自動特徵分析、比較和異常檢測的方法與流程

2023-07-24 03:01:41 3

本申請是申請日為2013年11月11日，申請號為201380058287.7，發明名稱為「自動特徵分析、比較和異常檢測的方法(原發明名稱為：自動特徵分析、比較和異常檢測)」的申請的分案申請。相關申請的交叉引用本申請要求2012年11月9日遞交的美國臨時專利申請號為61/724,813的優先權，其公開內容通過引用以其整體併入本文。利益聲明在政府的支持下根據陸軍研究辦公室(aro)授權的資助w81xwh-09-1-0266做出了本發明。政府對本發明具有一定的權利。本公開內容涉及自動數據分析。更具體地，其涉及用於自動特徵分析、比較和異常檢測的系統、設備和方法。
背景技術：
：用於從一組數據提取特徵的類似技術可適用於不同組的數據。例如，地質調查可收集關於地球或火星的區域數據。收集的數據可包括可視化的圖像、x射線圖像、質譜分析、化學樣品，等等。某些可視化特徵可說明某些礦物的存在，而x射線圖像或超光譜圖像可給出該礦物存在的不同可能性。在這種情況下，人為幹預通常可能是必要的，以確定每組數據(諸如可視化圖像相對x射線圖像)的相對重要性和可靠性。技術實現要素：在本公開的第一方面中，描述了計算機實現方法，計算機實現方法包括：提供感測和分析設備，該感測和分析設備包括配置成檢測描述多個物理對象的多個物理特徵的多個傳感器；基於多個物理特徵，由感測和分析設備產生表示多個對象的多個特徵向量，其中多個特徵向量包括描述多個物理特徵的多個分量，其中多個分量的每個分量具有一個數值範圍，其中多個物理特徵中的每個物理特徵由在每個特徵向量內的至少一個分量表示；由感測和分析設備將每個分量的數值範圍轉換為0到1之間的範圍，其中所述轉換是通過以下公式執行的：其中f1ij是第i個對象和第j個特徵分量的歸一化值，origfij是第i個對象的第j個原特徵分量值，minfj和maxfj是第j個特徵分量的最小值和最大值，從而獲得第一多個歸一化的特徵向量，其包括第一多個歸一化分量，且還包括關於第一多個歸一化特徵向量的每個第一歸一化特徵向量的每個物理特徵的分量的總數；對於第一多個特徵向量的每個第一歸一化特徵向量，由感測和分析設備將每個第一歸一化特徵向量的每個物理特徵的多個歸一化分量除以第一歸一化特徵向量的每個物理特徵的分量的總數，從而獲得第二多個歸一化特徵向量；由感測和分析設備通過以下公式對第二多個歸一化特徵向量進行歸一化：其中f2ij是第二多個歸一化特徵向量的特徵向量的分量，且f3ij是第三多個歸一化特徵向量的每個特徵向量的合成分量；由感測和分析設備對第三多個歸一化特徵向量進行聚類，從而獲得多個聚類的歸一化特徵向量；由感測和分析設備將主要分量分析應用於多個聚類的歸一化特徵向量，從而獲得距離標誌值和第一評估的多個歸一化特徵值；由感測和分析設備基於閾值，通過對多個聚類的歸一化特徵向量的每個特徵向量進行計數來計算數量標誌值，從而獲得第二評估的多個歸一化特徵向量；基於第一評估的多個歸一化特徵向量和第二評估的多個歸一化特徵向量，由感測和分析設備分析多個物理對象。本申請還涉及以下內容：1)一種計算機實施的方法，包括：提供感測和分析設備，所述感測和分析設備包括配置成檢測描述多個物理對象的多個物理特徵的多個傳感器；通過所述感測和分析設備，基於所述多個物理特徵產生表示多個對象的多個特徵向量，其中，所述多個特徵向量包括描述所述多個物理特徵的多個分量，其中，所述多個分量的每個分量具有數值範圍，其中，所述多個物理特徵的每個物理特徵由每個特徵向量中的至少一個分量表示；通過所述感測和分析設備，將每個分量的所述數值範圍轉換至0和1之間的