notamment pour but d'améliorer la situation, et notamment de permettre une convergence rapide vers des règles temporelles permettant d'anticiper la survenue d'événements (ou données) et éventuellement de fournir en temps réel à des utilisateurs non spécialistes des conseils pour résoudre des problèmes, éventuellement complexes.
Elle propose notamment à cet effet un procédé, destiné à surveiller un processus générateur de données, et comprenant :
- une première étape dans laquelle on analyse de façon automatisée des données générées par le processus afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données consécutivement à la génération de données antérieures, chaque règle temporelle étant associée à au moins une valeur d'au moins un indicateur de qualité, et
- une deuxième étape dans laquelle on détermine en temps réel si des données nouvellement générées par le processus vérifient des règles temporelles déterminées associées à une valeur d'indicateur de qualité supérieure à un premier seuil choisi, et dans la négative on modifie chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou on crée au moins une nouvelle règle temporelle pour l'ensemble, tandis que dans l'affirmative on génère un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées.
Le procédé de surveillance selon l'invention peut comporter d'autres caractéristiques qui peuvent être prises séparément ou en combinaison, et notamment :
- dans la première étape on peut déterminer chaque règle temporelle en fonction d'au moins une contrainte choisie (par exemple en fonction d'une description structurelle et/ou fonctionnelle du processus sous surveillance) ;
- dans la première étape on peut analyser de façon automatisée des données générées de type qualitatif ;
dans la première étape, en cas de génération d'une donnée de type quantitatif, on peut transformer cette donnée en une donnée de type qualitatif ;
- chaque indicateur de qualité peut être choisi parmi (au moins) un taux de confiance représentatif de la probabilité qu'une suite ordonnée de données choisies aboutisse à la génération d'une autre donnée choisie, et un taux de support représentatif du nombre d'occurrences d'une donnée choisie résultant de l'occurrence d'une suite ordonnée d'autres données choisies ;
- dans la deuxième étape, en cas de vérification d'une règle temporelle, on peut augmenter la valeur d'indicateur de qualité qui lui est associée au sein de l'ensemble ;
- dans la deuxième étape on peut également générer un second message contenant une justification d'un raisonnement ayant conduit à la proposition d'action(s) à réaliser ;
- dans la deuxième étape on peut supprimer une règle temporelle non vérifiée lorsque la valeur d'indicateur de qualité associée est strictement inférieure à un second seuil (paramètre qui est par exemple lié aux exigences de l'application concernée et/ou du métier) ;
- au début de la première étape l'ensemble peut ne comprendre aucune règle temporelle ;
- chaque règle temporelle peut être intégrée à l'ensemble après avoir été validée (par exemple par un raisonnement humain).
L'invention propose également un produit programme d'ordinateur comprenant un jeu d'instructions qui, lorsqu'il est exécuté par des moyens de traitement, est propre à mettre en œuvre un procédé de surveillance du type de celui présenté ci-avant pour surveiller un processus générateur de données.
L'invention propose également un dispositif, destiné à surveiller un processus générateur de données, et comprenant :
- des moyens d'analyse agencés pour analyser des données générées par le processus afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données consécutivement à la génération de données antérieures, chaque règle temporelle étant associée à au moins une valeur d'au moins un indicateur de qualité, et
- des moyens de surveillance agencés pour déterminer en temps réel si des données nouvellement générées par le processus vérifient des règles temporelles déterminées associées à une valeur d'indicateur de qualité supérieure à un premier seuil choisi, et dans la négative pour modifier chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou créer au moins une nouvelle règle temporelle pour l'ensemble, ou dans l'affirmative pour générer un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées.
