时空自组织映射制造技术

一种将数据记录分类为属于多个类别中之一的方法，所述数据记录包括多个数据样本，每个样本包括在时间点从传感器信号中采样的值导出的多个特征，所述方法包括：在时间窗中定义用于指示所述传感器信号的时间变化的选择变量；为所述选择变量定义选择标准；将所述选择变量的值与所述选择标准比较，以便选择用于自组织映射的输入表示，所述映射具有多个输入和输出单元，并根据所述选择的输入表示从所述时间窗的所述数据样本中导出输入；以及将所述输入应用到与所述选择的输入表示相对应的自组织映射，并根据所述自组织映射的获胜输出单元而对所述数据记录进行分类。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及利用自组织映射的数据分析，尤其涉及例如人体传感器网 络中的时空数据分析。
技术介绍
自组织映射是一种熟知的神经网络中的工具，如果存在从输入空间到 输出空间的非线性投影，就能实现高维输入空间的可视化，其中，所述输出空间通常被布置为输出单元的二维阵列。自组织映射的训练(training) 和应用是所熟知的。实质上，自组织映射将输入空间区域与特定的输出单元或输出单元组 相关联。为了利用自组织映射来进行分类，可以用相应的类别标签对每个 输出单元进行标记，从而输出单元的激活表示对自组织映射的输入属于与 该输出单元相关联的类别。人体传感器网络，即分布在对象身体上的传感器网络，可以用在多种 应用领域中，例如用于健康护理中，其中需要监视对象的活动。这种人体 传感器网络是必须处理静态和动态数据的分类的应用的具体例子。静态数 据可以从诸如坐、站立或躺的姿势中获得，动态数据可以从诸如走路、跑 步或骑车的活动中获得。利用可以佩戴在对象身体上的人体传感器网络来 提醒护理者例如病人活动的变化，这是需要将静态数据和动态数据两者分 类为属于给定类别集(set)中之一的例子。由于自组织映射不是自然地捕获时间信息，因此如果输入空间不仅具 有空间结构而且具有时间结构，即属于特定类别的输入信号不是恒定的而 是随时间变化的，则会出现特别的问题。因此，如果时间上波动的信号被 提供给自组织映射的输入，则输出将简单地根据输入的波动而波动，而不 提供时间结构的任何有用处理。
技术实现思路
在独立权利要求l、 10、 14以及16中陈述了本专利技术的一些方面。进 一步地，在从属权利要求中描述了可选的特征。通过在用于静态输入信号的静态映射和用于动态输入信号的动态映 射之间进行自动地切换来提供一种时空自组织映射。动态映射利用输入的 时间变化的表示从而能对较宽范围的数据进行分类。如下面关于具体实施 例所论述的，映射之间的自动切换可以基于输入的时间变化的多个量度中 的一个或多个。附图说明现在参考仅作为示例的多个具体实施例以及结合附图来描述本专利技术, 其中图l是一个具体实施例的方框图2是才艮据该具体实施例的训练时空自组织映射的方法的流程图3是应用时空自组织映射的方法的流程图4和5是可替换实施例的方框图；以及图6是人类对象身上多个传感器的定位的示意性表示。具体实施例方式总的来说，将要描述的实施例是建立在用于进行分类以提供一种对动 态数据和静态数据两者进行分类的方法的自组织映射的构思上。这种数据 的一个例子是M类对象身上的加速度传感器获得的数据。例如走或跳的 活动将会产生来自至少一些加速度传感器的动态信号，而不同的姿势例如 站或坐将会产生表示各种传感器关于重力的方位的静态信号(静态传感器 生成对由于重力而导致的加速度进行度量的大小和方向基本恒定的信号， 当然传感器噪声除外)。对两种类型的数据进行分类是通过以下方式实现的分别训练静态映 射和动态映射，定义判断变量，并根据用于判断变量的阈值在静态映射和 动态映射之间切换而实现的。这是一种两阶段推理过程，其中数据首先利 用适当的自组织映射而被分类为动态或静态，该自组织映射随后被用于分 类正确的姿势或活动。静态映射和动态映射之间的主要区别在于各自的输入表示-静态映射釆用原始或有条件的数据向量(例如釆用低通滤波)， 而动态映射采用每个传感器信号的时间变化的量度来作为输入。参照图l，在一个具体的实施例中，第一静态映射110响应输入数据 112而生成输出。响应输入数据112的映射110的输出被用于计算切换参 数的装置114接收，其中，模式选择装置116利用所述切换参数将输入数 据的给定的记录或者分配给第一映射110或者分配给具有相应的特征提 取117的第二动态映射118。