WO1997035267A1 - Verfahren zur klassifikation einer zeitreihe, die eine vorgebbare anzahl von abtastwerten aufweist, beispielsweise eines elektrischen signals, durch einen rechner - Google Patents
Verfahren zur klassifikation einer zeitreihe, die eine vorgebbare anzahl von abtastwerten aufweist, beispielsweise eines elektrischen signals, durch einen rechner Download PDFInfo
- Publication number
- WO1997035267A1 WO1997035267A1 PCT/DE1997/000416 DE9700416W WO9735267A1 WO 1997035267 A1 WO1997035267 A1 WO 1997035267A1 DE 9700416 W DE9700416 W DE 9700416W WO 9735267 A1 WO9735267 A1 WO 9735267A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- time series
- samples
- determined
- conditional
- computer
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 title claims abstract description 15
- 238000005192 partition Methods 0.000 claims description 8
- 210000004556 brain Anatomy 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010049993 Cardiac death Diseases 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/901—Suppression of noise in electric signal
Definitions
- the invention relates to technical fields in which it is of interest to infer the future behavior of the time series from measured time series. This prediction of the future “behavior” of the time series takes place on the assumption that the time series has non-linear correlations between the samples of the time series.
- a time series of an electrocardiogram which is not correlated, describes a heart that is not at risk with regard to sudden cardiac death.
- a vulnerable heart with regard to sudden cardiac death is described by a time series of the electrocardiogram, which has non-linear correlations between the samples of the time series [1].
- [1] from the graphical phase-space representation (Fourier transformation) of two successive heartbeats, time series of an electronic to determine cardiogram, which describe hearts that are at risk of sudden cardiac death.
- the method described in [1] has all the disadvantages inherent in empirical methods.
- the susceptibility of graphic interpretations by a human being, the problem of setting a barrier from which a time series is classified as at risk, and inaccuracies in the representation of the Fourier transforms on the screen are to be regarded as disadvantages of the known method.
- a method is known from [4] with which the temporal profile of the local oxygen voltage of the brain (tip02) can be determined.
- the invention is based on the problem of creating a method for quickly and reliably classifying a time series which has a predeterminable number of samples using a computer.
- entropies are determined for a predeterminable number of samples.
- An information flow for a predeterminable number of future sampling points is determined from the conditional entropies, on the basis of which the time series is classified.
- the method according to claim 5 makes it possible to accelerate the classification, since a binary classification only has to be carried out using the shape of the graph of the information flow. It is very easy to differentiate the time series into a first time series type and a second time series type, since the first time series type is classified when the graph of the information flow has an approximately curved shape.
- EKG electrocardiogram signal
- FIGS. 1 to 5 represent an exemplary embodiment.
- Fig. 1 is a flowchart in which the inventive method is shown
- Fig. 2 is a flow diagram in which the development of the inventive method according to claim
- Fig. 3 is a block diagram in which various possible
- FIG. 4 shows a block diagram which shows a computer which is necessarily used to carry out the method according to the invention
- Fig. 5 is a diagram in the qualitative a graph of a determined information flow for future
- FIG. 1 shows that in a first step of the method according to the invention the time series, which has a predeterminable number of sample values, is measured 101.
- the measurement is carried out by a measuring device MG, which measures both analog or digital signals and a computer R leads (see FIG. 4).
- n-1 ... l) for the individual samples of the time series are determined 102 by the computer R.
- n-1 ... l) are known
- n is a length of a sequence of sampled values taken into account
- m is a number of values that the samples can take
- p (j, i) association probabilities are designated
- the number of values m that the sampled values can assume can be specified.
- the values can, but do not have to be, distributed over constant intervals.
- a set of predeterminable values of the number m is referred to below as a partition ⁇ .
- the partition ß denotes a set of disjoint intervals B- [d. H.
- i and j denote a first running index and a second running index. This results in a block entropy
- p (n) denotes the probability of the occurrence of a sample which has the sample i for the partition ⁇ with a sequence of length n.
- p (n, p) denotes the association probability of the occurrence of a sample value i for the sequence of length n and the occurrence of sample value j at a point in time which is the predeterminable number of future sample points in time within the partition ⁇ .
- ⁇ diameter (ß) -> 0, the diameter (ß) being the largest cell length.
- the information flow T " ß is generally a measure of the static
- Method for a predeterminable number of future sampling times p is formed as a function of a predeterminable number of past sampling values n which the time series has.
- At least one information flow TP is determined from the conditional entropies.
- Time series the samples of which have non-linear correlations, a monotonically falling, parabolic-like curved function ZT1. This corresponds to a first time series type ZT1.
- a qualitatively steep, approximately linearly decreasing graph of the information flow T ⁇ is for future ones Given samples. This can be seen from the consideration that, if there is no correlation, future samples cannot be predicted in any way, and therefore no information about future samples is available. This is not the case for a time series whose samples have non-linear correlations.
- a classification is carried out on the basis of the information flow fß.
- This classification may cation X P, depending on the application, be of different types.
- a very simple classification which, however, proves to be an advantageous and sufficient further development of the method for some types of time series, lies in a “binary” classification.
- X P for future samples 201 checks in a test step 202 whether the graph is approximately curved or whether it falls steeply linear (see FIG. 2).
- the time series is classified as the first time series type ZT1.
- a time series given by a measured cardiogram signal (EKG) this corresponds to a classification of the electrocardiogram signal (EKG) into an electrocardiogram signal (EKG) of an endangered heart with regard to the sudden cardiac death.
- the time series is classified 203 into the second time series type ZT2.
- this corresponds to the classification of the EKG signal as an ECG signal from an undamaged heart regarding sudden cardiac death.
- 3 shows various possibilities for the types of a time series for which the method can be used 301.
- this list has no restrictive character whatsoever.
- the method can be used for any type of time series in which it is necessary to determine non-linear correlations between the samples of the time series and to classify the time series on the basis of these non-linear correlations, which are reflected in the information flow.
- the time series can be, for example:
- EKG electrocardiogram signal
- EEG electroencephalogram signal
- FIG. 4 shows the computer R with which the method according to the invention is necessarily carried out.
- the computer R processes the time series recorded by the measuring device MG and fed to the computer R.
- the measuring device MG can be, for example, an electrocardiograph (EKG), an electroencepahlograph (EEG) or also a device which works according to the method shown in [2].
- EKG electrocardiograph
- EEG electroencepahlograph
- the classification result, which is ascertained by the computer R in the manner described above, is further processed in a means for further processing WV, for example presented to a user.
- This means WV can be, for example, a printer, a screen or a loudspeaker, via which an acoustic or visual signal is passed on to a user.
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Bei dem Verfahren werden für die Abtastwerte bedingte Entropien ermittelt, anhand derer ein Informationsfluß für eine vorgebbare Anzahl zukünftiger Abtastzeitpunkte bestimmt wird. Anhand des Informationsflusses wird eine Klassifikation der Zeitreihe durchgeführt. Der Informationsfluß spiegelt nichtlineare Korrelationen zwischen den Abtastwerten wieder. Somit ist eine Klassifikation zwischen Zeitreihen, deren Abtastwerte nichtlinear korreliert sind, und Zeitreihen, deren Abtastwerte stochastisch unabhängig sind, möglich.
Description
Beschreibung
Verfahren zur Klassifikation einer Zeitreihe, die eine vor¬ gebbare Anzahl von Abtastwerten aufweist, beispielsweise ei¬ nes elektrischen Signals, durch einen Rechner
Verfahren zur Klassifikation einer Zeitreihe, die eine vor¬ gebbare Anzahl von Abtastwerten aufweist, insbesondere eines elektrischen Signals, durch einen Rechner
Die Erfindung betrifft technische Gebiete, in denen es von Interesse ist, aus gemessenen Zeitreihen auf das zukunftige Verhalten der Zeitreihen zu schließen. Diese Vorhersage des zukunftigen „Verhaltens" der Zeitreihe erfolgt unter der An¬ nahme, daß die Zeitreihe nichtlmeare Korrelationen zwischen den Abtastwerten der Zeitreihe aufweist.
Erhebliche Bedeutung erlangt dieses Problem auch in verschie¬ denen Gebieten der Medizin, beispielsweise in der Kardiolo¬ gie Speziell in dem Problembereich des Plötzlichen Herztodes kann es lebenswichtig sein, Frύhwarnzeichen des Plötzlichen Herztodes zu erkennen, um so früh wie möglich Gegenmaßnahmen gegen das Eintreten des Plötzlichen Herztodes einzuleiten
Es ist bekannt, daß eine Zeitreihe eines Elektrokardiogramms, welches nicht korreliert ist, ein nicht gefährdetes Herz be¬ züglich des plötzlichen Herztodes beschreibt. Ein gefährdetes Herz bezüglich des plötzlichen Herztodes wird durch eine Zeitreihe des Elektrokardiogramms beschrieben, welches nicht- lineare Korrelationen zwischen den Abtastwerten der Zeitreihe aufweist [1] . Weiterhin ist es aus [1] bekannt, aus der gra¬ phischen Phasenraumdarstellung (Fourier-Transformation) zwei¬ er aufeinanderfolgender Herzschlage Zeitreihen eines Elektro-
kardiogramms zu ermitteln, die Herzen beschreiben, die bezüg¬ lich des Plötzlichen Herztodes gefährdet sind.
Das in [1] beschriebene Verfahren weist alle Nachteile auf, die empirische Verfahren in sich birgen. Hierbei sind insbe¬ sondere die Fehleranfälligkeit graphischer Deutungen durch einen Menschen, das Problem des Setzens einer Schranke, ab der eine Zeitreihe als gefährdet klassifiziert wird, sowie Ungenauigkeiten in der Darstellung der Fourier- Transformierten auf dem Bildschirm als Nachteil des bekannten Verfahrens zu betrachten.
Weiterhin sind Verfahren zur Bestimmung stochastischer, be¬ dingter Entropien bekannt [2] , [3] .
Aus [4] ist ein Verfahren bekannt, mit dem der zeitliche Ver¬ lauf der lokalen SauerstoffSpannung des Gehirns (tip02) er¬ mittelt werden kann.
Aus dem Dokument [5] ist ein Verfahren und eine Anordnung zum Vergleichen von Wellenformen von zeitveränderlichen Signalen bekannt .
Der Erfindung liegt das Problem zugrunde, ein Verfahren zu schaffen, um eine Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, mit Hilfe eines Rechners schnell und verläßlich zu klassifizieren.
Das Problem wird durch das Verfahren gemäß Patentanspruch 1 gelöst.
Bei dem erfindungsgemäßen Verfahren werden für eine vorgebba¬ re Anzahl von Abtastwerten bedingte Entropien ermittelt. Aus den bedingten Entropien wird ein Informationsfluß für eine vorgebbbare Anzahl zukünftiger Abtastpunkte bestimmt, anhand dessen die Zeitreihe klassifiziert wird.
3 Weiterbildungen des erfindungsgemäßen Verfahrens sowie dessen Anwendungsmöglichkeiten ergeben sich aus den abhängigen An¬ sprüchen.
Durch das Verfahren gemäß Patentanspruch 5 ist es möglich, die Klassifikation zu beschleunigen, da nur anhand der Form des Graphen des Informationsflusses eine binäre Klassifikati¬ on durchgeführt werden muß. Die Unterscheidung der Zeitreihe in einen ersten Zeitreihentyp und in einen zweiten Zeitrei- hentyp ist sehr einfach durchzuführen, da der erste Zeitrei¬ hentyp klassifiziert wird, wenn der Graph des Informations¬ flusses eine in etwa gekrümmte Form aufweist .
Weiterhin ist es vorteilhaft, das Verfahren für eine Zeitrei- he einzusetzen, die durch ein gemessenes Elektrokardiogramm- Signal (EKG) zur Verfügung gestellt wird. Mit der Ermittlung stochastischer Korrelationen zwischen den Abtastwerten der Zeitreihe wird eine Klassifikation der Zeitreihe in ein Elek¬ trokardiogramm-Signal (EKG) , welches ein Herz beschreibt ge- fährdet ist bezüglich des plötzlichen Herztodes sowie in ein Elektrokardiogramm-Signal (EKG) eines ungefährdeten Herzens, möglich. Dadurch ist es möglich, frühzeitig eine Gefährdung zu erkennen und eine Behandlung gegen den plötzlichen Herz¬ tod einzuleiten.
Anhand der Figuren 1 bis 5, die ein Ausführungsbeispiel dar¬ stellen, wird die Erfindung im weiteren näher erläutert.
Es zeigen
Fig. 1 ein Ablaufdiagramm, in dem das erfindungsgemäße Verfahren dargestellt ist;
Fig. 2 ein Ablaufdiagramm, in dem die Weiterbildung des erdindungsgemäßen Verfahrens gemäß Patentanspruch
3 beschrieben ist;
Fig. 3 ein Blockdiagramm, in dem verschiedene mögliche
Zeitreihen, die klassifiziert werden, dargestellt sind;
Fig. 4 ein Blockdiagramm, welches einen Rechner, der zur Durchführung des erfindungsgemäßen Verfahrens not¬ wendigerweise verwendet wird, dargestellt ist;
Fig. 5 ein Diagramm, in dem qualitativ ein Graph eines ermittelten Informationsflusses für zukünftige
Werte für eine chaotische Zeitreihe, eine Zeit¬ reihe, die nichtlineare Korrelationen zwischen ihren Abtastwerten aufweist, sowie eine Zeitreihe, deren Abtastwerte stochastisch voneinander unab- hängig sind, dargestellt sind.
In Figur 1 ist dargestellt, daß in einem ersten Schritt des erfindungsgemäßen Verfahrens die Zeitreihe, welche eine vor¬ gebbare Anzahl von Abtastwerten aufweist, gemessen wird 101. Die Messung erfolgt durch ein Meßgerät MG, welches sowohl analoge oder digitale Signale mißt und einem Rechner R zu¬ führt (vgl. Figur 4) . Von dem Rechner R werden bedingte Entropien H(n|n-l...l) für die einzelnen Abtastwerte der Zeitreihe ermittelt 102. Verschiedene Vorgehensweisen zur Er- mittlung der bedingten Entropien H(n|n-l...l) sind bekannt
[2] , [3] . Im Rahmen dieses Dokumentes wird für die bedingten Entropien H(n|n-l...l) beispielsweise folgende Definition verwendet, welche jedoch nicht die Möglichkeit der Verwendung anderer Definitionen im Rahmen des erfindungsgemäßen Verfah- rens einschränkt:
kn ~~ 1 m H(n|n - 1...1) = - Σ ∑ p(j, i) ■ log(p(j|i)) (1) i=l j=l
wobei mit
H(n|n-l...l) jeweils die bedingten Entropien bezeichnet wer¬ den, n eine Länge einer Sequenz berücksichtigter Abtastwerte der
Zeitreihe bezeichnet wird, n kn (kn = m ) eine Anzahl verschiedener Sequenzen berücksich¬ tigter Abtastwerte der Länge n bezeichnet wird, m eine Anzahl von Werten bezeichnet wird, die die Abtastwerte annehmen können, p(j, i) Verbundwahrscheinlichkeiten bezeichnet werden, und p(j | i) bedingte Wahrscheinlichkeiten bezeichnet werden.
Es ist bei dem erfindungsgemäßen Verfahren vorgesehen, die bedingten Entropien H(n|n-l...l) für die vorgebbare Anzahl von Abtastwerten, die die Zeitreihe aufweist, zu bestimmen. Es ist jedoch ebenso vorgesehen, einige bedingte Entropien
H(n|n-l...l) nicht zu ermitteln, und somit die entsprechenden Abtastwerte nicht zu berücksichtigen. Dies entspricht einer Verringerung der Anzahl von Abtastwerten. Die Anzahl berück¬ sichtigter Abtastwerte der Zeitreihe spiegeln direkt die Ge- nauigkeit des erfindungsgemäßen Verfahrens bezüglich der Klassifikation der Zeitreihe wider.
Die Anzahl von Werten m, die die Abtastwerte annehmen können, ist vorgebbar. Die Werte können, müssen jedoch nicht über konstante Intervalle verteilt sein.
Es können ebenso für verschiedene Klassifikationen unter¬ schiedliche mögliche Werte von Abtastwerten vorgegeben wer¬ den. Ein Satz von vorgebbaren Werten der Anzahl m wird im folgenden als eine Partition ß bezeichnet. Somit bezeichnet die Partition ß einen Satz disjunkter Intervalle B-[ d. h.
m ß = (Bi }™=1 ' U Bi = A und Bi n Bj = 0 für i ≠ (2) i=l
Hierbei bezeichnen i und j einen ersten Laufindex und einen zweiten Laufindex.
Somit ergibt sich als eine Blockentropie
Hß(n)
• log(V'ß(n)) (3). i=ι
Hierbei bezeichnet p (n) die Wahrscheinlichkeit des Auftre¬ tens eines Abtastwerts, der für die Partition ß den Ab¬ tastwert i aufweist bei einer Sequenz der Länge n.
Eine Entropie für eine vorgebbare Anzahl zukünftiger Ab¬ tastzeitpunkte p ist gegeben durch
Hf (n.p) i,j,ß
(n, p) • log pi,j,ß (n, p) ( 4 : i=lj =1
i, j , ß Hierbei bezeichnet p (n, p) die Verbundwahrscheinlichkeit des Auftretens eines Abtastwertes i für die Sequenz der Länge n und das Auftreten des Abtastwertes j zu einem Zeitpunkt, der die vorgebbare Anzahl zukünftiger Abtastzeitpunkte voraus ist im Rahmen der Partition ß. Eine bedingte Entropie, je- weils unter der Voraussetzung, daß der zeitlich direkt voran¬ gegangene Abtastzeitpunkt bekannt ist, wird mit ß
H ( (n+1) |n...1) bezeichnet .
Ein Informationsfluß für die vorgebbare Anzahl zukünftiger Abtastzeitpunkte p für eine bestimmte Partition ß wird gebil¬ det nach folgender Vorschrift:
l£ = lim iß (n + p, n + l|n-- l) <6> - n—>∞
Hierbei ergibt sich jß (n + p f n + ι|n--- l) aus:
jß(n + p, n + l|n--- l) = Hß(n + p|n--- l) + Hß(n + p|n + !••• l)
Die Partition ß ist als eine infitesimale Partitionierung de¬ finiert, so daß gilt: ε = diameter(ß) —> 0, wobei mit diame- ter(ß) eine jeweils größte Zellänge bezeichnet wird.
Der Informationsfluß T"ß ist allgemein ein Maß für die stati-
XP stische nichtlineare Korrelation zwischen zwei freien Varia¬ blen, in diesem Verfahren zwischen den Abtastwerten verschie- dener Abtastzeitpunkte der Zeitreihe.
Der Informationsfluß jß wird somit bei dem erfindungsgemäßen
Verfahren für eine vorgebbare Anzahl zukünftiger Abtastzeit¬ punkte p abhängig von einer vorgebbaren Anzahl vergangener Abtastwerte n, die die Zeitreihe aufweist, gebildet.
Aus den bedingten Entropien wird in einem dritten Schritt 103 mindestens ein Informationsfluß TP bestimmt.
P
Ein Graph der Funktion des Informationsflusses jß weist für unterschiedliche Zeitreihen unterschiedliche charakteristi¬ sche Formen auf (vgl. Figur 5) .
Für eine chaotische Zeitreihe CHA weist der Informationsfluß "fßß einer Partition ß in einer idealen Näherung einen kon
P stanten, waagrechten Verlauf über den Abtastwerten p auf.
Qualitativ ergibt sich für den Informatinsfluß TM einer
Zeitreihe, deren Abtastwerte nichtlineare Korrelationen auf- weisen, eine monoton fallende, parabelähnlich gekrümmte Funk¬ tion ZT1. Dies entspricht einem ersten Zeitreihentyp ZT1. Weisen jedoch die Abtastwerte untereinander keinerlei Korre¬ lationen auf, so ist qualitativ ein steil, in etwa linear ab¬ fallender Graph des Informationsflusses T ß für zukünftige
Abtastwerte gegeben. Dies ist ersichtlich durch die Überle¬ gung, daß bei nicht vorhandener Korrelation zukünftiger Ab¬ tastwerte in keinster Weise vorhergesagt werden können, und somit auch keinerlei Information über zukünftige Abtastwerte vorhanden sind. Dies ist eben für eine Zeitreihe, deren Ab- tastwerte nichtlineare Korrelationen aufweisen, nicht der Fall.
In einem letzten Schritt 104 wird anhand des Informations- flusses fß eine Klassifikation durchgeführt. Diese Klassifi- XP kation kann je nach Anwendungsbereich unterschiedlicher Art sein.
Eine sehr einfach Klassifikation, die sich jedoch für einige Arten von Zeitreihen als eine vorteilhafte und ausreichende Weiterbildung des Verfahrens erweist, liegt in einer „binären" Klassifikation.
Hierbei wird anhand des Graphen des Informationsflusses T"ß
XP für zukünftige Abtastwerte 201 in einem Prüfungsschritt 202 überprüft, ob der Graph in etwa gekrümmt ist, oder ob er steil linear fällt (vgl. Figur 2) .
Weist die Form des Graphen eine parabelähnliche, leicht ge- krümmte, fallende Form auf, so wird die Zeitreihe als der er¬ ste Zeitreihentyp ZT1 klassifiziert. Dies entspricht bei ei¬ ner Zeitreihe, die durch ein gemessenes Kardiogramm-Signal (EKG) gegeben ist, einer Klassifikation des Elektrokardio¬ gramm-Signals (EKG) in ein Elektrokardiogramm-Signal (EKG) eines gefährdeten Herzens bezüglich des Plötzlichen Herzto¬ des .
Weist jedoch der Graph eine steil abfallende, lineare Form auf, so wird die Zeitreihe in den zweiten Zeitreihentyp ZT2 klassifiziert 203. Dies entspricht für das Beispiel des Elek¬ trokardiogramm-Signals der Klassifikation des EKG-Signals als
ein EKG-Signal eines ungefährdeten Herzens bezüglich des plötzlichen Herztodes.
In Figur 3 sind verschiedene Möglichkeiten für die Arten ei¬ ner Zeitreihe, für die das Verfahren einsetzbar ist, angege¬ ben 301. Diese Aufzählung weist jedoch keinerlei einschrän¬ kenden Charakter auf. Das Verfahren ist für jede Art von Zeitreihe verwendbar, bei dem es gilt, nichtlineare Korrela¬ tionen zwischen den Abtastwerten der Zeitreihe zu ermitteln, und die Zeitreihe anhand dieser nichtlinearen Korrelationen, die sich in dem Informationsfluß wiederspiegeln, zu klassifi¬ zieren.
Die Zeitreihe kann beispielsweise sein:
- ein Elektrokardiogramm-Signal (EKG) 302,
- ein Elektroencephalogramm-Signal (EEG) 303,
- ein Signal, welches den Verlauf der SauerstoffSpannung eines Gehirns beschreibt 304.
In Figur 4 ist der Rechner R dargestellt, mit dem das erfin¬ dungsgemäße Verfahren notwendigerweise durchgeführt wird.
Der Rechner R verarbeitet die von dem Meßgerät MG aufgenomme- nen, und dem Rechner R zugeführten Zeitreihen.
Hierbei ist es nicht von Bedeutung, ob die Bildung der Ab¬ tastwerte aus dem möglicherweise analogen Signal in dem Me߬ gerät MG oder in dem Rechner R durchgeführt wird. Beide Vari- anten sind für das erfindungsgemäße Verfahren vorgesehen.
Das Meßgerät MG kann beispielsweise ein Elektrokardiograph (EKG) , ein Elektroencepahlograph (EEG) oder auch ein Gerät sein, welches nach dem in [2] dargestellten Verfahren arbei- tet.
Das Klassifikationsergebnis, welches durch den Rechner R auf die im vorigen beschriebene Weise ermittelt wird, wird in ei¬ nem Mittel zur Weiterverarbeitung WV weiterverarbeitet, bei¬ spielsweise einem Benutzer dargestellt . Dieses Mittel WV kann beispielsweise ein Drucker, ein Bildschirm oder auch ein Lautsprecher sein, über das ein akustisches oder visuelles Signal an einen Benutzer weitergegeben wird.
Im Rahmen dieses Dokuments wurden folgende Veröffentlichungen zitiert :
[ljl G. Morfill, Komplexitätsanalyse in der Kardiologie, Physikalische Blätter, Vol. 50, Nr. 2, S. 156 bis 160, 1994
[2] W. Ebeling et al, Entropy, Transinformation ans Word Distribution of Information-Carrying Seqences, Inter- national Journal of Bifrucation and Chaos, Vol. 5, Nr. 1, S. 51 - 61, 1995
[3] D. Wolpert et al, Estimation Functions of Probality Distributions from a finite Set of Samples, Physical Review E, Vol. 52, Nr. 6, S. 6841 - 6854, Dezember 1995
[4] LICOX, GMS, Gesellschaft für Medizinische Sondentechnik mbH, Advanced Tissue Monitoring
[5] DE 39 12 028 AI
Claims
1. Verfahren zur Klassifikation einer Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, beispielsweise eines elektrischen Signals, durch einen Rechner,
- bei dem bedingte Entropien ermittelt werden,
- bei dem aus den bedingten Entropien mindestens ein Informa¬ tionsfluß für eine vorgebbare Anzahl zukünftiger Abtastzeit- punkte (p) bestimmt wird, und
- bei dem anhand des Informationsflusses eine Klassifikation der Zeitreihe durchgeführt wird.
2. Verfahren nach Anspruch 1, bei dem alle bedingten Entropien der Abtastwerte der Zeitrei¬ he ermittelt werden.
3. Verfahren nach Anspruch 1 oder 2, bei dem die bedingten Entropien ermittelt werden nach der Vorschrift
kn ~! tn H(n|n - 1...1) = - Σ Σ p(j, i) • log(p(j|i)) i=l j=l
wobei mit H(n|n-l...l) jeweils die bedingte Entropien bezeichnet wer¬ den, n eine Länge einer Sequenz berücksichtigter Abtastwerte der
Zeitreihe bezeichnet werden, n kn (kn = m ) eine Anzahl verschiedener Sequenzen berücksich- tigter Abtastwerte der Länge n bezeichnet werden, m eine Anzahl von Werten, die die Abtastwerte annehmen kön¬ nen, p(j, i) Verbundwahrscheinlichkeiten bezeichnet werden, und p(j | i) bedingte Wahrscheinlichkeiten bezeichnet werden.
4. Verfahren nach einem der Ansprüche 1 bis 3, bei dem der Informationsfluß (I (n+1, n+p | n...l)) für eine vorgebbare Anzahl zukünftiger Abtastzeitpunkte (p) bestimmt wird nach der Vorschrift
lß(n + 1; n + p|n ..l) = Hß(n + p|n...l) - Hß(n + p|n + 1...l)
wobei mit ß eine Partition eindeutig bezeichnet, durch die eine Anzahl m von Werten, die die Abtastwerte annehmen können, vorgegeben wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, bei dem bei der Klassifikation die Zeitreihe entweder m ei¬ nen ersten Zeitreihentyp oder in einen zweiten Zeitreihentyp klassifiziert wird.
