WO2018046868A1 - Procédé de reconnaissance de motif dans une pluralité de signaux - Google Patents

Procédé de reconnaissance de motif dans une pluralité de signaux Download PDF

Info

Publication number
WO2018046868A1
WO2018046868A1 PCT/FR2017/052393 FR2017052393W WO2018046868A1 WO 2018046868 A1 WO2018046868 A1 WO 2018046868A1 FR 2017052393 W FR2017052393 W FR 2017052393W WO 2018046868 A1 WO2018046868 A1 WO 2018046868A1
Authority
WO
WIPO (PCT)
Prior art keywords
context
signals
standard
contexts
signal
Prior art date
Application number
PCT/FR2017/052393
Other languages
English (en)
Original Assignee
Centre National De La Recherche Scientifique - Cnrs -
INSERM (Institut National de la Santé et de la Recherche Médicale)
Universite Pierre Et Marie Curie (Paris 6)
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 Centre National De La Recherche Scientifique - Cnrs -, INSERM (Institut National de la Santé et de la Recherche Médicale), Universite Pierre Et Marie Curie (Paris 6) filed Critical Centre National De La Recherche Scientifique - Cnrs -
Priority to CA3035520A priority Critical patent/CA3035520A1/fr
Priority to AU2017322448A priority patent/AU2017322448B2/en
Priority to CN201780055286.5A priority patent/CN109844739B/zh
Priority to EP17771501.8A priority patent/EP3510495A1/fr
Priority to US16/331,808 priority patent/US11080523B2/en
Priority to JP2019513319A priority patent/JP7209622B2/ja
Publication of WO2018046868A1 publication Critical patent/WO2018046868A1/fr
Priority to JP2022168637A priority patent/JP2023017794A/ja

