用于在多种信号中模式识别的方法技术

本发明专利技术涉及一种在多个接收的不同类型的时间信号中模式识别的方法，该方法包括：/b/对于各接收信号，创建(502)包括事件的异步时间信号(102、103、105、106)；/c/对于各创建的异步信号(102、103、105、106)，创建(503)所述异步信号的活性谱(S(p1)、S(p2)、S(p3)、S(p4))，所述异步信号随自所述异步信号最近事件(210、212、213、214、220、221、222)起流逝时间的函数而递减；/d/对于给定时间(t0)：/d1/确定(504)场景，所述场景定义为创建的异步信号的一组活性谱数值；/d2/在预先确定标准场景(505、401、402、403、404)中确定标准场景(506)，所述标准场景与步骤/d1/中确定的场景具有最小距离。/d3/确定(508)模式(509)为所述已确定标准场景的函数。

A Method for Pattern Recognition in Multiple Signals

The present invention relates to a method of pattern recognition in multiple received different types of time signals. The method includes: (b) for each received signal, creating (502) an asynchronous time signal including events (102, 103, 105, 106); /c/for each created asynchronous signal (102, 103, 105, 106), creating (503) the active spectrum of the asynchronous signal (S (p1), S (p2), S (p3), S (p4), as described above. The asynchronous signal decreases with a function of the elapsed time from the latest events of the asynchronous signal (210, 212, 213, 214, 220, 221, 222); /d/for a given time (t0):/d1/determination (504) scenario, the scenario is defined as a set of active spectrum values of the created asynchronous signal; /d2/standard scenario (506) is determined in the pre-determined standard scenario (505, 401, 402, 403, 404). The scene has the minimum distance from the scene determined in step/d1/. / d3/determination (508) mode (509) is a function of the defined standard scenario.

