DE10123572C1 - Verfahren und Vorrichtung zur automatischen Online-Analyse von Meßreihen sowie ein entsprechendes Computerprogramm-Erzeugnis und ein entsprechendes computerlesbares Speichermedium - Google Patents
Verfahren und Vorrichtung zur automatischen Online-Analyse von Meßreihen sowie ein entsprechendes Computerprogramm-Erzeugnis und ein entsprechendes computerlesbares SpeichermediumInfo
- Publication number
- DE10123572C1 DE10123572C1 DE2001123572 DE10123572A DE10123572C1 DE 10123572 C1 DE10123572 C1 DE 10123572C1 DE 2001123572 DE2001123572 DE 2001123572 DE 10123572 A DE10123572 A DE 10123572A DE 10123572 C1 DE10123572 C1 DE 10123572C1
- Authority
- DE
- Germany
- Prior art keywords
- measurement
- model
- curve
- series
- computer
- Prior art date
- Legal status (The legal status 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 status listed.)
- Expired - Lifetime
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Die Erfindung beschreibt ein Verfahren zur automatischen Online-Analyse und Interpretation von Messkurven zeitabhängiger Signale. Die Messkurven werden mit Hilfe eines statistischen Signalmodells modelliert. Dieses bietet den Vorteil, die Kurven auch ohne Kenntnis eines detaillierten physiko-chemischen Signalmodells, verarbeiten zu können. Als statistisches Signalmodell werden Hidden-Markov-Modelle (HMM) gewählt. Dabei werden den einzelnen Abschnitten einer Meßkurve Zustände im HMM zugeordnet. Eine entsprechende Modellierung ermöglicht während der Messung die Detektion des für die Messung korrekten Modells anhand des Kurvenverlaufes auch bei unterschiedlichem Kurventyp. Durch die Zuordnung von relevanten Kurvenabschnitten zu den Zuständen des HMM ist ein Erkennen des Endes der Messung gewährleistet. Außerdem lässt sich anhand der Zustände die Position der zur Bestimmung des Meßwertes notwendigen Abtastwerte innerhalb der Kurve ermitteln. Für die Erzeugung der HMM werden sowohl statistische Traniningsdaten als auch spezielles Expertenwissen verwendet.
Description
Die Erfindung betrifft ein Verfahren und eine Vorrich
tung zur automatischen Online-Analyse
von Meßreihen zeitabhängiger Signale sowie ein ent
sprechendes Computerprogramm-Erzeugnis und ein entspre
chendes computerlesbares Speichermedium. Einsatzgebiet
von Verfahren und Computerprogrammprodukt ist insbeson
dere die automatische Online-Auswertung von verschiede
nen zeitabhängigen Signalkurven, bei denen für die Meß
wertbildung bestimmte, zu Beginn der Messung noch unbe
kannte Positionen oder Bereiche der Kurve herangezogen
werden müssen. Ein Anwendungsbeispiel für die Vorrich
tung ist ein portables, einfach handhabbares Biosensor-
Meßgerät zur Konzentrationsbestimmung für eine Vielzahl
von Analyten.
Das hier betrachtete Problem der Analyse und Interpre
tation von Meßkurven tritt in den Bereichen der Senso
rik auf, bei denen der zu bestimmende Meßwert nicht nur
vom momentanen Meßsignal, sondern zusätzlich von Fakto
ren, wie Kurventyp bzw. Meßzeitpunkt innerhalb der Kur
ve abhängt.
Zur Bestimmung von Meßwerten aus Meßkurven ist eine
Vielzahl verschiedener Verfahren bekannt, wobei die Art
des Signals die Wahl des Verfahrens beeinflußt (siehe:
H.-R. Tränkler Taschenbuch der Meßtechnik, Oldenbourg-
Verlag 1992, H.-R. Tränkler Signal processing. In: Sen
sors Vol 1. Edited by W. Göpel, J. Hesse, J. N. Zemel.
VCH Verlag Weinheim).
Nachfolgend werden nur nichtperiodische Signale weiter
betrachtet. Aus Meßkurven solcher nichtperiodischen
Signale kann ein Meßwert zum Beispiel dadurch gewonnen
werden, daß ein Abtastwert nach einer bestimmten Ein
stellzeit, bei einem Sättigungswert oder auch einem Ma
ximum oder Minimum der Kurve genommen wird. Ferner ist
bekannt, den gesuchten Meßwert durch Integration der
Abtastwerte über eine bestimmte Zeit (Fläche unter ei
ner Kurve) zu gewinnen oder aus dem Anstieg zu errech
nen. Beispielsweise wird in JP 3262938 (Method for pro
cessing output signal of semiconductor biosensor) der
maximale Anstieg einer Meßkurve wird zur Bestimmung des
Meßwerts herangezogen. Es ist ebenfalls bekannt bei an
sich bekanntem Kurvenverlauf, die Kurve mittels einer
geeigneten Funktion zu approximieren und so die Meßzeit
zu verkürzen (K. Hirose and K. Daiichi. Method of meas
uring sample by enzyme electrodes. European patent
0 623 681 A1, 1994).
Für dynamische Systeme, deren Verhalten durch Zeitrei
hen von Meßgrößen darstellbar ist, wird ein Verfahren
zur Ermittlung des Kurvenverlaufs dieser Meßgrößen,
welche durch die Systemparameter (Moden) charakteri
siert werden, in der deutschen Offenlegungsschrift
DE 197 40 565 A1 beschrieben. Bei diesem Verfahren zur Er
fassung der Moden eines dynamischen Systems mit einer
Vielzahl von Moden, die jeweils einen Satz a(t) charak
teristischer Systemparameter besitzen, wird eine Zeit
reihe mindestens einer Systemvariablen x(t) einer Mo
dellierung wie z. B. einer Schaltsegmentierung unterzo
gen, die dazu eingerichtet ist, in jedem Zeitabschnitt
einer vorbestimmten Mindestlänge für jede Systemvariab
le x(t) ein vorbestimmtes Vorhersagemodell wie z. B.
ein neuronales Netzwerk für eine entsprechende System
mode zu erfassen, wobei nach der Modellierung der Zeit
reihe eine Driftsegmentierung erfolgt, bei der in jedem
Zeitabschnitt, in dem das System von einer ersten Sy
stemmode zu einer zweiten Systemmode übergeht, eine Fol
ge von gemischten Vorhersagemodellen erfasst wird, die
durch eine lineare, paarweise Überlagerung der Vorher
sagemodelle der zwei Systemmoden gegeben ist.