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Definitions

  • the present invention relates to the field of the analysis of complex signals, in particular for the detection of certain particular patterns in signals of different natures.
  • the analysis of these data is a real challenge to be able to value the data from these sensors.
  • the analysis of a single signal does not pose a problem in itself, because this analysis is most often to treat the curve with known mathematical tools (eg calculation of derivatives, analysis of variability, etc.).
  • the increase in heart rate alone may mean that the patient is running or is in cardiac distress;
  • - Increasing the consumption of the industrial machine may mean that the carburation of the engine is not working well or that the operator has requested an increase in production rate.
  • the present invention improves the situation.
  • the present invention provides a generic method for simplified analysis of complex signals.
  • the present invention thus aims at a method of recognizing a pattern in a plurality of time signals of a different nature, the method comprising: / a / receiving the plurality of time signals;
  • Ibl for each signal received from the plurality of signals, creating a temporal asynchronous signal including events, said events being the same forms of the asynchronous signal representative of a characteristic of the received signal;
  • the activity profile comprises at least one activity value which decreases as a function of the elapsed time since a most recent event among the successive events of said asynchronous signal ; for a given time:
  • a context determination said context being defined as the set of activity profiles, at the given time, of the asynchronous signals created, 1621 determining a typical context from a set of predetermined standard contexts, the determined standard context having, among the set of standard contexts, a distance to the context determined at the minimum step I6M,
  • Distances can be distances in the mathematical sense.
  • the distances can be Euclidean distances, Manhattan distances, Minkoswski distances, Chebyshev distances or other distances.
  • the present invention also alternatively aims at a method of recognizing a pattern in a plurality of time signals of different nature, a hierarchical model of standard contexts being defined, each standard context being associated with a respective level of the hierarchical model, the method includes:
  • Ibl for each signal received from the plurality of signals, creating a temporal asynchronous signal including events, said events being the same forms of the asynchronous signal representative of a characteristic of the received signal;
  • Ib'l use the events of each asynchronous signal as current events and use the standard contexts of the first level of the hierarchical model as typical common contexts;
  • the activity profile comprises at least one activity value which decreases as a function of the elapsed time since a most recent event among the successive events of said asynchronous signal ; Idl for each given time among a plurality of given times:
  • M determination of a context, said context being defined as the set of values of the activity profiles, at the given time, of the asynchronous signals created,
  • determining a pattern in the plurality of received signals by comparing the typical contexts determined at the last occurrence of step I02 with a typical signature base.
  • the first hierarchical level makes it possible to identify very basic forms, the higher order hierarchical levels making it possible to identify more complex forms from the lower levels.
  • the comparison of the step / f / may comprise the calculation of a Bhattacharyya distance. Indeed, it has been found experimentally that this distance allowed better quality recognition.
  • the comparison of the step / f / may include the calculation of a standardized distance.
  • the comparison of step / f / may be a comparison between a number of instances of determination of the typical contexts at the last occurrence of step I02I with a signature base types.
  • the decay of the activity profile can be a function of the level of the current hierarchical model.
  • This adaptation may allow a slower rate of decay for higher hierarchical levels in order to have a responsiveness of these lower levels. Conversely, low level hierarchical levels (ie the first ones used) may have higher responsiveness.
  • a computer program, implementing all or part of the method described above, installed on a pre-existing equipment, is in itself advantageous, since it allows pattern recognition in a plurality of signals.
  • the present invention also relates to a computer program comprising instructions for implementing the method described above, when this program is executed by a processor.
  • This program can use any programming language (eg, object language or other), and be in the form of interpretable source code, partially compiled code, or fully compiled code.
  • FIGS. 5a and 5b described in detail below can form the flowchart of the general algorithm of such a computer program.
  • FIG. 1a illustrates a generation of events from a signal representative of a cardiac rhythm
  • FIG. 1b illustrates a generation of events from a signal representative of a respiratory rate
  • FIGS. 2a and 2b are examples of "activity profile" for the events resulting from received signals
  • FIGS. 3a and 3b are examples of representation of a context determined from three received signals
  • FIGS. 4a to 4d are examples of representation of four typical contexts
  • FIG. 4e is an example of generation of four event flows from recognition in a signal of the typical contexts of FIGS. 4a to 4d;
  • FIG. 4f is an example of determination of a signature for four event streams
  • FIG. 5a is an example of a flow chart of a method according to a possible embodiment of the invention (i.e. without using a hierarchical model of typical contexts);
  • FIG. 5b is an example of a flow chart of a method according to another possible embodiment of the invention (i.e. using a hierarchical model of standard contexts);
  • FIG. 6 illustrates a device for implementing an embodiment according to the invention.
  • Figure 1a illustrates generation of events from a signal representative of a heart rhythm.
  • the curve 101 is representative of a heart rhythm.
  • This curve can be received as continuous data (eg analog signal) or as sampled data (eg digital signal).
  • the variability of a signal pattern eg variability of the R wave repetition period in an electrocardiogram or variability of an engine cycle time for a machine tool
  • the temporal width of certain patterns eg width of the QT interval in an electrocardiogram or motor cycle time for a machine tool
  • these characteristics can be representative of a function of the signal (eg of the derivative of the signal or of any mathematical transformation of the signal).
  • an "asynchronous" signal comprising markers or events (eg curve 102 or 103). These events are most often Diracs in the asynchronous signal, because their generation is simple. Nevertheless, these events can be any pattern (eg triangular signal, rectangular, sinusoidal portion, AC signal portion, etc.). Each event of said asynchronous signal is advantageously the same pattern or a similar pattern (their amplitude or polarity (ie their meaning relative to the zero value) can nevertheless change from one event to another).
  • the curve 102 is an asynchronous signal whose events are generated during the appearance of a QRS complex in the electrocardiogram of the curve 101.
  • the curve 103 is an asynchronous signal whose events are generated when the width of a QRS complex of the electrocardiogram of the curve 101 exceeds a target value (eg average over the previous x minutes).
  • Figure 1b illustrates a generation of events from a signal 104 representative of a respiratory rate.
  • the curve 105 is an asynchronous signal whose events are generated when the respiratory rate exceeds a predetermined threshold (i.e., horizontal dashed line) in the curve 104.
  • the curve 106 is an asynchronous signal whose events are generated when the derivative of the respiratory rate exceeds a target value in the curve 104.
  • FIGS. 2a and 2b are examples of three "activity profiles" t ⁇ S, for the events resulting from three received signals pi, p 2 and p 3 .
  • S (pi, t), S (p 2 , t) or S (p 3 , t) is zero.
  • S (pi, t) takes a predetermined threshold value (here h, this value h may be unitary).
  • the value of the activity profile S (pi, t) then decreases progressively after this event to tend towards 0. The same goes for the event 21 1 for the signal pi, for the event 212 for the signal p 2 , or for the event 213/214 for the signal p 3 .
  • This exponential decay can be illustrated in Figure 2b (see event 220, for example).
  • the nature and the parameters of this decay can be chosen and different for each analyzed signal.
  • the value of the activity profile S can be set to the sum (possibly weighted) of the current value of S just before the event 222 (ie h 0 ) and h.
  • the decay of the curve S will start from the value h + h 0 as shown in FIG . 2b .
  • the value of the curve S is set to the value h regardless of the value of h 0 (ie events prior to the last event (ie the subsequent event) are ignored).
  • T (p, i) max (t / ) ⁇ j ⁇ i or
  • T (p, t) max (t ; ) ⁇ t j ⁇ t with t j the event times occurring for a signal p.
  • p ⁇ T (p, t) defines a map of the times of the last events occurring temporally just before a reference time (i.e. t).
  • a predetermined time constant ⁇ S may be any function decreasing with time t over an interval comprising as lower bound T (p, t)).
  • the function p ⁇ S (p, i) is called the "context" of the input signals for a given time t.
  • This vector can be represented graphically in the form of a "spider" graph (eg Figure 3a) or in the form of a histogram (eg Figure 3b). Of course, any form of graphic representation is conceivable.
  • the order of the components of the vector can be arbitrary in a large number of situations, it is possible to establish an order among these components as a function of the spatial and / or temporal dynamics of the signals.
  • two consecutive components in a given context can represent signals having a near spatial and / or temporal dynamics.
  • Figures 4a to 4d are examples of representation of four typical contexts. In order to detect patterns in the signals, it is possible to define standard contexts that will be compared with the previously defined S contexts.
  • Figure 3a can be compared with each of the typical contexts 401, 402, 403 and 404.
  • each typical context can be associated with a given pattern: for example, the standard context 402 can correspond to a mechanical failure of an engine while the standard context 401 corresponds to a normal operation of said engine.
  • the distance used for minimizing the distance between the context and the standard contexts can take this order into account.
  • FIG. 4e it is also possible (FIG. 4e) to generate events for new asynchronous signals when a typical context is retained / recognized:
  • this method i.e. analysis
  • this method can be recursive and iterated as many times as the number of hierarchical levels defined for the standard contexts.
  • the hierarchical model may have only one level in a particular case, it is possible to define a signature.
  • Figure 4f is an example of determining a signature for four event streams.
  • the signature is defined as being the vector or the histogram 420 of the number of occurrence (respectively n 40 i, n 40 2, n 40 3, n 404 ) of each of the determined standard contexts (respectively 401, 402 , 403, 404) for the last occurrence of the method described above.
  • the distance between two histograms K x and ⁇ 2 (P ⁇ r example 420 and 421) can be calculated as a mathematical distance between two vectors whose coordinates are the number of occurrences for each of the standard contexts: It is also possible to calculate a standardized distance as follows:
  • card ⁇ Hi card (JC 2 ) with card ⁇ K j ) the number of typical contexts (ie vertical bar) of the histogram
  • the distance from Bhattacharyya can also be used to replace the classic distance: with W j ( ⁇ ) the number of occurrences of the i th standard context of the histogram 3 ⁇ 4 ⁇ .
  • the signature may also be the general form of the asynchronous signals of the four event streams.
  • Each of the standard signatures may be associated with a given pattern in the received signals: for example, the type signature 421 may correspond to a mechanical failure of an engine while the type signature 422 corresponds to a normal operation of said engine.
  • Fig. 5a is an exemplary flowchart of a method according to a possible embodiment of the invention (i.e. without using hierarchical model of typical contexts).
  • step 502 On receiving signals 501, it is possible to create (step 502) asynchronous signals by generating events on the basis of signal characteristic detections, as described with reference to FIGS. 1a and 1b. Once these asynchronous signals have been created, it is possible to create (step 503), from each created asynchronous signal, an activity profile as described with reference to FIGS. 2a and 2b.
  • the determined context can be defined as a vector of the values of the activity profiles, at the given time, of the asynchronous signals created.
  • a typical context from a set of predetermined standard contexts (for example, pre-computed and stored in a database 505) by minimizing the distance between the context determined in step 504 and the typical contexts.
  • a "pattern" 509 in the plurality of received signals Based on the determined typical context, it is then possible to determine (step 508) a "pattern" 509 in the plurality of received signals.
  • Fig. 5b is an exemplary flowchart of a method according to another possible embodiment of the invention (i.e. using hierarchical model of typical contexts).
  • step 502 On receiving signals 501, it is possible to create (step 502) asynchronous signals by generating events on the basis of signal characteristic detections, as described with reference to FIGS. 1a and 1b.
  • step 503 from each created asynchronous signal, an activity profile as described with reference to FIGS. 2a and 2b.
  • the determined context can be defined as a vector of the values of the activity profiles, at the given time, of the asynchronous signals created. This determination can be performed for a plurality of given times (eg this plurality of times being a sampling of the time with a predetermined step).
  • step 506 determines (step 506) a typical context among the current typical contexts by minimizing the distance between the context determined in step 504 and the current standard contexts.
  • Each recognition of a standard context may allow the generation (step 512) of an event as described in connection with FIG. 4e.
  • asynchronous signal ie in addition to new asynchronous signals created
  • an asynchronous signal from a step similar to step 502.
  • a received signal is a fast signal (whose variations are notable for a predetermined period of time)
  • the signal received is slow (its variations are negligible over the predetermined period of time)
  • This integration of this asynchronous signal will be done in parallel with the asynchronous signals generated in step 512 for the "faster" signals already integrated.
  • this classification can then know the level v of the hierarchical model from which each signal is integrated in the loop defined by steps 506, 512 and 513.
  • step 506 determines a "pattern" by comparing the typical contexts determined at the last occurrence of step 506 with a signature base types.
  • This comparison may comprise, for example, the calculation of the number of occurrences of determination of the standard contexts at the last occurrence of step 506 as described with reference to FIG. 4f.
  • the comparison may also be a distance comparison between the asynchronous signals generated at the last occurrence of step 513 (in this case step 513 must be executed when the last level of the hierarchical model is used) and a signature database.
  • Fig. 6 shows an exemplary pattern recognition device in one embodiment of the invention.
  • the device comprises a computer 600, comprising a memory 605 for storing instructions for implementing the method, the received measurement data, and temporary data for performing the various steps of the method as described above. .
  • the computer further comprises a circuit 604.
  • This circuit may be, for example: a processor capable of interpreting instructions in the form of a computer program.
  • a programmable electronic chip such as an FPGA chip (for "Field- Programmable Gâte Array "in English) whose steps of the method of the invention are described, for example, in a VHDL or Verilog code (hardware description languages for representing the behavior and the architecture of an electronic system).
  • This computer has an input interface 603 for receiving the signals to be analyzed, and an output interface 606 for providing the recognized pattern.
  • the computer may include, for easy interaction with a user, a screen 601 and a keyboard 602.
  • the keyboard is optional, particularly in the context of a computer in the form of a touch pad, for example.
  • FIG. 5a or 5b is a typical example of a program, some of whose instructions can be carried out with the device described. As such, FIG. 5a or 5b may correspond to the flowchart of the general algorithm of a computer program within the meaning of the invention.
  • the proposed method can be used to analyze any type of data / signal in any possible industrial domain, without any particular limitation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)
  • Complex Calculations (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