範圍，其中，所述轉換通過以下公式執行其中，f1ij是第i個對象和第j個特徵分量的歸一化的值，origfij是第i個對象的第j個原特徵分量值，minfj和maxfj是第j個特徵分量的最小值和最大值，從而獲得第一多個歸一化特徵向量，其包括第一多個歸一化分量，且還包括所述第一多個歸一化特徵向量的每個第一歸一化特徵向量的每個物理特徵的全部數量的分量；對於所述第一多個特徵向量的每個第一歸一化特徵向量，由所述感測和分析設備將每個第一歸一化特徵向量的每個物理特徵的所述多個歸一化分量除以所述第一歸一化特徵向量的每個物理特徵的分量的總數，從而獲得第二多個歸一化特徵向量；由所述感測和分析設備通過以下公式歸一化所述第二多個歸一化特徵向量：其中，f2ij是所述第二多個歸一化特徵向量的特徵向量的分量，且f3ij是第三多個歸一化特徵向量的每個特徵向量的合成分量；通過所述感測和分析設備，聚類所述第三多個歸一化特徵向量，從而獲得多個聚類的歸一化特徵向量；通過所述感測和分析設備將主分量分析應用到所述多個聚類的歸一化特徵向量，從而獲得距離標誌值和第一評估的多個歸一化特徵向量；通過所述感測和分析設備，基於閾值通過計數所述多個聚類的歸一化特徵向量的每個特徵向量計算數量標誌值，從而獲得第二評估的多個歸一化特徵向量；通過所述感測和分析設備基於所述第一評估的多個歸一化特徵向量或所述第二評估的多個歸一化特徵向量分析所述多個物理對象。2)根據1)所述的計算機實施的方法，其中，所述聚類包括：通過所述感測和分析設備定義第一參數t1和第二參數t2，其中，所述第二參數大於所述第一參數；通過所述感測和分析設備計算聚類cj的聚類中心cj，其中，j是第一計數參數；通過所述感測和分析設備計算所述第三多個歸一化特徵向量的每個特徵向量和所述聚類中心cj之間的距離d(f3i，cj)，其中，每個特徵向量稱為f3i，且其中，i是第二計數參數；通過所述感測和分析設備基於所述第一參數t1和所述第二參數t2分配所述第三多個歸一化特徵向量的每個特徵向量f3i到所述聚類cj，其中，所述分配包括迭代步驟a)-c)：a)如果所述距離d(f3i，cj)小於所述第一參數t1，則所述特徵向量f3i被分配到具有所述聚類中心cj的聚類cj；b)如果所述距離d(f3i，cj)大於所述第二參數t2，則所述特徵向量f3i不被分配到具有所述聚類中心cj的所述聚類cj，增加j且所述特徵向量f3i被分配到具有所述聚類中心cj的所述聚類cj；c)如果所述距離d(f3i，cj)大於所述第一參數t1，但小於所述第二參數t2，則推後所述分配；其中，一旦達到所期望的條件，就停止所述迭代，且聚類每個特徵向量f3i，從而獲得多個聚類的歸一化特徵向量。3)根據1)所述的計算機實施的方法，其中，所述聚類採用有序聚類、k均值聚類或水平集分析聚類。4)根據1)-3)中任一項所述的計算機實施的方法，其中，所述多個物理特徵包括：顏色；反照率；形狀；程度；傾斜度；緊密度；大小；材質；多光譜數據；超光譜數據；光譜數據；生物汙染濃度；化學汙染濃度；放射性汙染。5)根據1)-4)中任一項所述的計算機實施的方法，其中，所述分析用於感興趣區域的劃分或劃定；異常檢測；自主交通工具控制；或勘探設備的指導。6)根據1)-5)中任一項所述的計算機實施的方法，其中，所述分析用於地質、採礦、資源分配、或偵察。7)根據1)-3)中任一項所述的計算機實施的方法，其中，所述分析用於醫學診斷並且所述多個物理特徵包括：患者特定數據；血液檢查結果；尿液或糞便檢查結果；x射線、ct、mri、fmri、或超聲圖像；多光譜數據；超光譜數據；脈衝；心率；眼壓；顱內壓；血壓；肺容積。