Weiterhin ist bekannt, die Form der Meßkurve mit Ver
fahren der Mustererkennung zu analysieren und zu bewer
ten. Beispielsweise wird die Fuzzy-Logik zur Musterer
kennung genutzt (H.-J. Zimmerman. Fuzzy Set Theory and
its Applications. Kluwer Academic Publishers, Bos
ton/Dordrecht/London; T. Tilli. Mustererkennung mit
Fuzzy-Logik. Franzis-Verlag, München. 1993), konkret
auch zur Auswertung von Biosensor-Signalen. Dabei er
lauben bekannte Verfahren es nicht, das System zu trai
nieren, komplexe Kurven zu verarbeiten bzw. das Meßende
automatisch zu erkennen (J. Weitzenberg. Methoden der
Fuzzy-Logik zur Auswertung von Meßkurven amperometri
scher Biosensoren. Master's thesis, Martin-Luther-
Universität Halle-Wittenberg, 1998).
Ferner ist bekannt, Neuronale Netze zur Mustererkennung
zu verwenden, speziell zur Analyse von Peaks in Meßkur
ven (US 5,121,433 Neural Net system for analyzing chro
matographic peaks).
Des weiteren werden Hidden-Markov-Modelle (HMM) zur
Mustererkennung benutzt.
Diese haben sich in der letzten Dekade zur Standardme
thode bei der Spracherkennung entwickelt (L. R. Rabi
ner. A tutorial on hidden markov models and selected
applications in speech recognition. Proceedings of the
IEEE, 77(2): 257-286, 1989; L. R. Rabiner and B. H.
Juang. Fundamentals of Speech Recognition. Prentice
Hall, 1993; US 5,307,444 Voice Analysing System Ising
Hidden Markov Model and Having Plural Neural Network
Predictors).
HMM kommen auch für andere Problemstellungen, wie z. B.
zur Analyse periodischer EKG-Kurven (US-PS 5,778,881),
DNA-Sequenzerkennung (P. F. Baldi and S. Brunak. Bio
informatics: The machine learning approach. The MIT
Press, 1998), zur Handschrifterkennung (US-PS 5,636,291
Continuous parameter hidden Markov model approach to
automatic handwriting recognition) oder zur Fehlerdiag
nose (US 5,465,321 HMM for fault detection in dynamic
sytems) zum Einsatz.
Es ist Stand der Technik, für HMM-spezifische Problem
stellungen bestimmte Algorithmen zu benutzen. Der For
ward-Algorithmus (L. R. Rabiner and B. H. Juang. Funda
mentals of Speech Recognition. Prentice Hall, 1993) be
rechnet die Wahrscheinlichkeit dafür, daß ein HMM die
gegebene Sequenz von Symbolen erzeugt. Um die wahr
scheinlichste Zustandsfolge bei gegebenem HMM und gege
bener Sequenz von Symbolen zu bestimmen, wird der Vi
terbi-Algorithmus (G. D. Forney Jr. The Viterbi Algo
rithm. Proceedings of the IEEE, vol 61, no. 3, 1973)
benutzt. Zum Trainieren von HMM anhand von Beispiel-
Sequenzen wird der Baum-Welch-Algorithmus (L. R. Rabi
ner and B. H. Juang. Fundamentals of Speech Recogni
tion. Prentice Hall, 1993) verwendet. Ebenfalls Stand
der Technik ist die Visualisierung bzw. Clusterung von
Daten mit einer sog. Self-Organizing-Map (T. Kohonen.
Self-Organizing Maps. Springer-Verlag, Heidelberg,
1995).
Ein Verfahren zum Schätzen von HHM mit geringem Spei
cherbedarf und zum on-line-Schätzen von HHM ist in der
deutschen Offenlegungsschrift DE 199 34 845 A1 angege
ben. Bei diesem Verfahren wird mindestens eine mit min
destens drei Indizes behaftete Hilfsgröße in Abhängig
keit von dem letzten Ein-/Ausgabewert iteriert, aus der
(bzw. denen) aktuelle Schätzungen der Modellparameter
berechnet werden können, so daß beim on-line-Schätzen
kein Teil der Zeitreihe gespeichert werden muß, und der
Speicherbedarf nicht von der Länge der Zeitreihe ab
hängt.
Die bekannten Verfahren sind nicht zur Online-Erkennung
der gesuchten Meßpositionen (Abtastwerte) geeignet,
wenn unter den zu analysierenden Kurven solche auftre
ten können, bei denen mehrere lokale Maxima oder Minima
vorliegen und die Meßposition je nach Kurvenform auf
bzw. zwischen solchen lokalen Maxima bzw. Minima liegt.
Ferner ist das automatische Erkennen des Endes einer
Messung online nicht oder nicht immer möglich.
Die durch die Erfindung zu lösende Aufgabe besteht dar
in, die beschriebenen Nachteile zu beheben, insbesondere
ein Verfahren, eine Vorrichtung und ein Compu
terprogrammprodukt bereitzustellen, durch welche es er
möglicht wird, bei der Meßwertgewinnung aus einer Zeit
reihe von Abtastwerten den zunächst unbekannten Zeit
punkt der gesuchten Meßposition und/oder das Meßende
online zu ermitteln.
Diese Aufgabe wird erfindungsgemäß gelöst durch die
Merkmale in den Ansprüchen 1, 11, 19 und 21.
Zweckmäßige Ausgestaltungen der Erfindung sind in den
Unteransprüchen enthalten.
Ein besonderer Vorteil der Erfindung besteht darin, daß
bei dem Verfahren zur automatischen Online-Analyse von
Meßreihen die in der Meßreihe aufgenommenen Abtastwerte
während der Messung automatisch einer durch ein mathe
matisches Modell ermittelten Modellkurve zugeordnet und
in Abhängigkeit von dieser Zuordnung die für die Analy
se relevanten Abtastwerte bestimmt und ausgewertet wer
den sowie das Meßende bestimmt wird.
Die erfindungsgemäße Vorrichtung zur automatischen On
line-Analyse von Meßreihen ist dadurch ausgezeichnet,
daß sie über mindestens ein Mittel zur sensorischen Er
fassung von Daten, mindestens ein Computersystem mit
einer Ausführungsumgebung, in der eine Anwendung läuft,
welche die in einer Meßreihe aufgenommenen Abtastwerte
während der Messung automatisch einer durch ein mathe
matisches Modell ermittelten Modellkurve zuordnet und
in Abhängigkeit von dieser Zuordnung die für die Analy
se relevanten Abtastwerte bestimmt und auswertet sowie
das Meßende bestimmt, mindestens ein Mittel zur Spei
cherung der erfaßten Daten sowie des mathematischen Mo
dells, und Mittel zum Austausch und/oder Darstellung
von Daten verfügt, wobei die genannten Komponenten über
Mittel zur Datenübetragung miteinander verbunden sind.