La présente invention concerne un procédé de reconnaissance d'un motif dans une pluralité de signaux temporels reçus de nature différente, le procédé comprend : /b/ pour chaque signal reçu, création (502) d'un signal asynchrone temporel (102, 103, 105, 106) comportant des événements; /c/ pour chaque signal asynchrone créé (102, 103, 105, 106), créer (503) un profil d'activité (S(p1), S(p2), S(p3), S(p4)) dudit signal asynchrone qui décroît en fonction du temps écoulé depuis le dernier événement (210, 212, 213, 214, 220, 221, 222) dudit signal asynchrone; /d/ pour un temps (t0) donné : /d1/ détermination (504) d'un contexte défini comme l'ensemble des profils d'activité des signaux asynchrones créés, /d2/ détermination (506) d'un contexte type parmi des contextes types (505, 401, 402, 403, 404) prédéterminés, ayant une distance au contexte déterminé à l'étape /d1/ minimum, /d3/ détermination (508) du motif (509) en fonction dudit contexte type déterminé.

Description

PROCÉDÉ DE RECONNAISSANCE DE MOTIF DANS UNE PLURALITÉ DE
SIGNAUX
La présente invention concerne le domaine de l'analyse des signaux complexes, notamment pour la détection de certains motifs particuliers dans des signaux de natures différentes.
Grâce à la diminution des coûts de fabrication des capteurs et grâce à leur miniaturisation, ces derniers sont présents partout aujourd'hui, que cela soit pour la supervision des données de santé (ex. montre connectée mesurant le rythme cardiaque, la pression artérielle, la vitesse du sang, la température, la qualité du sommeil, etc.) ou des données industrielles (température dans une salle machine, présence de C02, vitesse de l'aération, etc.).
L'analyse de ces données est un véritable enjeu afin de pouvoir valoriser les données issues de ces capteurs. L'analyse d'un signal unique ne pose pas de problème en soi, car cette analyse revient le plus souvent à traiter la courbe avec des outils mathématiques connus (ex. calcul de dérivées, analyse de variabilité, etc.).
Néanmoins, lorsqu'une analyse cherche à appréhender des signaux multiples n'ayant pas les mêmes échelles / grandeurs / etc., il peut être difficile de combiner ces signaux afin de détecter certains motifs. À titre d'illustration uniquement, ces motifs peuvent être :
- détecter les signes annonciateurs d'un AVC chez un patient grâce à des signaux de fréquence cardiaque, de débit artériel et de régularité cardiaque ;
- détecter des problèmes d'encrassement d'un moteur industriel grâce à des signaux de températures, de pourcentage de C02, et de consommation.
En effet, l'analyse d'un seul signal peut donner des résultats erronés :
- l'augmentation de la fréquence cardiaque, seule, peut signifier que le patient effectue une course ou qu'il est en détresse cardiaque ; - l'augmentation de la consommation de la machine industrielle peut signifier que la carburation du moteur fonctionne mal ou que l'opérateur a demandé une augmentation de la cadence de production.
Si des solutions particulières d'analyse de signaux de type différents peuvent être trouvées au cas par cas (i.e. en fonction des types de signaux considérés), il existe un besoin d'avoir une méthode générique de détection de motifs (ou pattern en anglais) dans ces signaux complexes.
La présente invention vient améliorer la situation. À cet effet, la présente invention propose une méthode générique permettant une analyse simplifiée de signaux complexes.
La présente invention vise alors un procédé de reconnaissance d'un motif dans une pluralité de signaux temporels de nature différente, le procédé comprend : /a/ réception de la pluralité de signaux temporels ;
Ibl pour chaque signal reçu de la pluralité de signaux, création d'un signal asynchrone temporel comportant des événements, lesdits événements étant des mêmes formes du signal asynchrone représentatives d'une caractéristique du signal reçu ; Ici pour chaque signal asynchrone créé, créer un profil d'activité dudit signal asynchrone, le profil d'activité comprend au moins une valeur d'activité qui décroît en fonction du temps écoulé depuis un événement le plus récent parmi les événements successifs dudit signal asynchrone ; lôl pour un temps donné :
lûM détermination d'un contexte, ledit contexte étant défini comme l'ensemble des profils d'activité, au temps donné, des signaux asynchrones créés, 1621 détermination d'un contexte type parmi un ensemble de contextes types prédéterminés, le contexte type déterminé ayant, parmi l'ensemble des contextes types, une distance au contexte déterminé à l'étape I6M minimum,
/d3/ détermination du motif en fonction dudit contexte type déterminé.
Les distances peuvent être des distances au sens mathématique. Ainsi, les distances peuvent être des distances euclidiennes, des distances de Manhattan, des distances de Minkoswski, des distances de Tchebychev ou toutes autres distances.
Dans un autre mode de réalisation, il est possible de prendre en compte un modèle hiérarchique pour les contextes types utilisés.
La présente invention vise également de manière alternative un procédé de reconnaissance d'un motif dans une pluralité de signaux temporels de nature différente, un modèle hiérarchique de contextes types étant définis, chaque contexte type étant associé à un niveau respectif du modèle hiérarchique, le procédé comprend :
/a/ réception de la pluralité de signaux temporels ;
Ibl pour chaque signal reçu de la pluralité de signaux, création d'un signal asynchrone temporel comportant des événements, lesdits événements étant des mêmes formes du signal asynchrone représentatives d'une caractéristique du signal reçu ;
Ib'l utilisation des événements de chaque signal asynchrone comme événements courants et utilisation des contextes types du premier niveau du modèle hiérarchique comme contextes types courants ;
Ici pour chaque signal asynchrone créé, créer un profil d'activité dudit signal asynchrone, le profil d'activité comprend au moins une valeur d'activité qui décroît en fonction du temps écoulé depuis un événement le plus récent parmi les événements successifs dudit signal asynchrone ; Idl pour chaque temps donné parmi une pluralité de temps donnés :
lûM détermination d'un contexte, ledit contexte étant défini comme l'ensemble des valeurs des profils d'activité, au temps donné, des signaux asynchrones créés,
IÛ2I détermination d'un contexte type parmi les contextes types courants, le contexte type déterminé ayant, parmi l'ensemble des contextes types courants, une distance au contexte déterminé à l'étape lûM minimum,
IÛ3I si un niveau du modèle hiérarchique n'a pas été utilisé, génération d'un événement pour un signal asynchrone fonction du contexte type courant identifié à l'étape IÛ2I ; lel si un niveau du modèle hiérarchique n'a pas été utilisé :
- utilisation des événements générés à l'étape IÛ3I comme événements courants,
- utilisation des contextes types d'un niveau du modèle hiérarchique non encore utilisé comme contextes types courants ;
- réexécution des étapes Ici à /f/ ;
/f/ si tous les niveaux du modèle hiérarchique ont été utilisés :
- détermination d'un motif dans la pluralité de signaux reçue par une comparaison des contextes types déterminés à la dernière occurrence de l'étape IÛ2I avec une base de signature types.
Ces niveaux hiérarchiques permettent de procéder à une reconnaissance de proche en proche : le premier niveau hiérarchique permet d'identifier des formes très basiques, les niveaux hiérarchiques d'ordre supérieur permettant d'identifier des formes plus complexes à partir des niveaux inférieurs.
Dans un mode de réalisation, la comparaison de l'étape /f/ peut comporter le calcul d'une distance de Bhattacharyya. En effet, il a été constaté expérimentalement que cette distance permettait des reconnaissances de meilleures qualités.
Par ailleurs, la comparaison de l'étape /f/ peut comporter le calcul d'une distance normalisée.
Dans un autre mode de réalisation alternatif ou cumulatif, la comparaison de l'étape /f/ peut être une comparaison entre un nombre d'occurrences de détermination des contextes types à la dernière occurrence de l'étape IÛ2I avec une base de signature types.