8)根據1)-3)中任一項所述的計算機實施的方法，其中，所述分析用於金融市場並且所述多個物理特徵包括數據線上感測的電信號，其中，所述電信號描述了數據，所述數據包括：股票價值；開盤價；收盤價；整個交易期間的出價；黃金價格；股票指數；交易量。9)根據1)-3)中任一項所述的計算機實施的方法，其中，所述分析用於視野，並且所述多個物理特徵包括：盲區周界、圓齒、不可見的測試位置的絕對數量、受損視野的面積、絕對視覺山體積損失、損失的面積等級、保存的面積等級、損失面積等級的倒數、保存面積等級的倒數。10)根據1)-9)中任一項所述的計算機實施的方法，其中，minfj和maxfj由用戶定義。11)根據2)所述的計算機實施的方法，其中，所述距離是歐幾裡得距離。12)根據1)-11)中任一項所述的計算機實施的方法，還包括通過所述感測和分析設備基於時變分析所述多個物理對象。附圖說明併入本說明書中並構成本說明書的一部分的附圖示出了本公開內容的一個或多個實施例，並與示例性實施例的描述一起，用於解釋本公開內容的原理和實現。圖1示出了agfa的一般工作流程。圖2示出了作為聚類的示意性實例的一批幾何形狀。圖3示出了示例性感測和分析設備。圖4描述了用於實現本公開內容的實施例的目標硬體的示例性實施例。具體實施方式本公開內容涉及自動數據分析，其可應用數據聚合和提取來自各種應用領域的特徵。用於從一組數據提取特徵的類似技術可適用於不同組的數據。例如，地質調查可收集關於地球或火星的區域數據。收集的數據可包括可視化的圖像、x射線圖像、質譜分析、化學樣品，等等。在本公開內容中，描述方法以在特徵空間中聚合這些數據，定義描述它們的數學實體，從數據提取特徵，並輸出得到的分析。例如，某些可視化特徵可說明某些礦物的存在，而x射線圖像或超光譜圖像可給出該礦物存在的不同可能性。在這種情況下，人為幹預通常可能是必要的，以確定每組數據(諸如可視化圖像相對x射線圖像)的相對重要性和可靠性。在本公開內容中，數學實體(即特徵向量)被用於以允許自動比較分析的格式(特徵向量)來表達包含在不同組的數據(例如，可視化圖像和x射線圖像)中的信息。本公開內容的自動化系統、設備或方法可因此執行不同組的數據的特徵的自動化分析。相似的方法可用於其它應用，例如醫療診斷、金融系統和軍事偵察。因此，這樣的方法、設備或系統可稱為自動全局特徵分析器(agfa)。對於每個應用，agfa可提取和遞送組成特徵向量的特徵。一旦產生特徵向量，則agfa框架可運行。因此，agfa可聚類數據，並可基於特徵空間找到異常。換句話說，數據可被在特徵空間中轉換並且然後可以被在該空間中分析。通過該轉換，數據的自動分析是可能的，而與數據的來源無關。此外，agfa也可允許對象基於其各自的特徵向量，彼此相互比較。在一些實施例中，也可通過分析在不同時間的特徵向量之間的差異進行時變分析。例如，相同的特徵向量可在時間1和時間2與其自身相比較。圖1示出了agfa(105)如何可以適用於特徵空間(110)中的各種應用，並且可以針對每個應用(110)給出輸出(115)。例如，關於地質、採礦、資源分配、和(軍事)偵察的應用，特徵空間將包含由特定特徵組成的特徵向量。在一些實施例中，待包括在特徵向量中的一系列特徵可包括：顏色；反照率(亮度)；分割對象的圓周的橢圓擬合，得到半長軸和半短軸，其比率可以是對象有多圓的量度；程度；傾斜度(angularity)；緊密度；大小；用於質地評估的伽柏濾波器；多光譜數據；超光譜數據；光譜數據；生物汙染濃度；化學汙染濃度；放射性汙染。對以上特徵應用agfa之後，一些可能的結果可包括：感興趣區域的劃分/劃定；異常檢測；自主交通工具控制；勘探設備的指導。在一些實施例中，本公開內容的方法可適用於小行星開採。