JPH03207342A - 生理的波形解析組立体 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は疾病状態の診断に用いられる、生体より生じた
電気信号の未知の反復波形の解析に関する。

〔従来の技術及び発明が解決しようとする課題〕種々の
状況下で、反復波形を有する電気信号の解析が必要とな
る。波形を解析するためには、その波形を識別し、抽出
しなければならない。電気信号のおける反復波形を解析
するために広範な努力が傾注された一例は、筋電図検査
法の分野であった。

筋電図検査法（ＥＭＧ）は抹消神経系の疾患の診断に重
要な手法である。筋電図検査法の信号は特定の筋肉に挿
入された針から記録され、筋繊維群の電気放電を表示す
る。異常はオシロスコープのスクリーン上の電位を観察
することにより評価される。筋電図検査の特徴の計量を
正確且つ迅速に行う手段の欠如の故に、抹消神経系の疾
患を診断する技術は信頼性に極めて乏しいものであった
。

加えて中枢神経系の疾患の診断に筋電図検査法を利用し
た場合には、目視評価によってパターン情報を正確に測
定することに難があった。目視診断において、医師は１
０乃至３０Ｈｚでオシロスコープのスクリーンをよぎっ
て明滅する電位を観察し、ラウドスピーカで音を聴く。

その結果は検査を行う個人の熟練度に大きく左右され、
また、先入観が介入し易かった。このことが、抹消神経
系の疾患の診断における検査の再現性と信頼性に対して
制約をもたらす。他の顕著な制約の例として、観察者が
放電率と放電パターン、及び放電パターンと単位の漸増
との関係等のパラメータを定量化することができないこ
とが挙げられる。経験豊富な医師や研究者により筋電図
検査法を中枢神経系の疾患の診断にまで応用する試みが
なされてきたが、適当なパラメータを正確に測定する能
力の欠如がこの実現を妨げた。

コンピュータ解析を筋電図検査の信号に適用する従来の
試みは、その信号が極めて変動し易く且つ複雑であるの
で、辛うじて成功した程度に過ぎない。最近、生物ニュ
ーロンによる処理（計算）のモデル化に基づいた新しい
方法が、画像や音声等の複雑な信号を解析するために、
従来のアルゴリズムより優れた能力を示している。

運動単位を計量する第１の方法はバックザール（Ｂ　ａ
ｃｈｔｈａｌ）により開発された。「正常筋肉における
活動電位パラメータとそれらの物理変数に対する関係」
（Ｆ６　バックザール（Ｂａｃｈｔｈａｌ）、　　Ｃ。

ゴールド（Ｇｏｌｄ）、　　Ｐ、ｏ−ゼンフォルク（Ｒ
ｏｓｅｎｆａｌｃｋ）、　Ａｃｔａ　Ｐｈｙｓｉｏｌ　
５ｃａｎｄ、　１９５４ａ　（３２）　２００）参照。

その方法は写真フィルム又は感光紙上に、任意に収集さ
れた運動単位を記録する工程を有している。運動単位は
視覚によって検査され、継続期間、振幅、及び位相が測
定され製表される。２０以上の単位が測定された後、結
果の平均値がバックザールにより収集された標準データ
と比較される。この方法は非常に多くの時間を要し、単
一の筋肉に対して１時間もかかる。多くの臨床研究は１
ダ一ス以上の筋肉を検査するので、この方法は研究目的
以外には実用的でない。ここでも単位を個別に選定し測
定する際に、かなりの先入観が入り込み易い。

当初、研究用の装置として運動単位の計量を援助するコ
ンピュータが幾つか開発された。このコンピュータのプ
ログラムは一般に研究室のミニコンピユータを対象に開
発されたが、公開後ソフトウェアパッケージとして利用
可能になった。

最も重要な努力の１つはドルフマン（Ｄｏｒｆｍａｎ）
及びマギル（ＭｃＧｉｌｌ）によりなされた。「臨床筋
電図の自動分解Ｊ（Ｋ、Ｃ，マギル（ＭｃＧｉ（１）、
　　Ｋ、Ｌ。