L'invention propose également un équipement électronique comprenant un dispositif de surveillance du type de celui présenté ci-avant.
D'autres caractéristiques et avantages de l'invention apparaîtront à l'examen de la description détaillée ci-après, et des dessins annexés, sur lesquels :
- la figure 1 illustre de façon schématique et fonctionnelle un équipement électronique équipé d'un exemple de réalisation d'un dispositif de surveillance selon l'invention et couplé à un réseau de communication auquel sont également couplés des terminaux de communication,
- la figure 2 illustre un exemple d'algorithme mettant en œuvre un procédé de surveillance selon l'invention, et
- la figure 3 illustre un exemple de discrétisation spatiale de données d'entrée.
L'invention a notamment pour but de proposer un procédé de surveillance, et un dispositif de surveillance DS associé, destinés à permettre la surveillance d'un processus générateur de données (ou événements).
Dans ce qui suit, on considère, à titre d'exemple non limitatif, que le processus générateur de données est une application médicale fournissant des données relatives à une personne atteinte d'au moins une pathologie, comme par exemple le diabète, l'hyper-tension artérielle ou l'insuffisance respiratoire. Dans ce cas, l'invention peut, par exemple, permettre une télésurveillance médicale à domicile destinée à informer en temps réel de l'état de santé d'une personne (éventuellement de façon interactive) d'autres personnes choisies, comme par exemple des médecins, du personnel soignant, des infirmiers, des kinésithérapeutes. Mais l'invention n'est pas limitée à ce type de processus. Elle concerne en effet tout type de processus générant des données (ou événements). Ainsi, elle concerne également et notamment les processus industriels, et notamment les systèmes de production, les processus financiers, et plus généralement tout système physique pouvant générer des données.
On notera qu'une donnée peut se présenter sous diverses formes. Ainsi, il peut s'agir d'une donnée qualitative ou catégorielle, pouvant être ordinale ou nominale, comme par exemple un événement, ou d'une donnée quantitative, numérique, pouvant être discrète ou continue. A titre d'exemple, un événement peut être un dépassement d'un seuil, l'ouverture d'une porte, un changement de valeur d'une variable (ou d'un paramètre), un appui sur un bouton d'une interface homme/machine, ou tout autre événement à caractère binaire.
Un procédé de surveillance, selon l'invention, comprend au moins deux étapes qui peuvent être mises en œuvre au moyen d'un dispositif de surveillance DS.
Comme illustré non limitativement sur la figure 1 , ce dispositif de surveillance DS peut, par exemple, être installé dans un équipement électronique EE. Un tel équipement électronique EE peut, par exemple, être un ordinateur (éventuellement communiquant), un microordinateur (éventuellement communiquant) ou une tablette électronique. Mais cela n'est pas obligatoire. En effet, le dispositif de surveillance DS pourrait être lui-même agencé sous la forme d'un équipement électronique, éventuellement dédié. Par conséquent, un dispositif de surveillance DS, selon l'invention, peut être réalisé soit sous la forme de modules logiciels (ou informatiques (ou encore « software »)) ; on est alors en présence d'un produit programme d'ordinateur comprenant un jeu d'instructions qui, lorsqu'il est exécuté par des moyens de traitement de type circuits électroniques (ou « hardware »), est propre à mettre en œuvre le procédé de surveillance, soit sous la forme d'une combinaison de modules logiciels et de circuits électroniques.