作為另一個實例，用於醫學診斷的，可能的特徵可包括：病人的特定數據，諸如：年齡、身高、體重、性別；血液檢查結果；尿液/糞便檢查結果；x射線、ct、mri、fmri、超聲波的圖像/結果；多光譜數據；超光譜數據；脈衝；心率；眼壓；顱內壓；血壓；肺活量。對以上特徵應用agfa之後，一些可能的結果可包括：醫療診斷；手術(如腹腔鏡手術)設備的指導；用於腫瘤治療的感興趣區域的劃分/劃定；異常檢測。作為另一個實例，關於金融市場的，可能的特徵可包括：股票價值；開盤價；收盤價；整個交易期間的出價；黃金價格；股票指數(道瓊、標普500等)；交易量(例如，股票的交易量)。對以上特徵應用agfa之後，一些可能的結果可包括：買入/持有/賣出的決定；趨勢的異常檢測。agfa應用的另一個實例是視野。在某些情況下，在人眼中的視野缺損的醫療診斷可大規模地進行(例如，全世界的數千到數百萬人)，或其可僅遠程地進行，例如，在地球上偏遠地區、或對於在到火星的空間任務的太空人的情況、或對於居住在月球上的人類。在這樣的情況下，用於視野缺損的檢測的自動化系統可以是有利的。在這樣的情況下，在沒有臨床專家時，根據下列數值方法，集成的自動特徵描述系統可分析3d計算機化的閾值阿姆斯勒網格(3d-ctag)視野數據，並客觀地確定和特徵化存在的視野缺損(例如，盲區，如以缺少的視覺面積的形式)：(1)視野數據轉換，包括視野損失的面積和體積，丟失和保存的面積等級，以及斜率分布；和(2)盲區數據轉換，包括盲區周界/圓齒(scallopedness)和盲區中心位置。如對於本領域的技術人員已知的是，阿姆斯勒測試是視野測試。agfa框架還可同樣適用於其它視野測試數據，例如，適用於漢弗裡(humphrey)視野分析器。視野數據轉換每對比度水平視野面積損失計算可系統地評估原始3d-ctag數據，首先針對在數據中呈現的差異對比度敏感度水平的數量n，然後針對平方度的數量(例如，網格點)中的面積(表示為ai，其中0％≤i≤100％代表百分比對比度水平)和在每個對比度水平的視野損失的百分比百分比和面積因此記錄了視野損失，其為對比度敏感度的函數，帶有指示在呈現的最低對比度的完好視力的最高水平(100)。計算損失和保存的面積等級：通過將在最高測試對比度水平的盲區面積(ah)除以在最低測試對比度水平的盲區面積(a100)來計算損失面積等級(lag)。該面積比例然後乘以對比度敏感度比例因子其包括盲區深度(100-h)除以總深度(100)，然後求平方值，以消除簡併。完整的量度因此是通過將在最低測試對比度水平的保留的視野面積(a100)除以在最高測試對比度水平的保留的視野面積(ah)，然後乘以如上所述的對比度敏感度比例因子來計算保留的面積等級(pag)：如果對比度敏感度比例因子不被平方，則在這兩項量度中(即lag和pag)可發生簡併：例如，淺的盲區可具有這樣的大的面積比率，以致於其lag和pag與具有充分小的面積比例的陡峭盲區的lag和pag相匹配。視野損失的體積計算：在對比度敏感度小於100的每個水平的數據點的數量乘以在每個數據點的對比度敏感度中的損失以確定視野損失的體積(∑{i}ai(100-i))。視野損失的體積然後除以全部測試的視野體積以確定損失的視野體積的百分比。視野損失的斜率等級(和斜率等級的直方圖)：例如，在水平(x)方向和垂直(y)方向上獨立地確定斜率等級。斜率等級定義為對比度敏感度的損失(例如，100-i)除以其中發生損失的等級數(δx或δy)：針對水平斜率等級是和針對垂直斜率等級是斜率直方圖描述了在垂直方向或水平方向的斜率等級的分布。可用相同的方式處理從盲區的中心計算的徑向斜率等級。