ES3032892T3 - Biological signal analysis system - Google Patents

Abstract

Este sistema de análisis de señales biológicas es una serie de sistemas de análisis de señales biológicas que determinan la arritmia sobre la base de información electrocardiográfica, comprendiendo el sistema de análisis de señales biológicas: una unidad de entrada que recibe la entrada de información electrocardiográfica; una unidad de conversión de datos que genera datos de determinación realizando una conversión de tiempo/frecuencia en la información electrocardiográfica; una unidad de restauración de datos que genera datos restaurados restaurando los datos de determinación utilizando un modelo aprendido constituido por un autocodificador; una unidad de cálculo de diferencia que calcula la diferencia entre los datos restaurados y los datos de determinación; y una unidad de determinación que determina si los datos de determinación son datos de forma de onda normal o datos de forma de onda arrítmica sobre la base de la diferencia. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Sistema de análisis de señales biológicas

Campo

La presente invención se refiere a un sistema de análisis de señales biológicas integrado que determina si se trata de un estado normal o de arritmia basándose en una señal electrocardiográfica (a continuación en el presente documento, información electrocardiográfica), por ejemplo.

Antecedentes

El corazón repite la contracción y expansión desempeñando un papel de bomba que envía sangre a todo el cuerpo. Esta actividad mantiene la regularidad mediante una estimulación eléctrica débil en las células miocárdicas, pero si aparece una anomalía en esta estimulación eléctrica, se produce también una anomalía en la actividad del corazón. Esto se denomina arritmia. Existen diversos tipos de arritmias, y los ejemplos de las mismas incluyen fibrilación ventricular, que provoca parada cardiaca y tiene alta letalidad, taquicardia ventricular, y fibrilación auricular, que provoca infarto cerebral. Por tanto, la determinación de una arritmia es muy importante, y la determinación de una arritmia se realiza usando información electrocardiográfica adquirida a partir de un sujeto que va a determinarse con un dispositivo de medición de señales biológicas.

Sin embargo, para la determinación de la arritmia, un médico examina visualmente la información electrocardiográfica continua a largo plazo para realizar el diagnóstico, lo que supone una carga pesada para el médico. Dada esta situación, están usándose aparatos y métodos para el análisis de señales biológicas para determinar automáticamente una arritmia (véanse los documentos no de patente 1 y 2, por ejemplo).

El método descrito en el documento no de patente 1 consiste en realizar una determinación limitada a fibrilación auricular entre las arritmias. La fibrilación auricular es una arritmia en la que las partes denominadas aurícula vibran debido a una excitación eléctrica anómala, y ejemplos de características para determinarla a partir de la información electrocardiográfica incluyen la aparición de una onda F, que es un componente de vibración, y la anomalía de un ciclo de latido cardiaco (a continuación en el presente documento, una relación RR). El documento no de patente 1 se centra en esta última, en el que en un histograma con la relación RR en el eje horizontal, las variaciones son mayores en la fibrilación auricular que en el ritmo sinusal normal (a continuación en el presente documento, una forma de onda normal), a partir de lo cual se determina la fibrilación auricular. El método descrito en el documento no de patente 2, que se centra en la fibrilación auricular, al igual que en el documento no de patente 1, realiza un análisis automático mediante aprendizaje por máquina. El documento no de patente 2 segmenta la información electrocardiográfica adquirida cada 15 segundos, que se somete a conversión de tiempo-frecuencia para revelar características de forma de onda, que se clasifican en cuatro categorías que incluyen “forma de onda normal, ruido, fibrilación auricular, y otras”, que ya se han aprendido, para determinar la fibrilación auricular.

Lista de referencias

Bibliografía no de patente

Documento no de patente 1: B. Logan y J. Healey, “Robust detection of atrial fibrillation for a long term telemonitoring system”, Computers in Cardiology, 2005, Lyon, 2005, págs. 619-622, doi: 10.1109/CIC.2005.1588177

Documento no de patente 2: Qayyum, F. Meriaudeau and G. C. Y. Chan, “Classification of Atrial Fibrillation with Pre-Trained Convolutional Modelo de red neuronals”, 2018 IEEE-EMBS Conference on Biomedical Engineering and Sciences (IECBES), Sarawak, Malasia, 2018, págs. 594-599, doi: 10.1109/IECBES.2018.8626624.

El documento US 2019/059763 A1 da a conocer un método para detectar anomalías en señales de electrocardiograma (ECG), comprendiendo el método recibir un conjunto de señales de ECG desde un dispositivo de ECG; amplificar solo los picos de al menos parte del conjunto de señales de ECG para producir marcas de latidos de ECG a partir de las cuales puede derivarse una frecuencia cardiaca para detectar un ritmo irregular entre al menos dos latidos de ECG; extraer un único latido de ECG del conjunto de señales de ECG del dispositivo de ECG usando dichas marcas de latidos de ECG; alimentar el único latido de ECG extraído a una primera red neuronal que puede ser un autocodificador; producir, en la primera red neuronal, una representación compacta de la señal de ECG única extraída para generar una salida de extracción de características; y usar, en una segunda red neuronal, la salida de extracción de características de la primera red neuronal para generar una puntuación asociada con las anomalías en las señales de ECG.

Sumario

Problema técnico

Sin embargo, el documento no de patente 1 y el documento no de patente 2 tienen los siguientes problemas. El documento no de patente 1 solo puede determinar arritmias caracterizadas por la anomalía de la relación RR. Tal como se describió anteriormente, existen varios tipos de arritmias, y algunas arritmias, tales como la taquicardia ventricular, no se caracterizan por la relación RR, lo que hace que estas arritmias pasen desapercibidas. Para evaluar la anomalía de la relación RR a partir de variaciones, se requiere que la arritmia (variaciones) sea continua durante un periodo de tiempo prolongado para determinar la fibrilación auricular, y es difícil determinar arritmias que se producen repentinamente.

El documento no de patente 2 requiere aprendizaje previo y, por tanto, no puede realizar la determinación de arritmias no aprendidas.

Un objeto de la presente invención es resolver los problemas anteriores de las tecnologías convencionales y proporcionar un sistema de análisis de señales biológicas integrado capaz de determinar si surge una arritmia a partir de la información electrocardiográfica independientemente del tipo de arritmia.

Solución al problema

Un sistema de análisis de señales biológicas integrado de la presente invención que logra el objeto anterior incluye las siguientes configuraciones.

(1) Se proporciona un sistema de análisis de señales biológicas integrado que realiza la determinación de la arritmia basándose en información electrocardiográfica. El sistema de análisis de señales biológicas incluye: una unidad de entrada configurada para recibir la entrada de la información electrocardiográfica;

una unidad de conversión de datos configurada para realizar la conversión de tiempo-frecuencia en la información electrocardiográfica para generar datos para la determinación;

una unidad de restauración de datos configurada para restaurar los datos para la determinación usando un modelo aprendido que incluye un autocodificador para generar datos restaurados;

una unidad de cálculo de diferencia configurada para calcular una cantidad de diferencia entre los datos restaurados y los datos para la determinación; y

una unidad de determinación configurada para determinar si los datos para la determinación son cualquiera de datos de forma de onda normal y datos de forma de onda arrítmica basándose en la cantidad de diferencia. (2) En el sistema de análisis de señales biológicas según (1), el modelo aprendido es un modelo generado por aprendizaje usando una pluralidad de elementos de datos conocidos para el aprendizaje, el 95 % o más de los cuales se genera basándose en datos de forma de onda normal.

(3) En el sistema de análisis de señales biológicas según (1), el modelo aprendido es un modelo generado por aprendizaje usando una pluralidad de elementos de datos conocidos para el aprendizaje, el 95 % o más de los cuales se genera basándose en datos de forma de onda normal, y datos para el aprendizaje adquiridos a partir de un sujeto para el que se realiza la determinación.

(4) En el sistema de análisis de señales biológicas según (1), el modelo aprendido es un modelo generado por aprendizaje usando datos para el aprendizaje adquiridos a partir de un sujeto que ha de determinarse.

