[发明专利]时空自组织映射

说明书

技术领域

本发明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。

背景技术

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。

发明内容

在独立权利要求1、10、14以及16中陈述了本发明的一些方面。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发明，

其中：

图1是一个具体实施例的方框图；

图2是根据该具体实施例的训练时空自组织映射的方法的流程图；

图3是应用时空自组织映射的方法的流程图；

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从人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-静态映射采用原始或有条件的数据向量(例如采用低通滤波)，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1，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各传感器通道得到的。