On notera que dans l'exemple non limitatif illustré sur la figure 1 et adapté à la télésurveillance à domicile d'une personne, l'équipement électronique EE dispose d'un module de communication MC qui lui permet de se connecter à un réseau de communication RC (éventuellement par voie d'ondes), afin de pouvoir transmettre des informations relatives à cette personne à au moins un terminal de communication TCj. Ici l'indice j est égal à 1 ou 2, à titre d'exemple purement illustratif. Par ailleurs, bien que cela n'apparaisse pas sur la figure 1 , l'équipement électronique EE comprend une application médicale fournissant des données relatives à la personne précitée en fonction de mesures transmises par voie d'ondes par des capteurs couplés à cette personne ou situés dans l'environnement proche de cette personne.
L'équipement électronique EE comprend également une interface homme/machine IH destinée à permettre son contrôle par des personnes et le contrôle du dispositif (de surveillance) DS qu'elle comprend.
Certaines personnes habilitées peuvent éventuellement piloter partiellement ou totalement l'application (ici médicale) via leur terminal de communication TCj. Il est également possible de prévoir une application d'interfaçage avec un système d'information central permettre à des personnes habilitées de se connecter à ce système afin de créer/mettre à jour/consulter des informations médicales et des dossiers de patients.
Dans une première étape, du procédé selon l'invention, on (des moyens d'analyse MA du dispositif (de surveillance) DS) analyse(nt) de façon automatisée des données qui ont déjà été générées par le processus (ici l'application médicale) afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données consécutivement à la génération de données antérieures. Chaque règle temporelle ainsi déterminée est associée à au moins une valeur d'au moins un indicateur de qualité.
Cette première étape correspond aux sous-étapes 10 à 60 de l'exemple d'algorithme de la figure 2.
Les données qui sont analysées sont, par exemple, stockées, en correspondance des instants où elles ont été respectivement générées, dans des premiers moyens de stockage B1 qui peuvent faire partie de l'équipement électronique EE, comme illustré non limitativement sur la figure 1 . Ces premiers moyens de stockage B1 peuvent, par exemple, être agencés sous la forme d'une première base de données. On comprendra que ces données stockées ont été accumulées durant la vie du processus qui les génère.
On notera qu'il est préférable de n'analyser de façon automatisée que des données de type qualitatif étant donné que la transformation d'une donnée quantitative en une donnée qualitative occasionne généralement une perte d'information. Par conséquent, si les données générées peuvent être de type qualitatif ou de type quantitatif, alors chaque fois que les moyens d'analyse MA extraient des premiers moyens de stockage B1 une donnée de type quantitatif, ils peuvent tout d'abord effectuer un test pour déterminer si son type est qualitatif. Ce test correspond à la sous-étape 10 de l'exemple d'algorithme de la figure 2. Si le résultat du test est négatif (et donc si la donnée est de type quantitatif), alors les moyens d'analyse MA transforment cette donnée en une donnée de type qualitatif, par exemple par découpage en classes à intervalles ou effectifs constants ou par seuillage. Cette transformation correspond à la sous-étape 20 de l'exemple d'algorithme de la figure 2.
L'objectif de cette transformation d'une donnée quantitative en une donnée qualitative est d'obtenir une discrétisation spatiale et temporelle des données d'entrée. Ce traitement peut être simplement la segmentation d'un signal à partir de sa dérivée d'ordre un (1 ). Il est également possible de réaliser un seuillage basé sur la dispersion des mesures, puis de segmenter le signal en fonction des franchissements de seuils enregistrés. Les seuils ainsi créés sont rendus optimaux par rapport à un critère choisi, pouvant être (mais ne se limitant pas à) la maximisation et la minimisation respectives des dispersions inter-seuils et intra-seuils. Un exemple de discrétisation spatiale est donné sur la figure 3. Les segments (ou événements) issus d'un même seuil sont alors regroupés en fonction de leur distance deux-à-deux. Cela permet de dégager des groupes d'événements présentant des tendances communes. Pour chacun de ces sous-ensembles, une signature temporelle de référence unique correspondant à l'évolution caractéristique d'un signal sur un intervalle de temps donné peut être calculée. Il est alors possible de caractériser les données par un ensemble de classes limité, l'ensemble des classes obtenues permettant de reconstituer l'intégralité du signal initial.