(5) En el sistema de análisis de señales biológicas según uno cualquiera de (1) a (4), la unidad de entrada está configurada para segmentar los datos de forma de onda de la información electrocardiográfica en datos de forma de onda unitaria en los que se extraen datos de forma de onda en un intervalo de tiempo predeterminado, y la unidad de conversión de datos está configurada para realizar la conversión de tiempo-frecuencia en los datos de forma de onda unitaria para generar los datos para la determinación.

(6) En el sistema de análisis de señales biológicas según uno cualquiera de (1) a (5), la unidad de conversión de datos está configurada para generar datos ponderados en los que se pondera una región de características de tiempo-frecuencia de arritmia en los datos para la determinación.

(7) En el sistema de análisis de señales biológicas según uno cualquiera de (1) a (6), la unidad de cálculo de diferencia está configurada para generar datos de diferencia que indican una diferencia entre los datos restaurados y los datos para la determinación y calcular la cantidad de diferencia basándose en los datos de diferencia, y la unidad de determinación está configurada para identificar un factor de arritmia basándose en una característica de tiempo y frecuencia de los datos de diferencia.

(8) En el sistema de análisis de señales biológicas según uno cualquiera de (1) a (7), el modelo aprendido es un modelo generado por aprendizaje usando datos para el aprendizaje que se sabe que son los datos de forma de onda normal.

(9) El sistema de análisis de señales biológicas según uno cualquiera de (1) a (8) incluye además una unidad de aprendizaje configurada para realizar el aprendizaje del autocodificador usando datos para el aprendizaje para generar el modelo aprendido.

(10) El sistema de análisis de señales biológicas según (2) incluye además una unidad de aprendizaje configurada para realizar el aprendizaje del autocodificador usando los datos para el aprendizaje para generar el modelo aprendido. La unidad de aprendizaje incluye una pluralidad de autocodificadores correspondientes a características de los datos conocidos para el aprendizaje, y está configurada para seleccionar un autocodificador de los autocodificadores basándose en una característica de los datos de forma de onda normal de un sujeto que ha de determinarse.

(11) El sistema de análisis de señales biológicas según (3) incluye además una unidad de aprendizaje configurada para realizar el aprendizaje del autocodificador usando los datos para el aprendizaje para generar el modelo aprendido. La unidad de aprendizaje incluye una pluralidad de grupos de datos para el aprendizaje o una pluralidad de autocodificadores correspondientes a características de los elementos de datos conocidos para el aprendizaje y está configurada para seleccionar un grupo de datos para el aprendizaje o un autocodificador de los grupos de datos para el aprendizaje o los autocodificadores basándose en una característica de los datos de forma de onda normal de un sujeto que ha de determinarse.

Efectos ventajosos de la invención

La presente invención puede proporcionar un sistema de análisis de señales biológicas integrado capaz de determinar si surge arritmia a partir de información electrocardiográfica independientemente del tipo de arritmia.

Breve descripción de los dibujos

La figura 1 es un diagrama de un ejemplo de configuración de un sistema de análisis de señales biológicas integrado según una primera realización.

La figura 2 es un diagrama de un ejemplo detallado de información electrocardiográfica para su uso en análisis. La figura 3 es un diagrama de un ejemplo de procesamiento por una unidad de entrada para la información electrocardiográfica según la primera realización.

La figura 4 es un diagrama de flujo del procesamiento de aprendizaje según la primera realización.

La figura 5 es un diagrama de flujo del procesamiento de determinación según la primera realización.

La figura 6A es un diagrama (n.° 1) de un ejemplo de procesamiento por una unidad de conversión de datos según la primera realización.

La figura 6B es un diagrama (n.° 2) del ejemplo de procesamiento por la unidad de conversión de datos según la primera realización.

La figura 7 es un diagrama de una configuración de un autocodificador según la primera realización.

La figura 8 es un diagrama de un ejemplo de procesamiento por una unidad de aprendizaje según la primera realización.

La figura 9A es un diagrama (n.° 1) de un ejemplo de procesamiento por una unidad de restauración de datos según la primera realización.

La figura 9B es un diagrama (n.° 2) del ejemplo de procesamiento por la unidad de restauración de datos según la primera realización.

La figura 10A es un diagrama (n.° 1) de un ejemplo de procesamiento por una unidad de cálculo de diferencia según la primera realización.

La figura 10B es un diagrama (n.° 2) del ejemplo de procesamiento por la unidad de cálculo de diferencia según la primera realización.

La figura 11A es un diagrama (n.° 1) de un ejemplo de procesamiento por una unidad de determinación según la primera realización.

La figura 11B es un diagrama (n.° 2) del ejemplo de procesamiento por la unidad de determinación según la primera realización.

La figura 12 es un diagrama de un ejemplo de análisis mediante procesamiento según la primera realización. La figura 13A es un diagrama (n.° 1) de un ejemplo de ponderación de una característica específica de arritmia en datos de características tridimensionales según una sexta realización.

La figura 13B es un diagrama (n.° 2) del ejemplo de ponderación de la característica específica de arritmia en los datos de características tridimensionales según la sexta realización.

La figura 14 es un diagrama de ejemplos de identificación de un factor de arritmia basado en coordenadas de tiempo-frecuencia según una séptima realización.

Descripción de las realizaciones

A continuación se describen en detalle realizaciones de un sistema de análisis de señales biológicas integrado según la presente invención basándose en los dibujos adjuntos. La presente invención está limitada por estas realizaciones. Las realizaciones individuales de la presente invención no son independientes entre sí y pueden realizarse según sea apropiado combinadas entre sí.

Primera realización

La figura 1 es un diagrama de un ejemplo de configuración de un sistema de análisis de señales biológicas integrado según una primera realización de la presente invención. Según la figura 1, se obtiene información 10 electrocardiográfica que va a analizarse a partir de un sujeto 1 que ha de determinarse a través de un dispositivo 2 de medición de señales biológicas. El sujeto 1 que ha de determinarse es un humano, un animal, y similares, que no se limita a un sujeto particular. Los ejemplos del dispositivo 2 de medición de señales biológicas incluyen un electrocardiógrafo.

La información 10 electrocardiográfica adquirida a partir del sujeto que ha de determinarse incluye información sobre el sujeto 1 que ha de determinarse, la fecha, la hora y el lugar de adquisición, y un resultado de medición. El resultado de medición son datos 11 de forma de onda obtenidos realizando la representación gráfica con el tiempo en el eje horizontal y la tensión en el eje vertical (véase la figura 1).

la figura 2 es un diagrama de un ejemplo detallado de la información 10 electrocardiográfica para su uso en análisis. El apartado (a) de la figura 2 ilustra los datos 11A de forma de onda de un pulso normal, mientras que (b) de la figura 2 es un ejemplo de datos 11B de forma de onda de la fibrilación auricular en los que se produce una onda F. Cada dato de forma de onda puede contener componentes denominados una onda P 11a, una onda Q 11b, una onda R 11c, una onda S 11d, una onda T 11e y una onda F wave 11f, y estas formas se usan como criterios para la arritmia. Los datos de forma de onda de la información 10 electrocardiográfica pueden cambiar su forma dependiendo del sujeto que ha de determinarse y/o del dispositivo de medición de señales biológicas. Con referencia de nuevo a la figura 1, este sistema 3 de análisis de señales biológicas según la presente invención incluye una unidad 31 de entrada, una unidad 32 de conversión de datos, una unidad 33 de aprendizaje, una unidad 34 de restauración de datos, una unidad 35 de cálculo de diferencia, una unidad 36 de determinación, una unidad 37 de control y una unidad 38 de almacenamiento.

La unidad 31 de entrada recibe entrada de la información electrocardiográfica emitida desde el dispositivo 2 de medición de señales biológicas. La unidad 31 de entrada extrae datos de forma de onda unitaria a partir de los datos 11 de forma de onda de la información electrocardiográfica adquirida. La unidad 31 de entrada incluye un conector que se conecta eléctricamente al dispositivo 2 de medición de señales biológicas, un aparato de comunicación que incluye medios para comunicarse con el dispositivo 2 de medición de señales biológicas, o un puerto de entrada para medios en los que se almacenan los datos y puede incluir además interfaces de usuario tales como un teclado, un ratón y un micrófono.