La décroissance du profil d'activité peut être fonction du niveau du modèle hiérarchique courant.
Cette adaptation peut permettre d'accorder une vitesse de décroissance plus lente pour les niveaux hiérarchiques élevés afin d'avoir une réactivité de ces niveaux plus faibles. A l'inverse, les niveaux hiérarchiques de bas niveaux (i.e. les premiers utilisés) pourront avoir alors une réactivité plus élevée.
Un programme informatique, mettant en œuvre tout ou partie du procédé décrit ci- avant, installé sur un équipement préexistant, est en lui-même avantageux, dès lors qu'il permet une reconnaissance de motifs dans une pluralité de signaux.
Ainsi, la présente invention vise également un programme informatique comportant des instructions pour la mise en œuvre du procédé précédemment décrit, lorsque ce programme est exécuté par un processeur. Ce programme peut utiliser n'importe quel langage de programmation (par exemple, un langage-objet ou autre), et être sous la forme d'un code source interprétable, d'un code partiellement compilé ou d'un code totalement compilé.
Les figures 5a et 5b décrites en détail ci-après, peuvent former l'organigramme de l'algorithme général d'un tel programme informatique.
D'autres caractéristiques et avantages de l'invention apparaîtront encore à la lecture de la description qui va suivre. Celle-ci est purement illustrative et doit être lue en regard des dessins annexés sur lesquels :
- la figure 1 a illustre une génération d'événements à partir d'un signal représentatif d'un rythme cardiaque ;
- la figure 1 b illustre une génération d'événements à partir d'un signal représentatif d'une fréquence respiratoire ;
- les figures 2a et 2b sont des exemples de « profil d'activité » pour les événements issus de signaux reçus ;
- les figures 3a et 3b sont des exemples de représentation d'un contexte déterminée à partir de trois signaux reçus ;
- les figures 4a à 4d sont des exemples de représentation de quatre contextes types ;
- la figure 4e est un exemple de génération de quatre flux d'événements à partir de la reconnaissance dans un signal des contextes types des figures 4a à 4d ;
- la figure 4f est un exemple de détermination d'une signature pour quatre flux d'événements ;
- la figure 5a est un exemple d'ordinogramme d'un procédé selon un mode de réalisation possible de l'invention (i.e. sans utilisation de modèle hiérarchique de contextes types) ;
- la figure 5b est un exemple d'ordinogramme d'un procédé selon un autre mode de réalisation possible de l'invention (i.e. avec utilisation de modèle hiérarchique de contextes types) ;
- la figure 6 illustre un dispositif pour la mise en œuvre d'un mode de réalisation selon l'invention. La figure 1 a illustre une génération d'événements à partir d'un signal représentatif d'un rythme cardiaque.
Dans cet exemple, la courbe 101 est représentative d'un rythme cardiaque. Cette courbe peut être reçue sous la forme de données continues (ex. signal analogique) ou sous la forme de données échantillonnée (ex. signal numérique).
Lors de la réception du signal, il est possible de déterminer certaines caractéristiques propres au signal. Ces caractéristiques peuvent être, de manière non limitative :
- l'apparition d'un motif particulier dans le signal (ex. apparition d'une onde R (ou complexe QRS) dans un électrocardiogramme ou fin d'un cycle moteur pour une machine-outil) ;
- la variabilité d'un motif du signal (ex. variabilité de la période de répétition de l'onde R dans un électrocardiogramme ou variabilité d'un temps de cycle moteur pour une machine-outil) ;
- la largeur temporelle de certains motifs (ex. largeur de l'intervalle QT dans un électrocardiogramme ou temps de cycle moteur pour une machine-outil) ;
- la valeur maximale d'une amplitude du signal ;
- etc.
Bien entendu, ces caractéristiques peuvent être représentatives d'une fonction du signal (ex. de la dérivée du signal ou de toute transformation mathématique du signal).
En fonction de ces caractéristiques du signal, il est possible de générer un signal dit « asynchrone » comportant des marqueurs ou événements (ex. courbe 102 ou 103). Ces événements sont le plus souvent des Diracs dans le signal asynchrone, car leur génération est simple. Néanmoins, ces événements peuvent être tout motif (ex. signal triangulaire, rectangulaire, portion de sinusoïde, portion de signal alternatif, etc.). Chaque événement dudit signal asynchrone est avantageusement le même motif ou un motif similaire (leur amplitude ou leur polarité (i.e. leur sens par rapport à la valeur zéro) peuvent néanmoins changer d'un événement à l'autre).
À titre d'illustration, la courbe 102 est un signal asynchrone dont les événements sont générés lors de l'apparition d'un complexe QRS dans l'électrocardiogramme de la courbe 101 .
À titre d'illustration également, la courbe 103 est un signal asynchrone dont les événements sont générés lorsque la largeur d'un complexe QRS de l'électrocardiogramme de la courbe 101 dépasse une valeur cible (ex. moyenne sur les x minutes précédentes).
La figure 1 b illustre une génération d'événements à partir d'un signal 104 représentatif d'une fréquence respiratoire.
Cet exemple est sensiblement identique à l'exemple de la figure 1 a et les développements précédents s'y appliquent donc. À titre d'illustration, la courbe 105 est un signal asynchrone dont les événements sont générés lorsque la fréquence respiratoire dépasse un seuil prédéterminé (i.e. ligne horizontale pointillée) dans la courbe 104.
À titre d'illustration également, la courbe 106 est un signal asynchrone dont les événements sont générés lorsque la dérivée de la fréquence respiratoire dépasse une valeur cible dans la courbe 104.
Quelles que soient les caractéristiques utilisées pour la génération des événements, cette génération permet de transformer des signaux de nature différente (ex. les courbes 101 et 104 n'étant pas générées à l'aide de même type de capteurs et/ou de mêmes sources d'information et/ou représentatives de concepts physiques différents) en signaux asynchrones comparables (ex. 102 et 106). Dès lors, le travail d'identification des motifs s'en trouve simplifié. Les figures 2a et 2b sont des exemples de trois « profils d'activité » t → S, pour les événements issus de trois signaux reçus p-i , p2 et p3.
Dans cet exemple, et en l'absence d'événements, la valeur de S(p-i , t), S(p2, t) ou S(p3, t) est nulle. Néanmoins, lors de la survenance d'un événement (par exemple, 210) dans le signal p-i , S(p-i , t) prend une valeur seuil prédéterminée (ici h, cette valeur h pouvant être unitaire).
La valeur du profil d'activité S(p-i , t) décroît alors progressivement après cet événement pour tendre vers 0. II en va de même pour l'événement 21 1 pour le signal p-i , pour l'événement 212 pour le signal p2, ou pour l'événement 213 / 214 pour le signal p3.
Si la décroissance du signal/profil d'activité S est ici linéaire, il est possible de prévoir tout type de décroissance comme une décroissance exponentielle :
t-tp
h. e τ
Cette décroissance exponentielle peut être illustrée par la figure 2b (voir l'événement 220, par exemple). La nature et les paramètres de cette décroissance peuvent être choisis et différents pour chaque signal analysé.
Par ailleurs, il est possible que, lors de la survenance d'un événement pour le signal considéré (ex. p4 ici), la valeur de la fonction S ne soit pas négligeable par rapport à la valeur de h (ex. l'événement 221 est temporellement proche de l'événement 222).
Dans un mode de réalisation, lors de la survenance de l'événement ultérieur 222, la valeur du profil d'activité S peut être fixée à la somme (éventuellement pondérée) de la valeur courante de S juste avant l'événement 222 (i.e. h0) et de h. Ainsi, la décroissance de la courbe S partira de la valeur h+h0 comme le montre la figure 2b. Par ailleurs, il est possible de prévoir que la valeur de h+h0 soit capée à une valeur h1 prédéterminée (i.e. min(h ; h+h0)).