Dans ce cas, chaque règle temporelle est construite en fonction des modélisations de comportement des données qui la concernent.
L'analyse proprement dite et la génération d'une règle temporelle qui en découle correspondent à la sous-étape 30 de l'exemple d'algorithme de la figure 2.
Une suite ordonnée d'événements peut, par exemple, être représentée par d1 → d2→ d3 ou d1 → d3→ d4→ d7. La flèche (ou arc) entre deux événements successifs d'une suite représente la contrainte temporelle qui lie ces deux événements. On notera qu'un événement peut correspondre à un ensemble, éventuellement ordonné, de données collectées. Par exemple, si un premier événement d1 est généré et que le deuxième événement d2 est générée dans les 10 minutes suivantes alors il y a X% de probabilité qu'un troisième événement d3 soit généré dans les 15 minutes et 15 secondes suivantes. Une suite a donc un pouvoir de pronostic et/ou un pouvoir de diagnostic qui est/sont caractérisé(s) par un/des indicateur(s) de qualité.
Par exemple, chaque indicateur de qualité peut être choisi parmi un taux de confiance tdc (pouvoir de pronostic) et un taux de support tds (pouvoir de diagnostic).
Le taux de confiance tdc est représentatif de la probabilité qu'une suite ordonnée de données choisies aboutisse à la génération d'une autre donnée choisie. Par exemple, si l'on a la suite ordonnée « d1 → d2→ d3 », tdc est égal au rapport entre le nombre total d'occurrences de la suite ordonnée « d1 → d2→ d3 » et le nombre total d'occurrences de la suite ordonnée « d1 → d2 ».
Le taux de support tds est représentatif du nombre d'occurrences d'une donnée choisie résultant de l'occurrence d'une suite ordonnée d'autres données choisies. Par exemple, si l'on a la suite ordonnée « d1→ d2→ d3 », tds est égal au rapport entre le nombre total d'occurrences de la suite ordonnée « d1→ d2→ d3 » et le nombre total d'occurrences de la donnée d3.
Bien entendu, d'autres indicateurs de qualité peuvent être utilisés.
On notera que chaque règle temporelle peut être éventuellement déterminée en fonction d'au moins une contrainte choisie. Ainsi, on peut utiliser au moins une contrainte de flux (qui fixe l'ordre d'écoulement du flux de données (afin de fixer l'ordre de causalité des données générées dans une approche multi-modèle)) et/ou au moins une contrainte de fonction (qui fixe des relations fonctionnelles entre des variables), par exemple.
A titre d'exemple, une contrainte de flux peut être un modèle d'implantation de capteurs ou d'indication de flux matière/énergie ou d'indication de flux de données.
On notera que l'on peut choisir les données que l'on va analyser, par exemple en fonction du rôle que l'on pense qu'elles peuvent avoir dans l'explication d'un problème à anticiper (par défaut on utilise toutes les données stockées). On peut également choisir l'intervalle de temps pendant lequel les données ont été générées (par défaut on utilise toute la durée de l'historique considéré). On peut également définir des contraintes spécifiques au problème à anticiper. On peut également définir l'espace de temps qui est supposé correspondre à la dynamique du problème à anticiper. On peut également définir le nombre maximum de classes de données (ou d'événements) supposées avoir causé le problème à anticiper.
Chaque règle temporelle est construite à partir d'un événement cible qui constitue le point de départ de l'établissement d'un arbre des causes les plus probables qui ont entraîné un problème.
La méthode de découverte des relations séquentielles les plus probables et de leurs contraintes temporelles associées peut être la suivante : à partir de la segmentation des données effectuée à l'étape précédente, les séquences d'événements sont comparées pour chaque variable. Les corrélations temporelles entre deux (ou plusieurs) variables sont mises en évidence en comparant le nombre et la fréquence de transitions entre les événements identifiés, ainsi que le temps moyen entre ces transitions. Il est également possible de quantifier l'impact de la réalisation d'un événement sur un événement lié à l'aide d'une mesure appropriée.