La unidad 32 de conversión de datos aplica procesamiento de conversión a la información 10 electrocardiográfica. Específicamente, se aplica análisis de frecuencia a los datos de forma de onda que muestran la relación entre el tiempo y la intensidad (tensión en este caso) para generar datos de características de tiempo-frecuencia intensidad tridimensionales.

La figura 3 es un diagrama de un ejemplo de procesamiento por la unidad 31 de entrada para la información electrocardiográfica según la primera realización. La unidad 31 de entrada genera datos 12 de forma de onda unitaria extraídos para cada unidad designada para los datos 11 de forma de onda ilustrados en (a) de la figura 3 (véase (b) de la figura 3) y los registra en la unidad 38 de almacenamiento. Los ejemplos de la extracción de los datos 12 de forma de onda unitaria incluyen establecer un período designado como una unidad basándose en la información del eje de tiempo y establecer un número designado de formas de onda como una unidad con una posición de pico de la onda R 11c como una posición de referencia de extracción, pero esto no es limitativo. En el ejemplo ilustrado en la figura 3, se detecta una posición 11cp de pico de la onda R 11c, y se establecer como unidad un número designado de segundos antes y después de la posición 11cp de pico de la onda R 11c, y de ese modo los datos 12 de forma de onda unitaria representan una forma de onda única basándose en los datos 11 de forma de onda. Posteriormente, la unidad 32 de conversión de datos aplica procesamiento para generar datos 13 de características tridimensionales a partir de los datos 12 de forma de onda unitaria (véase (c) de la figura 3.

En los datos 11 de forma de onda, los intervalos de los elementos de datos 12 de forma de onda unitaria no son constantes debido a las fluctuaciones en el latido cardiaco. La segmentación por cada forma de onda unitaria mejora la precisión de aprendizaje de un autocodificador 41 en la unidad 33 de aprendizaje descrita a continuación e inhibe la mezcla de ruido en los datos de diferencia y la cantidad de diferencia en la unidad 35 de cálculo de diferencia, y por tanto mejora la precisión de la determinación de arritmia. Además, se excluyen secciones que no tienen información útil para la determinación, tales como datos 11g de forma de onda fuera de unidad en (b) de la figura 3, y por tanto puede reducirse la cantidad de procesamiento.

En el ejemplo ilustrado en la figura 3, para realizar la segmentación por cada forma de onda unitaria, el número designado de segundos antes y después de la posición 11cp de pico de la onda R 11c detectada a partir del valor máximo de una sección determinada se establece como una forma de onda unitaria, pero esto no es limitativo. Si los datos de forma de onda no tienen la onda R 11c y la posición 11cp de pico de la onda R 11c no puede detectarse, la unidad 31 de entrada determina el valor máximo de los datos de forma de onda y extrae un número designado de segundos antes y después de ese momento, como una posición de referencia, como una unidad.

La unidad 33 de aprendizaje realiza parámetros de red de optimización de aprendizaje de una red neuronal para generar un modelo aprendido. La unidad 33 de aprendizaje tiene un autocodificador y realiza el aprendizaje del autocodificador con datos de características tridimensionales generados basándose en la información electrocardiográfica como datos para el aprendizaje. Los ejemplos del aprendizaje incluyen el aprendizaje usando el método de retropropagación de errores y el método de descenso de gradiente estocástico. La unidad 33 de aprendizaje hace que la unidad 38 de almacenamiento almacene en ella el modelo aprendido después del aprendizaje (a continuación en el presente documento, también denominado simplemente modelo aprendido).

A continuación se describe el procesamiento de aprendizaje por la unidad 33 de aprendizaje. La figura 4 es un diagrama de flujo del procesamiento de aprendizaje por el sistema 3 de análisis de señales biológicas. En el procesamiento de aprendizaje, los datos 13 de características tridimensionales se adquieren como los datos para el aprendizaje a partir de los datos de forma de onda unitaria, que se han generado por la unidad 32 de conversión de datos aplicando cada procesamiento basándose en la información 10 electrocardiográfica introducida en la unidad 31 de entrada (etapa S101). La unidad 33 de aprendizaje realiza el aprendizaje del autocodificador usando los datos generados para el aprendizaje y emite el modelo aprendido después del aprendizaje. En este proceso, se prepara una pluralidad de elementos de datos para el aprendizaje, y se usan los elementos de datos para el aprendizaje que se sabe que son normales o suponen arritmia, la mayoría de los cuales son de origen de forma de onda normal. La “mayoría” a la que se hace referencia en el presente documento es del 95 % o más. “Normal” que se emplea como los datos para el aprendizaje se refiere a uno determinado como “normal” por el médico, un técnico de examen clínico, y similares. En la presente primera realización, la unidad 33 de aprendizaje realiza el aprendizaje usando solo datos para el aprendizaje basándose en datos de forma de onda de pulso normal (datos de forma de onda normal). Es preferible que la unidad 33 de aprendizaje use solo los datos de forma de onda normal en lo que se refiere al aumento de la precisión de la determinación, pero esto no es limitativo.

Con referencia de nuevo a la figura 1, la unidad 34 de restauración de datos realiza el procesamiento de restauración sobre los datos de características tridimensionales generados por la unidad 32 de conversión de datos, los datos de características tridimensionales obtenidos a partir del sujeto 1 que ha de determinarse (a continuación en el presente documento, también denominados datos para la determinación) usando el modelo aprendido generado por la unidad 33 de aprendizaje.

La unidad 35 de cálculo de diferencia calcula una cantidad de diferencia de los datos antes y después del procesamiento de restauración por la unidad 34 de restauración de datos. Específicamente, la unidad 35 de cálculo de diferencia genera datos de diferencia entre los datos de características tridimensionales antes de la restauración y los datos de características tridimensionales después de la restauración y calcula la cantidad de diferencia basándose en los datos de diferencia.

La unidad 36 de determinación determina si el pulso del sujeto 1 que ha de determinarse son los datos de forma de onda normal o datos de forma de onda arrítmica basándose en la cantidad de diferencia calculada por la unidad 35 de cálculo de diferencia.

La unidad 37 de control controla de manera exhaustiva el funcionamiento del sistema 3 de análisis de señales biológicas. La unidad 37 de control hace que una pantalla muestre visualmente resultados determinados por la unidad 36 de determinación o los emita externamente.

La unidad 38 de almacenamiento almacena en ella diversos datos que incluyen diversos programas informáticos para hacer funcionar el sistema 3 de análisis de señales biológicas y datos generados por las unidades. Los diversos programas informáticos incluyen un programa de determinación que se ejecutará usando el modelo aprendido. La unidad 38 de almacenamiento incluye una memoria de solo lectura (ROM) en la que los diversos programas informáticos y similares se instalan con antelación y una memoria de acceso aleatorio (RAM), una unidad de disco duro (HDD) y una unidad de estado sólido (SSD) que almacena en ella parámetros de cálculo y datos para cada procesamiento y similares.

Los diversos programas informáticos también pueden grabarse en medios de grabación legibles por ordenador, tales como un HDD, una memoria flash, una memoria de solo lectura de disco compacto (CD-ROM), una memoria de solo lectura de disco versátil digital (DVD-ROM) y Blu-ray (marca comercial registrada) para distribuirse ampliamente. También es posible que la unidad 31 de entrada adquiera diversos programas informáticos a través de una red de comunicación. La red de comunicación a la que se hace referencia en el presente documento es una que incluye una red de línea pública existente, una red de área local (LAN) o una red de área amplia (WAN), por ejemplo, y puede ser por cable o inalámbrica.

El sistema 3 de análisis de señales biológicas que tiene la configuración funcional anterior es un ordenador que incluye uno o una pluralidad de elementos de hardware, tal como una unidad de procesamiento central (CPU), una unidad de procesamiento gráfico (GPU), un circuito integrado de aplicación específica (ASIC) y una matriz de puertas programables en campo (FPGA).

