METHOD FOR ANALYSING A QUASI-PERIODIC BIOLOGICAL SIGNAL

Die Erfindung betrifft ein Verfahren zur Analyse eines quasiperiodischen biologischen Signals, das Messwerte für einen Messzeitraum aufweist. Dabei ist vorgesehen, dass das Verfahren die Schritte umfasst: (a) Bestimmung eines ersten Betrachtungsfensters, das eine erste Zeitdauer aufweist, und eines zweiten Betrachtungsfensters, das eine zweite Zeitdauer aufweist, aus dem quasiperiodischen biologischen Signal, wobei das erste Betrachtungsfenster und das zweite Betrachtungsfenster innerhalb des Messzeitraums liegen und die zweite Zeitdauer kürzer als die erste Zeitdauer ist; (b) Klassifikation der Messwerte unter Verwendung des ersten Betrachtungsfensters durch ein erstes Modell unter Erhalt eines ersten Klassifikationsergebnisses und Klassifikation der Messwerte unter Verwendung des zweiten Betrachtungsfensters durch ein zweites Modell unter Erhalt eines zweiten Klassifikationsergebnisses, wobei das erste Modell und das zweite Modell jeweils auf einem künstlichen neuralen Netzwerk basieren; und (c) Interpretation des ersten Klassifikationsergebnisses und des zweiten Klassifikationsergebnisses durch Bestimmung der Relevanz eines oder mehrerer der Messwerte zur Erzeugung des ersten Klassifikationsergebnisses und der Relevanz eines oder mehrerer der Messwerte zur Erzeugung des zweiten Klassifikationsergebnisses. The invention relates to a method for analysing a quasi-periodic biological signal which comprises measured values for a measurement interval. According to the invention, the method comprises the following steps: (a) determining from the quasi-periodic biological signal a first observation window, which has a first period, and a second observation window, which has a second period, the first observation window and the second observation window being within the measurement interval and the second period being shorter than the first period; (b) classifying the measured values using the first observation window by a first model to obtain a first classification result and classifying the measured values using the second observation window by a second model to obtain a second classification result, the first model and the second model each being based on an artificial neural network; and (c) interpreting the first classification result and the second classification result by determining the relevance of one or more of the measured values to generate the first classification result and the relevance of one or more of the measured values to generate the secon