La détermination des causes les plus probables qui expliquent un problème particulier peut ensuite se faire par l'intermédiaire d'un arbre que l'on élague afin de déterminer la/les règle(s) qui permettra(ont) d'anticiper au mieux le problème. Pour cela on peut, par exemple, paramétrer la recherche en choisissant un taux de support tds minimum désiré de l'enchaînement des événements qui expliquent le problème, et/ou un taux de confiance tdc minimum de l'enchaînement des événements qui anticipent le problème. En d'autres termes, on ne retient que les règles temporelles qui sont associées à au moins une valeur d'indicateur de qualité qui est supérieure à un premier seuil s1 . On notera que la valeur du premier seuil s1 peut varier d'un indicateur de qualité à un autre.
Dans ce cas, les moyens d'analyse MA peuvent effectuer un test pour déterminer si la valeur d'indicateur de qualité associée à une règle temporelle déterminée est supérieure au premier seuil s1 . Ce test correspond à la sous- étape 40 de l'exemple d'algorithme de la figure 2.
Si le résultat du test est négatif (et donc si la valeur est inférieure à s1 ), alors les moyens d'analyse MA rejettent la règle temporelle et donc ne la stockent pas. En effet, la valeur de l'indicateur de qualité évolue au fur et à mesure que des nouvelles données sont générées et que des nouveaux événements arrivent. Si la règle n'est pas efficace et que la valeur de l'indicateur associée tombe sous un certain seuil, celle-ci est révoquée. Ce rejet correspond à la sous-étape 50 de l'exemple d'algorithme de la figure 2.
En revanche, si le résultat du test est positif (et donc si la valeur est supérieure à s1 ), alors les moyens d'analyse MA stockent la règle temporelle, en correspondance de chaque valeur d'indicateur de qualité associée, dans des seconds moyens de stockage B2 qui peuvent faire partie du dispositif DS, comme illustré non limitativement sur la figure 1 . Cette règle temporelle fait alors partie de l'ensemble de règles temporelles utilisables. Ces seconds moyens de stockage B2 peuvent, par exemple, être agencés sous la forme d'une seconde base de données. Ce stockage correspond à la sous-étape 60 de l'exemple d'algorithme de la figure 2.
De préférence, chaque règle temporelle est intégrée à l'ensemble de règles temporelles stockées dans les seconds moyens de stockage B2 après avoir été validée ou approuvée. Cette validation (ou approbation) est de préférence réalisée par une personne autorisée suite à un raisonnement. Mais elle pourrait être réalisée par les moyens d'analyse MA ou par d'autres moyens dédiés du dispositif DS.
On notera qu'au début de la première étape l'ensemble de règles temporelles peut être vide (et donc peut ne comprendre aucune règle temporelle).
Une seconde étape, du procédé selon l'invention, est ensuite réalisée en temps réel sur les nouvelles données générées par le processus. Il s'agit donc d'une étape de surveillance. Cette seconde étape correspond aux sous- étapes 70 à 1 10 de l'exemple d'algorithme de la figure 2.
Dans cette seconde étape, on (des moyens de surveillance MS du dispositif (de surveillance) DS) détermine(nt) en temps réel si les données nouvellement générées par le processus vérifient des règles temporelles précédemment déterminées par les moyens d'analyse MA et qui sont associées à une valeur d'indicateur de qualité qui est supérieure au premier seuil choisi s1 . En d'autres termes, les moyens de surveillance MS vérifient lors de test(s) si chaque règle temporelle de l'ensemble stocké est satisfaite par une ou plusieurs données nouvellement générées. Cette vérification correspond à la sous-étape 70 de l'exemple d'algorithme de la figure 2.