6. Verfahren nach einem der Ansprüche 1 bis 5, bei dem die Zeitreihe durch em gemessenes Elektrokardio¬ gramm-Signal (EKG) gegeben ist
7. Verfahren nach einem der Ansprüche 1 bis 6, bei dem die Zeitreihe durch ein gemessenes Elektroencephalo- gramm-Signal (EEG) gegeben ist.
8. Verfahren nach einem der Ansprüche 1 bis 6, bei dem die Zeitreihe durch ein gemessenes Signal gegeben ist, das den Spannungsverlauf eines Gehirndrucks beschreibt.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP97914162A EP0888590A1 (de) | 1996-03-19 | 1997-03-05 | Verfahren zur klassifikation einer zeitreihe, die eine vorgebbare anzahl von abtastwerten aufweist, beispielsweise eines elektrischen signals, durch einen rechner |
| JP9533019A JP2000506416A (ja) | 1996-03-19 | 1997-03-05 | 計算機による例えば電気信号の所定数のサンプリング値を有するタイムシーケンスの分類方法 |
| US09/142,265 US6266624B1 (en) | 1996-03-19 | 1997-03-05 | Method conducted in a computer for classification of a time series having a prescribable number of samples |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE19610847A DE19610847C1 (de) | 1996-03-19 | 1996-03-19 | Verfahren zur Klassifikation einer meßbaren Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, beispielsweise eines elektrischen Signals, durch einen Rechner und Verwendung des Verfahrens |
| DE19610847.0 | 1996-03-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO1997035267A1 true WO1997035267A1 (de) | 1997-09-25 |
Family
ID=7788790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/DE1997/000416 WO1997035267A1 (de) | 1996-03-19 | 1997-03-05 | Verfahren zur klassifikation einer zeitreihe, die eine vorgebbare anzahl von abtastwerten aufweist, beispielsweise eines elektrischen signals, durch einen rechner |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US6266624B1 (de) |
| EP (1) | EP0888590A1 (de) |
| JP (1) | JP2000506416A (de) |
| DE (1) | DE19610847C1 (de) |
| WO (1) | WO1997035267A1 (de) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE59904500D1 (de) * | 1998-12-16 | 2003-04-10 | Siemens Ag | Verfahren und anordnung zur vorhersage von messdaten anhand vorgegebener messdaten |
| WO2001065421A1 (de) * | 2000-02-28 | 2001-09-07 | Siemens Aktiengesellschaft | Verfahren und anordnung zur modellierung eines systems |
| US7363000B2 (en) * | 2002-12-13 | 2008-04-22 | Agere Systems Inc. | Method, system, and computer program product for providing multi-tiered broadcasting services |
| US8805482B2 (en) * | 2008-07-28 | 2014-08-12 | General Electric Conpany | System and method for signal quality indication and false alarm reduction in ECG monitoring systems |
| CN102499676B (zh) * | 2011-11-03 | 2014-01-29 | 北京工业大学 | 基于有效时间序列和电极重组的脑电信号分类系统和方法 |
| CN105395192A (zh) * | 2015-12-09 | 2016-03-16 | 恒爱高科(北京)科技有限公司 | 一种基于脑电的可穿戴情感识别方法和系统 |
| KR102552833B1 (ko) * | 2018-05-28 | 2023-07-06 | 삼성에스디에스 주식회사 | 데이터 엔트로피 기반의 데이터 프로세싱 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4893632A (en) * | 1988-04-13 | 1990-01-16 | Siemens Aktiengesellschaft | Method and apparatus for comparing waveform shapes of time-varying signals |
| TW342478B (en) * | 1996-01-08 | 1998-10-11 | Matsushita Electric Ind Co Ltd | Time series signal predicting apparatus |
| DE19608733C1 (de) * | 1996-03-06 | 1997-05-22 | Siemens Ag | Verfahren zur Klassifikation einer meßbaren Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, insbesondere eines elektrischen Signals, durch einen Rechner und Verwendung des Verfahrens |
-
1996
- 1996-03-19 DE DE19610847A patent/DE19610847C1/de not_active Expired - Fee Related
-
1997
- 1997-03-05 EP EP97914162A patent/EP0888590A1/de not_active Withdrawn
- 1997-03-05 JP JP9533019A patent/JP2000506416A/ja active Pending
- 1997-03-05 WO PCT/DE1997/000416 patent/WO1997035267A1/de not_active Application Discontinuation
- 1997-03-05 US US09/142,265 patent/US6266624B1/en not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| GLASS L ET AL: "TIME SERIES ANALYSIS OF COMPLEX DYNAMICS IN PHYSIOLOGY AND MEDICINE", 1 January 1993, MEDICAL PROGRESS THROUGH TECHNOLOGY, VOL. 19, NR. 3, PAGE(S) 115 - 128, XP000423270 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0888590A1 (de) | 1999-01-07 |
| JP2000506416A (ja) | 2000-05-30 |
| US6266624B1 (en) | 2001-07-24 |
| DE19610847C1 (de) | 1997-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0856181B1 (de) | Verfahren und vorrichtung zur auswertung eines narkose- oder intensiv-eeg | |
| EP0355506B1 (de) | Anordnung zum Messen lokaler bioelektrischer Ströme in biologischen Gewebekomplexen | |
| DE202022103434U1 (de) | Ein auf einem Enzephalogramm (EEG) basierendes Gerät zur Erkennung von epileptischen Anfällen | |
| DE69727236T2 (de) | Vorrichtung zum aufzeichnen von galvanischen hautreaktionen | |
| EP0828225A1 (de) | Verfahren und Vorrichtung zum Auswerten von EEG-Daten | |
| EP1034486B1 (de) | Verfahren zur bestimmung wenigstens einer diagnostischen information aus signalmustern medizinischer sensorsysteme | |
| DE102018221695A1 (de) | Verfahren zur quantitativen Magnetresonanzbildgebung, Magnetresonanzeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger | |
| DE4039648A1 (de) | Messwertverarbeitungssystem fuer ein biologisches objekt | |
| EP1519301B1 (de) | Vorrichtung zur klassifikation physiologischer Ereignisse | |
| DE19610847C1 (de) | Verfahren zur Klassifikation einer meßbaren Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, beispielsweise eines elektrischen Signals, durch einen Rechner und Verwendung des Verfahrens | |
| DE19608733C1 (de) | Verfahren zur Klassifikation einer meßbaren Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, insbesondere eines elektrischen Signals, durch einen Rechner und Verwendung des Verfahrens | |
| EP1227425B1 (de) | Vorrichtung zum Auffinden der Auslöser anfallsartig auftretender Krankheiten | |
| EP3407273A1 (de) | Verfahren und anordnung zur ermittlung eines anomalen zustands eines systems | |
| EP0885423B1 (de) | Verfahren und vorrichtung zur klassifikation einer zeitreihe eines elektrischen signals durch einen rechner | |
| DE60035505T2 (de) | Feststellung von neurologischen zuständen mittels reizevozierten potentialen | |
| EP1034464B1 (de) | Anordnung zur vorhersage einer abnormalität eines systems und zur durchführung einer der abnormalität entgegenwirkenden aktion | |
| WO1997050047A1 (de) | Verfahren zur klassifikation einer zeitreihe, die eine vorgebbare anzahl von abtastwerten aufweist, beispielsweise eines elektrischen signals, durch einen rechner | |
| EP3961447A1 (de) | Verfahren zur detektion von anomalen betriebszuständen eines computersystems | |
| EP1114398A2 (de) | Verfahren zum trainieren eines neuronalen netzes, verfahren zur klassifikation einer folge von eingangsgrössen unter verwendung eines neuronalen netzes, neuronales netz und anordnung zum trainieren eines neuronalen netzes | |
| DE19701932C1 (de) | Verfahren zur Detektion von Synchronizität zwischen mehreren digitalen Meßreihen mit Hilfe eines Rechners | |
| WO2004021245A2 (de) | Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln und computerprogramm-produkt zur analyse von neuronalen aktivitäten in neuronalen arealen | |
| EP1687756B9 (de) | Verfahren zur klassifikation von messwerten in der medizinischen und biochemischen analytik | |
| EP3410329B1 (de) | Verfahren und system zur erkennung unregelmässiger eingaben für datenverarbeitungsanwendungen | |
| DE69934687T2 (de) | Frequenzschätzung bei elektro-islet-graphie | |
| WO1999023576A1 (de) | Verfahren und vorrichtung zur klassifikation einer ersten zeitreihe und mindestens einer zweiten zeitreihe |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AK | Designated states |
Kind code of ref document: A1 Designated state(s): JP US |
|
| AL | Designated countries for regional patents |
Kind code of ref document: A1 Designated state(s): AT BE CH DE DK ES FI FR GB GR IE IT LU MC NL PT SE |
|
| DFPE | Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101) | ||
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application | ||
| WWE | Wipo information: entry into national phase |
Ref document number: 1997914162 Country of ref document: EP |
|
| WWE | Wipo information: entry into national phase |
Ref document number: 09142265 Country of ref document: US |
|
| WWP | Wipo information: published in national office |
Ref document number: 1997914162 Country of ref document: EP |
|
| WWW | Wipo information: withdrawn in national office |
Ref document number: 1997914162 Country of ref document: EP |