A continuación se describe el procesamiento de determinación de si se trata de un estado normal o de arritmia basándose en la información electrocardiográfica obtenida a partir del sujeto 1 que ha de determinarse. La figura 5 es un diagrama de flujo del procesamiento de determinación según la primera realización. En el procesamiento de determinación, en primer lugar, la unidad 31 de entrada adquiere la información 10 electrocardiográfica obtenida a partir del sujeto 1 que ha de determinarse a través del dispositivo 2 de medición de señales biológicas (etapa S201). La unidad 31 de entrada genera los datos 12 de forma de onda unitaria, que son extracción parcial de los datos 11 de forma de onda de la información 10 electrocardiográfica adquirida.

La unidad 32 de conversión de datos convierte los datos de forma de onda unitaria para generar los datos de características tridimensionales (etapa S202). Estos datos de características tridimensionales sirven como los datos para la determinación o los datos para el aprendizaje.

La figura 6A y la figura 6B son diagramas de ejemplo de procesamientos por la unidad 32 de conversión de datos según la primera realización. La figura 6A ilustra un ejemplo de diversos datos en una forma de onda normal, y la figura 6B ilustra un ejemplo de diversos datos en una forma de onda arrítmica. Además, (a) cada dibujo ilustra los datos de forma de onda unitaria, y (b) ilustra los datos para el aprendizaje o los datos para la determinación. La unidad 32 de conversión de datos aplica conversión de tiempo-frecuencia a los datos 12 de forma de onda unitaria obtenidos por la unidad 31 de entrada. En este proceso, los datos 14X conocidos para el aprendizaje se obtienen como los datos de características tridimensionales para el procesamiento de aprendizaje, y los datos 14A y 14B para la determinación se obtienen como los datos de características tridimensionales para el procesamiento de determinación. Por motivos de conveniencia, se realiza una distinción entre los datos 14<a>para la determinación (la forma de onda normal: figura 6A) y los datos 14B para la determinación (la forma de onda arrítmica: figura 6B), pero en realidad, se desconoce si son la forma de onda normal o la forma de onda arrítmica. Para la conversión de tiempo-frecuencia, pueden usarse métodos de conversión de frecuencia generales tales como la transformada de Fourier de tiempo corto y la transformada de ondícula, por ejemplo, pero esto no es limitativo. Los datos 14X conocidos para el aprendizaje y los datos 14A y 14B para la determinación se tratan de manera deseable como datos numéricos, pero también pueden tratarse como otro formato, tal como datos de imagen.

Se adquieren cuatro elementos de datos 12A a 12D de forma de onda unitaria (datos de forma de onda unitaria normal) en la figura 6A a partir de diferentes sujetos que han de determinarse, y puede observarse que la forma de onda difiere de un sujeto que ha de determinarse a otro. Los ejemplos de las diferencias entre individuos incluyen la cantidad de depresión de la onda S y la altura de la onda T. Cuando se aplica la conversión de tiempo-frecuencia por la unidad 32 de conversión de datos a estos elementos de datos 12A a 12D de forma de onda unitaria, se obtienen datos 13A a 13D de características tridimensionales. Estos elementos de datos 13A a 13D de características tridimensionales se usan como los datos 14X conocidos para el aprendizaje y los datos 14A para la determinación del origen de forma de onda normal, reduciendo las diferencias entre individuos en comparación con las de los datos 12A a 12D de forma de onda unitaria. Por tanto, también es posible mejorar la precisión del aprendizaje desviando los datos 14X conocidos para el aprendizaje (los datos 13A a 13D de características tridimensionales) obtenidos a partir de diferentes sujetos en la unidad 33 de aprendizaje descrita a continuación.

Cuatro elementos de datos 12E a12H de forma de onda unitaria (datos de forma de onda unitaria arrítmica) en la figura 6B son cada uno un ejemplo de arritmia principal o su signo. El objeto del sistema 3 de análisis de señales biológicas es distinguir entre los datos 12A a 12D de forma de onda unitaria y los datos 12E a 12H de forma de onda unitaria. Sin embargo, es difícil capturar las características de datos de los elementos de datos de forma de onda unitaria tal como están, y es difícil distinguir entre ellos. Por tanto, aplicando la conversión de tiempofrecuencia por la unidad 32 de conversión de datos de la misma manera, se obtienen datos 13E a 13H de características tridimensionales. Estos elementos de datos 13E a 13H de características tridimensionales se usan como datos 14B para la determinación del origen de forma de onda arrítmica, y aparecen características específicas de arritmia en las regiones R<1>a R<5>ilustradas en (b) de la figura 6B, haciendo fácil la distinción de la forma de onda normal.

Después de la conversión de datos, la unidad 34 de restauración de datos adquiere el modelo aprendido generado por la unidad 33 de aprendizaje (etapa S203). En este proceso, la unidad 34 de restauración de datos se refiere a la unidad 38 de almacenamiento para adquirir el modelo aprendido o adquiere el modelo aprendido de la unidad 33 de aprendizaje.

A continuación se describen los datos aprendidos generados por la unidad 33 de aprendizaje con referencia a la figura 7 y la figura 8. La figura 7 es un diagrama de una configuración del autocodificador según la primera realización. Tal como se ilustra en la figura 7, el autocodificador 41 es un modelo de red neuronal que incluye un codificador 411 y un decodificador 412. El codificador 411 pondera una característica de cada nodo 45 con una ponderación única en cada borde 46 e introduce la característica en el nodo 45 en la siguiente capa, mientras se reduce el número de dimensiones. Este procesamiento permite que la característica de datos 43 de entrada se comprima a una dimensión inferior. El decodificador 412 realiza el procesamiento opuesto al de codificador 411 para generar los datos 44 restaurados. Es decir, los datos 44 restaurados son una reconstrucción de los datos 43 de entrada a partir de la característica comprimida por el codificador 411. A continuación, la compresión de la característica por el codificador 411 se denomina extracción de características y la reconstrucción de la característica por el decodificador 412 se denomina restauración. Con respecto a la entrada y salida del autocodificador 41, en el procesamiento de aprendizaje, los datos 43 de entrada indican los datos 14X para el aprendizaje, y en el procesamiento de determinación, los datos 43 de entrada indican los datos para la determinación. El número de capas del autocodificador 41 y el número de nodos 45 de cada capa no están limitados en la presente primera realización.

La figura 8 es un diagrama de un ejemplo de procesamiento por la unidad 33 de aprendizaje según la primera realización. La unidad 33 de aprendizaje realiza el aprendizaje del autocodificador 41 usando los datos para el aprendizaje. El autocodificador realiza la restauración para generar los datos restaurados basándose en la extracción de características de los datos 43 de entrada introducidos como los datos para el aprendizaje y una característica extraída. El apartado (a) de la figura 8 representa una etapa inicial del aprendizaje, y (b) de la figura 8 representa una etapa en la que el aprendizaje ha progresado hasta cierto punto. Tal como se ilustra en (a) de la figura 8, cuando el aprendizaje todavía es insuficiente, la precisión de la extracción de características es baja, y los datos 44A restaurados (en aprendizaje) no restauran los datos 343 de entrada. Mediante el aprendizaje de un autocodificador 41a (véase (a) de la figura 8), se ajusta la cantidad de ponderación en cada borde 46, de modo que se reduce la diferencia entre los datos 43 de entrada y los datos 44A restaurados (en aprendizaje). A medida que el aprendizaje progresa de este modo, el estado cambia de (a) de la figura 8 a (b) de la figura 8. Específicamente, un autocodificador 41b, que ha progresado en aprendizaje, ha realizado la extracción de características para los datos 43 de entrada y por tanto puede generar los datos 44B restaurados, que se restauran con alta precisión.