Si le résultat d'une vérification est négatif (et donc si des données nouvellement générées ne vérifient pas au moins une règle temporelle), on (les moyens de surveillance MS) modifie(nt) chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou on crée au moins une nouvelle règle temporelle pour l'ensemble. Cette modification et/ou création correspond à la sous-étape 80 de l'exemple d'algorithme de la figure 2. Elle est par exemple réalisée par les moyens d'analyse MA à la requête des moyens de surveillance MS. La règle temporelle modifiée et/ou créée est ensuite intégrée à l'ensemble de règles temporelles dans les seconds moyens de stockage B2 (éventuellement après une validation), lors d'une sous-étape similaire à la sous-étape 60 précédemment décrite.
Si le résultat d'une vérification est positif (et donc si des données nouvellement générées vérifient une règle temporelle), on (les moyens de surveillance MS) génère(nt) un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées. Cette génération correspond à la sous-étape 90 de l'exemple d'algorithme de la figure 2.
Ce premier message peut être de type textuel ou sonore, et peut être éventuellement crypté. Selon l'application concernée, le premier message peut être affiché et/ou diffusé soit par l'équipement électronique EE, soit par au moins un terminal de communication TCj après avoir été transmis via un réseau de communication RC par l'équipement électronique EE.
On comprendra que ce premier message est destiné à prévenir au moins une personne du fait qu'une ou plusieurs actions doivent être envisagées compte tenu des dernières données générées par le processus. Une action peut être un déclenchement d'alarme ou une proposition d'intervention, éventuellement en urgence.
On notera que l'on (les moyens de surveillance MS) peu(ven)t ensuite éventuellement générer un second message contenant une justification d'un raisonnement ayant conduit à la proposition d'action(s) à réaliser contenue dans le premier message. Cette génération correspond à la sous-étape 100 de l'exemple d'algorithme de la figure 2.
Ce second message peut être de type textuel ou sonore, et peut être éventuellement crypté. Selon l'application concernée, le second message peut être affiché et/ou diffusé soit par l'équipement électronique EE, soit par au moins un terminal de communication TCj après avoir été transmis via un réseau de communication RC par l'équipement électronique EE. On comprendra que ce second message est destiné à fournir à moins une personne une explication (ou justification) des raisons qui ont amené à proposer une ou plusieurs actions.
On notera également qu'en cas de vérification d'une règle temporelle, on peut augmenter la valeur d'indicateur de qualité qui lui est associée au sein de l'ensemble de règles temporelles stocké. En effet, une telle vérification positive est de nature à renforcer l'intérêt prédictif que représente cette règle temporelle vis-à-vis du processus. Cette modification correspond à la sous- étape 1 10 de l'exemple d'algorithme de la figure 2. Elle est par exemple réalisée par les moyens d'analyse MA à la requête des moyens de surveillance MS.
On notera également que l'on peut supprimer une règle temporelle non vérifiée (jusqu'alors stockée dans les seconds moyens de stockage B2) lorsque la valeur d'indicateur de qualité associée est devenue strictement inférieure à un second seuil s2. Ce second seuil s2 est de préférence inférieur au premier seuil s1 . Mais il pourrait être égal à ce dernier (s1 ). On comprendra en effet qu'il n'est plus justifié d'utiliser une règle temporelle dès lors que son intérêt prédictif vis-à-vis du processus devient trop faible. Cette suppression est par exemple réalisée par les moyens d'analyse MA automatiquement, ou bien à la requête des moyens de surveillance MS.
Grâce à l'invention, il est désormais possible d'aider un expert à converger rapidement vers des règles temporelles prédictives qui vont ensuite permettre d'anticiper et de conseiller en temps réel des utilisateurs dans la résolution de problèmes éventuellement complexes. Elle permet une interactivité entre l'homme et la machine par apprentissage.
L'invention ne se limite pas aux modes de réalisation de procédé de surveillance, de dispositif de surveillance, et d'équipement électronique décrits ci-avant, seulement à titre d'exemple, mais elle englobe toutes les variantes que pourra envisager l'homme de l'art dans le seul cadre des revendications ci- après.