盲區數據轉換盲區中心對於每個測試的對比度敏感度水平的所有盲區數據點的x值和y值進行平均以獲得在每個測試對比度敏感度水平的盲區中心的坐標。各自的中心與整個視野的數據點一起以3d方式繪製。隨後對中心進行平均以獲得平均中心。然後，計算從每個中心到平均中心的距離的平均距離和標準差。所有中心和每個盲區的平均中心然後被繪製到散點圖上。盲區周界通過掃描關於點的盲區中的點列表，確定和記錄在每個測試對比度敏感度水平的盲區周界點，所述點水平和/或垂直鄰近於在各自水平的非盲區的點(即，具有大於當前水平的對比度敏感度水平的對比度敏感度水平)。圓齒圓齒測量評估了在關於曲率波動的每個對比度敏感度水平的盲區周界。在周界上的所有的點按順序編號。從第一點(p＝1)開始，計算沿著周界(p)的每個點和向下了用戶定義的索引偏移(x)的周界點的列表(p+x)的點之間的歐幾裡得距離。對所有歐幾裡德距離進行平均，並隨後顯示為直方圖。例如，使用兩個不同的用戶定義索引偏移對每個對比度敏感度水平執行該過程。尖峰的直方圖(即，一個峰)說明帶光滑周界(不是圓齒的)的盲區；朝向直方圖左端的峰值說明更緊密彎曲的周界(即，小曲率半徑)，而朝向直方圖右端的峰值說明帶大曲率半徑的周界。指數的一般集合也對視物變形症做出解釋為了也對視物變形症的現象做出解釋(即阿姆斯勒網格線的失真或起伏代替了那些網格線的缺失)，可為在3d中的失真視覺(即，視物變形症)和視野缺損(即，盲區)的自動特徵描述應用更普遍的算法的超集。可以使用描述了視野缺損的以下客觀的特徵指數：不可見測試位置的絕對#：不考慮對比度，不可見阿姆斯勒網格點的數值計數。不可見測試位置的相對#：不考慮對比度，不可見測試位置的絕對數量除以可用測試位置的全部數量的百分比表示。在xx％對比度的受損的視野面積：在給定的阿姆斯勒網格對比度標記為不可見的阿姆斯勒網格點的數量；在xx％對比度的受損的視野的相對面積：在給定的阿姆斯勒網格對比度標記為不可見的阿姆斯勒網格點的數量除以在給定的以[百分比]表示的阿姆斯勒網格對比度的可用測試位置的全部數量；絕對視覺山(hill-of-vision)「體積」損失：不可見的視野面積的總和乘以各自的以[deg2百分比]形式測量的測試對比度水平(以％形式)。相對視覺山「體積」損失：絕對體積損失除以以[百分比]形式測量的全部測試視覺山。損失面積等級(lag)：在最高測試對比度水平的現有盲區面積除以在最低測試對比度水平的現有盲區面積，乘以以[百分比]對比度形式測量的實際盲區深度。保存面積等級(pag)：在最低測試對比度水平的現有保存的視野面積除以在最高測試對比度水平的現有保存的視野面積，乘以以[百分比]對比度形式測量的實際盲區深度。損失面積等級倒數(ilag)：在最低測試對比度水平的現有盲區面積除以在最高測試對比度水平的現有盲區面積，乘以以[百分比]對比度形式測量的實際盲區深度。保存面積等級倒數(ipag)：在最高測試對比度水平的現有保存的視野面積除以在最低測試對比度水平的現有保存的視野面積，乘以以[百分比]對比度形式測量的實際盲區深度。上面的特徵指數使被檢者的視野的時變的定性分析和定量分析成為可能。存在以上列出的指數和本領域技術人員已知的其它指數的修改的實施例。在下文中，將使用視野測試的實例來描述agfa的不同特性。本領域技術人員將理解，雖然用特定的實例描述了agfa方法，但是可預期不同的應用。在一些實施例中，agfa可包括標誌計算的步驟。標誌計算步驟可包括特徵向量歸一化過程。特徵向量歸一化過程agfa可用於分析對象。例如，對象可以是視野數據集、圖像中的巖石等。每個對象可具有分配的帶全部特徵分量值的特徵(分量)向量。