カミンズ（Ｃｕｍｍ１ｎｓ）、　　Ｌ、Ｊ、　　ドルフ
マン（Ｄｏｒｆ−ｍａｎ）　ＩＥＢＥ　Ｔｒａｎｓ、　
Ｂｉｏｍｅｄ、　Ｂｎｇ、、３２（７）：　４７０−４
７７゜１９８５年７月）参照。このプログラムはＡＤＥ
ＭＧ（筋電図の自動分解）と呼ばれ、干渉パターンをし
きい値、最大作力の１０％又は３０９６で記録する。プ
ログラムはその後信号を濾波するとともに区別し、運動
単位のスパイク波を位置付けている。運動単位は分離さ
れてテンプレート照合表により比較される。同じ単位の
再現はフーリエ領域内で整列し、平均化される。重ね合
わせは整合の間に可能なときはいつでも解決される。最
終平均はその後再処理されて、平均値を劣化させている
隣接した或いは重複した単位を除去する。継続時間は自
動的に計算される。放電率は解析されるが、運動単位の
ミッシングパルスを位置づけるために使用されるだけで
ある。それ以上の処理は行われない。概してこの方法は
２つの特性、即ち、放電パターンとテンプレート照合に
よって波形を識別している。１つの波形が他方から減じ
られ、その差異が僅かであるならば、それは同じ波形と
見做される。各波形はそうして平均化される。この方法
は誤って多相運動単位を別個の成分に分解することがあ
り、運動単位の相が増加しているところでは正常に機能
しない。プログラムが緩やかに変化する波形をたどって
いる間、ある種の疾病状態のときよくあることだが、そ
の単位の形状が不安定なとき、同一物の反復波形を検出
してしまう問題がある。こうした状況の下ではＡＤＥＭ
Ｇ　（筋電図の自動分解）は、別個の運動単位として僅
かに異なった波形を誤って検出してしまう。ＡＤＥＭＧ
はただ波形を平均化してテンプレートを生成するだけで
あって、訓練や学習は行わない。更に、そのアルゴリズ
ムは波形を分類しない。

別の信号処理方法はゲヴインズ（Ｇｅｖｉｎｓ）により
開示された。「脳研究におけるイグノランスーベース神
経回路網の信号処理ｊ（アラン（Ａｌａｎ）　Ｓ。

ゲヴインズ（Ｇｅｖｉｎｓ）、　　ネルソン（Ｎｅ１ｓ
ｏｎ）　Ｈ。

モルガン（Ｍｏｒｇａｎ）、　１９８７年６月）参照。

論文で略述された方法は、周知の神経病の波形検出に対
して神経回路網の分類規制方法を、適用することを考察
したものである。この方法はアトホック検出器の代わり
としての汚染検出と、誘発電位評価のための波形検出に
適用できる。

汚染検出に適用する場合、汚染のタイプの専門知識はハ
ンドマークされた訓練データにより表現される。訓練デ
ータは神経回路網を訓練してクリーンなデータを汚染さ
れたデータと識別するために用いられる。幾つかの神経
回路網が用いられて、それぞれが異なったタイプの汚染
を検出するように訓練される。しかしながら、この回路
網は周知のパターンにより手動で訓練され、生データ内
に発生する周知のパターンを検出するだけである。

この方法の回路網は多数の特徴を受容することができな
いし、最良の整合で入力を分類することもできない。こ
の方法は生データのみを受容し、特徴は受は入れない。

更にそれは初期波形識別のいかなるタイプも開示してい
ない。誘発電位評価に適用する場合、信号と雑音特性に
ついての電位に基づいた仮定が必要である。この方法は
作動するために入力信号の仮定を予め設定しなければな
らない。

従来技術においては、波形を処理するためにデータ信号
に関する事前の情報を必要とする。問題が生じるのは、
波形が当初の仮定のいずれにも整合しない場合、或いは
波形の重ね合わせが生じる場合である。従来技術では新
しい未知の波形を学習することができないし、また、未
知のパターンや波形を分類することもできない。

はとんどの従来技術は波形を分類するために次の方法の
１つを利用している。即ち、ルールベース・システム、
パターン照合、参照用テーブルである。従来技術におい
て、診断を分類するために特徴を写像する動的構成を利
用したものはない。