可以使这种模式选择结构重复几层，从而采 用具有直到最终映射120的相应特征提取的多个映射。现在参照图2论述根据该具体实施例的训练时空自组织映射的方法。 在训练的准备中，获得包括多个数据记录的数据集合。为给定姿势或活动 的试验记录下每个记录，并且每个记录被标记有其相应的类别标签。数据 记录包括数据样本的时间序列，并且可以被细分为一个或多个时间窗，其 中每个时间窗包括多个样本。每个数据样本包括具有多个特征或值的数据 向量，其中每个特征是在记录样本时从一个传感器的传感器通道或多个传 感器的M感器通道得到的。在步骤210中，为静态数据构造第一静态映射(i-l)，并在步骤212 中进行初始化。在步骤214中，利用适当选择的数据来训练该映射。由于 第一静态映射既对静态数据进行分类又提供选择参数(参照下述)，因此以这样的做法用于第一映射的训练数据集合除了包拾铮态数据外还应该 包括从动态活动中获得的数据或在动态活动中出现的身体形态。因此，用 于静态映射的训练数据应该在静态数据和动态数据的整个输入空间中被 均匀地采样。然而，实际上，只要覆盖了整个输入空间，则对输入空间进 行适当的稀疏的采样就足够了。例如，只要覆盖了整个输入数据空间，则 从所有数据记录中均匀采样得到的数据样本的随机采样的子集就是足够 的了。可利用任何传统的用于自组织映射的训练算法实现映射本身的训练， 例如利用下面以伪码表示的算法1. 初始化权向量wj ，学习邻域函数(neighbourhood function )hj,i(x)(t) 的速率和"有效宽度，，o(t)。2. 对于每个输入向量x(t)， (t是时步指数(time step index)): a. 确定获胜(winning )输出单元i(t),<formula>formula see original document page 8</formula>b.计算邻域函数，<formula>formula see original document page 8</formula>其中dj,i是输出单元i和j的权向量之间的距离。c. 更新IUi输出单元及其相邻单元(Neighbours)的权向量，<formula>formula see original document page 8</formula>d. 减小"有效宽度，，o(t)(排序状态(ordering phrase))和学习速率n(t)。3.重复步骤2直到满足收敛条件为止；如果需要的话就再次利用输 入数据。一旦静态映射的训练已经收敛，则静态映射的输出就被用于为数据集 合之中的每个记录计算切换^L为此，每个数据记录的样;^t应用于该 映射，并记录其输出。切换参数必须是来自每条记录的输入的时间变化的 量度。在该具体实施例中，映射的输出的时间变化的量度，即用于每个样 本的获胜输出单元的激活，被用作为输入的时间可用性(availability)的 量度。根据激活的输出单元(p)上的概率分布或在后续的时间步(d)激 活的输出单元之间的过渡距离，可以计算映射的输出的时间可用性的多个 量度1. 归一化熵0>)=2. 能量^)=|>23. 最大值(p)=腿a艺-_p,l0g2(/7,.)4. 标准—偏差(p)=、 -刃25. 变化系数(p)-标准-偏差(p)/平均值(p)6. 平滑度(p"、 +标准—i偏差(p)其本文档来自技高网...

【技术保护点】
一种将数据记录分类为属于多个类别中之一的方法，所述数据记录包括多个数据样本，每个样本包括在时间点从传感器信号中采样的值导出的多个特征，所述方法包括：（ａ）在时间窗中定义指示传感器信号的时间变化的选择变量；（ｂ）为选择变量定义选择标准；（ｃ）将选择变量的值与选择标准比较，以选择用于具有多个输入和输出单元的自组织映射的输入表示，以及根据所选择的输入表示从时间窗中的数据样本导出输入；以及（ｄ）将所述输入应用到与所选择的输入表示相对应的自组织映射，并根据该自组织映射的获胜输出单元对数据记录进行分类。

【技术特征摘要】
【国外来华专利技术】...

【专利技术属性】
技术研发人员：杨广中，卢秉礼，舒拉帕蒂姆亚鲁什，
申请(专利权)人：皇家创新有限公司，
类型：发明
国别省市：GB[英国]