換句話說，特徵向量可包括不同的分量，每個分量具有特定的值。特徵分量值可具有不同的範圍(按照最大值和最小值)。此外，特徵分量可具有離散值或連續值。為了比較圖像中的對象，有必要對它們進行歸一化，以便使特徵分量值獨立於特徵中的分量的範圍和數量。換句話說，可給對象分配特徵向量。特徵向量可包括不同的分量。每個分量可具有不同於其它分量的一定的範圍。為了比較特徵向量，可以有利地歸一化每個分量的範圍以使比較特徵向量成為可能。例如，基於兩個特徵，諸如顏色(r、g、b分量，每個具有整數值範圍[0，255])和傾斜度(具有僅一個分量且實際值範圍[0，1])，比較兩個對象是不可能的。在該實例中，如相比於傾斜度特徵，顏色特徵具有三倍數量的分量。因此，如果基於分量的數量分配權重，則顏色特徵將具有三倍於傾斜度特徵的權重。此外，相比於傾斜度特徵的[0，1]，每個顏色分量將具有[0，255]的範圍。因此，顏色分量可貢獻比傾斜度高的255倍權重。為了克服這個問題，可應用三步歸一化過程，以便歸一化每個分量到[0，1]的範圍。該歸一化過程也使得該比較獨立於特徵中的分量的數量。在一些實施例中，在歸一化的第一步中，被稱為最小-最大歸一化，使用下面公式將特徵分量值轉換為[0，1]的實際值範圍內：其中，f1ij是第i個對象和第j個特徵分量的最小-最大歸一化值，origfij是第i個對象的第j個原特徵分量值，minfj和maxfj是第j個特徵分量的最小值和最大值。每個特徵分量的最小值和最大值可以是關於模型內的特徵的理論範圍，例如，對於rgb顏色，範圍為[0，255]。在其它實施例中，最小值和最大值可以是理論範圍的特定子集範圍，例如對於在對象的特定集合中的rgb顏色，最小值和最大值可以是理論範圍的特定子集範圍[20，120]，其中不存在低於20或高於120的值。在又一些其它實施例中，最小值和最大值可以是用戶定義的。在歸一化的第二步中，其也可被稱為特徵維度歸一化，每個特徵分量值可通過以下公式除以在該特徵中分量的數量：其中f2ij是第i個對象和第j個特徵分量的特徵維度歸一化值，且nj是第j個特徵的維度數量。在歸一化的第三步中，其也被稱為絕對歸一化，應用下面的公式：上述三個歸一化步驟確保特徵值在實際值範圍[0，1]內，並獨立於分量的數量。這確保了每個特徵分量值在對象的特徵分析中發揮相同作用，例如，以確定對象是否是異常的。在特徵向量歸一化過程之後，標誌計算步驟可包括有序聚類。有序聚類在一些實施例中，在先前步驟中獲得的特徵分量向量可表徵圖像中的對象。針對確定一個對象或多個對象是否異常的下一個步驟是將對象分類到不同的組中。在一個實施例中，可應用有序聚類方法，其實時將輸入的向量分組到自然數數目的聚類中。這種方法優於其它聚類方法(如k-均值聚類)的可能的優點是不需要提供向量將被分組成的聚類的數量。該方法不僅對向量進行聚類，而且確定聚類的自然數數目。存在可使用的其它(監督或無監督)聚類方法，例如水平集合分析。這種算法自動根據數據本身確定聚類的自然數數目，並為本領域技術人員所熟知。如本領域技術人員所熟知的，基本有序聚類方法包括單個閾值，具有與聚類中心的距離低於該閾值的向量被分組到特定聚類中，基本上一遍(onepass)聚類所有向量。在一些實施例中，本公開內容中實現的有序聚類方法不同於所述基本方法，其實質在於，存在兩個閾值，並且聚類所有向量的遍數可多於一遍。在有序聚類的基本形式中，第一輸入向量被分類成第一聚類，且也成為它的中心。如果向量到特定聚類中心之間的距離低於預先定義的閾值，則下一個輸入向量被分類到現有聚類中的一個，且如果向量到特定聚類中心之間的距離不低於預先定義的閾值，則向量被分類到新的聚類。