【技术实现步骤摘要】
【国外来华专利技术】用于在多种信号中模式识别的方法
本专利技术涉及复杂信号分析领域，尤其用于不同类型信号中某种特定模式的检测。
技术介绍
由于传感器制造成本的降低以及传感器的微型化，后者如今都无处不在，无论是用于健康数据监测(例如：测量心率、血压，血流速度、温度、睡眠质量等的智能手表)还是用于工业数据监测(机房温度、二氧化碳的存在、通气速度等)。分析这些数据是一项真正的挑战，以便能够对来自传感器的数据进行评估。分析单个信号本身不会引起问题，因为这种分析通常会还原成采用已知数学工具处理曲线(例如：计算导数、可变性分析等)。但是，当分析试图理解不具有相同尺度/幅度/等的多个信号时，可能难以为了检测某种模式而组合信号。为便于参考，这些模式可以是：-由于心率、动脉血流和心率规律性信号，检测患者中风的警告信号；-由于温度、二氧化碳百分比和消耗信号，检测工业引擎的结垢问题。实际上，分析单个信号可能会生成错误的结果：-仅心率增加可能表示患者正在跑步或心脏病发病；-工业机器消耗的增加，表示引擎的碳化作用很差或者操作者要求提高生产率。尽管可发现根据具体情况分析不同类型信号的特定解决方案(即：根据所讨论信号的类型)，但仍存在在复杂信号中检测模式的通用方法的需求。
技术实现思路
本专利技术改善了这种情况。为此，本专利技术提出了一种允许复杂信号简化分析的通用方法。本专利技术涉及一种用于在多个不同类型的时间信号中模式识别的方法，该方法包括：/a/接收多个时间信号；/b/对于多个信号中的各接收信号，创建包括事件的异步时间信号，所述事件是代表接收信号特征的异步信号的相同形式；/c/对于各创建的异步信号，创建所述异步信号的活性谱，活性谱包括至少一个活动数值，其中所述活动数值随自事件起流逝时间的函数而递减，所述事件是所述异步信号连续事件中的最近事件；/d/对于给定时间：/d1/确定场景，所述场景定义为创建的异步信号在给定时间的一组活性谱数值；/d2/根据一组预先确定的标准场景确定标准场景，在该组标准场景中确定的标准场景与步骤/d1/中确定的场景具有最小距离。/d3/确定模式为所述预先确定的标准场景函数。距离可以是数学意义上的距离。因此，距离可以是欧几里德(Euclidean)距离、曼哈坦(Manhattan)距离、明可夫斯基(Minkoswski)距离、切比雪夫(Tchebychev)距离或任何其他距离。在另一个实施例中，可以考虑针对所用标准场景的分层模型。本专利技术还可替换地涉及一种用于在多个不同类型的时间信号中模式识别的方法，其定义标准场景的分层模型，各标准场景与分层模型相应级别相关联，该方法包括：/a/接收多个时间信号；/b/对于多个信号中的各接收信号，创建包括事件的异步时间信号，所述事件是代表接收信号特征的异步信号的相同形式；/b'/各异步信号事件用作当前事件，且分层模型的第一层的标准场景用作当前标准场景；/c/对于各创建的异步信号，创建所述异步信号的活性谱，所述活性谱包括至少一个活动数值，其中所述活动数值自事件起流逝时间的函数而递减，所述事件是所述异步信号连续事件中的最近事件；/d/对于多个给定时间中的各给定时间：/d1/确定场景，所述场景定义为创建的异步信号在给定时间的一组活性谱数值；/d2/在当前标准场景中确定标准场景，在该组标准场景中确定的标准场景与步骤/d1/中确定的场景具有最小距离。/d3/如果尚未使用分层模型的级别，为异步信号生成事件，作为步骤/d2/中识别的当前标准场景的函数；/e/如果没有使用分层模型的级别：-将步骤/d3/中识别的事件用作当前事件；-将尚未使用的分层模型级别的标准场景用作标准场景；-重复执行步骤/c/至/f/；/f/如已使用分层模型的所有级别：-通过将步骤/d2/最后一次出现时确定的标准场景与标准签名库进行比较，确定多个接收信号中的模式。通过分层级别可能实现逐步识别：通过第一分层级别可能识别非常基本的形式，通过上级分层级别可识别较低级别的更复杂形式。在一个实施例中，步骤/f/的比较可包括巴氏距离(Bhattacharyyadistance)的计算。实际上，通过实验可观察到，该距离允许更好的质量识别。此外，步骤/f/的比较可以包括标准距离的计算在另一个替代或累积实施例中，步骤/f/的比较是步骤/d2/最后一次出现时确定标准场景的发生次数与标准签名库之间的比较。活性谱的减少可以作为当前分层模型级别的函数。通过这种调整，可以为更高分层级别提供较缓的减速，从而对较低级别具有反应性。相反，较低级别的分层级别(即第一次使用)可以具有较高的反应性。一种执行上述全部或部分方法的计算机程序，安装在预先存在设备上，当允许多个信号中模式识别时，其本身有利。因此，本专利技术还涉及一种计算机程序，当处理器执行本程序时，该程序包含执行上述方法的指令。该程序使用任何编程语言(例如：面向对象的语言或其他语言)且可以是可解释的源代码、部分编译代码或完全编译代码。下文详细描述的图5a和5b，可以形成这种计算机程序的常规算法流程图。附图说明当阅读以下描述时，本专利技术的其他特征和优点进一步出现。后者完全仅供参考，应与附图一起阅读，其中：-图1a显示了源自代表心率的信号的事件的生成；-图1b显示了源自代表呼吸率的信号的事件的生成；-图2a和2b是来自接收信号事件的“活性谱”示例；-图3a和3b是源自三个接收信号确定场景的代表示例；-图4a至4d是四个标准场景的代表示例；-图4e是根据图4a至4d标准场景信号生成四个事件流的示例；-图4f是确定四个事件流签名的示例；-图5a是根据本专利技术可能实施例的方法流程图的示例(即：不使用标准场景的分层模型)；-图5b是根据本专利技术另一个可能实施例的方法流程图的示例(即：使用标准场景的分层模型)；-图6示出了根据本专利技术执行实施例的设备。具体实施方式图1a显示了源自代表心率的信号的事件的生成。在该示例中，曲线101表示心率。该曲线可以连续数据(例如：模拟信号)或以采样数据(例如：数字信号)的形式接收。在接收信号期间，可以确定适合于信号的某些特性。可通过非限制性方式，这些特征是：-信号中特定模式的出现(例如：心电图中R波(或QRS复合波)的出现或机床的引擎循环的结束)；-信号中模式的可变性(例如：心电图中R波的重复周期的可变性或机床的引擎循环的可变性)；-某些模式的时间宽度(例如：心电图中间隔QT的宽度或机床的引擎循环时间)；-信号的幅度的最大值；-等。当然，这些特征可以是一个信号函数的代表(例如：信号导数的代表或信号的任何数学转换的代表)。根据信号的这些特性，可以生成包括标记或事件的“异步”信号(例如：曲线102或103)。这些事件在异步信号中是最常见的迪拉克(Diracs)，因为其生成简单。但是，这些事件可以是任何模式(例如：三角形信号、矩形信号、正弦部分信号、交替信号的一部分等)。所述异步信号的各事件，最好是相同模式或类似模式(但是，这些幅度或这些极性(即相对于零值的方向)可以从一个事件变更为另一个事件)。为提供信息，曲线102是异步信号，其中，事件在曲线101心电图中QRS复合波出现期间生成。同样为提供信息，曲线103是异步信号，其中，事件在当曲线101的心电图的QRS复合波宽度超过目标值(例如：前x分钟的平均值)时生成。图1b显示本文档来自技高网...