En la presente primera realización, el modelo aprendido se aprende usando solo los datos 14X para el aprendizaje que se sabe que son normales, lo que permite la extracción de características y la restauración de la forma de onda normal, en la que los datos 14X conocidos para el aprendizaje necesarios para el aprendizaje del modelo aprendido se obtienen a partir de los datos 12A a 12D de forma de onda unitaria, que están fácilmente disponibles en grandes cantidades, por ejemplo. Por tanto, no es necesario aprender a detectar arritmias como en el pasado, y los datos para el aprendizaje están fácilmente, y por tanto es fácil mejorar la precisión del aprendizaje.

Tras la adquisición del modelo aprendido, la unidad 34 de restauración de datos realiza el procesamiento de restauración usando los datos para la determinación generados en la etapa S202 y el modelo aprendido generado por la unidad 33 de aprendizaje (etapa S204). El procesamiento de restauración facilita datos de características tridimensionales en los que se restauran los datos para la determinación generados en la etapa S202.

La figura 9A y la figura 9B son diagramas de ejemplos de procesamiento por la unidad 34 de restauración de datos según la primera realización. Por motivos de conveniencia, se realiza una distinción entre los datos 13I para la determinación (la forma de onda normal: figura 9A) y los 13J para la determinación (la forma de onda arrítmica: figura 9B), pero en realidad se desconoce sin son la forma de onda normal o la forma de onda arrítmica. La unidad 34 de restauración de datos restaura los datos 13I y 13J para la determinación generados por la unidad 32 de conversión de datos para generar datos 15A y 15B restaurados usando un modelo 42 aprendido que ha aprendido la unidad 33 de aprendizaje.

El modelo 42 aprendido realiza la extracción de características y la restauración de la forma de onda normal y por tanto, cuando se introducen los datos 13I para la determinación del origen de forma de onda normal, el modelo 42 aprendido puede realizar correctamente la extracción de características y la restauración. Por otro lado, cuando se introducen los datos 13J para la determinación del origen de la arritmia, el modelo 42 aprendido no puede extraer la característica de arritmia, y la precisión de la restauración es baja.

Después del procesamiento de restauración, la unidad 35 de cálculo de diferencia genera datos de diferencia entre los datos para la determinación (los datos de características tridimensionales) generados en la etapa S202 y los datos de características tridimensionales restaurados en la etapa S204 (etapa S205). Posteriormente, la unidad 35 de cálculo de diferencia calcula una cantidad de diferencia a partir de los datos de diferencia (etapa S206).

La figura 10A y la figura 10B son diagramas de ejemplo de procesamientos por la unidad 35 de cálculo de diferencia según la primera realización. La unidad 35 de cálculo de diferencia compara los datos para la determinación y los datos restaurados, que son la entrada y la salida, respectivamente, en la unidad 34 de restauración de datos, genera datos de diferencia como la diferencia entre ellos, y calcula una cantidad de diferencia basándose en los datos de diferencia. Para el cálculo de la cantidad de diferencia, pueden usarse métodos generales de cálculo de diferencia, tales como el error cuadrático medio (RMSE) y el error absoluto medio (MAE), por ejemplo, pero esto no es limitativo. Cuando los datos 13I para la determinación se introduce en la unidad 34 de restauración de datos, el modelo 42 aprendido puede restaurar correctamente la característica de la forma de onda normal, y por tanto los datos 16A de diferencia son datos con distribución de intensidad plana (en negro en este caso) y el valor de una cantidad 17A de diferencia es pequeño (véase la figura 10A). Por otro lado, cuando los datos 13J para la determinación se introducen en la unidad 34 de restauración de datos, el modelo 42 aprendido no puede restaurar correctamente la característica de arritmia, y datos 16B de diferencia son datos de distribución de intensidad no uniforme, y el valor de una cantidad 17B de diferencia es grande (véase la figura 10B).

La unidad 36 de determinación determina si los datos de forma de onda obtenidos a partir del sujeto 1 que ha de determinarse son normales o de arritmia basándose en la cantidad de diferencia calculada en la etapa S206 (etapa S207). Posteriormente, la unidad 36 de determinación emite un resultado determinado (etapa S208). Específicamente, la unidad 36 de determinación determina si se trata de un estado normal o de arritmia dependiendo de si la cantidad de diferencia (por ejemplo, las cantidades 17A y 17B de diferencia) calculada por la unidad 35 de cálculo de diferencia es menor que un umbral preestablecido y emite un resultado determinado. La figura 11A y la figura 11B son diagramas de ejemplos de procesamiento por la unidad de determinación según la primera realización. Supongamos que la cantidad 17A de diferencia es menor que el umbral y la cantidad 17B de diferencia es mayor que el umbral. Tal como se ilustra en la figura 11A, la cantidad 17A de diferencia es pequeña en la cantidad de diferencia y por tanto se determina que es “normal”. Por otro lado, tal como se ilustra en la figura 11B, la cantidad 17B de diferencia es grande en la cantidad de diferencia y por tanto se determina que es “arritmia”.

La figura 12 es un diagrama de un ejemplo de análisis mediante procesamiento según la primera realización. Específicamente, en el procesamiento de determinación, se facilitan 10 muestras de cada uno de los datos 14A para la determinación y los datos 14B para la determinación (véase la figura 6A y la figura 6B) como los datos para la determinación, y se ilustran las cantidades de diferencia calculadas mediante el RMSE descrito anteriormente. En este proceso, tal como se describió anteriormente, la cantidad de diferencia del origen de forma de onda arrítmica es mayor que la cantidad de diferencia del origen de forma de onda normal, y el establecimiento de un umbral Th basándose en esta diferencia permite la determinación de arritmia.

En principio, el procesamiento de determinación se ejecuta después del procesamiento de aprendizaje. Sin embargo, si ya se ha emitido un modelo aprendido por el procesamiento de aprendizaje, es posible omitir el procesamiento de aprendizaje y determinar si es normal o arritmia mediante el uso del modelo aprendido existente.

Según la primera realización descrita anteriormente, la unidad 36 de determinación puede determinar datos de forma de onda diferente a partir de los datos de forma de onda normal, es decir, arritmia. Además, si la unidad para realizar la determinación se acorta, se permite la determinación incluso cuando no puede procesarse una cantidad suficientemente continua de datos bajo la influencia de ruido o similares, y además, se permite la determinación incluso para arritmia que se produce individualmente.

Segunda realización

A continuación se describe una segunda realización de la presente invención. La presente segunda realización depende de la primera realización. La configuración de un sistema de análisis de señales biológicas según la segunda realización es igual que la del sistema 3 de análisis de señales biológicas según la primera realización, y por tanto se omite una descripción del mismo. A continuación se describen las partes que son diferentes de la primera realización.

En la presente segunda realización, la unidad 33 de aprendizaje genera una pluralidad de modelos aprendidos clasificando los datos 14X conocidos para el aprendizaje, para su uso en el aprendizaje, en grupos de datos para el aprendizaje basándose en la característica de la forma de onda de los datos de forma de onda unitaria original y realizando aprendizaje para cada grupo de datos para el aprendizaje del tipo clasificado (característica). Los ejemplos de la característica de la forma de onda a la que se hace referencia en el presente documento incluyen la cantidad de depresión de la onda S y la altura de la onda T. En la segunda realización, la unidad 33 de aprendizaje tiene una pluralidad de autocodificadores proporcionados para cada tipo de clasificación. Cada autocodificador genera un modelo aprendido para cada tipo de clasificación. El número de modelos aprendidos (autocodificadores) preparados en la unidad 33 de aprendizaje en la presente segunda realización puede establecerse libremente, pero es preferible que haya cuatro o más.

El procesamiento de determinación en la presente segunda realización difiere únicamente en el procesamiento de adquisición de modelos aprendidos (etapa S203 ilustrada en la figura 5), y el resto sigue el diagrama de flujo ilustrado en la figura 5. En el procesamiento de adquisición de modelos aprendidos, se selecciona un grupo de datos para el aprendizaje o un modelo aprendido (autocodificador) de los grupos de datos para el aprendizaje o los modelos aprendidos (autocodificadores) de la unidad 33 de aprendizaje basándose en la característica de la forma de onda de los datos de forma de onda unitaria en el sujeto 1 que ha de determinarse. El modelo para el aprendizaje que va a seleccionarse se determina según el propósito, pero es preferiblemente el más apropiado para el procesamiento de determinación. Los ejemplos de un método para seleccionar el modelo aprendido óptimo incluyen un método de aplicación de cada procesamiento a los modelos aprendidos y los datos de forma de onda obtenidos a partir del sujeto 1 que ha de determinarse por la unidad 34 de restauración de datos y la unidad 35 de cálculo de diferencia y de selección de un modelo aprendido con la menor cantidad de diferencia de salida, pero esto no es limitativo.

En la primera realización, como característica del procesamiento de aprendizaje, los datos de forma de onda unitaria se someten a la conversión de tiempo-frecuencia por la unidad 32 de conversión de datos, y de ese modo pueden reducirse las diferencias entre individuos. Sin embargo, el uso del modelo aprendido en la presente segunda realización puede reducir adicionalmente las diferencias entre individuos y mejorar la precisión de la determinación.

Además, la forma de onda normal obtenida a partir de los sujetos que han de determinarse que han desarrollado hipertrofia cardiaca o cardiomegalia difiere en la característica de la forma de onda de la obtenida a partir de personas normales que no han desarrollado hipertrofia cardiaca o cardiomegalia. Por tanto, el modelo aprendido que se ha aprendido con la información 10 electrocardiográfica obtenida a partir de personas normales no puede restaurar correctamente la característica de la forma de onda normal basada en hipertrofia cardiaca o cardiomegalia, y la irregularidad de la distribución de intensidad de los datos de diferencia y el valor de la cantidad de diferencia aumentan, lo que puede determinarse falsamente que es arritmia. En tal caso, la unidad 33 de aprendizaje en la presente segunda realización prepara un modelo aprendido para hipertrofia cardiaca o un modelo para cardiomegalia, y de ese modo puede determinarse la arritmia con alta precisión incluso para sujetos que han de determinarse que han desarrollado hipertrofia cardiaca o cardiomegalia.

Tercera realización

A continuación se describe una tercera realización de la presente invención. La configuración de un sistema de análisis de señales biológicas según la tercera realización es igual que la del sistema 3 de análisis de señales biológicas según la primera realización, y por tanto se omite una descripción del mismo. A continuación se describen las partes que son diferentes de la primera realización.

En la presente tercera realización, la unidad 33 de aprendizaje realiza el aprendizaje con una combinación de datos conocidos para el aprendizaje, que incluyen un sujeto que ha de determinarse distinto del propio sujeto que ha de determinarse (a continuación en el presente documento, denominados los datos 14X para el aprendizaje) y datos para el aprendizaje basándose en los datos de forma de onda de la forma de onda normal obtenidos a partir del propio sujeto que ha de determinarse (a continuación en el presente documento, denominados datos 14Y para el aprendizaje). Los ejemplos del aprendizaje con una combinación de los datos 14X para el aprendizaje y los datos 14Y para el aprendizaje incluyen un método de realización del aprendizaje con los datos 14X para el aprendizaje y los datos 14Y para el aprendizaje como un grupo de datos, pero esto no es limitativo. Mediante el uso de un modelo aprendido de este modo como el modelo aprendido de la unidad 34 de restauración de datos en el procesamiento de determinación, aumenta la precisión de la restauración, y puede mejorarse la precisión de la determinación.

En la primera realización y la segunda realización, como característica del procesamiento de aprendizaje, los datos de forma de onda unitaria se someten a la conversión de tiempo-frecuencia por la unidad 32 de conversión de datos, y de ese modo pueden reducirse las diferencias entre individuos. Sin embargo, el uso del procesamiento de aprendizaje por la unidad 33 de aprendizaje según la presente tercera realización puede eliminar además las diferencias entre individuos por los datos para el aprendizaje obtenidos a partir del propio sujeto que ha de determinarse y mejorar la precisión de la determinación. El modelo aprendido que se ha aprendido de ese modo puede desviarse como el modelo aprendido en la primera realización. El aprendizaje por la unidad 33 de aprendizaje en la presente tercera realización se hace posible por el hecho de que solo son necesarios los datos de forma de onda normal, que están fácilmente disponibles en grandes cantidades, para el aprendizaje del modelo aprendido, y el grado de dificultad del aprendizaje es extremadamente bajo.

Cuarta realización

A continuación se describe una cuarta realización de la presente invención. La presente cuarta realización depende de la tercera realización. La configuración de un sistema de análisis de señales biológicas según la cuarta realización es igual que la del sistema 3 de análisis de señales biológicas según la primera realización, y por tanto se omite una descripción del mismo. A continuación se describen las partes que son diferentes de la tercera realización.

En la presente cuarta realización, la unidad 33 de aprendizaje tiene una pluralidad de modelos aprendidos obtenidos clasificando los datos 14X conocidos para el aprendizaje, para su uso en el aprendizaje, en grupos de datos para el aprendizaje basándose en la característica de la forma de onda de los datos de forma de onda unitaria original y realizando el aprendizaje basándose en los grupos de datos para el aprendizaje clasificados. Los ejemplos de la característica de la forma de onda a la que se hace referencia en el presente documento incluyen la cantidad de depresión de la onda S y la altura de la onda T. En la cuarta realización, la unidad 33 de aprendizaje tiene una pluralidad de autocodificadores proporcionados para cada tipo de clasificación. Cada autocodificador genera un modelo aprendido para cada tipo de clasificación. El número de los grupos de datos para el aprendizaje o los modelos aprendidos (autocodificadores) preparados por la unidad 33 de aprendizaje en la presente realización puede establecerse libremente, pero es preferible que haya cuatro o más.

El procesamiento de aprendizaje o el procesamiento de determinación en la presente cuarta realización sigue básicamente el diagrama de flujo ilustrado en la figura 4 o la figura 5, pero en el procesamiento de generación de modelo aprendido (etapa S102 ilustrada en la figura 4) y el procesamiento de adquisición de modelos aprendidos (etapa S203 ilustrada en la figura 5), basándose en la característica de la forma de onda de los datos de forma de onda unitaria en el sujeto 1 que ha de determinarse, se selecciona un grupo de datos para el aprendizaje o un modelo aprendido o preferiblemente el óptimo a partir de los grupos de datos para el aprendizaje o los modelos aprendidos de la unidad 33 de aprendizaje y usa para el aprendizaje o la determinación. Los ejemplos de un método para seleccionar el grupo de datos óptimo para el aprendizaje o el modelo aprendido incluyen un método de aplicación de cada procesamiento a una pluralidad de modelos aprendidos que se han aprendido basándose en los grupos de datos para el aprendizaje y los datos de forma de onda normal obtenidos a partir del sujeto 1 que ha de determinarse por la unidad 34 de restauración de datos y la unidad 35 de cálculo de diferencia y de selección de uno con la menor cantidad de diferencia de salida, pero esto no es limitativo.

En la tercera realización, como característica del procesamiento de aprendizaje, pueden eliminarse adicionalmente las diferencias entre individuos mediante los datos 14Y para el aprendizaje obtenidos a partir del propio sujeto que ha de determinarse. Sin embargo, el uso del procesamiento de aprendizaje por la unidad 33 de aprendizaje según la cuarta realización puede reducir adicionalmente las diferencias entre individuos y mejorar la precisión de la determinación.

Además, la forma de onda normal obtenida a partir de los sujetos que han de determinarse que han desarrollado hipertrofia cardiaca o cardiomegalia difiere en la característica de la forma de onda de la obtenida a partir de personas normales. Por tanto, el modelo aprendido que se ha aprendido con la información 10 electrocardiográfica obtenida a partir de personas normales no puede restaurar correctamente la característica de la forma de onda normal basada en hipertrofia cardiaca o cardiomegalia, y la irregularidad de la distribución de intensidad de los datos de diferencia y el valor de la cantidad de diferencia aumentan, lo que puede determinarse falsamente que es arritmia. En tal caso, la unidad 33 de aprendizaje en la presente realización prepara un grupo de datos para el aprendizaje o un modelo aprendido para hipertrofia cardiaca o cardiomegalia, y de ese modo puede determinarse la arritmia con alta precisión incluso para sujetos que han de determinarse que han desarrollado hipertrofia cardiaca o cardiomegalia. El modelo 42 aprendido que se ha aprendido de ese modo puede desviarse como el modelo aprendido en las realizaciones primera a tercera.