本方法的可能的缺點是聚類的構造和聚類的成員取決於向量在其中到達的順序，因為所有的向量在一遍中被聚類。另一個可能的缺點是，閾值的選擇影響結果，即，改變閾值產生不同數量的聚類或帶不同成員的相同數量的聚類。在本公開內容的一些實施例中，應用不同的方法，當計算向量和聚類中心之間的距離時其考慮歐幾裡得距離。其構成了標準有序聚類方法的改進版本。在本公開內容中，該改進方法可被稱為確定性有序聚類。在確定性有序聚類中，選擇兩個閾值t1和t2(t2>t1)，使得如果向量f3i和最近的聚類中心cj之間的歐幾裡德距離d(f3i，cj)低於t1，則向量屬於相應的聚類。如果d(f3i，cj)高於t2，則向量f3i不屬於聚類cj。然而，如果t1<d(f3i，cj)＝0，且是兩個特徵向量之間的相似性的量度。歐幾裡得距離：定義為特徵向量分量之間的平方差之和的平方根。歐幾裡得距離總是>＝0，且也是兩個特徵向量之間的相似性的量度。此外，除其它聚類技術外，agfa還可執行有序聚類以基於各自的特徵向量將一個患者或幾個患者的視野檢查分組到相似的聚類中，並可隨後基於聚類間的比較執行異常分析。異常被定義為特定的特徵向量，或特定特徵向量的分量(例如，不可見測試位置的相對#，相對於視覺山的體積損失、lag、ilag、pag、ipag)，其與其它特徵向量(或在其它特徵向量中相同的分量)顯著不同。結合重疊參數、海明距離和歐幾裡得距離，聚類和異常檢測可提供視野分類和比較的手段。此外，由agfa提供的該工具集可允許通過分析代表在給定時間的各個視野的基本特徵向量來評估隨時間的推移(即，時變)的視野惡化或改善。特徵向量也可用作到人工神經網絡(諸如單層或多層感知器系統，以及用於初步診斷生成的霍普菲爾德吸引子網絡)的輸入。特別地，霍普菲爾德吸引子網絡對在給定檢查站/設備上被測試的各個視野面積和幾何結構的適應是簡單的，因為無需關於給定的檢查站/設備的實際視野幾何結構做出霍普菲爾德吸引子網絡的神經元的空間排列假設。客觀上推導的視野、盲區、以及視物變形特徵數據可以：1、經由統計方法和人工神經網絡(例如參見，如在2004年第49(13)期的physmedbiol的第2799-2809頁的finkw的「neuralattractornetworkforapplicationinvisualfielddataclassification」中描述的視野分類神經網絡的3d-ctag適應版本；其公開內容通過引用以其整體併入本文)概率預測疾病。2、使用來源於自主行星探索的分類方法，表示隨著時間變化的患者視野中的定性和定量的時變二者(參見例如，自動全局特徵分析器agfa(fink等人，2005；fink等人，2008)；其公開內容通過引用以其整體併入本文)。同樣地，成熟的綜合視野測試和診斷系統能夠：1、檢測和診斷早期影響視覺性能的條件，允許治療對策的及時應用；2、監測隨著時間推移的條件的治療性處理的效率和效能。在本公開內容中所描述的方法可以是通過硬體設備來實現的計算機。這種硬體設備可包括處理器和存儲器，以及多個傳感器。如本領域技術人員所理解的，傳感器可包括多種不同的傳感器。例如，攝像機傳感器、放射性傳感器、磁傳感器、電傳感器、化學傳感器、紅外傳感器、光譜分析儀、質譜傳感器、壓力傳感器、溼度傳感器、血糖傳感器、溫度傳感器、地震傳感器、鹽度傳感器、速度傳感器和加速度計、電壓表、磁力計等。在一些實施例中，硬體設備可稱為感測和分析設備。在一些實施例中，該設備可以是智慧型電話或平板電腦。圖3示出了示例性感測和分析設備，包括處理器(305)、存儲器(310)和多個傳感器(320、325、330、335、340、345)。圖4是用於實施圖1和2的實施例的目標硬體(10)(例如，計算機系統)的示例性實施例。