Dans un autre mode de réalisation, lors de la survenance de l'événement ultérieur 222, la valeur de la courbe S est fixée à la valeur h quelle que soit la valeur de h0 (i.e. les événements antérieurs au dernier événement (i.e. l'événement ultérieur) sont ignorés). Dans cet autre mode de réalisation, il est possible de définir un temps dit « temps de dernier événement » défini comme suit :
T(p, i) = max(t/) \ j < i ou
T(p, t) = max(t;) \ tj < t avec tj les temps d'événements survenant pour un signal p.
Conceptuellement, p→T(p, t) définit une carte des temps des derniers événements survenus temporellement juste avant un temps de référence (i.e. t).
On peut alors définir, dans cet autre mode de réalisation, p→ S(p, t comme étant une fonction de cette carte p→ T p, t).
Par exemple, p→ S(p, t) :
Figure imgf000012_0001
0 sinon avec T et h une constante temporelle prédéterminée {S peut être toute fonction décroissante avec le temps t sur un intervalle comprenant comme borne inférieure T(p, t)).
On appelle la fonction p→ S(p, i) le « contexte » des signaux d'entrée pour un temps t donné.
La création d'un contexte p→ S(p, t) comme décrit précédemment, est avantageuse, car elle permet une représentation continue et simple de concepts discontinus (i.e. les événements). Ce profil créé permet de transformer la représentation des événements dans un domaine simple d'appréhension.
Dès lors, sa création simplifie la manipulation et la comparaison des événements. Le contexte des signaux d'entrée peut se lire simplement sur la figure 2a. Ainsi, pour les signaux p-i , p2, P3 le contexte pour le temps t0 peut se lire verticalement sur la ligne en pointillé et peut se représenter sous la forme du vecteur suivant :
Figure imgf000013_0001
Ce vecteur peut se représenter graphiquement sous la forme d'un graphique « araignée » (ex. Figure 3a) ou sous la forme d'un histogramme (ex. Figure 3b). Bien entendu, toute forme de représentation graphique est envisageable.
Si l'ordre des composantes du vecteur peut être arbitraire dans un grand nombre de situations, il est possible d'établir un ordre parmi ces composantes en fonction de la dynamique spatiale et/ou temporelle des signaux. Ainsi, deux composantes consécutives dans un contexte donné peuvent représenter des signaux ayant une dynamique spatiale et/ou temporelle proche.
Les figures 4a à 4d sont des exemples de représentation de quatre contextes types. Afin de détecter des motifs dans les signaux, il est possible de définir des contextes types qui seront comparés aux contextes S précédemment défini.
Par exemple, le contexte de la figure 3a peut être comparé avec chacun des contextes types 401 , 402, 403 et 404.
Bien entendu, comme pour les contextes, les contextes types peuvent avoir de multiples représentations (graphique ou non) équivalentes : la représentation graphique utilisée ici n'est retenue que pour la simplicité visuelle que celle-ci procure.
Ces contextes types peuvent ainsi être comparés avec les contextes déterminés dans les signaux. Le contexte type le plus proche du contexte déterminé est alors retenu. Pour mesurer la proximité entre deux contextes (vu comme des vecteurs), il est possible d'utiliser toute distance (au sens mathématique) entre ces deux vecteurs. Bien entendu, chaque contexte type peut être associé à un motif donné : par exemple le contexte type 402 peut correspondre à une défaillance mécanique d'un moteur tandis que le contexte type 401 correspond à un fonctionnement normal dudit moteur. Dans le mode de réalisation où les composantes des contextes possèdent un ordre fonction de dynamique spatiale et/ou temporelle des signaux, la distance utilisée pour la minimisation de la distance entre le contexte et les contextes types peut prendre en compte cet ordre.
En complément ou en variante, il est également possible (figure 4e) générer des événements pour de nouveaux signaux asynchrones lorsque qu'un contexte type est retenu/reconnu :
- lorsque le contexte type 401 est reconnu à un instant donné dans les signaux p-i , p2 et p3 reçue, un événement est généré dans le signal 41 1 ; - lorsque le contexte type 402 est reconnu à un instant donné dans les signaux p-i , p2 et p3 reçue, un événement est généré dans le signal 412 ;
- lorsque le contexte type 403 est reconnu à un instant donné dans les signaux p-i , p2 et p3 reçue, un événement est généré dans le signal 413 ;
- lorsque le contexte type 404 est reconnu à un instant donné dans les signaux p-i , p2 et p3 reçue, un événement est généré dans le signal 414.
Dans cet exemple, quatre nouveaux signaux asynchrones sont ainsi générés et peuvent faire l'objet de la même analyse que précédemment avec une nouvelle base de contextes types (on parle souvent de « contextes types de niveau hiérarchique supérieur »). Chacun de ces nouveaux contextes types aura ici quatre dimensions (égales au nombre de signaux asynchrones à analyser).
Ainsi, ce procédé (i.e. analyse) peut être récursif et être itéré autant de fois que le nombre de niveaux hiérarchiques définis pour les contextes types.
Concernant la décroissance des profils d'activités des figures 2a et 2b par exemple, il est possible de prévoir que leur décroissance est de moins en moins importante au fur et à mesure des itérations dans le modèle hiérarchique. Cette diminution de la vitesse de décroissance permet de prendre en compte une réactivité différente en fonction du niveau du modèle hiérarchique des contextes types (et donc une meilleure reconnaissance de motifs).
Une fois l'ensemble des niveaux hiérarchiques utilisés/parcourus (le modèle hiérarchique pouvant ne comporter qu'un seul niveau dans un cas particulier), il est possible de définir une signature.
La figure 4f est un exemple de détermination d'une signature pour quatre flux d'événements.
Dans cet exemple, la signature est définie comme étant le vecteur ou l'histogramme 420 du nombre d'occurrence (respectivement n40i , n402, n403, n404) de chacun des contextes types déterminés (respectivement 401 , 402, 403, 404) pour la dernière occurrence du procédé décrit précédemment.
Il est alors possible de trouver, dans une base de signatures types (421 , 422, 423), la signature type la plus proche de la signature déterminée. Cette proximité peut être établie par l'utilisation de n'importe quelle distance au sens mathématique.
La distance entre deux histogrammes Kx et Ή2 (P^r exemple 420 et 421 ) peut être calculée comme une distance mathématique entre deux vecteurs ayant pour coordonnées les nombres d'occurrences pour chacun des contextes types :
Figure imgf000015_0001
Il est également possible de calculer une distance normalisée comme suit :
o r o r
d^ —
cardÇHi) card(J-C2) avec cardÇKj) le nombre de contextes types (i.e. barre verticale) de l'histogramme
La distance de Bhattacharyya peut également être utilisée en remplacement de la distance classique :
Figure imgf000016_0001
avec Wj (ï) le nombre d'occurrences du ieme contexte type de l'histogramme ¾}.
Il a été constaté expérimentalement que la distance de Bhattacharyya ou une distance normalisée donnait des très bons résultats. Toute autre distance mathématique peut également être utilisée.
La signature peut également être la forme générale des signaux asynchrones des quatre flux d'événements.
Chacune des signatures types peut être associée à un motif donné dans les signaux reçus : par exemple la signature type 421 peut correspondre à une défaillance mécanique d'un moteur tandis que la signature type 422 correspond à un fonctionnement normal dudit moteur.
La figure 5a est un exemple d'ordinogramme d'un procédé selon un mode de réalisation possible de l'invention (i.e. sans utilisation de modèle hiérarchique de contextes types).
Sur réception des signaux 501 , il est possible de créer (étape 502) des signaux asynchrones en générant des événements sur la base de détections de caractéristiques du signal, comme cela a été décrit en relation avec les figures 1 a et 1 b. Une fois ces signaux asynchrones créés, il est possible de créer (étape 503), à partir de chaque signal asynchrone créé, un profil d'activité comme décrit en relation avec les figures 2a et 2b.