Ein weiterer vorteilhafter Bestandteil der Erfindung
ist ein Computerprogrammprodukt zur automatischen Onli
ne-Analyse von Meßreihen, das direkt in den jeweiligen
internen Speicher eines digitalen Computers und/oder
Mikrocontrollers geladen werden kann und Softwarecode
abschnitte umfaßt, mit denen die Schritte gemäß An
spruch 1 ausgeführt werden, wenn das Produkt auf einem
Computer und/oder Mikrocontroller läuft.
Für die automatische Online-Analyse von Meßreihen wird
vorteilhafterweise ein computerlesbares Speichermedium
eingesetzt, auf dem ein Programm gespeichert ist, das
es einem Computer ermöglicht, nachdem es in den Spei
cher des Computers geladen worden ist, eine automati
sche Online-Analyse von Meßreihen durchzuführen, wobei
die in der Meßreihe aufgenommenen Abtastwerte während
der Messung automatisch einer durch ein mathematisches
Modell ermittelten Modellkurve zugeordnet und in Abhän
gigkeit von dieser Zuordnung die für die Analyse rele
vanten Abtastwerte bestimmt und ausgewertet werden so
wie das Meßende bestimmt wird.
Insbesondere ist es als Vorteil des erfindungsgemäßen
Verfahrens anzusehen, daß dadurch ermöglicht wird, bei
der Meßwertgewinnung aus einer Zeitreihe von Abtastwer
ten den zunächst unbekannten Zeitpunkt der gesuchten
Meßposition online zu ermitteln. Da dieser Zeitpunkt
erheblich vom aktuellen Kurvenverlauf abhängig sein
kann und es außerdem oftmals erst während der Messung
anhand des Kurvenverlaufes entscheidbar ist, wann die
Messung beendet werden kann (vgl. Fig. 1(a)-1(f)),
stellt es einen ganz entscheidenden Vorteil dar, daß
der für die Meßwertbildung und die Erkennung des Endes
der Messung zugrundezulegende Kurventyp bereits während
des Meßvorganges detektiert wird.
Das Verfahren zeichnet sich somit dadurch aus, daß be
reits während der Messung das wahrscheinlichste Modell
für den aktuellen Kurvenverlauf ermittelt wird. Es er
laubt damit überhaupt erst, das Modell zur Bestimmung
des Endes der Messung und zur Detektion des für die
Meßwertbildung relevanten Bereiches oder der relevanten
Meßposition zu verwenden. Außerdem besteht gegenüber
bekannten Verfahren, z. B. mittels Fuzzy-Logik die Mög
lichkeit, die Modelle anhand von statistischen Trai
ningsdaten und speziellem Expertenwissen zu trainieren.
Die Erfindung soll nachstehend anhand von einem in den
Figuren dargestellten Ausführungsbeispiel näher erläu
tert werden.
Es zeigen:
Fig. 1 unterschiedliche Kurvenformen mit eingezeich
neten Meßpositionen für einen Sensortyp;
Fig. 2 Zuordnung von Abschnitten einer Meßkurve zu
den Zuständen eines HMM. Die Anzahl der Zu
stände Ei variiert von Kurventyp zu Kurven
typ;
Fig. 3 prinzipieller Ablauf des Verfahrens (Arbeits
phase);
Fig. 4 Blockschaltbild eines Biosensor-Meßgerätes.
Bei einer bevorzugten Ausführungsform wird die Aufgabe dadurch gelöst, daß
der Zeitverlauf der Abtastwerte der Meßkurve mit einem
trainierbaren, statistischen Signalmodell beschrieben
wird, welches mit einer repräsentativen Anzahl von zu
vor ermittelten und von Experten bewerteten Meßkurven
verläufen trainiert wird (Trainingsphase) und daß das
trainierte Modell für die Bewertung neu entstehender
Abtastwert-Zeit-Kurven online eingesetzt wird, um Zeit
punkte zu ermitteln, zu welchen aus den aktuellen Ab
tastwerten der Meßwert zu berechnen ist.
Die zu den Meßreihen gehörenden Meßkurven werden mit
Hilfe eines statistischen Signalmodells modelliert.
Dieses bietet den Vorteil, die Kurven auch ohne Kennt
nis eines detaillierten physiko-chemischen Signalmo
dells, verarbeiten zu können. Als statistisches Signal
modell werden Hidden-Markov-Modelle (HMM) gewählt. Da
bei werden den einzelnen Abschnitten einer Meßkurve Zu
stände im HMM zugeordnet. Eine entsprechende Modellie
rung ermöglicht während der Messung die Detektion des
für die Messung korrekten Modells anhand des Kurvenver
laufes auch bei unterschiedlichem Kurventyp. Durch die
Zuordnung von relevanten Kurvenabschnitten zu den Zu
ständen des HMM ist ein Erkennen des Endes der Messung
gewährleistet. Außerdem lässt sich anhand der Zustände
die Position der zur Bestimmung des Meßwertes notwendi
gen Abtastwerte innerhalb der Kurve ermitteln. Für die
Erzeugung der HMM werden sowohl statistische Trainings
daten als auch spezielles Expertenwissen verwendet.
In besonderer Ausprägung der Erfindung ist das statis
tischen Signalmodell ein diskretes HMM. Die Abtastwert-
Zeit-Kurven werden dazu in mehrere Abschnitte unter
teilt, wobei jedem Abschnitt ein oder mehrere Zustände
des diskreten HMM zugeordnet werden. Den für die Meß
wertbildung 10 relevanten Abschnitten werden spezielle
Zustände zugeordnet. Außerdem ist ein Zustand für die
Endeerkennung vorgesehen.
Als Merkmale zur Generierung von Beobachtungssymbolen
13 für die HMM werden die 1. bis n-te Ableitung der Ab
tastwert-Zeit-Kurve verwendet. Die Ableitungen werden
zu einem n-dimensionalen Merkmalsvektor zusammengefaßt.
Zur Verarbeitung in einem diskreten HMM ist eine Vek
torquantisierung (VQ) 3 notwendig. Hierzu kommt eine
Self-Organizing Map (SOM) nach Kohonen zum Einsatz.