Quinta realización

A continuación se describe una quinta realización de la presente invención. La configuración de un sistema de análisis de señales biológicas según la quinta realización es igual que la del sistema 3 de análisis de señales biológicas según la primera realización, y por tanto se omite una descripción del mismo. A continuación se describen las partes que son diferentes de la primera realización.

El procesamiento de aprendizaje en la presente quinta realización sigue básicamente el diagrama de flujo ilustrado en la figura 4, pero en el procesamiento de generación de modelo aprendido (etapa S102 ilustrada en la figura 4), la unidad 33 de aprendizaje realiza el aprendizaje usando solo los datos 14Y para el aprendizaje obtenidos a partir del propio sujeto que ha de determinarse. Mediante el uso de un modelo aprendido obtenido de ese modo como el modelo aprendido de la unidad 34 de restauración de datos en el procesamiento de determinación, aumenta la precisión de la restauración, y puede mejorarse la precisión de la determinación. En la tercera realización, como característica del procesamiento de aprendizaje, pueden eliminarse adicionalmente las diferencias entre individuos mediante los datos 14X conocidos para el aprendizaje, que incluyen el sujeto que ha de determinarse distinto del propio sujeto que ha de determinarse y los datos 14y para el aprendizaje obtenidos a partir del propio sujeto que ha de determinarse. Sin embargo, el uso del procesamiento de aprendizaje por la unidad 33 de aprendizaje según la presente quinta realización puede eliminar completamente las diferencias entre individuos mediante el uso de solo los datos 14Y para el aprendizaje obtenidos a partir del propio sujeto que ha de determinarse y mejorar la precisión de la determinación. Esto también es efectivo cuando no hay un grupo de datos correspondiente para el aprendizaje o modelo aprendido en la segunda realización y la cuarta realización. El modelo aprendido que se ha aprendido de ese modo puede desviarse como el modelo aprendido en las realizaciones primera a cuarta. El aprendizaje usando los datos 14Y para el aprendizaje obtenidos a partir del propio sujeto que ha de determinarse por la unidad 33 de aprendizaje en la presente quinta realización se hace posible por el hecho de que solo son necesarios los datos de forma de onda normal del propio sujeto que ha de determinarse, que están fácilmente disponibles en grandes cantidades, para el aprendizaje del modelo aprendido, y el grado de dificultad del aprendizaje es extremadamente bajo.

Sexta realización

A continuación se describe una sexta realización de la presente invención. La configuración de un sistema de análisis de señales biológicas según la sexta realización es igual que la del sistema 3 de análisis de señales biológicas según la primera realización, y por tanto se omite una descripción del mismo. A continuación se describen las partes que son diferentes de la primera realización.

En (b) de la figura 6B, en los datos 13E de características tridimensionales de origen de fibrilación auricular, las características específicas de arritmia aparecen en las regiones R<1>y R<2>, pero estas características son tan débiles que pueden perderse en el procesamiento de restauración por la unidad 34 de restauración de datos o pueden hacerse pequeñas como la cantidad de diferencia de todos los datos en la determinación de arritmia por la unidad 36 de determinación, lo que puede hacer difícil la separación de los datos de forma de onda normal. Dada esta situación, la unidad 32 de conversión de datos en la presente sexta realización realiza ponderación en una región de características de tiempo-frecuencia en la que aparece una característica específica de arritmia en los datos para la determinación. La figura 13A y la figura 13B son diagramas de ejemplos de ponderación de una característica específica de arritmia en los datos de características tridimensionales según la sexta realización. En la figura 13A y la figura 13B, como ejemplo, la ponderación de la característica de fibrilación auricular se realiza basándose en una región R6, para la cual se establece un intervalo de tiempo y frecuencia cada uno, pero esto no es limitativo. En los datos 13K' ponderados, en los que la ponderación de la región R6 se realiza basándose en los datos 13K para la determinación que se sabe que son de origen de forma de onda normal, por ejemplo, el efecto de la ponderación es extremadamente pequeño, y los datos 16K de diferencia que van a obtenerse tienen una distribución de intensidad plana como en el ejemplo en la figura 10A (véase la figura 13A). Por otro lado, en los datos 13L' ponderados, en los que la ponderación de la región R6 se realiza basándose en los datos 13L para la determinación que se sabe que son de origen de fibrilación auricular, aparece una gran característica en la región R6, y por tanto, los datos 16L de diferencia que van a obtenerse son datos con distribución de intensidad no uniforme (véase la figura 13B).

Por tanto, la unidad 32 de conversión de datos en la presente sexta realización realiza ponderación con antelación de las características específicas de arritmia débiles tales como la onda F 11f (véase (b) de la figura 2, por ejemplo) de la fibrilación auricular o el aleteo auricular y puede impedir de ese modo la pérdida de las características debido a la restauración. Como consecuencia, se hace fácil la separación entre los datos de forma de onda normal y los datos de forma de onda arrítmica.

Séptima realización

A continuación se describe una séptima realización de la presente invención. La configuración de un sistema de análisis de señales biológicas según la séptima realización es igual que la del sistema 3 de análisis de señales biológicas según la primera realización, y por tanto se omite una descripción del mismo. A continuación se describen las partes que son diferentes de la primera realización.

La figura 14 es un diagrama de ejemplos de identificación de un factor de arritmia basado en coordenadas de tiempo-frecuencia según la presente séptima realización. En la figura 14, (Sa), (Sb) y (Sc) muestran ejemplos de información electrocardiográfica relacionada con fibrilación auricular, extrasístoles ventriculares e hipertrofia ventricular, respectivamente. Los elementos de datos de forma de onda unitaria correspondientes a los casos respectivos son los elementos de datos ilustrados en (a) de la figura 14 (datos de forma de onda unitaria 18A a 18C), los elementos de datos para la determinación obtenidos realizando conversión de frecuencia en estos elementos de datos de forma de onda unitaria son los elementos de datos ilustrados en (b) de la figura 14 (datos 19A a 19C para la determinación), y los elementos de datos de diferencia basados en estos elementos de datos para la determinación y los elementos de datos para la determinación después de la restauración son los elementos de datos ilustrados en (c) de la figura 14 (datos de diferencia 20A a 20C). En las realizaciones primera a tercera, la unidad 36 de determinación solo determina si se trata de un estado normal o de arritmia basándose en la forma de onda normal y puede determinar arritmia independientemente de su tipo, pero no puede identificar un factor de arritmia. La identificación del factor de arritmia al que se hace referencia en el presente documento implica identificar la arritmia o su nombre de enfermedad o delimitar el factor de arritmia con un marco amplio tal como el conjunto “provocado por la onda R”.

Por tanto, la unidad 36 de determinación en la presente séptima realización no determina simplemente arritmia, sino que identifica el factor de arritmia haciendo referencia a las coordenadas en las que aparece la característica del factor de arritmia. Los datos 14X conocidos para el aprendizaje y los elementos de datos 19A a 19C para la determinación pueden seccionar componentes de forma de onda (la onda P 11a, la onda Q 11b, la onda R 11c, la onda S 11d, la onda T 11e, y la onda F 11f ilustradas en la figura 2) a partir de una coordenada de tiempo. También es posible leer qué tipo de forma de onda está extrayéndose del estado de transición de una banda. Como ejemplo, la figura 14 ilustra un ejemplo de seccionamiento en una sección que contiene la onda P o la onda F (una onda PoF), una sección que contiene la onda Q, la onda R y la onda S (una onda QRS), y una sección que contiene la onda T y la onda F (una onda ToF). Si una banda que muestra intensidad se ha desplazado hacia una dirección de frecuencia más baja en la coordenada de tiempo en la que aparece la onda R 11c como en la extrasístole ventricular (Sb), por ejemplo, significa que la anchura de la onda R 11c ha aumentado. Por tanto, basándose en los datos de diferencia obtenidos a partir de los datos para la determinación y los datos restaurados, se calcula la cantidad de diferencia para cada uno de los intervalos de coordenadas designados (por ejemplo, las regiones R<11>, R<12>, R<13>y R<14>), y a partir de su magnitud o su relación, puede identificarse el factor de arritmia. En este caso, la designación de los intervalos de coordenadas puede realizarse automáticamente mediante procesamiento de imágenes, tal como detección de bordes, por ejemplo, o un usuario puede introducir intervalos de designación a través de la unidad 31 de entrada.

