[发明专利]实时预测设备

说明书

本发明针对供在人类发布数据的情况下与人类结合使用的实时预测设备。

在许多应用中，对在人类发布数据的情况下基于人类的状态产生一个或多个警报存在兴趣，所述数据可以通常经由适当的传感器来获取。在捕获之后，所述数据一般被转换成某种类的信号（通常是电子信号）。一个或多个这样的信号然后可被组合成不直接由人类生成的其它信号。这些信号通常通过计算来获得，但是与由人类发布的数据有关。

这样的应用的示例是防止车辆的司机在驾驶时睡着或者防止车辆的司机由于睡意或等价地由于嗜睡而发生事故的设备。在这里，司机显然是所感兴趣的人类。与数据有关的信号可能是以某种方式获得的司机的睡意水平，例如经由多导睡眠图（PSG）或经由光学眼动图（photooculography，POG）。当睡意水平达到被视为“参考水平”的水平时，设备将发布警报。除了其它之外，该警报尤其可通过可听、可见、嗅觉和/或振动装置。

US2004/0236235描述一种用于检测从活动状态到睡眠状态的转变的人的状况的检测系统。生物信号分析装置包括：用于针对生物信号数据的原始波形的每个周期检测峰值的生物信号峰值检测装置，以及用于针对每个规定时间范围计算上限侧处的峰值与下限侧处的峰值之间的差的功率值计算装置。执行滑动计算以确定是否出现指示睡着的突然下降状态。本公开预测在当前时刻的人的状况。

虽然在常规车辆和驾驶的情况下能够确定司机的睡意水平并且做出关于该水平的预测显然是重要的，但是在自驾驶车辆的情况下这样做也是重要的。甚至，如果自动驾驶系统确定司机的睡意水平变得太高则自动驾驶系统可决定从司机接管，或者自动驾驶系统可能需要决定向司机移交“手动”驾驶是否安全。

在基于过去的事件预测未来状态的领域中，往往假设输入（即，如由人类发布的数据）是移动平均（MA）随机过程或自回归（AR）随机过程或自回归移动平均（ARMA）随机过程或类似的传统随机过程的实现。等价地，可以说：输入是通过MA、AR随机过程或ARMA随机过程建模的。这些技术允许将信号的未来值估计为（通常在窗口中的）信号的先前（且已知）的值的线性组合。然后经由线性时不变（LTI）系统实现预测过程。

这样的方法的两个缺点是：MA、AR和ARMA随机过程模型对于感兴趣的应用可能是不精确的和/或它们在实际使用中通常要求大量的计算能力，如以下进一步所述的那样。

本发明针对如下所述的改进的人类状态预测设备，并且其例如可与警报结合来找到应用。

一种实时预测设备包括：针对过去的一个或多个时间段从人类的内部或外部获取数据以获得已获取数据集的装置，其中该数据是睡意水平或指示睡意的眼睛参数，

被配置成将已获取数据集建模为几何布朗运动（GBM）随机过程模型或Ito过程（IP）随机过程模型以获得拟合的随机过程模型的计算机装置，以及

被配置成使用拟合的随机过程模型实时预测人类的睡意状态以获得该人类的预测睡意状态的计算机装置。

申请人发现：当使用几何布朗运动（GBM）随机过程模型或Ito过程（IP）随机过程模型来对数据进行建模时，可以获得人类睡意状态的良好预测，如以下进一步所述的那样。

随机过程模型是几何布朗运动（GBM）随机过程模型。几何布朗运动（GBM）随机过程模型是公知的，并且例如由Jeanblanc，M.(2009)的Mathematical Methods for Financial Markets（用于金融市场的数学方法）（第38-45页），伦敦：斯普林格进行了描述。获取的一个或多个数据集（并且特别是在睡意领域中）被发现是GBM随机过程的实现。被配置成对已获取数据集进行建模的计算机装置合适地包括：被配置成使用已获取数据集作为输入来计算随机过程模型的一个或多个参数的装置。

已获取数据集可包括针对位于从过去的时刻到当前时刻所包括的时间区间中的一个或多个时间段（即，针对过去的一个或多个时间段）的时间信号或空间-时间信号中的每一个中的一个或多个。获取的感兴趣的数据集一般是时间的信号或时间信号，即其幅度随时间变化的信号。连续时间一般由连续变量t表示，并且离散时间由离散/整数变量/指数n表示。幅度一般由x指明。因此，感兴趣的输入信号由x(t)或x[n]表示。在本描述中，已获取数据集或信号被认为是时间连续的，这不丧失任何一般性。在实践中，即在数字系统中，一般使用离散时间数据集或信号。