Claims

REVENDICATIONS
1. Procédé de surveillance d'un processus générateur de données, caractérisé en ce qu'il comprend une première étape (10-60) dans laquelle on analyse de façon automatisée des données générées par ledit processus afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données consécutivement à la génération de données antérieures, chaque règle temporelle étant associée à au moins une valeur d'au moins un indicateur de qualité, et une deuxième étape (70-1 10) dans laquelle on détermine en temps réel si des données nouvellement générées par ledit processus vérifient des règles temporelles déterminées associées à une valeur d'indicateur de qualité supérieure à un premier seuil choisi, et dans la négative on modifie chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou on crée au moins une nouvelle règle temporelle pour ledit ensemble, tandis que dans l'affirmative on génère un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées.
2. Procédé selon la revendication 1 , caractérisé en ce que dans ladite première étape on détermine chaque règle temporelle en fonction d'au moins une contrainte choisie.
3. Procédé selon l'une des revendications 1 et 2, caractérisé en ce que dans ladite première étape on analyse de façon automatisée des données générées de type qualitatif.
4. Procédé selon la revendication 3, caractérisé en ce que dans ladite première étape, en cas de génération d'une donnée de type quantitatif, on transforme cette donnée en une donnée de type qualitatif.
5. Procédé selon l'une des revendications 1 à 4, caractérisé en ce que chaque indicateur de qualité est choisi dans un groupe comprenant un taux de confiance représentatif de la probabilité qu'une suite ordonnée de données choisies aboutisse à la génération d'une autre donnée choisie, et un taux de support représentatif du nombre d'occurrences d'une donnée choisie résultant de l'occurrence d'une suite ordonnée d'autres données choisies.
6. Procédé selon l'une des revendications 1 à 5, caractérisé en ce que dans ladite deuxième étape, en cas de vérification d'une règle temporelle, on augmente ladite valeur d'indicateur de qualité qui lui est associée au sein dudit ensemble.
7. Procédé selon l'une des revendications 1 à 6, caractérisé en ce que dans ladite deuxième étape on génère également un second message contenant une justification d'un raisonnement ayant conduit à ladite proposition d'action(s) à réaliser.
8. Procédé selon l'une des revendications 1 à 7, caractérisé en ce que dans ladite deuxième étape on supprime une règle temporelle non vérifiée lorsque la valeur d'indicateur de qualité associée est strictement inférieure à un second seuil.
9. Produit programme d'ordinateur comprenant un jeu d'instructions qui, lorsqu'il est exécuté par des moyens de traitement, est propre à mettre en œuvre le procédé selon l'une des revendications précédentes pour surveiller un processus générateur de données.
10. Dispositif (DS) de surveillance d'un processus générateur de données, caractérisé en ce qu'il comprend des moyens d'analyse (MA) agencés pour analyser des données générées par ledit processus afin de déterminer un ensemble de règles temporelles de prédiction de génération de futures données consécutivement à la génération de données antérieures, chaque règle temporelle étant associée à au moins une valeur d'au moins un indicateur de qualité, et des moyens de surveillance (MS) agencés pour déterminer en temps réel si des données nouvellement générées par ledit processus vérifient des règles temporelles déterminées associées à une valeur d'indicateur de qualité supérieure à un premier seuil choisi, et dans la négative pour modifier chaque règle temporelle non vérifiée ou la valeur d'indicateur de qualité associée et/ou créer au moins une nouvelle règle temporelle pour ledit ensemble, ou dans l'affirmative pour générer un premier message contenant une proposition d'action(s) à réaliser du fait de la vérification d'au moins une règle temporelle par les données nouvellement générées.
1 1. Equipement électronique (EE), caractérisé en ce qu'il comprend un dispositif de surveillance (DS) selon la revendication 10.
PCT/EP2015/079843 2014-12-19 2015-12-15 Procédé et dispositif de surveillance d'un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables WO2016096886A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP15817178.5A EP3234830A1 (fr) 2014-12-19 2015-12-15 Procédé et dispositif de surveillance d'un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1462903A FR3030815A1 (fr) 2014-12-19 2014-12-19 Procede et dispositif de surveillance d’un processus generateur de donnees, par confrontation a des regles temporelles predictives et modifiables
FR1462903 2014-12-19

Publications (1)

Publication Number Publication Date
WO2016096886A1 true WO2016096886A1 (fr) 2016-06-23

Family

ID=53541690

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2015/079843 WO2016096886A1 (fr) 2014-12-19 2015-12-15 Procédé et dispositif de surveillance d'un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables

Country Status (3)