Für jede Klasse von Abtastwert-Zeit-Kurven wird ein HMM
mit Hilfe des Baum-Welch-Algrithmus trainiert. Da die
ser die Modellparameter nur lokal maximieren kann, ist
die Wahl von geeigneten Initialparametern, speziell für
die Emissionswahrscheinlichkeiten von großer Bedeutung.
Daher werden in allen Trainingskurven die zur Meßwert
bestimmung relevanten Abschnitte mit Hilfe einer dafür
entwickelten Software auf Basis des Expertenwissens ma
nuell markiert, d. h. für die weitere Verarbeitung fest
gelegt. In allen Bereichen werden die mittleren Symbol
häufigkeiten für alle Trainingskurven geschätzt und als
initiale Emissionswahrscheinlichkeiten für die zugeord
neten Zustände im Training verwendet.
Bei der Analyse einer neu entstehenden, noch unbekann
ten und unvollständigen Abtastfolge wird zunächst mit
Hilfe des Forward-Algorithmus 4 das für die aktuelle
Meßkurve wahrscheinlichste Modell bestimmt. Anschlie
ßend wird mit Hilfe des Viterbi-Algorithmus 5 die wahr
scheinlichste Zustandsfolge 12 für das gewählte Modell
und die aktuelle Kurve berechnet. Anhand der Zustands
folge 12 wird das Ende der Messung sowie der Meßwert
innerhalb der Kurve detektiert und die Zeitpunkte des
Auftretens der zu verrechnenden Signale werden be
stimmt.
Die Erfindung wird nachfolgend am Beispiel von Meßkur
ven amperometrischer Biosensoren näher erläutert.
Die Konzentration des zu bestimmenden Analyten wird bei
amperometrischen Biosensoren auf einen zeitlich verän
derlichen Strom I(t, C), der sich aus einem Grundstrom
anteil I0 und dem konzentrationsabhängigen Signalstrom
anteil ID zusammensetzt. Daher müssen bei jeder Messung
I0 und ID getrennt ermittelt werden. Hierzu wird der
Sensor zuerst in eine Pufferlösung (Bestimmung von I0)
und dann in die eigentliche Meßlösung (Bestimmung von
ID) getaucht. Dabei zeigt sich in der Pufferlösung eine
typische Einlaufkurve, an deren flachster Stelle I0 er
mittelt wird. In der Meßlösung zeigen sich charakteris
tische Signalkurven, deren Form abhängig von Sensortyp,
Meßverfahren und der zu messenden Konzentration des
Analyten ist (Fig. 1(a)-(f)). Die Meßdauer liegt im
Bereich von Sekunden bis Minuten. Anhand des Kurvenver
laufes wird entschieden, wann die Messung beendet wird.
Eine solche Biosensor-Meßkurve lässt sich in mehrere
Abschnitte einteilen, die sich als eine Abfolge von Zu
ständen darstellen lassen (siehe Fig. 2). Für die Be
stimmung von I0 und ID werden unterschiedliche Modelle,
aber das gleiche Verfahren, verwendet. Nachfolgend wird
dieses Verfahren am Beispiel der Bestimmung von ID er
läutert.
Der erste Abschnitt jeder Kurve, die typischen Ein
stellphase I, wird mit einer vom Kurventyp abhängenden
Anzahl von n Zuständen E1, . . ., En modelliert. Dem Be
reich II nach der Einstellphase wird ein Zustand V zu
geordnet, der den Beginn des Meßabschnitts modelliert.
Es folgt der eigentliche Meßabschnitt III, der allein
für die Meßwertbildung 10 relevant ist. Der Meßwert
wird im Meßabschnitt III durch Mittelung oder Maximum
bildung ermittelt. Diese Zone (in der Regel ein be
stimmter Peak, ein Sattel oder ein Plateau) kann sich
je nach Kurventyp in ihrer Lage und Form unterscheiden.
Der Meßabschnitt III wird mit dem Zustand M modelliert.
Dem Meßabschnitt III folgt ein Bereich IV, in dem der
Strom in der Regel konstant bleibt oder auch gleichmä
ßig ansteigt bzw. abfällt. Ihm wird der Zustand N zuge
ordnet. Wird dieser Bereich IV genügend lange durchlau
fen, so ist das ein sicheres Zeichen zum Beenden der
Messung. Das Erreichen des Endes der Messung wird durch
einen ausgezeichneten Finalzustand F modelliert.
Zur Bestimmung der 1. und 2. Ableitung der Kurve werden
die Meßwerte in einem Fenster mit fester Größe, welches
z. B. 30 Punkte enthält, mit einer quadratischen Funk
tion approximiert, aus der dann die Ableitungen analy
tisch bestimmt werden. Für die Vektorquantisierung
kommt eine Self-Organizing Map mit z. B. 16 Vektoren
zum Einsatz.
Für die Trainingsphase müssen komplette, von Experten
bewertete, Meßkurven jedes vorkommenden Kurventyps zur
Verfügung stehen.
In jeder dieser Kurven werden zunächst die Zeitpunkte
für den Start der Einstellphase (und damit der Mes
sung), das Ende der Einstellphase, der Meßzeitpunkt und
das Ende der Messung festgelegt. Ein fester Zeitbereich
von z. B. 4 s um den markierten Meßzeitpunkt wird als
Meßabschnitt M festgelegt. Dadurch erhält man automa
tisch die Zeitpunkte für die Abschnitte vor V und nach
N dem Meßabschnitt. In allen Bereichen werden die mitt
leren Symbolhäufigkeiten für alle Trainingskurven ge
schätzt und als initiale Emissionswahrscheinlichkeiten
für die zugeordneten Zustände im Training verwendet.
Das HMM wird zunächst nur bis zum Zustand N trainiert
und anschießend um den Finalzustand F erweitert, wel
cher die gleichen Emissionswahrscheinlichkeiten wie der
Zustand N erhält. Anhand aller Trainingskurven wird die
mittlere Verweildauer im Zustand N mit Hilfe der Mar
kierungen geschätzt und daraus die Übergangswahrschein
lichkeiten vom Zustand N in den Zustand F berechnet.
Bei der Online-Analyse einer Abtastfolge I(t) muß mit
tels Forward-Algorithmus zunächst festgestellt werden,
welches der trainierten HMM die aktuelle Meßkurve
repräsentiert. Ist dieses Modell bestimmt, muß das Ende
der Messung detektiert und gegebenenfalls der Meß
abschnitt ermittelt werden. Hierzu wird folgendermaßen
vorgegangen (siehe auch Fig. 3):
- 1. setze t = 0
- 2. Wiederhole die Schritte (a) bis (f) so lange, bis
der letzte Zustand der Zustandsfolge 12 q1, . . .,
qt gleich dem Endzustand F ist, oder die Maximal
zeit tmax überschritten wurde:
- a) t = t + 1
- b) Messung eines neuen Abtastwertes I(t).
- c) Mit Merkmalsextraktion 2 und VQ 3 wird ein neues Beobachtungssymbol 13 ot erzeugt.
- d) Bestimme mit dem Forward-Algorithmus 4 für die Beobachtungssymbole 13 o1, . . ., ot die Wahrscheinlichkeit P(o1, . . ., ot|HMMi) für jedes Modell i.
- e) Wähle das Modell mit der maximalen Wahr scheinlichkeit. Dieses Modell wird als kor rekte Interpretation des Kurvenverlaufs ange nommen.
- f) Berechne mit dem Viterbi-Algorithmus 5 die zur Beobachtungssequenz wahrscheinlichste Zu standsfolge 12 q1, . . ., qt für das ausgewähl te Modell. Jedem Zustand qj der Zustandsfolge 12 wird für die spätere Auswertung der ent sprechende Stromwert 11 Ij zugeordnet.
- 3. Wurde der Endzustand F erreicht 6, dann erfolgt die eigentliche Meßwertbildung 10: Anhand der er mittelten Zustandsfolge 12 q1, . . ., qt werden alle Stromwerte 11 Ik, . . ., Ik+n der Kurve, denen der Meßzustand M zugeordnet wurde, zur Meßwertbestim mung herangezogen. Das kann eine Mittelung über diese Werte oder eine Maximumbildung sein. Wurde die vorgegebene Maximalzeit überschritten 7 und der Endzustand F nicht erreicht, muß überprüft werden, ob wenigstens der Meßzustand M erreicht wurde 8. Dieser Fall ist gesondert zu behandeln: Es kann unter Umständen ein Meßwert gebildet wer den, jedoch wird eine Warnung ausgegeben. Wurde auch der Meßzustand M nicht erreicht, dann wird die Messung verworfen 9. Die Gründe für letzteren Fall können sein: ein neuer oder unbekannter Kur ventyp oder ein defekter bzw. verbrauchter Sensor.
Nachfolgend wird die erfindungsgemäße Vorrichtung, an
hand am Ausführungsbeispiel eines portablen, einfach
handhabbaren Biosensor-Meßgeräts zur Konzentrations
bestimmung für eine Vielzahl von Analyten unter Bezug
auf Fig. 4 näher beschrieben.
Die Vorrichtung umfaßt den per Steckverbindung ansteck
baren Biosensor 14, zwei in ihrer Funktion wesentlich
verschiedene Schaltungskomplexe 16 und 19 sowie zeit
weise bzw. bei Bedarf angeschlossen einen Personalcom
puter 22.
Der Schaltungskomplex 16 dient der analogen Vorverar
beitung und Wandlung des Sensorsignals, welches über
eine Datenleitung 28 auf einen I/U-Wandler 27 und dann
auf einen A/D-Wandler 26 zur Signalwandlung geführt
wird. Zur Einstellung des Biosensorarbeitspunktes wird
mittels D/A-Wandler 17 eine Polarisationsspannung gene
riert und über die Datenleitung 15 dem Biosensor 14 zu
geführt.
Der Schaltungskomplex 19 dient der digitalen Weiter
verarbeitung des Biosensorsignals, er umfaßt den Mikro
controller 24, einen Speicher 23, eine Anzeigeeinheit
25 sowie ein Tastenfeld 20. Eine Schnittstelle 21 rea
lisiert bei Bedarf die Kopplung zwischen Mikrocontrol
ler 24 und Personalcomputer 22.
Der Mikrocontroller 24 steuert über den internen Bus 18
den A/D-Wander 26, den D/A-Wandler 27 und kommuniziert
mit dem Speicher 23, um die Abtastwerte zu gewinnen und
sie für die weitere Verarbeitung mittels HMM zu spei
chern.
Die andere wesentliche Aufgabe des Mikrocontrollers 24
ist die gleichzeitige (parallele) Analyse der einlau
fenden Abtastwerte mittels HMM und, nachdem mittels HMM
der Zeitpunkt für die Messwertnahme und das Messende
detektiert/erkannt wurden, die Berechnung des Messwer
tes. Das Mikrocontrollerprogramm beinhaltet alle Daten
des trainierten HMM sowie die oben genannten Algorith
men zur Verarbeitung der Daten mit einem trainierten
HMM.
Das Trainieren der HMM anhand von repräsentativen und
von Experten bewerteten Messkurven erfolgt mittels des
Personalcomputers 22; die Daten des trainierten HMM
werden nach erfolgreichem Training über die Schnitt
stelle 21 in den Mikrocontroller 24 übertragen und dort
gespeichert.
Das Computerprogrammprodukt, welches das Biosensor-
Meßgerät in die Lage versetzt, das erfindungsgemäße
Verfahren auszuführen, besteht aus zwei Paketen, von
denen das eine alle auf dem Mikrocontroller 24 ablau
fenden Programmteile (Erzeugung, Erfassung, Auswertung
und Anzeige der Abtast- bzw. Messwerte) und das andere
alle auf dem Personalcomputer 22 ablaufenden Programm
teile (Training des HMM) beinhaltet.
In weiterer Ausbildung der Erfindung ist der Schal
tungskomplex 16 n mal vorhanden und in der beschriebe
nen Weise mit dem Schaltungskomplex 19 gekoppelt; dies
erlaubt die Abfrage eines Biosensors 14 mit n Kanälen
für n verschiedene Analyte. Die Software und die Anzei
geeinheit 25 sind an die Anzahl der Kanäle des Biosen
sors 14 angepaßt.