Otro efecto de la unidad 36 de determinación en la presente séptima realización es que la cantidad de diferencia se calcula para cada intervalo de coordenadas designado, y por tanto la determinación es fácil incluso para características débiles tales como la aparición de la onda F de fibrilación auricular.

Otras realizaciones

Se han descrito los aspectos para realiza la presente invención, pero la presente invención no debe limitarse únicamente por las realizaciones descritas anteriormente. Se describe que el sistema 3 de análisis de señales biológicas incluye la unidad 33 de aprendizaje, por ejemplo, pero el sistema 3 de análisis de señales biológicas puede configurarse para adquirir un modelo aprendido a través de una red de comunicación sin tener la unidad 33 de aprendizaje. La información que va a analizarse no se limita a la información electrocardiográfica, y puede usarse cualquier información que use los datos de forma de onda descritos anteriormente.

Aplicabilidad industrial

El uso del sistema de análisis de señales biológicas integrado según la presente invención permite la determinación de arritmia basándose en información electrocardiográfica.

Lista de signos de referencia

1 SUJETO QUE HA DE DETERMINARSE

2 DISPOSITIVO DE MEDICIÓN DE SEÑALES BIOLÓGICAS

3 SISTEMA DE ANÁLISIS DE SEÑALES BIOLÓGICAS

10 INFORMACIÓN ELECTROCARDIOGRÁFICA

11 DATOS DE FORMA DE ONDA

12 y 12A a 12H DATOS DE FORMA DE ONDA UNITARIA

13 y 13A a 13H DATOS DE CARACTERÍSTICAS TRIDIMENSIONALES

13I a 13L, 14A, 14B, y 19A a 19C DATOS PARA LA DETERMINACIÓN 13K' y 13L' DATOS PONDERADOS

14X DATOS PARA EL APRENDIZAJE

15A y 15B DATOS RESTAURADOS

16A, 16B, 16K, 16L, y 20A a 20C DATOS DE DIFERENCIA

17A y 17B CANTIDAD DE DIFERENCIA

31 UNIDAD DE ENTRADA

32 UNIDAD DE CONVERSIÓN DE DATOS

33 UNIDAD DE APRENDIZAJE

34 UNIDAD DE RESTAURACIÓN DE DATOS

35 UNIDAD DE CÁLCULO DE DIFERENCIA

36 UNIDAD DE DETERMINACIÓN

37 UNIDAD DE CONTROL

38 UNIDAD DE ALMACENAMIENTO

41a y 41b AUTOCODIFICADOR

42 MODELO APRENDIDO

43 DATOS DE ENTRADA

Claims (11)

REIVINDICACIONES

1. Sistema de análisis de señales biológicas integrado que realiza la determinación de la arritmia basándose en información electrocardiográfica, comprendiendo el sistema de análisis de señales biológicas:

una unidad (31) de entrada configurada para recibir la entrada de la información electrocardiográfica;

una unidad (32) de conversión de datos configurada para realizar la conversión de tiempo-frecuencia en la información electrocardiográfica para generar datos para la determinación;

una unidad (34) de restauración de datos configurada para restaurar los datos para la determinación usando un modelo aprendido que incluye un autocodificador para generar datos restaurados;

una unidad (35) de cálculo de diferencia configurada para calcular una cantidad de diferencia entre los datos restaurados y los datos para la determinación; y

una unidad (36) de determinación configurada para determinar si los datos para la determinación son cualquiera de datos de forma de onda normal y datos de forma de onda arrítmica basándose en la cantidad de diferencia.

2. Sistema de análisis de señales biológicas según la reivindicación 1, en el que el modelo aprendido es un modelo generado por aprendizaje usando una pluralidad de elementos de datos conocidos para el aprendizaje, el 95 % o más de los cuales se genera basándose en datos de forma de onda normal.

3. Sistema de análisis de señales biológicas según la reivindicación 1, en el que el modelo aprendido es un modelo generado por aprendizaje usando una pluralidad de elementos de datos conocidos para el aprendizaje, el 95 % o más de los cuales se genera basándose en datos de forma de onda normal, y datos para el aprendizaje adquiridos a partir de un sujeto para el que se realiza la determinación.

4. Sistema de análisis de señales biológicas según la reivindicación 1, en el que el modelo aprendido es un modelo generado por aprendizaje usando datos para el aprendizaje adquiridos a partir de un sujeto que ha de determinarse.

5. Sistema de análisis de señales biológicas según una cualquiera de las reivindicaciones 1 a 4, en el que la unidad (31) de entrada está configurada para segmentar los datos de forma de onda de la información electrocardiográfica en datos de forma de onda unitaria en los que se extraen datos de forma de onda en un intervalo de tiempo predeterminado, y

la unidad (32) de conversión de datos está configurada para realizar la conversión de tiempo-frecuencia en los datos de forma de onda unitaria para generar los datos para la determinación.

6. Sistema de análisis de señales biológicas según una cualquiera de las reivindicaciones 1 a 5, en el que la unidad (32) de conversión de datos está configurada para generar datos ponderados en los que se pondera una región de características de tiempo-frecuencia de arritmia en los datos para la determinación.

7. Sistema de análisis de señales biológicas según una cualquiera de las reivindicaciones 1 a 6, en el que la unidad (35) de cálculo de diferencia está configurada para generar datos de diferencia que indican una diferencia entre los datos restaurados y los datos para la determinación y calcular la cantidad de diferencia basándose en los datos de diferencia, y

la unidad (36) de determinación está configurada para identificar un factor de arritmia basándose en una característica de tiempo y frecuencia de los datos de diferencia.

8. Sistema de análisis de señales biológicas según una cualquiera de las reivindicaciones 1 a 7, en el que el modelo aprendido es un modelo generado por aprendizaje usando datos para el aprendizaje que se sabe que son los datos de forma de onda normal.

9. Sistema de análisis de señales biológicas según una cualquiera de las reivindicaciones 1 a 8, que comprende además una unidad (33) de aprendizaje configurada para realizar el aprendizaje del autocodificador usando datos para el aprendizaje para generar el modelo aprendido.

10. Sistema de análisis de señales biológicas según la reivindicación 2, que comprende además una unidad (33) de aprendizaje configurada para realizar el aprendizaje del autocodificador usando los datos para el aprendizaje para generar el modelo aprendido, en el que

la unidad de aprendizaje

incluye una pluralidad de autocodificadores correspondientes a características de los datos conocidos para el aprendizaje, y

está configurada para seleccionar un autocodificador de los autocodificadores basándose en una característica de los datos de forma de onda normal de un sujeto que ha de determinarse.

11. Sistema de análisis de señales biológicas según la reivindicación 3, que comprende además una unidad (33) de aprendizaje configurada para realizar el aprendizaje del autocodificador usando los datos para el aprendizaje para generar el modelo aprendido, en el que

la unidad de aprendizaje

incluye una pluralidad de grupos de datos para el aprendizaje o una pluralidad de autocodificadores correspondientes a características de los elementos de datos conocidos para el aprendizaje y

está configurada para seleccionar un grupo de datos para el aprendizaje o un autocodificador de los grupos de datos para el aprendizaje o los autocodificadores basándose en una característica de los datos de forma de onda normal de un sujeto que ha de determinarse.