Country Link
EP (1) EP3234830A1 (fr)
FR (1) FR3030815A1 (fr)
WO (1) WO2016096886A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583497B (zh) * 2018-11-29 2023-07-04 中电科嘉兴新型智慧城市科技发展有限公司 一种对抗生成网络智能判断的数据质量规则自动生成方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003094051A1 (fr) * 2002-04-29 2003-11-13 Laboratory For Computational Analytics And Semiotics, Llc Outil d'exploration de sequence
US20090216564A1 (en) * 1999-06-23 2009-08-27 Koninklijke Philips Electronics N. V. Rules-based system for maternal-fetal care
US20130144816A1 (en) * 2011-06-06 2013-06-06 Mike Smith Health care incident prediction

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090216564A1 (en) * 1999-06-23 2009-08-27 Koninklijke Philips Electronics N. V. Rules-based system for maternal-fetal care
WO2003094051A1 (fr) * 2002-04-29 2003-11-13 Laboratory For Computational Analytics And Semiotics, Llc Outil d'exploration de sequence
US20130144816A1 (en) * 2011-06-06 2013-06-06 Mike Smith Health care incident prediction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
STEFANO CONCARO ET AL: "Mining Healthcare Data with Temporal Association Rules: Improvements and Assessment for a Practical Use", 18 July 2009, ARTIFICIAL INTELLIGENCE IN MEDICINE, SPRINGER BERLIN HEIDELBERG, BERLIN, HEIDELBERG, PAGE(S) 16 - 25, ISBN: 978-3-642-02975-2, XP019124217 *

Also Published As

Publication number Publication date
FR3030815A1 (fr) 2016-06-24
EP3234830A1 (fr) 2017-10-25

Similar Documents

Publication Publication Date Title
EP2364467B1 (fr) Procédé de reconnaissance de motifs séquentiels pour procédé de traitement des messages de pannes
US7289857B2 (en) Data analysis system and method
US20090106734A1 (en) Bayesian belief network query tool
WO2014145705A2 (fr) Système d'analyse de progression
CN114528934A (zh) 时序数据异常检测方法、装置、设备及介质
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
US20230207123A1 (en) Machine learning approach for detecting data discrepancies during clinical data integration
JP2020527063A (ja) センサの動作ステータスを検出するための方法および状態機械システム
FR3109455A1 (fr) Détermination d’états de santé de systèmes équipés de capteurs
Depp et al. Technology-based early warning systems for bipolar disorder: a conceptual framework
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN109643087B (zh) 用于选择用于设备操作安全的可控参数的系统和方法
Niemeijer et al. Tracking subjective sleep quality and mood with mobile sensing: Multiverse study
Jarwar et al. NEAT: A resilient deep representational learning for fault detection using acoustic signals in IIoT environment
Gideon et al. When to intervene: Detecting abnormal mood using everyday smartphone conversations
US11031111B1 (en) Systems and methods for optimizing clinical workflow using a prioritization engine
WO2020011988A1 (fr) Systeme et procede de generation d'une liste de probabilites associee a une liste de maladies, produit programme d'ordinateur
EP3234830A1 (fr) Procédé et dispositif de surveillance d'un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables
JP7484065B1 (ja) 知能型製造設備の制御装置及びその制御方法
EP3846047A1 (fr) Procédé et système d'identification de variables pertinentes
Martin-del-Campo et al. Algorithmic performance constraints for wind turbine condition monitoring via convolutional sparse coding with dictionary learning
CN113256021B (zh) 基于集成学习的产品质量报警方法、装置
WO2024068953A1 (fr) Système de télésurveillance d'un individu potentiellement âgé dans un environnement quotidien
EP3646255B1 (fr) Système et procédé de gestion de risques dans un processus
US20230368000A1 (en) Systems and methods for acoustic feature extraction and dual splitter model

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15817178

Country of ref document: EP

Kind code of ref document: A1

REEP Request for entry into the european phase

Ref document number: 2015817178

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE