用于分析生物生理周期性數據的裝置和方法
【專利摘要】公開了一種用于分析生物生理周期性數據的裝置和方法。一種生物生理速率特征的去噪和數據融合為單速率估計的方法。所述用于分析生物生理周期性數據的計算機實施的方法包括：接收特征數據點的流；確定每個特征數據點是位于預定的限制內還是預定的限制外部；響應于已經確定在第一子集中的每個數據點位于所述預定極限的外部，消除特征數據點的第一子集。所述方法還包括：隨時間窗從特征數據點提取位于所述預定限制內的特征；執行多個假設檢驗以確定所述特征是否對應于多個假設分布中的任意一個；如果所述特征對應于多個最近限定估計的統計均值，則將所述特征限定為實際特征的限定估計。
【專利說明】用于分析生物生理周期性數據的裝置和方法
[0001 ] 本申請要求于2015年I月30日提交到美國知識產權局的第62/110，263號臨時申請、于2015年2月4日提交到美國知識產權局的第62/112,032號臨時申請、于2015年2月6日提交到美國知識產權局的第62/113,092號臨時申請的權益以及于2015年10月17日提交到美國知識產權局的第14/924,565號美國專利申請的權益，所述申請通過引用包含于此。
技術領域
[0002]本描述總體涉及數據分析，更具體地講，涉及生物生理速率特征的去噪和數據融入口 ο
【背景技術】
[0003]數據分析一般包含針對目標(例如，準確地描述數據、發現數據中的有用信息或特征、建議結論或支持決策)的收集、清理、處理、轉換和建模數據的處理。數據分析通常包括系統地應用統計或邏輯技術以描述、壓縮、說明和評估數據。各種分析技術有利于將感興趣的信號或現象與觀測數據中固有的無關噪聲和不確定性區分開。
[0004]傳感器數據融合技術通常提供來自于在多個傳感器觀測的數據的高級信息，例如，除可用的內容之外，采用時空數據集成和利用冗余和互補信息。探索性數據分析通常應用用于異常檢測嘗試的定量數據方法以識別并消除不準確數據。此外，可產生描述性統計(諸如統計平均值、中位數、方差或標準差)來幫助解釋數據。此外，還可使用數據可視化來檢查圖形格式的數據，提供關于嵌入數據的信息的認識。
[0005]—般來說，統計假設檢驗或驗證數據分析采用統計推斷以基于置信區間或閾值概率確定結果是否重要。可采用模型選擇技術來從多個假設中確定最適合的模型。還可采用包括卡方檢驗的決策理論和優化技術來選擇多個描述性模型的最佳模型。統計推斷方法包括(但不限于)赤池信息準則(AIC)、貝葉斯信息準則(BIC)、集中信息準則(FIC)、偏差信息準則(DIC)和漢南-奎因(Hanna-Quinn)信息準則(HQC)。
[0006]光電血管容積圖(PPG)是光獲取的血管容積圖或器官的體積測量。作為一種PPG傳感器的脈搏血氧儀使用光的一個或多個顏色示出皮膚并測量在每個波長的光吸收的改變。PPG傳感器使用例如光發射器(諸如發光二極管(LED))示出皮膚，并且測量穿過相對薄的身體部分(諸如手指或耳垂)而傳播的光量，或者使用例如光電探測器(諸如光電二極管)測量從皮膚反射的光量。PPG傳感器已被用于監視呼吸和心率、血氧飽和度、低血容量以及其它循環狀況。
[0007]傳統的PPG通常監視可被用于檢測例如與心臟的連續心臟循環的壓力脈沖相應的體積變化的向皮膚的真皮和皮下組織的血液灌流和。如果PPG不壓迫皮膚地附著，則從靜脈叢還可見二次壓力峰值。微控制器通常處理和計算波形信號中的峰值以計數每分鐘的心跳
(bpm) ο
[0008]然而，來自于與期望的特征無關的來源的信號噪聲(例如，運動偽影和電信號污染)已被證實為影響PPG傳感器讀數的準確率的限制因素。雖然來自于與期望的特征無關的來源的信號噪聲在臨床環境中可被避免，但是這種信號噪聲可對在自由生活條件中(例如，在鍛煉期間)讀取的PPG傳感器讀數具有不良效果。因此，當被用于在自由生活條件中讀取的PPG傳感器讀數時，一些現有的數據分析方法可能具有缺點。
【發明內容】
[0009]根據一個實施例，一種裝置包括:存儲器，存儲機器指令;處理器，連接到存儲器，執行所述機器指令以接收多個特征數據點并從所述多個特征數據點的滿足預定范圍的特征數據點提取特征。處理器還執行所述機器指令以執行多個假設檢驗來確定所述特征是否對應于包括第一假設分布的多個預定的假設分布中的每個。如果所述特征對應于第一假設分布，則處理器還執行所述機器指令以將所述特征限定為實際特征的限定估計。
[0010]根據另一實施例，一種方法包括:接收多個特征數據點；從所述多個特征數據點的滿足預定范圍的特征數據點提取特征。所述方法還包括:執行多個假設檢驗來確定所述特征是否對應于包括第一假設分布的多個預定的假設分布中的每個。所述方法還包括:如果所述特征對應于第一假設分布，則將所述特征限定為實際特征的限定估計。
[0011]根據另一實施例，一種計算機程序產品包括:非暫時性計算機可讀存儲介質，以適于被處理器執行以實施接收多個特征數據點和從所述多個特征數據點的滿足預定范圍的特征數據點提取特征的指令進行編碼。所述指令還適于實施執行多個假設檢驗來確定所述特征是否對應于包括第一假設分布的多個預定的假設分布中的每個。所述指令還適于實施:如果所述特征對應于第一假設分布，則將所述特征限定為實際特征的限定估計。
[0012]本公開的一個或多個實施例的細節在附圖和以下描述中被闡述。本公開的其它的特征、目標和優點將通過所述描述和附圖以及通過權利要求而清楚。
【附圖說明】
[0013]圖1示出描述根據實施例的示例性生物生理周期性數據分析器的框圖；
[0014]圖2示出根據實施例的用于分析生物生理周期性數據的多模型自適應估計的示例性方法的流程圖；
[0015]圖3示出描述根據實施例的用于執行關于特征數據的統計推斷的示例性統計假設的曲線圖；
[0016]圖4A示出根據實施例的分析生物生理周期性數據的示例性方法的流程圖；
[0017]圖4B示出根據實施例的分析生物生理周期性數據的示例性方法的另一流程圖；
[0018]圖4C示出根據實施例的分析生物生理周期性數據的示例性方法的另一流程圖；
[0019]圖5示出描述可在根據實施例的生物生理周期性數據分析器中使用的計算系統的示意圖。
【具體實施方式】
[0020]圖1示出描述根據一個實施例的示例性生物生理周期數據分析器的框圖。生物生理周期數據分析器10包括特征接收器12、速率計算器14、異常消除器16、最近速率計算器
18、速率濾波器20、速率改變計算器22、生物語義(b1semantic) 二進制限定器24、特征修改器26和濾波器產生器28。特征接收器12被配置為從監視對象的生物生理特征的各種傳感器接收多個同時數據點(simultaneous data point)，其中，對象的生物生理特征包括但不限于心率(HR)、呼吸速率、流體溶液濃度和身體移動。對象可包括但不限于人、動物和活的有機體。
[0021]數據點包括來自多個來源的數據融合，所述多個來源來自于在相同的底層傳感器或不同的傳感器上的不同特征。例如，數據點包括使用光電血管容積圖(PPG)傳感器(諸如脈搏血氧儀)隨時間觀察的關于對象的心率和呼吸速率的特征數據。在一個實施例中，PPG傳感器和生物生理周期數據分析器可被嵌入在固定于對象(例如，主體的頭部、腳部、手指和手腕)的可穿戴裝置中。
[0022]特征接收器12將監視的特征數據點分類并按順序(例如，按逐個特征)布置數據點。特征接收器12將每個按序的數據點與同步的時間輸出一起輸出。速率計算器14使用最近數據點和相應的時間輸出來基于一系列最近的數據點計算當前特征速率。
[0023]異常消除器16基于關于特征的一組預定的生物限制(例如，最小和最大速率限制)確定當前特征速率是否在可接受的范圍內。落在可接受范圍之外的當前特征速率不在后續的計算中使用。最近速率計算器18使用在期望的時間窗口期間的在可接受范圍內的一系列當前特征速率來計算更新的最近特征速率。
[0024]異常消除器16基于生物生理限制對假設加以約束。例如，最小限制(minHR)和最大限制(maxHR)可基于人體心率的現實的預期范圍。類似地，圍繞最近觀察的心率值(uRecent)的最小和最大相對限制(+/-deltaHR)可基于關于在采樣時間里心率的變化速率的生理限制。
[0025]速率濾波器20對來自于生物語義二進制限定器24的限定的特征數據執行統計計算，生物語義二進制限定器24會在以下進一步解釋。圖2示出根據實施例的用于分析生物生理周期數據的多模型自適應估計(MMAE)的示例性方法的流程圖。MMAE 30可被速率濾波器20實施以分析限定的特征數據。在實施例中，速率濾波器20包括多個卡爾曼濾波器，每個卡爾曼濾波器基于不同的模型。例如，第一卡爾曼濾波器32基于第一模型，第二卡爾曼濾波器34基于第二模型，第三卡爾曼濾波器36基于第三模型，第四卡爾曼濾波器38基于第四模型。可選擇地，統計計算可實施施加于每個輸入流的數據的加權，例如，表示偏重于一個流的信息甚于另一個流的信息。速率改變計算器22持續地計算關于濾波后的和未濾波的速率的當前速率的變化。
[0026]在假設層面的融合遵循等同于在通用多模型自適應估計框架中使用的方法，所述框架如P.D.Hanlon和P.S.Maybeck在2000年4月IEEE航空航天與電子系統論文集卷AES-36第2期393-406頁發表的 “Multiple-Model Adaptive Estimat1n Using a ResidualCorrelat1n Kalman Filter Bank(使用殘差相關卡爾曼濾波器組的多模型自適應估計)”(全部內容通過引用包含于此)的卡爾曼濾波器的上下文中所描述。卡爾曼濾波器估計包括系統狀態的估計和不確定性。例如，在實施例中，使用與系統行為的可選假設相關聯的無跡卡爾曼濾波器(unscented Kalman filter)，這種卡爾曼濾波器明確地適合來自于輸入的確定性采樣的分布，如Simon J.Julier和Jeffrey K.Uhlmann在1997年《航空航天/國防傳感、仿真和控制》卷3第182頁發表的“A new extens1n of the Kalman filter tononlinear systems(卡爾曼濾波器向非線性系統的新擴展)”(全部內容通過引用包含于此)中所描述。
[0027]生物語義二進制限定器24基于與學習的概率模型的兼容性(許多用于模型開發的可能的方法)基于針對每個輸入特征的二進制選擇準則而確定限定的數據或限定數據。即使當在特征數據中存在很大部分異常或不確定性時，二進制選擇方法也能處理輸入數據。例如，生物語義二進制限定器24包括最大似然決策引擎。生物語義二進制限定器24將限定的數據產生為輸出。
[0028]在實施例中，生物語義二進制限定器24使用最近速率與濾波后的和未濾波的速率的變化來執行假設檢驗方法40。針對每個觀察的數據點考慮多個假設模型，并且用于接受數據點的判定是基于針對每個假設的判定規則而做出。模型假設根據生物生理約束包含關于變化速率的生物限制和關于輸入值的硬性限制。每個假設根據假設的特性而將輸入特征不同地轉換。
[0029]圖3示出描述根據實施例的用于執行關于特征數據的統計推斷的示例性統計假設的曲線圖。曲線圖50示出各種示例性檢驗假設。基于針對特定時間窗的窗口統計(諸如窗口速率的均值和標準差)，多個假設概率模型被訓練或被開發。在實施例中，檢驗假設由離散的預期概率分布組成，例如，包括最近分布52、試驗分布54和偽影分布56。
[0030]參照圖3，提出判定問題:“應該將新的心跳58接受為合理心跳嗎?”針對心率(HR)已開發兩個示例性假設，如下:第一假設，最近分布52，假定測量的輸入特征與最近觀察的心率一致。第二假設，試驗分布54，假定測量的輸入特征已損壞并且與最近觀察的心率的一半一致。第二假設與給出心率的一半的準確估計的特定的信號損壞有關，其針對真實的心率是非常不準確的。第三假設，偽影分布56，假定測量的輸入特征已損壞并且與和真實的心率無關的偽影一致。在其它實施例中，可包括另外的假設，例如，基于輸入數據流的特點的假設。
[0031]生物語義二進制限定器24基于概率檢驗來檢驗每個假設。例如，在所描述的第一假設類型的情況下，最近分布52和候選點58 二者均是可利用的。因此，從分布導出的點的后驗似然的計算被用來表示關聯的假設的后驗似然。
[0032]基于每個假設對其零假設(nullhypothesis)的檢驗，每個假設被認為是獨立的。例如，假設基于在對數似然率檢驗中超出閾值，或者基于針對與假設相關聯的分布的親和力超出閾值。此后，克服零假設的所有假設基于假設中的先驗排名被排序，并且排名最高的假設被選擇。這樣的優點在于可考慮不同的假設類型，其中，一些假設具有可計算似然性的顯式概率模型(explicit probability model)，而其它假設使用不存在顯式概率模型的邏輯觸發。
[0033]因此，這些統計在不同的數據源中被組合，并隨后應用于每個假設。可選地，單獨的統計可與每個數據類型相關聯地被計算，并且這些統計可被選擇性地附于不同的假設。
[0034]在所有假設具有顯式概率的可選實施例中，可通過計算被計算的每個假設的相關似然性并選擇被選為正確的最可信假設來處理假設選擇。如以下描述，這觸發接受或拒絕候選點的特定邏輯。
[0035]例如，基于與最近分布52相關聯的假設的相對高的相關性，特征數據點可被接受為被測量的特征數據點。否則，例如，特征修改器26可在特征數據點被接受之前基于與試驗分布54相關聯的假設的相對高的相關性修改特征數據點。另一方面，特征數據點可基于與偽影分布56相關聯的假設的相對高的相關性從輸出流中被舍棄。
[0036]濾波器產生器28更新速率濾波器20并向生物語義二進制限定器24提供反饋以開發模型假設。模型假設是計算與收集的信息的時間敏感度相關聯的不確定性的增加的隨機過程。如果沒有最近特征數據被解釋，則不確定性增長。在實施例中，例如，統計計算實施朗之萬(Langevin)校正。這修改概率模型以通過在時間間隔期間增加模型方差來考慮數據的時間值。在實施例中，基于布朗運動的物理模型的朗之萬模型隨著時間線性地增加模型方差。
[0037]圖4A至圖4C示出根據實施例的分析生物生理周期性數據的示例性方法的流程圖。可使用本公開中描述的本方法進行分析的生物生理周期性數據的示例包括例如心率(HR)、呼吸速率、流體溶液濃度和身體移動。本方法處理關于隨著時間的生物生理特征的特征數據的一個或多個流并輸出限定數據的單個流。
[0038]參照圖4A，在60，輸入數據軌62、64和65按逐個特征方式被提供。在實施例中，特征可包括例如心臟的心跳間隔、呼吸速率、步速(step rate)和來自于生物生理傳感器的任何其它周期性信號。特征數據流在68被分離為感測事件，并在70被分離為相應時間。在70的輸出時間被提供給在圖4B繼續的處理，在72的輸出速率和/或輸出試驗速率被提供給在圖4B和圖4C繼續的處理。在72，分別基于在68的事件而計算與感測事件相關聯的當前速率(thisRate)和與統計假設相關聯的試驗速率(trialRate)。
[0039]在74，接收關于特征的一組固定的或絕對的、生物生理的限制，并且在76，作出關于在72的速率和/或試驗速率是否落入由生物生理的限制限定的可接受范圍內的確定。如果在76，發現在72的速率和/或試驗速率在可接受范圍內，則處理在圖4B的80繼續。否則，在78，落在可接受范圍之外的在72的速率和試驗速率被丟棄。生物生理的限制被發送到在圖4B的80的處理。
[0040]參照圖4B，如果在76，發現在72的速率和/或試驗速率在可接受范圍內，則在81，基于在圖4A中的在72的速率和在70的時間來更新基于隨著跟蹤時間窗的統計的最近速率。從輸入的最近速率裁剪在圖4A的76處落在可接受范圍之外的數據點。在82，計算塊72的速率的當前速率的變化，得到在84的de Ita速率(de ItaRate)。在86，將隨著固定的時間窗而計算的最近速率存儲在緩沖器中。
[0041]除了在76應用的絕對限制之外，本方法還檢測可允許的變化速率已超出限制的條件。通過最近時間窗(諸如，置信間隔)來計算動態限制。例如，基于針對先前窗固定的概率模型來應用90%的置信區間、92%的置信區間或95%的置信區間。
[0042]來自于圖4C的統計反饋數據被用于修改最近速率濾波器(recentRateFi11)，所述統計反饋數據隨著時間窗被計算并被存儲在如圖4B示出的緩沖器88中。例如，如上所述，最近速率濾波器包括多個卡爾曼濾波器。在進入圖4A的框圖頂部的不同流中的數據融合在88的最近窗的統計的計算中被管理。參照圖4B，在90，計算在88的最近速率濾波器的當前速率變化和在72的試驗速率，在92得到delta速率(deltaRateFilt)。
[0043]在94，例如通過最大似然決策引擎(生物語義二進制限定器或BBQ)執行統計假設檢驗和數據融合，以基于在74的生物生理限制、在86的最近速率、在84的delta速率、在92的濾波器delta速率和試驗delta濾波器速率以及在圖4C的112的統計反饋數據來確定事件類型。在96的結果事件類型被發送到圖4C的過程。
[0044]參照圖4C，基于在圖4B中的96的事件類型，判定邏輯在100確定假設類別(例如，類型O、類型I或類型2)。在實施例中，判定規則(判定邏輯)可被設計為問題(例如，“新觀察的特征(心跳)應該被接受為合理的嗎?”)。所述問題可例如基于特征是否位于每個假設的特定的置信區間內或者可選地通過計算與每個假設相關聯的卡方統計(ch1-squaredstatistics)而被概率性地回答。
[0045]如果在96的事件類型被確定為屬于類型O的假設類別，則在102，不執行關于事件類型的進一步處理。如果在96的事件類型被確定為屬于類型I的假設類別，則在104，不修改而使特征通過。如果在96的事件類型被確定為屬于類型2的假設類別，則在106，根據合適的模型來修改特征。
[0046]在108，將在104和106輸出的特征與在圖4A的70的時間進行組合以產生具有時間戳的限定的特征。在110，將針對每個時間戳的結果(例如，包括限定后的特征)作為輸出而發送到相應的假設類別或類型。可選地，相應權重可被包括在輸出中。
[0047]此外，在可選實施例中，可對最終結果進行時域平滑來提高精確度，雖然以響應能力為代價。例如，特征流可使用各種數據平滑方法(例如，包括矩形(boxcar)移動平均濾波器、指數移動平均濾波器等)被估計。例如，限定的特征流和平滑后的特征流基于由特征數據流表示的測量的心跳速率提供隨著時間的主體的真實心跳速率的兩種估計。
[0048]在112，基于關于針對對應時間窗的限定特征來計算統計數據，并且過濾條件被開發以更新在圖4B中的88的最近速率濾波器。例如，針對在數據流中的時間間隙(t ime gap)做朗之萬校正。在實施例中，在112確定所有需要的過濾條件。在114，將推論輸出(例如，包括諸如針對與每個時間戳相應的時間窗的限定特征均值和標準差的統計)發送到緩沖器。窗口化的統計可被用于例如產生關于輸出限定特征流的置信量度。
[0049]如圖5示出的，可在圖1的生物生理周期性數據分析器10中使用的示例性計算裝置120包括處理器122、內存124、輸入/輸出裝置(I/O) 126、存儲器128和網絡接口 130。計算裝置的各種組件由本地數據鏈路132連接，在各種實施例中，所述本地數據鏈路包括例如地址總線、數據總線、串聯總線、并聯總線或這些總線的任何組合。
[0050]例如，計算裝置120可被用于實施圖1的生物生理周期性數據分析的方法。存儲在計算機可讀介質(諸如存儲器128或連接到計算裝置120的外部存儲組件)上的編程代碼(諸如源代碼、目標代碼或可執行代碼)可被裝載到內存124中并由處理器122執行以執行圖1的生物生理周期性數據分析的方法的功能。
[0051]本公開的各方面參考流程圖或框圖在這里被描述，其中，每個塊或塊的任何組合可由計算機程序指令實現。指令可被提供給通用計算機、專用計算機或其它可編程數據處理設備的處理器以實現機器或制造品，并且當被處理器執行時，指令創建用于實施在圖中的每個塊或塊的組合中指定的功能、行為或事件的方法。
[0052]在這點上，在流程圖或框圖中的每個塊可對應于包括用于實施指定的邏輯功能的一個或多個可執行指令的模塊、段或代碼部分。還應注意，在一些可選實施中，與任何塊相關聯的功能可以以不同于圖中提到的順序發生。例如，實際上，連續示出的兩個塊可實質上同時被執行，或者有時塊可以以相反的順序被執行。
[0053]本領域普通技術人員將理解，本公開的方面可體現為裝置、系統、方法或計算機程序產品。因此，這里一般被稱為電路、模塊、組件或系統的本公開的方面可被以硬件、軟件(包括固件、駐留軟件、微代碼等)或軟件和硬件的任何組合(包括體現在自身上具有計算機可讀程序代碼的計算機可讀介質中的計算機程序產品)實現。
[0054]將會理解，可做出各種修改。例如，如果公開的技術以不同順序被執行和/或如果在公開的系統中的組件以不同方式被組合和/或被其它組件替換或補充，仍能得到有用的結果。因此，其它的實現落入權利要求的范圍內。
【主權項】
1.一種用于分析生物生理周期性數據的裝置，包括: 存儲器，存儲機器指令； 處理器，連接到存儲器，執行所述機器指令以: 接收多個特征數據點； 從所述多個特征數據點的滿足預定范圍的特征數據點提取特征； 執行多個假設檢驗來確定所述特征是否對應于包括第一假設分布的多個預定的假設分布中的每個假設分布； 如果所述特征對應于第一假設分布，則將所述特征限定為實際特征的限定估計。2.如權利要求1所述的裝置，其中，處理器還執行所述機器指令以確定與特征數據點的第一子集相關聯的速率的變化，并且響應于已經確定所述速率的變化在預定的速率限制之外，而消除至少一個特征數據點。3.如權利要求2所述的裝置，其中，所述預定的速率限制包括基于在時間上先于第一子集的特征數據點的第二子集的置信區間。4.如權利要求1所述的裝置，其中，處理器還執行所述機器指令以修改特征數據點的第一子集以創建特征數據點的過濾的子集，確定與過濾的子集相關聯的速率的變化并響應于已經確定所述速率的變化在預定的速率限制之外，消除至少一個特征數據點。5.如權利要求4所述的裝置，其中，處理器還執行所述機器指令以實施無跡卡爾曼濾波器以創建特征數據點的過濾的子集。6.如權利要求1所述的裝置，其中，第一假設分布表示多個最近限定估計的統計均值。7.如權利要求1所述的裝置，其中，處理器還執行所述機器指令以基于與第二假設分布相應的特征修改所述特征，并基于與第一假設分布相應的特征將經修改的特征限定為實際特征的限定估計，其中，所述多個假設分布還包括第二假設分布。8.如權利要求7所述的裝置，其中，第二假設分布表示多個最近限定估計的統計均值的一半。9.如權利要求1所述的裝置，其中，則處理器還執行所述機器指令以在如所述特征對應于第三假設分布時拒絕所述特征，其中，所述多個假設分布還包括表示與實際特征不相關的偽影的第三假設分布。10.—種用于分析生物生理周期性數據的方法，包括: 接收多個特征數據點； 從所述多個特征數據點的滿足預定范圍的特征數據點提取特征； 執行多個假設檢驗以確定所述特征是否對應于包括第一假設分布的多個預定的假設分布中的每個； 如果所述特征對應于第一假設分布，則將所述特征限定為實際特征的限定估計。11.如權利要求1O所述的方法，還包括: 確定與特征數據點的第一子集相關聯的變化的速率； 響應于已經確定所述變化的速率在預定的速率限制之外，消除至少一個特征數據點。12.如權利要求11所述的方法，其中，所述預定的速率限制包括基于在時間上先于第一子集的特征數據點的第二子集的置信區間。13.如權利要求1O所述的方法，還包括: 將濾波器應用于特征數據點的第一子集以創建特征數據點的過濾的子集； 確定與過濾的子集相關聯的變化的速率； 響應于已經確定所述變化的速率在預定的速率限制之外，消除至少一個特征數據點。14.如權利要求13所述的方法，其中，所述濾波器包括無跡卡爾曼濾波器。15.如權利要求10所述的方法，其中，第一假設分布表示多個最近限定估計的統計均值。16.如權利要求1O所述的方法，還包括: 如果所述特征對應于第二假設分布，則修改所述特征； 如果所述特征對應于第一假設分布，則將經修改的特征限定為實際特征的限定估計，其中，所述多個假設分布還包括第二假設分布。17.如權利要求14所述的方法，其中，第二假設分布表示多個最近限定估計的統計均值的一半。18.如權利要求10所述的方法，還包括:如果所述特征對應于第三假設分布，則拒絕所述特征，其中，所述多個假設分布還包括第三假設分布。19.如權利要求16所述的方法，其中，第三假設分布表示與實際特征不相關的偽影。
【文檔編號】G06T5/00GK105844612SQ201610066912
【公開日】2016年8月10日
【申請日】2016年1月29日
【發明人】阿斯芙·卡拉科, 瑪度蘇·C·威金斯
【申請人】三星電子株式會社