I Kurvenabschnitt der Einstellphase
II den Beginn des Meßabschnitts charakterisierender Kurvenabschnitt
III Meßabschnitt
IV das Ende des Meßabschnitts charakterisierender Kurvenabschnitt
II den Beginn des Meßabschnitts charakterisierender Kurvenabschnitt
III Meßabschnitt
IV das Ende des Meßabschnitts charakterisierender Kurvenabschnitt
1
modellhafter Kurvenverlauf
2
Merkmalsextraktion
3
Vektorquantisierung
4
Forward-Algorithmus
5
Viterbi-Algorithmus
6
Test auf Erreichen des Finalzustandes
7
Test auf Überschreitung der Maximalzeit
8
Test auf Erreichen des Meßzustandes
9
Abbruch des Verfahrens
10
Meßwertbildung
11
Sequenz der Stromwerte
12
Zustandsfolge
13
Beobachtungssymbole
14
Biosensor
15
Datenleitung zwischen D/A-Wandler und Biosensor
16
Schaltungskomplex zur analogen Vorverarbeitung
und Wandlung
17
D/A-Wandler
18
interner Bus
19
Schaltungskomplex zur digitalen Weiter
verarbeitung
20
Tastenfeld
21
Schnittstelle
22
Personalcomputer
23
Speicher
24
Mikrocontroller
25
Anzeigeeinheit
26
A/D-Wandler
27
I/U-Wandler
28
Datenleitung zwischen Biosensor und I/U-Wandler
Claims (22)
1. Verfahren zur automatischen Online-Analyse von Meß
reihen,
dadurch gekennzeichnet, daß
die in der Meßreihe aufgenommenen Abtastwerte wäh
rend der Messung automatisch einer durch ein mathe
matisches Modell ermittelten Modellkurve zugeordnet
und in Abhängigkeit von dieser Zuordnung die für
die Analyse relevanten Abtastwerte bestimmt und
ausgewertet werden sowie das Meßende bestimmt wird.
2. Verfahren nach Anspruch 1,
dadurch gekennzeichnet, daß
das mathematische Modell ein trainierbares statis
tisches Signalmodell ist.
3. Verfahren nach Anspruch 2,
dadurch gekennzeichnet, daß
das statistische Signalmodell ein diskretes Links-
Rechts-Hidden-Markov-Modell (HMM) ist.
4. Verfahren nach Anspruch 2,
dadurch gekennzeichnet, daß
das Modell in der Trainingsphase mittels Experten
wissen interaktiv initialisiert wird.
5. Verfahren nach Anspruch 2,
dadurch gekennzeichnet, daß
das statistische Signalmodell mit einer repräsen
tativen Anzahl von zuvor ermittelten und von Exper
ten bewerteten Meßkurvenverläufen trainiert wird.
6. Verfahren nach Anspruch 3,
dadurch gekennzeichnet, daß
als Beobachtungssymbole für das HMM die 1. bis n-te
Ableitung der Kurve der Abtastwerte verwendet wer
den.
7. Verfahren nach einem der Ansprüche 2 bis 6,
dadurch gekennzeichnet, daß
in der Arbeitsphase des trainierten Modells für eine während einer Messung gerade (online) ent stehende Meßkurve mit Hilfe des Forward- Algorithmus das wahrscheinlichste Modell aus ei ner Gruppe verschiedener Modelle bestimmt,
anschließend die wahrscheinlichste Zustandsfolge für dieses ausgewählte Modell mittels des Viter bi-Algorithmus berechnet,
die Lage der zur Meßwertbestimmung notwendigen Zeitpunkte der Abtastwerte ermittelt sowie
das Ende der Messung detektiert wird.
in der Arbeitsphase des trainierten Modells für eine während einer Messung gerade (online) ent stehende Meßkurve mit Hilfe des Forward- Algorithmus das wahrscheinlichste Modell aus ei ner Gruppe verschiedener Modelle bestimmt,
anschließend die wahrscheinlichste Zustandsfolge für dieses ausgewählte Modell mittels des Viter bi-Algorithmus berechnet,
die Lage der zur Meßwertbestimmung notwendigen Zeitpunkte der Abtastwerte ermittelt sowie
das Ende der Messung detektiert wird.
8. Verfahren nach einem der Ansprüche 3 bis 7,
dadurch gekennzeichnet, daß
als Beobachtungssymbole für das diskrete HMM die
1. und die 2. Ableitung der Meßsignal-Zeitkurve
verwendet werden.
9. Verfahren nach einem der Ansprüche 1 bis 8,
dadurch gekennzeichnet, daß
bei Anwendung des Verfahrens auf die Konzentrati
onsbestimmung in flüssigen Medien mittels ampero
metrischer Biosensoren, wobei der gesuchte Konzent
rationswert unter Zugrundelegung von Expertenwissen
aus zwei Stromwerten gebildet wird, welche zwei re
levanten Bereichen je einer entsprechenden Zeitrei
he von Abtastwerten entstammen, wobei der erste re
levante Bereich während des Eintauchens des Sensors
in Pufferlösung bei der Erfassung des Grundstroms
I0 und der zweite relevante Bereich beim Eintauchen
des Sensors in die Meß- oder Kalibrierlösung bei
der Erfassung des Meßstroms ID aufgenommen und zwi
schengespeichert wird, der zeitliche Verlauf der
Abtastwerte sowohl bei Bestimmung des Grundstromes
I0 als auch bei Bestimmung des Meßstromes ID mit
mindestens einem trainierbaren, statistischen Sig
nalmodell beschrieben wird, welches online während
des Meßvorgangs aus den möglichen Kurventypen den
geeignetsten auswählt, das Meßende detektiert und
die Zeitpunkte ermittelt, zu welchen der Grundstrom
I0 sowie der Meßstrom ID aus den jeweils aktuellen
Abtastwerten zu errechnen und zur Konzentrationsbe
rechnung zu verwenden ist.
10. Verfahren nach Anspruch 9,
dadurch gekennzeichnet, daß
das statistische Signalmodell vor dem Einsatz zur
Bewertung neu entstehender Meßkurven mit einer re
präsentativen Anzahl von zuvor ermittelten und von
Experten bewerteten Meßkurvenverläufen trainiert
wird (Trainingsphase).
11. Vorrichtung zur automatischen Online-Analyse von
Meßreihen,
dadurch gekennzeichnet, daß
sie über
mindestens ein Mittel zur sensorischen Erfassung von Daten,
mindestens ein Computersystem mit einer Ausfüh rungsumgebung, in der eine Anwendung läuft, wel che die in einer Meßreihe aufgenommenen Abtast werte während der Messung automatisch einer durch ein mathematisches Modell ermittelten Mo dellkurve zuordnet und in Abhängigkeit von die ser Zuordnung die für die Analyse relevanten Ab tastwerte bestimmt und auswertet sowie das Me ßende bestimmt,
mindestens ein Mittel zur Speicherung der erfaß ten Daten sowie des mathematischen Modells, und
Mittel zum Austausch und/oder Darstellung von Daten
verfügt, wobei die genannten Komponenten über Mit tel zur Datenübetragung miteinander verbunden sind.
dadurch gekennzeichnet, daß
sie über
mindestens ein Mittel zur sensorischen Erfassung von Daten,
mindestens ein Computersystem mit einer Ausfüh rungsumgebung, in der eine Anwendung läuft, wel che die in einer Meßreihe aufgenommenen Abtast werte während der Messung automatisch einer durch ein mathematisches Modell ermittelten Mo dellkurve zuordnet und in Abhängigkeit von die ser Zuordnung die für die Analyse relevanten Ab tastwerte bestimmt und auswertet sowie das Me ßende bestimmt,
mindestens ein Mittel zur Speicherung der erfaß ten Daten sowie des mathematischen Modells, und
Mittel zum Austausch und/oder Darstellung von Daten
verfügt, wobei die genannten Komponenten über Mit tel zur Datenübetragung miteinander verbunden sind.