以下の従来技術は波形を識別又は分類しようとしてきた
が、回路網の変換によって未知の波形を学習したり特徴
を分類することができない。

アンダーソン（Ａｎｄｅｒｓｏｎ）他に１９８４年６月
１２日に発行された米国特許第４．４５３．５５１号は
、細動を検出するために心電図信号のパターン認識組立
体を開示している。信号はディジタル化され、格納され
てＡＧＣ（自動利得制御）ルーチンに委ねられる。その
後、異常な生理的、状態を検出するためにサンプルは一
連の検査を受ける。行われる種々の検査には、零交差の
量の決定、心電図のトレースに含まれるエネルギー比の
決定、心電図信号の勾配の解析等が含まれる。アンダー
ソンの特許は波形を検査しな°いて特徴を抽出している
。アンダーソンは未知の波形を識別しようとはせず、既
知の波形の存在を識別しているだけである。又、この波
形は抽出されない。

アンダーソンに対して１９７４年１２月３１日発行され
た米国特許第３．８５８．０３４号は、既知の構成のＱ
Ｒ８複合を検出するためのコンピュータシステムを開示
している。このシステムはその複合体から種々の記述的
な特徴を抽出しているが、未知の波形を検出したりその
分類のために波形全体を解析することはない。

ゼンモン（Ｚｅｎｍｏｎ）他に対して１９７１年９月２
１日発行された米国特許第３．６０６．８８２号は、心
臓疾患を診断するためのシステムを開示している。この
システムはＰ波又はＱＲ３波をある波形又は心臓電位か
ら分離している。これは心電図信号に用いられる検出器
の代表的なものであるが、単に既知の波形を検出し、波
形の存在の有無を識別するだけである。

ウィリアムズ（Ｗｉｌｌｉａｍｓ）に対して１９７１年
６月２８日発行された米国特許第３．５８７．５６２号
は呼吸と心臓活動の両方の生理的信号を受容する生理的
監視システムを開示している。ウィリアムズは生理的シ
ステムのいずれのタイプにも使用される心臓及び肺の信
号の標準的な記録方法を開示している。

バーｏ　−（Ｂａｒｌｏｗ）　Ｊｒ、他に対して１９８
２年７月１３日発行された米国特許第４．３３８．９５
９号は、身体動作の影響なしに６搏を検知し測定するシ
ステムを開示している。このバーローのシステムは６搏
からパルス波の存在を識別する単純な検出器である。既
知の波形に基づいである波形が識別されると波形の数が
カウントされるだけであって、学習も診断も行われない
。

スチュークル（５ｔｕｃｈｌ）に対して１９８８年７月
５日発行された米国特許第４．７５４．７６２号は、心
筋の信号を受容してＱＲ３成分を分離する心電図監視シ
ステムを開示している。スチュークルの引例が開示して
いる典型的な心電図システムは、波形が分解されるが全
体の波形それ自体は学習されないものである。このシス
テムは単に既知の波形の存在の有無を検出するか、或い
は特定の特徴を捜すだけである。

グリーン（Ｇｒｅｅｎ）Ｊｒ、他に対して１９８８年９
月１３日発行された米国特許第４．７７０．１８４号は
、パターン認識を利用した超音波ドツプラー診断システ
ムを開示している。グリーンのシステムはスペクトルを
得るための標準的な迅速フーリエ変換装置であって、既
知のパターンを利用し、ドツプラーに基づいて異常を診
断することを試みている。既知のパターンの格納集合に
ついての従来の知識が利用されているとともに、データ
ベース内の最も類似した整合がその認識に使用される。

ピコーン（Ｐｉｃｃｏｎｅ）他に対して１９８６年１月
２８日発行された米国特許第４．５６６、４６４号は、
脳電図のパターンを解析するための癲癲監視装置と、患
者に発作の始まりを知らせる控え目な外部警報装置を開
示している。ピコーンの引例は既知の波形の存在の有無
を認識するように設計された検出器を開示しているに過
ぎない。学習も抽出も診断も行っていない。異常な或い
は癲癲性として知られる信号を記録した後、この装置は
２つのタイプを区別して警告する。