Ces profils d'activités permettent, pour un temps donné, de déterminer (étape 504) un contexte comme décrit en relation avec la figure 3a, 3b et 2a. Le contexte déterminé peut être défini comme un vecteur des valeurs des profils d'activité, au temps donné, des signaux asynchrones créés. Par ailleurs, il est également possible de déterminer (étape 506) un contexte type parmi un ensemble de contextes types prédéterminés (par exemple, pré calculés et stockés dans une base de données 505) en minimisant la distance entre le contexte déterminé à l'étape 504 et les contextes types. Sur la base du contexte type déterminé, il est alors possible de déterminer (étape 508) un « motif » 509 dans la pluralité de signaux reçue. Dans cette hypothèse, il est avantageux d'associer à chacun des contextes types un « motif ». Dès lors, lorsque le contexte type est identifié, il est possible d'effectuer une requête dans une base de données d'association afin de récupérer le motif associé.
La figure 5b est un exemple d'ordinogramme d'un procédé selon un autre mode de réalisation possible de l'invention (i.e. avec utilisation de modèle hiérarchique de contextes types).
Sur réception des signaux 501 , il est possible de créer (étape 502) des signaux asynchrones en générant des événements sur la base de détections de caractéristiques du signal, comme cela a été décrit en relation avec les figures 1 a et 1 b.
Une fois ces signaux asynchrones créés, il est possible de créer (étape 503), à partir de chaque signal asynchrone créé, un profil d'activité comme décrit en relation avec les figures 2a et 2b.
Ces profils d'activités permettent, pour un temps donné, de déterminer (étape 504) un contexte comme décrit en relation avec la figure 3a, 3b et 2a. Le contexte déterminé peut être défini comme un vecteur des valeurs des profils d'activité, au temps donné, des signaux asynchrones créés. Cette détermination peut être effectuée pour une pluralité de temps donnés (ex. cette pluralité de temps étant un échantillonnage du temps avec un pas prédéterminé).
Dès lors, il est possible d'utiliser les événements de chaque signal asynchrone qui vient d'être créé comme événements courants.
Par ailleurs, disposant d'un modèle hiérarchique de contextes types (ex. stocké dans une base de données 51 1 , ayant max_k niveaux), il est possible de prendre les contextes types du premier niveau (k=1 ) comme contextes types courants.
Une fois un contexte déterminé, il est également possible de déterminer (étape 506) un contexte type parmi les contextes types courants en minimisant la distance entre le contexte déterminé à l'étape 504 et les contextes types courants.
Chaque reconnaissance d'un contexte type peut permettre la génération (étape 512) d'un événement comme décrit en relation avec la figure 4e. Chaque modèle type possible peut permettre la génération d'un signal asynchrone propre. Il convient de noter que cette étape 512 est optionnelle si tous les niveaux du modèle hiérarchique ont déjà été utilisés (i.e. k=max_k).
Une fois ces étapes (506, 512) effectuées pour la pluralité de temps mentionnée précédemment, il est possible de changer de niveau dans le modèle hiérarchique (étape 513, ex. k=k+1 ). Si un niveau du modèle hiérarchique n'a pas été utilisé (i.e. k<=max_k, sortie OK de l'étape 513), il est possible de réitérer les étapes 506, 512 et 513 en utilisant les nouveaux signaux asynchrones créés (i.e. en considérant les événements générés à l'étape 512 lors de la dernière itération comme événements courants) et en utilisant les nouveaux contextes types (i.e. ceux du niveau hiérarchique supérieur choisi à l'étape 513) comme contextes types courants.
Par ailleurs, il est également possible d'utiliser comme signal asynchrone additionnel (i.e. en plus des nouveaux signaux asynchrones créés) un signal asynchrone issu d'une étape similaire à l'étape 502. En effet, si un signal reçu est un signal rapide (dont les variations sont notables pour une période de temps prédéterminée), il est avantageux de le traiter à l'aide des premiers niveaux du modèle hiérarchique. Néanmoins, si le signal reçu est lent (ses variations sont négligeables sur la période de temps prédéterminée), il peut être avantageux de ne pas le traiter avec les premiers niveaux du modèle hiérarchique et d'attendre un niveau hiérarchique ultérieur afin de l'intégrer aux signaux asynchrones à traiter par l'étape 504. Cette intégration de ce signal asynchrone se fera en parallèle des signaux asynchrones générés à l'étape 512 pour les signaux « plus rapides » déjà intégrés. Ainsi, il est possible d'effectuer une préanalyse des signaux 501 reçue afin de les classifier en fonction de leur dynamique spatiale et/ou temporelle : cette classification peut alors de connaître le niveau v du modèle hiérarchique à partir duquel chaque signal est intégré à la boucle définie par les étapes 506, 512 et 513.
Si tous les niveaux du modèle hiérarchique ont été utilisés, il est alors possible de déterminer un « motif » par une comparaison des contextes types déterminés à la dernière occurrence de l'étape 506 avec une base de signature types. Cette comparaison peut comprendre par exemple le calcul du nombre d'occurrences de détermination des contextes types à la dernière occurrence de l'étape 506 comme cela est décrit en relation avec la figure 4f. La comparaison peut également être une comparaison de distance entre les signaux asynchrones générés à la dernière occurrence de l'étape 513 (dans cette hypothèse l'étape 513 doit être exécutée lorsque le dernier niveau du modèle hiérarchique est utilisé) et une base de signature.
Dans cette hypothèse, il est avantageux d'associer à chacune des signatures de la base de signature un « motif ». Dès lors, lorsque la signature est identifiée, il est possible d'effectuer une requête dans une base de données d'association afin de récupérer le motif associé.
La figure 6 représente un exemple de dispositif de reconnaissance de motif dans un mode de réalisation de l'invention. Dans ce mode de réalisation, le dispositif comporte un ordinateur 600, comprenant une mémoire 605 pour stocker des instructions permettant la mise en œuvre du procédé, les données de mesures reçues, et des données temporaires pour réaliser les différentes étapes du procédé tel que décrit précédemment.
L'ordinateur comporte en outre un circuit 604. Ce circuit peut être, par exemple : - un processeur apte à interpréter des instructions sous la forme de programme informatique.
- une carte électronique ou un circuit électronique spécifique ou non dont les étapes du procédé de l'invention sont décrites dans le silicium.
- une puce électronique programmable comme une puce FPGA (pour « Field- Programmable Gâte Array » en anglais) dont les étapes du procédé de l'invention sont décrites, par exemple, dans un code VHDL ou Verilog (langages de description matériel permettant de représenter le comportement et l'architecture d'un système électronique).
Cet ordinateur comporte une interface d'entrée 603 pour la réception des signaux à analyser, et une interface de sortie 606 pour la fourniture du motif reconnu. Enfin, l'ordinateur peut comporter, pour permettre une interaction aisée avec un utilisateur, un écran 601 et un clavier 602. Bien entendu, le clavier est facultatif, notamment dans le cadre d'un ordinateur ayant la forme d'une tablette tactile, par exemple.
Par ailleurs, le schéma fonctionnel présenté sur la figure 5a ou 5b est un exemple typique d'un programme dont certaines instructions peuvent être réalisées auprès du dispositif décrit. À ce titre, la figure 5a ou 5b peut correspondre à l'organigramme de l'algorithme général d'un programme informatique au sens de l'invention.
Bien entendu, la présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d'exemples ; elle s'étend à d'autres variantes.
D'autres réalisations sont possibles.
Par exemple, si les exemples donnés sont d'un domaine particulier, la méthode proposée peut permettre d'analyser tout type de données/signaux dans tout domaine industriel possible, sans limitation particulière.