該目標硬體包括處理器(15)、內存條(20)、本地接口總線(35)和一個或多個輸入/輸出設備(40)。處理器可執行關於圖1和2的實現的且如基於存儲在存儲器(20)中的一些可執行程序(30)由作業系統(25)提供的一個或多個指令。這些指令經由本地接口(35)被傳送至處理器(15)，並如由特定於本地接口和所述處理器(15)的某些數據接口協議制定。應注意的是，本地接口(35)是一些元件的符號表示，諸如一般針對在基於處理器的系統的多個元件之間提供地址、控制和/或數據連接的控制器、緩存(高速緩存)、驅動器、中繼器和接收器。在一些實施例中，處理器(15)可裝配有一些本地存儲器(高速緩存)，其中其可存儲將被執行以增加一些執行速度的指令中的一些指令。通過處理器執行指令可能需要使用一些輸入/輸出設備(40)，諸如從存儲在硬碟上的文件的輸入數據、從鍵盤輸入命令、從觸控螢幕輸入數據和/或命令、將數據輸出到顯示器、或將數據輸出到usb快閃記憶體驅動器。在一些實施例中，作業系統(25)通過作為中心元件，來收集程序執行所需的各種數據和命令並提供這些數據和命令到微處理器來促進這些任務。在一些實施例中，雖然目標硬體設備(10)的基本架構將如在圖4中所描述的保持不變，但可不存在作業系統，且所有任務在處理器(15)的直接控制下。在一些實施例中，可並行配置使用多個處理器以提高執行速度。在這種情況下，可以專門為並行執行定製可執行的程序。此外，在一些實施例中，處理器(15)可執行圖1和圖2的實施的一部分，且可使用放置在由目標硬體(10)經由本地接口(35)可訪問的輸入/輸入位置的專門硬體/固件來實施某個其它部分。目標硬體(10)可包括多個可執行程序(30)，其中每個都可獨立地或以彼此組合的方式運行。在本公開內容中描述的方法和系統可在硬體、軟體、固件或它們的任意組合中實施。描述為框、模塊或部件的特徵可一起(例如，在邏輯設備(諸如集成邏輯設備)中)或單獨(例如，作為單獨連接的邏輯設備)實施。本公開內容的方法的軟體部分可包括計算機可讀介質，其包括指令，當執行時其執行至少一部分所描述的方法。該計算機可讀介質可包括，例如，隨機存取存儲器(ram)和/或只讀存儲器(rom)。該指令可由處理器(例如，數位訊號處理器(dsp)、專用集成電路(asic)、現場可編程邏輯陣列(fpga)、圖形處理單元(gpu)或通用gpu)執行。已經描述了本公開的一些實施例。然而，應理解的是，可做出各種修改而不脫離本公開內容的精神和範圍。因此，其它實施例在所附權利要求的範圍之內。提供以上所闡述的實例給本領域普通技術人員，作為如何製造和使用本公開內容的實施例的完整的公開和描述，且不旨在限制一個發明者/多個發明者視為其公開內容的範圍。對於本領域技術人員是明顯的以上描述的用於執行本文公開的方法和系統的模式的修改旨在處於所附權利要求的範圍之內。在說明書中提到的所有專利和出版物表明本公開內容所屬的
技術領域：
的技術人員的技術水平。在本公開內容中引用的所有參考通過引用併入到如同每個參考已經通過引用以其整體單獨地併入的相同程度。應當理解的是，本公開內容並不限於特定的方法或系統，其當然可以變化。還應當理解的是，本文所用的術語僅用於描述特定實施例的目的，並不旨在進行限制。如在本說明書和所附權利要求中使用的，單數形式「一(a)」、「一個(an)」和「該(the)」包括複數的參照對象，除非內容另有明確說明。術語「多個」包括兩個或多於兩個參照對象，除非內容另有明確說明。除非另有定義，否則本文使用的所有技術和科學術語具有如本公開內容所屬的
技術領域：
的一個普通技術人員通常理解的相同含義。當前第1頁12