チョーメット（Ｃｈａｕｍｅｔ）に対して１９７５年９
月２日発行された米国特許第３．９０２．４７６号は６
搏速度を監視するための装置を開示している。心電図の
信号とその信号の時間に関する導関数が、格納された信
号のそれぞれの最大振幅とともに入力として適用される
。干渉信号の最大振幅は、心電図信号の波高間振幅とこ
の信号の時間に関する導関数の波高間振幅が得られるよ
うに格納される。この装置は波形を識別したり分解する
ことはなく、又波形を取り出してそれを元の信号から抽
出することもない。検知された信号は正確に整合してい
ないと識別できない。

上述した特許は全て、概して波形の特徴か或いは既知の
波形を検出する装置である。従来の技術において、非線
形動的構造による未知の波形の学習とその波形の分類を
開示したものはない。

〔課題を解決するための手段〕

本発明は生理的信号を識別する方法と、体内で生じた生
理的信号を識別するとともに疾病の特性を表示した出力
を生成する波形解析組立体である。

この組立体は体内で生じた生理的信号をサンプリングし
電気信号を生成する検知手段を有している。

この組立体は又、電気信号内のピークの周りに現出する
個々の波形の位置を識別し、１つの反復波形の個々の波
形より成る学習集合を生成する制御手段と、学習集合を
受容して、その学習集合の個々の波形を写像することに
より電気信号内の反復波形を学習して学習波形を生成し
、その電気信号から学習された波形を抽出する抽出回路
網手段とを備えている。出力手段は抽出された波形に基
づいて診断を確立し、疾病の診断に関する診断情報を出
力する。

本組立体は更に、疾病の状態に係る学習された特徴とそ
れの組合せより成る情報を有し、その特徴をその情報に
写像し、その特徴の情報に関する写像変換に基づいた最
良の整合によって疾病状態を表示する出力を生成する分
類手段を備えている。

従来技術と比較した本発明の利点は、この組立体が反復
波形を学習するので、重ね合わせ波形、多相波形、及び
非テンプレート波形を処理することができる点にある。

加えて、本組立体は全ての特徴が正確に照合しない場合
でも、疾病状態の最良の整合を行うことができる。換言
すれば、本組立体は未知のデータ信号を受容し、波形に
関する事前の情報を必要とすることなくその信号から反
復波形を学習し、そのデータ信号から学習された波形を
抽出することができる。

〔実施例〕

波形解析組立体は第１図において概して符号ｌＯで示さ
れ、第２図のフローチャートを実行する。

波形解析組立体及びその方法は筋電図（ＥＭＧ）、脳電
図（ＥＥＧ）　、心電図（ＥＫＧ）等の内部活動から感
知される生理的な電気又は機械信号に適用することがで
きる。本出願で開示される本発明の好ましい実施例は神
経筋障害の診断に関するものであるが、この装置と方法
はどんな器官から生じる生理的波形についてもその検知
と解析に利用し得るものである。筋電図記録法は針電極
１２を用いて収縮筋から記録された電気信号を解析して
神経筋障害を診断する技術である。

予備知識として説明すると、筋電図として記録される電
気信号は運動単位電位と呼ばれる一連の不連続波形より
成っている。運動単位電位（ＭＵＰ）とは、単一の運動
ニューロンに結合した全ての筋繊維の同時インパルスに
よって生じる筋肉内の電位として定義することができる
。低位運動ニューロンはを髄内にあるニューロンであっ
て、その軸索突起が特定の筋肉内の筋繊維のグループに
直接連結している。このニューロンの各インパルスは直
接に筋繊維を刺激してそれらを収縮させる。

このニューロンのインパルスは上位運動ニューロンも含
めて中枢神経系の他のニューロンの制御下にある。この
ニューロンは物理的に中央神経系内にあるとしても、末
梢神経と筋繊維との緊密な関係の故に、機能上、末梢神
経系の一部としてみなされ得る。ニューロンの主な特性
は他のニューロンからの多数の入力の処理に応じて一定
の周波数の出力を生じることができる能力にある。同一
の用語が神経回路網の基本要素である数学的にモデル化
されたニューロンを示すためにも用いられる。

平行分散処理、知覚、連想メモリ等とも呼ばれる神経回
路網は、シミュレーションされた或いは物理的に構築さ
れた配列のモデル化されたニューロンである。この配列
はニューロン間の結合、相互接続を入力し、一般にシナ
プス・重み行列と呼ばれる結合を出力する。最も簡単な
配列は直線状であり、より複雑な構造も開発中である。