Claims

REVENDICATIONS
1 . Procédé de reconnaissance d'un motif dans une pluralité de signaux temporels de nature différente, le procédé comprend :
/a/ réception (501 ) de la pluralité de signaux temporels (101 , 104) ; Ibl pour chaque signal reçu de la pluralité de signaux, création (502) d'un signal asynchrone temporel (102, 103, 105, 106) comportant des événements, lesdits événements étant des mêmes formes du signal asynchrone représentatives d'une caractéristique du signal reçu ;
Ici pour chaque signal asynchrone créé (102, 103, 105, 106), créer (503) un profil d'activité (S(p-i ), S(p2), S(p3), S(p4)) dudit signal asynchrone, le profil d'activité (S(p-i ), S(p2), S(p3), S(p4)) comprend au moins une valeur d'activité qui décroît en fonction du temps écoulé depuis un événement (210, 212, 213, 214, 220, 221 , 222) le plus récent parmi les événements successifs dudit signal asynchrone ; /d/ pour un temps (t0) donné :
/d1 / détermination (504) d'un contexte, ledit contexte étant défini comme l'ensemble des profils d'activité, au temps (t0) donné, des signaux asynchrones créés,
/d2/ détermination (506) d'un contexte type parmi un ensemble de contextes types (505, 401 , 402, 403, 404) prédéterminés, le contexte type déterminé ayant, parmi l'ensemble des contextes types, une distance au contexte déterminé à l'étape /d1 / minimum,
/d3/ détermination (508) du motif (509) en fonction dudit contexte type déterminé.
2. Procédé de reconnaissance d'un motif dans une pluralité de signaux temporels de nature différente, un modèle hiérarchique de contextes types étant définis, chaque contexte type étant associé à un niveau respectif du modèle hiérarchique, le procédé comprend :
/a/ réception (501 ) de la pluralité de signaux temporels (101 , 104) ;
Ibl pour chaque signal reçu de la pluralité de signaux, création (502) d'un signal asynchrone temporel (102, 103, 105, 106) comportant des événements, lesdits événements étant des mêmes formes du signal asynchrone représentatives d'une caractéristique du signal reçu ;
Ib'l utilisation des événements de chaque signal asynchrone comme événements courants et utilisation des contextes types du premier niveau du modèle hiérarchique comme contextes types courants ;
Ici pour chaque signal asynchrone créé (102, 103, 105, 106), créer (503) un profil d'activité (S(p-i ), S(p2), S(p3), S(p4)) dudit signal asynchrone, le profil d'activité (S(p-i ), S(p2), S(p3), S(p4)) comprend au moins une valeur d'activité qui décroît en fonction du temps écoulé depuis un événement (210, 212, 213, 214, 220, 221 , 222) le plus récent parmi les événements successifs dudit signal asynchrone ; lôl pour chaque temps donné parmi une pluralité de temps donnés :
/d1 / détermination (504) d'un contexte, ledit contexte étant défini comme l'ensemble des valeurs des profils d'activité, au temps donné, des signaux asynchrones créés,
/d2/ détermination (506) d'un contexte type parmi les contextes types courants (51 1 ), le contexte type déterminé ayant, parmi l'ensemble des contextes types courants, une distance au contexte déterminé à l'étape /d1 / minimum,
/d3/ si un niveau du modèle hiérarchique n'a pas été utilisé, génération (512) d'un événement pour un signal asynchrone fonction du contexte type courant identifié à l'étape /d2/ ; le/ si un niveau du modèle hiérarchique n'a pas été utilisé :
- utilisation (513) des événements générés à l'étape /d3/ comme événements courants, - utilisation (513) des contextes types d'un niveau du modèle hiérarchique non encore utilisé comme contextes types courants ;
- réexécution des étapes Ici à /f/ ;
/f/ si tous les niveaux du modèle hiérarchique ont été utilisés :
- détermination (508) d'un motif dans la pluralité de signaux reçue par une comparaison (507) des contextes types déterminés à la dernière occurrence de l'étape /d2/ avec une base de signature types (510).
3. Procédé selon la revendication 2, dans lequel la comparaison de l'étape /f/ comporte le calcul d'une distance de Bhattacharyya.
4. Procédé selon la revendication 2, dans lequel la comparaison de l'étape /f/ comporte le calcul d'une distance normalisée.
5. Procédé selon la revendication 2, dans lequel la comparaison de l'étape /f/ est une comparaison entre un nombre d'occurrences de détermination des contextes types à la dernière occurrence de l'étape /d2/ avec une base de signature types.
6. Procédé selon la revendication 2, dans lequel la décroissance du profil d'activité est fonction du niveau du modèle hiérarchique courant.
7. Produit-programme informatique comportant des instructions pour la mise en œuvre du procédé selon l'une des revendications 1 à 6, lorsque ce programme est exécuté par un processeur.
PCT/FR2017/052393 2016-09-09 2017-09-08 Procédé de reconnaissance de motif dans une pluralité de signaux WO2018046868A1 (fr)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CA3035520A CA3035520A1 (fr) 2016-09-09 2017-09-08 Procede de reconnaissance de motif dans une pluralite de signaux
AU2017322448A AU2017322448B2 (en) 2016-09-09 2017-09-08 Method for pattern recognition in a plurality of signals
CN201780055286.5A CN109844739B (zh) 2016-09-09 2017-09-08 用于在多种信号中模式识别的方法
EP17771501.8A EP3510495A1 (fr) 2016-09-09 2017-09-08 Procédé de reconnaissance de motif dans une pluralité de signaux
US16/331,808 US11080523B2 (en) 2016-09-09 2017-09-08 Method for pattern recognition in a plurality of signals
JP2019513319A JP7209622B2 (ja) 2016-09-09 2017-09-08 複数の信号におけるパターン認識のための方法
JP2022168637A JP2023017794A (ja) 2016-09-09 2022-10-20 複数の信号におけるパターン認識のための方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1658424 2016-09-09
FR1658424 2016-09-09

Publications (1)

Publication Number Publication Date
WO2018046868A1 true WO2018046868A1 (fr) 2018-03-15

Family

ID=57680373

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2017/052393 WO2018046868A1 (fr) 2016-09-09 2017-09-08 Procédé de reconnaissance de motif dans une pluralité de signaux

Country Status (7)