12. Vorrichtung nach Anspruch 11,
dadurch gekennzeichnet, daß
das Mittel zur sensorischen Erfassung von Daten fest
mit der Vorrichtung verbunden ist oder eine mit der
Vorrichtung verbindbare Einzelkomponente ist.
13. Vorrichtung nach einem der Ansprüche 11 oder 12,
dadurch gekennzeichnet, daß
das Mittel zur sensorischen Erfassung von Daten ein
Biosensor (14) ist.
14. Vorrichtung nach Anspruch 11,
dadurch gekennzeichnet, daß
das Computersystem aus einem Mikrocontroller (24)
und/oder einem Personalcomputer (22) besteht.
15. Vorrichtung nach Anspruch 11,
dadurch gekennzeichnet, daß
die Vorrichtung in mindestens einen Schaltungskom
plex zur analogen Vorverarbeitung und Wandlung (16)
eines Sensorsignals und mindestens einen Schaltungs
komplex zur digitalen Weiterverarbeitung (19) eines
Sensorsignals gegliedert ist, wobei der Schaltungs
komplex zur analogen Vorverarbeitung und Wandlung
(16) des Sensorsignals mindestens einen D/A-Wandler (17),
einen A/D-Wandler und einen I/U-Wandler (27) und
der Schaltungskomplex zur digitalen Weiterverarbei
tung (19) des Sensorsignals mindestens ein Tasten
feld (20), einen Speicher (23), einen Mikrocontrol
ler (24) und eine Anzeigeeinheit (25) umfaßt.
16. Vorrichtung nach Anspruch 15,
dadurch gekennzeichnet, daß
die Vorrichtung mehrere Schaltungskomplexe zur ana
logen Vorverarbeitung und Wandlung (16) eines Sen
sorsignals umfaßt.
17. Vorrichtung nach Anspruch 11,
dadurch gekennzeichnet, daß
die Mittel zum Austausch von Daten mindestens
einen internen Bus (18) und/oder
ein Tastenfeld (20) und/oder
eine Infrarot-Schnittstelle (21)
umfassen.
dadurch gekennzeichnet, daß
die Mittel zum Austausch von Daten mindestens
einen internen Bus (18) und/oder
ein Tastenfeld (20) und/oder
eine Infrarot-Schnittstelle (21)
umfassen.
18. Vorrichtung nach Anspruch 11,
dadurch gekennzeichnet, daß
die Mittel zur Darstellung von Daten mindestens
ein Display und/oder
ein Monitor
als Anzeigeeinheit (25) umfassen.
dadurch gekennzeichnet, daß
die Mittel zur Darstellung von Daten mindestens
ein Display und/oder
ein Monitor
als Anzeigeeinheit (25) umfassen.
19. Computerprogrammprodukt zur automatischen Online-
Analyse von Meßreihen, das direkt in den jeweiligen
internen Speicher eines digitalen Computers und/
oder Mikrocontrollers geladen werden kann und Soft
warecodeabschnitte umfaßt, mit denen die Schritte
gemäß Anspruch 1 ausgeführt werden, wenn das Pro
dukt auf dem Computer und/oder Mikrocontroller
läuft.
20. Computerprogrammprodukt nach Anspruch 19,
dadurch gekennzeichnet, daß
das Computerprogrammprodukt aus zwei Modulen be
steht, von denen der eine auf einem Mikrocontroller
(24) ablaufende Programmteile und der andere auf
einem Personalcomputer (22) ablaufende Programmtei
le umfaßt.
21. Computerlesbares Speichermedium, auf dem ein Pro
gramm gespeichert ist, das es einem Computer er
möglicht, nachdem es in den Speicher des Computers
geladen worden ist, eine automatische Online-
Analyse von Meßreihen durchzuführen, wobei die in
der Meßreihe aufgenommenen Abtastwerte während der
Messung automatisch einer durch ein mathematisches
Modell ermittelten Modellkurve zugeordnet und in
Abhängigkeit von dieser Zuordnung die für die Ana
lyse relevanten Abtastwerte bestimmt und ausgewer
tet werden sowie das Meßende bestimmt wird.