この配列により達成される処理は平行に行われ、相互接
続の物理的構造と、相互接続又は諸要素の強度の両者に
依存する。第３図乃至第６図、及び第１０図と第１１図
は実際の筋電図の信号を表すようにシミュレートされた
ものである。Ｘ軸は時間を表し、Ｙ軸は大きさを表して
いる。筋電図に関しては、時間の単位はミリ秒（ｍ　ｓ
ｅｅ　）であり、大きさはマイクロボルト（μＶ）であ
る。　第１図及び第２図に示されているように、アセブ
リ１０は生理的な信号を標本化しく１２）、その信号を
前処理しく１８）　、波形を学習及び抽出しく２２）、
波形を特徴に縮小しく３４）、その特徴を分類して（３
６）診断情報や判断可能な出力を生じさせる、等の一般
的なステップを有している。ユーザ対話形システムは、
生の電気信号と抽出された運動単位の再検討を可能とし
、遂行の正確さを確認することができる。各ステップに
ついてはこの後で詳述する。

第１図は本発明のブロック図であり、第２図は第１図の
手段を実行するための対応フローチャートである。

組立体１０は体内で発せられた生理的信号を標本化し、
電気的又は独自の信号を生じさせる検知手段１２を備え
ている。標本化手段１２は検知したデータを電気信号に
変換するためのある種の変換器を備えている。検知手段
１２は同心の針電極、又は単極の針電極１４を有してい
る。検知手段１２は又、針からの信号を増幅して濾波す
る標準的な筋電計１６と、処理用にディジタル化された
電気信号を生じるアナログ／ディジタル変換器を有して
いる。第３図は検知されるシミュレートされた筋電図の
信号を示し、２つの運動単位の反復的なインパルスを表
している。筋電図の１０秒間が各針１４の挿入場所でサ
ンプリングされることが望ましい。一般的な運動単位の
インパルス率は約１０Ｈｚであるので、サンプル掃引に
おいて各単位につき１００回のインパルスが発生すると
推定される。筋電図は最小値若しくはしきい値と、ピー
クの１０％及び３０％で解析される。経験的に５又は６
単位迄各位置で解析することができるが、本発明はこの
数字に限定されない。

組立体１０は更に任意選択の前処理手段１８を有し、電
気信号を濾波及び識別して波形と関連したスパイク波を
分離する。後述する「ターンズ・リスト」法を利用する
ときは濾波及び識別のステップは必要ない。前処理１８
には運動単位のスパイク波の位置を濾波し識別する工程
を含む引例マギル（ＭｃＧｉｌｌ）で開示された方法を
取り込んでもよい。電気信号のノイズレベルはマギルと
ドーフマン（Ｄｏｒｆｍａｎ）により開発されたアルゴ
リズムを用いて決定してもよい。これは一定のしきい値
を設定して信号のピー、りがそれ以下では運動単位を表
さないものとしている。１ＯＫＨｚの標準上部フィルタ
の設定と２０ＫＩ（ｚのサンプル率が望ましい。

フーリエの補間法は初期作業においては必要ではなく、
必要ならば後で加えればよい。スパイク波形は一般に運
動単位のインパルスの位置と、それに関連した波形を示
している。波形のピークは微分器及び零交差検出器を近
似する単純な符号変換アルゴリズムにより検出すること
ができる。組立体ｌＯは個々の波形と関連したスパイク
波とそれぞれの位置を識別するための制御手段２０を有
している。制御手段２０はソフトウェアを介して簡単に
実行してもよい。スパイク波は振幅によって分類され、
振幅ヒストグラムを作って振幅のグループを分離するた
めに用いられる。全てのスノくイク波の振幅はヒストグ
ラムを作るために利用される。ヒストグラムはインパル
スの回数に対して振幅をプロットしたものである。検出
された全てのピークと関連したタグ・ベクトルも又、形
成される。タグ・ベクトルはピークインパルスの時間の
位置を示している。単一の運動単位に対するスパイク波
形単一の振幅の周りに集まる傾向がある。