Country Link
US (1) US11080523B2 (fr)
EP (1) EP3510495A1 (fr)
JP (2) JP7209622B2 (fr)
CN (1) CN109844739B (fr)
AU (1) AU2017322448B2 (fr)
CA (1) CA3035520A1 (fr)
WO (1) WO2018046868A1 (fr)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7151490B2 (en) * 2000-03-29 2006-12-19 Time Domain Corporation System and method for estimating separation distance between impulse radios using impulse signal amplitude
US20110004421A1 (en) * 2008-02-21 2011-01-06 Sentec Limited Method of inference of appliance usage. data processing apparatus and/or computer software
US20140039274A1 (en) * 2011-03-02 2014-02-06 The Regents Of The University Of Californa Apparatus, system, and method for detecting activities and anomalies in time series data
WO2016146937A1 (fr) * 2015-03-16 2016-09-22 Universite Pierre Et Marie Curie (Paris 6) Procédé de traitement d'un signal asynchrone

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3598110A (en) * 1969-04-10 1971-08-10 Physic Control Corp Ventricular arrhythmia detection system
US6684100B1 (en) * 2000-10-31 2004-01-27 Cardiac Pacemakers, Inc. Curvature based method for selecting features from an electrophysiologic signals for purpose of complex identification and classification
WO2007019498A2 (fr) * 2005-08-08 2007-02-15 University Of Florida Research Foundation, Inc. Dispositif et procedes de codage de signaux d'impulsions biphasiques
US8401624B2 (en) * 2008-12-03 2013-03-19 Biosense Webster, Inc. ECG signal analysis tool
FR2944903B1 (fr) * 2009-04-24 2016-08-26 Thales Sa Systeme et methode pour detecter des evenements audio anormaux
FR2983998B1 (fr) * 2011-12-08 2016-02-26 Univ Pierre Et Marie Curie Paris 6 Procede de reconstruction 3d d'une scene faisant appel a des capteurs asynchrones
EP2816950A4 (fr) * 2012-02-22 2015-10-28 Aclaris Medical Llc Dispositif et système de détection de signaux physiologiques
US9846845B2 (en) * 2012-11-21 2017-12-19 Disney Enterprises, Inc. Hierarchical model for human activity recognition
DE102013110151A1 (de) * 2013-09-16 2015-04-02 Airbus Defence and Space GmbH Verfahren zum Detektieren eines Fehlers in einer Anordnung, Detektionsvorrichtung und Flugkörper
US20160029974A1 (en) * 2013-10-24 2016-02-04 JayBird LLC System and method for tracking biological age over time based upon heart rate variability using earphones with biometric sensors
WO2016036805A1 (fr) * 2014-09-02 2016-03-10 The Regents Of The University Of Michigan Procédé et système d'analyse de données d'électrocardiogramme pour diagnostic rapide
WO2016061668A1 (fr) * 2014-10-23 2016-04-28 2352409 Ontario Inc. Dispositif et procédé d'identification de profil d'activité de sujet

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7151490B2 (en) * 2000-03-29 2006-12-19 Time Domain Corporation System and method for estimating separation distance between impulse radios using impulse signal amplitude
US20110004421A1 (en) * 2008-02-21 2011-01-06 Sentec Limited Method of inference of appliance usage. data processing apparatus and/or computer software
US20140039274A1 (en) * 2011-03-02 2014-02-06 The Regents Of The University Of Californa Apparatus, system, and method for detecting activities and anomalies in time series data
WO2016146937A1 (fr) * 2015-03-16 2016-09-22 Universite Pierre Et Marie Curie (Paris 6) Procédé de traitement d'un signal asynchrone

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALIREZA VAHDATPOUR ET AL: "Toward Unsupervised Activity Discovery Using Multi-Dimensional Motif Detection in Time Series", 11 July 2009 (2009-07-11), XP055375602, Retrieved from the Internet <URL:https://www.ijcai.org/Proceedings/09/Papers/212.pdf> [retrieved on 20170523] *
JOON AHN ET AL: "RISA: Distributed Road Information Sharing Architecture", INFOCOM, 2012 PROCEEDINGS IEEE, IEEE, 25 March 2012 (2012-03-25), pages 1494 - 1502, XP032178877, ISBN: 978-1-4673-0773-4, DOI: 10.1109/INFCOM.2012.6195516 *
RAFFAY HAMID ET AL: "Unsupervised Activity Discovery and Characterization From Event-Streams *", 4 July 2012 (2012-07-04), XP055375598, Retrieved from the Internet <URL:https://arxiv.org/ftp/arxiv/papers/1207/1207.1381.pdf> [retrieved on 20170523] *

Also Published As

Publication number Publication date
AU2017322448B2 (en) 2021-10-21
CA3035520A1 (fr) 2018-03-15
AU2017322448A1 (en) 2019-03-14
US20190370542A1 (en) 2019-12-05
JP2023017794A (ja) 2023-02-07
CN109844739A (zh) 2019-06-04
CN109844739B (zh) 2023-07-18
JP2020502604A (ja) 2020-01-23
JP7209622B2 (ja) 2023-01-20
EP3510495A1 (fr) 2019-07-17
US11080523B2 (en) 2021-08-03

Similar Documents

Publication Publication Date Title
EP2483758B1 (fr) Systeme et procede de reconnaissance de gestes
EP3271869B1 (fr) Procédé de traitement d&#39;un signal asynchrone
EP2696344B1 (fr) Procede et systeme pour detecter des evenements sonores dans un environnement donne
KR101734829B1 (ko) 지역성 말투를 구분하는 음성 데이터 인식 방법, 장치 및 서버
US20160062456A1 (en) Method and apparatus for live user recognition
FR2884007A1 (fr) Procede d&#39;identification de visages a partir d&#39;images de visage, dispositif et programme d&#39;ordinateur correspondants
EP3109797A1 (fr) Procédé de reconnaissance d&#39;écriture manuscrite sur une surface physique
CN111288986B (zh) 一种运动识别方法及运动识别装置
EP2364490A1 (fr) Dispositif a architecture pipeline de flot de donnees pour la reconnaissance et la localisation d&#39;objets dans une image par balayage de fenetres de detection
WO2019110914A1 (fr) Extraction automatique d&#39;attributs d&#39;un objet au sein d&#39;un ensemble d&#39;images numeriques
WO2013030508A1 (fr) Procédé de configuration d&#39;un dispositif de détection à capteur, programme d&#39;ordinateur et dispositif adaptatif correspondants
EP2881841B1 (fr) Procédé de reconnaissance continue de gestes d&#39;un utilisateur d&#39;un terminal mobile préhensible muni d&#39;un ensemble capteur de mouvement, et dispositif associé
CN110132276A (zh) 一种基于行人运动状态的自适应步长估计方法
WO2018046868A1 (fr) Procédé de reconnaissance de motif dans une pluralité de signaux
CN112418271A (zh) 一种目标检测方法、装置、系统及存储介质
EP3252563A1 (fr) Détermination d&#39;un contexte de mobilité d&#39;un utilisateur porteur d&#39;un équipement muni de capteurs inertiels
CN109239207B (zh) 基于电子鼻的气味识别方法、装置和电子鼻系统
FR3075995A1 (fr) Procede de detection de donnees aberrantes.
CN107871019B (zh) 人车关联搜索方法及装置
EP3360055B1 (fr) Procede d&#39;optimisation de decomposition d&#39;un signal asynchrone
Monisha et al. A novel IOT based approach to establish an ultra-low power self security system
Sathya et al. A Novel approach for Sign Language Interpretation based on Convolutional Neural Networks
CN205563612U (zh) 一种可用于机器人进行人脸识别的装置
CN110990819A (zh) 一种基于移动终端数据获取终端用户步态特征数据的方法和服务器
EP3239901A1 (fr) Procédé d&#39;identification des gestes élémentaires d&#39;un mouvement et système mettant en oeuvre un tel procédé

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: 17771501

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3035520

Country of ref document: CA

ENP Entry into the national phase

Ref document number: 2019513319

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2017322448

Country of ref document: AU

Date of ref document: 20170908

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2017771501

Country of ref document: EP

Effective date: 20190409