22. Computerlesbares Speichermedium nach Anspruch 21,
dadurch gekennzeichnet, daß
das Computerlesbares Speichermedium zwei Datenträ
ger umfaßt, wobei auf den ersten Datenträger auf
einem Mikrocontroller (24) ablaufende Programmteile
und auf dem zweiten Datenträger auf einem Personal
computer (22) ablaufende Programmteile gespeichert
sind.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE2001123572 DE10123572C1 (de) | 2001-05-08 | 2001-05-08 | Verfahren und Vorrichtung zur automatischen Online-Analyse von Meßreihen sowie ein entsprechendes Computerprogramm-Erzeugnis und ein entsprechendes computerlesbares Speichermedium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE2001123572 DE10123572C1 (de) | 2001-05-08 | 2001-05-08 | Verfahren und Vorrichtung zur automatischen Online-Analyse von Meßreihen sowie ein entsprechendes Computerprogramm-Erzeugnis und ein entsprechendes computerlesbares Speichermedium |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10123572C1 true DE10123572C1 (de) | 2003-01-23 |
Family
ID=7684843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE2001123572 Expired - Lifetime DE10123572C1 (de) | 2001-05-08 | 2001-05-08 | Verfahren und Vorrichtung zur automatischen Online-Analyse von Meßreihen sowie ein entsprechendes Computerprogramm-Erzeugnis und ein entsprechendes computerlesbares Speichermedium |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE10123572C1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007027167A1 (de) * | 2007-06-13 | 2008-12-18 | Siemens Ag | Bildakquisitions-, Bildarchivierungs- und Bildvisualisierungssystem zur grafischen Visualisierung der Größenänderungen von veränderlichen pathologischen Strukturen in der morphometrischen Schnittbilddiagnostik |
DE102015016542A1 (de) | 2015-12-18 | 2017-06-22 | Karlsruher Institut für Technologie | Rekursiver Signalfilter |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5121433A (en) * | 1990-06-15 | 1992-06-09 | Auris Corp. | Apparatus and method for controlling the magnitude spectrum of acoustically combined signals |
US5307444A (en) * | 1989-12-12 | 1994-04-26 | Matsushita Electric Industrial Co., Ltd. | Voice analyzing system using hidden Markov model and having plural neural network predictors |
EP0623681A1 (de) * | 1993-04-30 | 1994-11-09 | Kyoto Daiichi Kagaku Co., Ltd. | Verfahren zur Bestimmung einer Probe mittels Enzymelektroden |
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
US5636291A (en) * | 1992-01-08 | 1997-06-03 | International Business Machines Corporation | Continuous parameter hidden Markov model approach to automatic handwriting recognition |
US5778881A (en) * | 1996-12-04 | 1998-07-14 | Medtronic, Inc. | Method and apparatus for discriminating P and R waves |
DE19740565A1 (de) * | 1997-09-15 | 1999-03-18 | Max Planck Gesellschaft | Verfahren zur Erfassung zeitabhängiger Moden dynamischer Systeme |
DE19934845A1 (de) * | 1998-07-25 | 2000-03-16 | Jan Christopher Stiller | Verfahren zum Schätzen von Hidden-Markov-Modellen mit geringem Speicherbedarf und zum on-line-Schätzen von Hidden-Markov-Modellen |
-
2001
- 2001-05-08 DE DE2001123572 patent/DE10123572C1/de not_active Expired - Lifetime
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5307444A (en) * | 1989-12-12 | 1994-04-26 | Matsushita Electric Industrial Co., Ltd. | Voice analyzing system using hidden Markov model and having plural neural network predictors |
US5121433A (en) * | 1990-06-15 | 1992-06-09 | Auris Corp. | Apparatus and method for controlling the magnitude spectrum of acoustically combined signals |
US5636291A (en) * | 1992-01-08 | 1997-06-03 | International Business Machines Corporation | Continuous parameter hidden Markov model approach to automatic handwriting recognition |
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
EP0623681A1 (de) * | 1993-04-30 | 1994-11-09 | Kyoto Daiichi Kagaku Co., Ltd. | Verfahren zur Bestimmung einer Probe mittels Enzymelektroden |
US5778881A (en) * | 1996-12-04 | 1998-07-14 | Medtronic, Inc. | Method and apparatus for discriminating P and R waves |
DE19740565A1 (de) * | 1997-09-15 | 1999-03-18 | Max Planck Gesellschaft | Verfahren zur Erfassung zeitabhängiger Moden dynamischer Systeme |
DE19934845A1 (de) * | 1998-07-25 | 2000-03-16 | Jan Christopher Stiller | Verfahren zum Schätzen von Hidden-Markov-Modellen mit geringem Speicherbedarf und zum on-line-Schätzen von Hidden-Markov-Modellen |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007027167A1 (de) * | 2007-06-13 | 2008-12-18 | Siemens Ag | Bildakquisitions-, Bildarchivierungs- und Bildvisualisierungssystem zur grafischen Visualisierung der Größenänderungen von veränderlichen pathologischen Strukturen in der morphometrischen Schnittbilddiagnostik |
DE102007027167B4 (de) * | 2007-06-13 | 2009-04-09 | Siemens Ag | Bildakquisitions-, Bildarchivierungs- und Bildvisualisierungssystem zur grafischen Visualisierung der Größenänderungen von veränderlichen pathologischen Strukturen in der morphometrischen Schnittbilddiagnostik |
DE102015016542A1 (de) | 2015-12-18 | 2017-06-22 | Karlsruher Institut für Technologie | Rekursiver Signalfilter |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farinas et al. | Firms' growth, size and age: A nonparametric approach | |
CN108802459B (zh) | 一种示波器自动测试***及方法 | |
DE69434438T2 (de) | Biosensor mit ausfallgesichertem betriebsverfahren zur vermeidung von falschen anzeigen | |
DE60303889T2 (de) | Verfahren und system zum ermitteln der verwertbarkeit von signaldaten, die von einem prothrombinzeit-teststreifen gesammelt werden | |
DE69434042T2 (de) | Steckbarer speicherbaustein | |
CN104407589B (zh) | 面向车间制造过程的实时生产性能主动感知与异常分析方法 | |
DE19501691A1 (de) | Nicht invasives System und Verfahren zur Fluidstromüberwachung | |
DE4224621C2 (de) | Verfahren zur Analyse eines Bestandteils einer medizinischen Probe mittels eines automatischen Analysegerätes | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
DE102020215176A1 (de) | Verfahren und system zum schätzen einer leerlaufspannung einer batteriezelle | |
CN109582773A (zh) | 智能问答匹配方法及装置 | |
CN112613617A (zh) | 基于回归模型的不确定性估计方法和装置 | |
DE10123572C1 (de) | Verfahren und Vorrichtung zur automatischen Online-Analyse von Meßreihen sowie ein entsprechendes Computerprogramm-Erzeugnis und ein entsprechendes computerlesbares Speichermedium | |
Kirichenko et al. | Generalized approach to Hurst exponent estimating by time series | |
EP3625629B1 (de) | Vorrichtung und verfahren zur bestimmung des zustands einer spindel einer werkzeugmaschine | |
CN116720149A (zh) | 基于时空相关性多元回归的飞行数据异常检测和恢复方法 | |
DE4434197C2 (de) | Diagnosetechnik für den Betrieb eines Abgassauerstoffsensors | |
CN111476363A (zh) | 区分化变量去相关的稳定学习方法及装置 | |
CN113689044B (zh) | 一种开关电源剩余使用寿命预测方法及*** | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
DE69025434T2 (de) | Komponentennetzwerk-Testanordnung, insbesondere für eine elektronische Schaltung | |
EP2189908A1 (de) | Verfahren und Vorrichtung zum Bestimmen einer Kenngröße eines IT-Systems | |
CN117434486B (zh) | 一种直流分路计量误差分析处理方法 | |
CN111537565B (zh) | 化学传感器定量检测结果预测模型形成方法及检测方法 | |
CN113128409B (zh) | 一种基于多维关联规则模型的整车多源信号柔性测试方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8364 | No opposition during term of opposition | ||
R071 | Expiry of right |