組立体ｌＯに対して、各ピーク或いは電位の分類は一つ
の運動単位を表していると仮定される。ヒストグラムは
ピークと最低値を有している。しきい値は振幅ヒストグ
ラムにおいて各最低値毎に選定される。処理はヒストグ
ラムの第一の最低値の右側に位置する振幅に関連したス
パイク波のグループから始まる。これらのスパイク波は
このしきい値を決定するヒストグラムから決定された最
低値とともに、簡単なしきい値検出によって識別される
。これらのスパイク波と関連したタグ・ベクトルの位置
がデータにおける運動単位の最大電位波形を識別するこ
とになる。

組立体ｌＯは電気信号を受容し、その電気信号内の反復
波形の成分を学習し、学習した波形を抽出するための抽
出網手段２２を有している。抽出網手段２２は神経回路
網である。

抽出網手段１２は抽出された波形と電気信号内の関連し
た波形のインパルス回数を格納するための緩衝記憶手段
３０を備えている。指定された大きさ、例えば１００μ
Ｖより小さいピークはノイズと見做され処理されない。

従ってスパイク波としきい値以上の関連波形だけが学習
され抽出される。

抽出神経回路網２２の第一ステップは学習手段２４によ
り行われる学習ステップである。分離されたスパイク波
と関連した各波形は解析される。

最高のしきい値を越える各検出されたスパイク波の中央
に位置するデータは制御手段２０から抽出網２２内へ供
給される。神経回路網２２は電気信号を走査し、ヒスト
グラムの分類内の各スパイク波位置における各運動単位
の外観を学習する。学習手段２４はかなり多数の連鎖波
形、多相波形成いは複合波形を学習することができるが
、重ね合わせは拒絶する。２５６個のサンプリング点を
持ち得る完全な波形は平行に受容される。波形は発生毎
に受は取られて神経回路網２２内に供給される。このよ
うに識別された各運動単位は、振幅に関して逆の順序で
、抽出神経回路網２２により個別に処理される。従って
最も大きな振幅に係わる運動単位は最初に処理されるこ
とになる。

学習手段２４によって行われる抽出神経回路網２２の第
１のステップは、信号について第１の走査を行い運動単
位用の重み行列を合成することである。抽出神経回路網
２２はどの波形に係るスパイク波のそれぞれの位置を学
習すべきかについて、しきい値を適用することによって
制御手段２０を介して制御される。抽出神経回路網２２
が制御手段２０の機能を実行することができ、これによ
り制御手段２０が不要になることは理解されよう。

重み行列２６は従来より知られているように、神経回路
網２２内の運動単位の波形の記憶と処理の形態を記述す
るために利用される構成である。学習手段２４は運動単
位の波形のサンプルデータ点を受容し、シナプス・荷重
付け測定と呼ばれる代表的な分散方式で重み行列２６内
に情報を格納する。入力或いはピークやスパイクを囲む
サンプル点の配列は第１の神経回路網２２内に供給され
る。

システムは運動単位を概してＩ　Ｏ−２０ｍ５ｅｃの間
検査し、最大的１００ｍ５ｅｃの検査を行ってもよいが
、この検査時間は可変である。１００ｍ５ｅｃより大き
い波形を有する単一の運動単位は疾患を診断している医
師にとっては自明であろう。一定時間内に２個の運動単
位が存在するならば、神経回路網２２は当初それを複合
波形と認識する。これが実際は複合波形ではなく、重ね
合わせであるならば、１０秒のサンプル期間内に頻繁に
発生することはあり得す、それゆえに捨象される。単一
の運動単位は１０ミリ秒のサンプリング期間内に連続的
に約１００回検出され学習されるので、若干の不適当な
或いは異常な波動が学習された波形を生じることはない
。もし２つの波動或いは重ね合わせが常に発生するなら
ば、神経回路網２２の学習手段２４はこの波形を検知し
、学習することができる。従って、学習手段２４はヒス
トグラムの特定の振幅グループに係る各ピーク或いは波
形に対する電気信号を探索し、特定の振幅の各スパイク
波の検出に基づいて１／にの係数により波形を調整する
ことによ゛って波形を学習する。学習手段２４はに個の
波形、これは変更し得るものであるが例えば約１００個
の波形を検査し、学習した波形を平均法で更新すること
により波形を学習する。

