<div dir="ltr">Thinking on how to make this robust with noisy instruments, I was considering pointing you Kalman filters. Searching on topics about that and anomaly detection yielded many promising results. This one caught my eye (Liu et al 2004, "On-line outlier detection and data cleaning"): <a href="http://www.ualberta.ca/dept/chemeng/personalweb/slshah/files/on_line_outlier_det.pdf">http://www.ualberta.ca/dept/chemeng/personalweb/slshah/files/on_line_outlier_det.pdf</a> <br><br>You might investigate the Kalman filter by itself, too. It's usually used to smooth a noisy signal, but there's valuable information in the distance between its prediction and the raw sensor value.<div><br></div><div>Kind regards,</div><div>Justis</div><div><br>On Sun, Oct 25, 2015 at 2:38 PM, Justis Peters <<a href="mailto:justis.peters@gmail.com">justis.peters@gmail.com</a>> wrote:<br>><br>> Pete, the examples you give are all univariate timeseries. I think the solution will be really easy, but I want to better understand your goals. Is it enough to use a Z-score against a rolling window? You seem to be optimizing for something operational here, since you're thinking in terms of interrupts. What are you trying to optimize?<br>><br>> Kind regards,<br>> Justis<br>><br>> On Sat, Oct 24, 2015 at 5:49 PM, Pete Soper via TriEmbed <<a href="mailto:triembed@triembed.org">triembed@triembed.org</a>> wrote:<br>>><br>>> Say I have a sensor for which a measured baseline signal can be used as a steady state but some predefined deviation greater than a given amount can can be defined "interesting" by virtue of an interrupt. With the interrupt can come a sequence of samples (either polled or by reusing the same or different deviation for an interrupt) before the sensor reading changes are declared ended, returning to the old or a new normal baseline level, and the process is set up to be repeated. Meanwhile, between interrupts and sample capturing tasks, a set of samples is compared with previously defined "signatures" to confirm that a set of samples is "complete" and a <something> has or has not been detected. I realize that in many cases there has to be a "moving window" to do with matching up samples and signatures: I'm just<br>>><br>>> I'm looking for the math taxonomy to do with this for making filters and pattern matchers, but also practical examples that express specific calculations for use cases.<br>>><br>>> Example: A photodetector w a programmable comparator that triggers an mcu interrupt when a light level is above or below threshold, and arrangements for detecting these "signatures":<br>>>  . The moon obscured momentarily by a cloud<br>>>  . A passing car's headlights<br>>>  . Dawn<br>>>  . A cigarette lighter lighting a cigarette<br>>>  . A cigarette lighter used in "music concert style"<br>>>  . Lightning<br>>><br>>> I guess the ideal would be a few Wikipedia references to help me begin my education, but some practical examples that allow correlating the math with code that implements the math would be much appreciated.<br>>><br>>> Thanks,<br>>> Pete<br>>><br>>><br>>><br>>><br>>> _______________________________________________<br>>> Triangle, NC Embedded Computing mailing list<br>>> <a href="mailto:TriEmbed@triembed.org">TriEmbed@triembed.org</a><br>>> <a href="http://mail.triembed.org/mailman/listinfo/triembed_triembed.org">http://mail.triembed.org/mailman/listinfo/triembed_triembed.org</a><br>>> TriEmbed web site: <a href="http://TriEmbed.org">http://TriEmbed.org</a><br>>><br>><br></div></div>