【技术保护点】
1.一种用于在多个不同类型的时间信号中模式识别的方法，该方法包括：/a/接收(501)多个时间信号(101、104)；/b/对于多个信号中的各接收信号，创建(502)包括事件的异步时间信号(102、103、105、106)，所述事件是代表接收信号特征的异步信号的相同形式；/c/对于各创建的异步信号(102、103、105、106)，创建(503)所述异步信号的活性谱(S(p1)、S(p2)、S(p3)、S(p4))，所述活性谱(S(p1)、S(p2)、S(p3)、S(p4))包括至少一个活动数值，其中所述活动数值随自事件(210、212、213、214、220、221、222)起流逝时间的函数而递减，所述事件(210、212、213、214、220、221、222)是所述异步信号的连续事件中的最近事件；/d/对于给定时间(t0)：/d1/确定(504)场景，所述场景定义为创建的异步信号在给定时间(t0)的一组活性谱数值；/d2/在一组预先确定的标准场景(505、401、402、403、404)中确定(506)标准场景，在该组标准场景中确定的标准场景与步骤/d1/中确定的场景具有最小距离；/d3/确定(508)模式(509)为所确定的标准场景的函数。...

【技术特征摘要】
【国外来华专利技术】2016.09.09 FR 16584241.一种用于在多个不同类型的时间信号中模式识别的方法，该方法包括：/a/接收(501)多个时间信号(101、104)；/b/对于多个信号中的各接收信号，创建(502)包括事件的异步时间信号(102、103、105、106)，所述事件是代表接收信号特征的异步信号的相同形式；/c/对于各创建的异步信号(102、103、105、106)，创建(503)所述异步信号的活性谱(S(p1)、S(p2)、S(p3)、S(p4))，所述活性谱(S(p1)、S(p2)、S(p3)、S(p4))包括至少一个活动数值，其中所述活动数值随自事件(210、212、213、214、220、221、222)起流逝时间的函数而递减，所述事件(210、212、213、214、220、221、222)是所述异步信号的连续事件中的最近事件；/d/对于给定时间(t0)：/d1/确定(504)场景，所述场景定义为创建的异步信号在给定时间(t0)的一组活性谱数值；/d2/在一组预先确定的标准场景(505、401、402、403、404)中确定(506)标准场景，在该组标准场景中确定的标准场景与步骤/d1/中确定的场景具有最小距离；/d3/确定(508)模式(509)为所确定的标准场景的函数。2.一种用于在多个不同类型时间信号中模式识别的方法，其定义标准场景的分层模型，各标准场景与分层模型相应级别相关联，该方法包括：/a/接收(501)多个时间信号(101、104)；/b/对于多个信号中的各接收信号，创建(502)包括事件的异步时间信号(102、103、105、106)，所述事件是代表接收信号特征的异步信号的相同形式；/b'/将各异步信号的事件用作当前事件，且将分层模型的第一层的标准场景用作当前标准场景...

【专利技术属性】
技术研发人员：凯文·盖黑雷，杰曼·海西格，尔亚德·贝诺斯梅恩，西奥霍伊·伊恩格，乔斯阿兰·萨黑尔，古伊劳姆·切内格罗斯，尼库拉斯·利伯特，
申请(专利权)人：国家科学研究中心，法国国家健康和医学研究院，索邦大学，
类型：发明
国别省市：法国,FR