換言すれば、神経回路網２２の学習手段２４はヒストグ
ラムから概して振幅グループに係る第１の波形を受容す
る。学習手段２４はこの波形を重み行列２６内に格納し
、同様の振幅の別の波形を検出し、更に１／にの係数に
よりそれらを「平均する」。この工程は第１の走査が終
了し、しきい値を越える全ての波形が学習されるまで継
続される。

この学習走査が終了すると、運動単位の電位波形の理想
化された表現が分散方式で神経回路網の重み行列２６内
に出現する。従っていずれの反復波形も重み行列２６内
に学習して格納することができる。

神経回路網２２による電気信号の第２の走査の間、学習
はそれ以上性われない。第２の走査は神経回路網手段２
２内で抽出手段２８により実行される抽出走査である。

重み行列２６は調節されない。運動単位の波形の理想化
された表現はここでは神経回路網２２の重み行列２６か
ら検索される。

学習走査中と同じスパイク波に中心法めされた同じイン
パルスが入力として用いられる。運動単位の次のインパ
ルスが呈されると、抽出手段２８は基礎を成す運動単位
電位の抽出を表す出力と対応し、加算バッファ３０内に
格納される。抽出手段２８によって検索されたこの抽出
波形は最小自乗法で整列させられる。抽出走査は第４図
に示すように整列、及びノイズと重ね合わせの除去のス
テップを含んでいる。振幅或いは波形が学習した波形と
大幅に異なる場合には、不適切又は無視として指示され
る。僅かな変化によって抽出手段２８が不要になるもの
ではなく、これらのインパルスを調べることになる。従
って、元の電気信号は重み行列２６内で受容され、学習
された波形表示と比較され、整列される出力と除去され
るノイズは加算バッファに送られて平均化される。バッ
ファ３０内のタイムテーブル又はタグ・ベクトルは運動
単位の各インパルスの時間を示すようにして作られる。

単一の運動単位のこのタイムテーブルに係る発射パター
ンは振幅基準では見逃された運動単位の発生し得る中間
的なインパルスを調べるために用いられる。そうした抜
けた位置の付近のスパイク波は神経回路網２２により評
価され、それらが解析される単位を表しているかどうか
決定する。こうして抽出された発射パターンは信号の重
要な特徴を表し、分類に使用される。電気信号の波形の
整合がある場合には、計測用のインパルスは格納され、
その波形は電気信号から加算バッファ３０へと抽出され
る。差は抽出され、整合しない重ね合わせは第２走査の
電気信号出力から捨象される。換言すれば、入力毎に、
結果として生じる神経回路網出力はバッファ３０内で加
算され最終結果は平均化される。自動整列は抽出走査の
間に達成される。第６図は第３図の元の信号から運動単
位の抽出後、その結果生じる信号を示している。学習と
抽出の過程は各運動単位とそれと関連した波形毎に繰り
返される。

１個の運動単位が学習された後、神経回路網２２の第３
のステップは、減算手段３２によって実行される他の運
動単位を処理する前に、各タグ・ベクトル位置で電気信
号から運動単位を減算することである。神経回路網はそ
の時間帯内で、同一の運動単位に属する全ての隣接する
ピークを含んで、波形の完全な形態を学習するので、こ
のステップは全ての関連したピークを除去する。これは
多相又は衛星波形と関連した全てのピークを含んでいる
。複合波形は別個の運動単位電位として不正確に処理さ
れることはない。ヒストグラムからの第１の最大の振幅
グループがこの過程により解析され電気信号から減算さ
れた後、別の運動単位に関係していると思われる次の最
大の振幅グループが解析される。この過程はヒストグラ
ムの各振幅グループに対して継続され、各関連運動単位
の学習され抽出された波形は別個のバッフ１３０内に格
納される。次の運動単位に対して、減算手段３２から出
力された結果としての信号は、次の学習と抽出のための
電気信号として使用されることに留意されたい。別の運
動単位が処理されるとき、従前の既に処理された運動単
位は電気信号から減算されてしまっており、第６図に示
すように処理信号の中には含まれない。

換言すれば、神経回路網２２は１個の波形を探知して学
習し、抽出し、それからヒストグラムの次の最大の振幅
に基づいて別の波形を見つけることを繰り返す。減算ス
テップの間、学習された波形はサンプル波形の最大ピー
ク上に整列させられる。このシステムは多相波形を解析
し僅かな変動も減算することができる。１００μｖ以下
のピークはノイズと見做され処理されない。

換言すれば、神経回路網２２は波形を学習し分解する動
的ネットワークである。このネットワークは参照用テー
ブル、パターン照合、ルールベース・スキーム等を全く
利用していない。学習の間、神経回路網２２は生データ
や本来の電気信号では決して起こり得ない波形の理想化
された表示を現出する。理想化された表示は重み行列内
に分散状態で神経回路網２２内に格納される。神経回路
網２２の非線形写像機能は現在学習されている波形に対
する未知の波形の整合を検出し、若しくはそれを新しい
波形とじて決定する。学習アルゴリズムは誤り信号を利
用し、シナプス荷重付けを修正して誤りを簡約化させる
ことにより達成される。

誤り信号は生の入力信号を利用することにより得られ、
それを回路網２２を介して送り、出力ネットワーク信号
を得ている。この信号は回路網２２がその波形が類似し
ていると判断するもののシナプス荷重付けによる、入力
信号の変形である。生の入力波形は変形された出力波形
と比較され誤り信号を生じる。誤り信号は重み行列を部
分的に更新するために用いられ、回路網２２を理想化波
形に徐々に収束させる。不正入力を用いてシナプス荷重
付けを徐々に更新していく方法は回路網２２の疑似教師
なし学習である。この学習は波形の特徴の識別を必要と
したり利用することはない。学習が終了すると、１個若
しくは複数の波形の情報が回路網２２の構造内の荷重付
け全体に分散される。回路網２２はこうして本来の電気
信号内の波形の存在を検出することができる。回路網２
２は重み行列により理想化波形を格納し、実際のデータ
は理想化波形に類似していないことがある。回路網２２
内に格納される理想化波形を得るために、生データは回
路網２２に入力されて、回路網２２は波形が安定状態に
達するまでその出力信号を回路網２２に連続的にフィー
ドバックすることによって収束する。回路網２２は複数
の理想化波形をそこに格納することがあるので、理想化
された表示への収束とその出力のために少なくとも１個
の類似した波形が回路網２２に入力されなければならな
い。多層回路網２２．２２′において、全ての波形が学
習され、全体の生データや電気信号がそこに入力され、
その出力を異なった理想化波形に収束させ分類している
。

抽出回路網２２の別の実施例として、神経回路網２２は
反復波形を学習し、第３の走査の間に電気信号から特有
の或いは略異なる波形を抽出し、その特有の波形をバッ
ファ３０内に簡約化手段３４のために格納してもよい。

これは反復信号以外の特有の信号が回路網２２によって
検出され抽出され得る心電図（ＥＫＧ）の信号に適用す
るのが理想的であろう。学習された波形は学習の代わり
にユーザによって入力されてもよい。回路網２２は抽出
のためにこのテンプレートされた波形を用いてもよい。

類似又は非類似の波形のいずれかを抽出することができ
る。

人工神経回路網（ＡＮＮ　ｓ　）は相互に連結された単
純な処理要素から成る高度に平列分散処理を行う回路網
である。こうした回路網は学習、連想記憶、画像認識、
膜化、及び推定等の人間の脳型の処理能力の幾つかを連
想させる非常に強力な処理能力を潜在的に有している。

人工神経回路網は信号処理、画像認識、パターン分類、
ロボット制御、最適化、音声理解と合成、エキスパート
システム問題解決、及び他の人工知能応用のような多く
の困難な処理や計算アプリケーションにうまく適用する
ことができる。

横方向に相互接続された処理要素にューロン）よりなる
単層構造から、一般相互接続を備えた多層構造に至るま
で種々の人工神経回路網の構造が提案されてきている。

基本的な人工神経回路網の処理要素もその複雑性におい
て、実数値の入力ベクトルＸと内部計算された荷重付き
ベクトルＷの間の荷重付き加算を行う単純な処理装置か
ら、脳細胞の機能をシミュレートすることを目指すより
強力な処理装置まで様々である。

所与の人工神経回路網のプログラミングは通常、学習又
は合成アルゴリズムを介して、相互接続された荷重（シ
ナプス）を調整することにより達成される。単層及び多
層人工神経回路網の学習のために種々の学習アルゴリズ
ムを利用することができる。ここで学習アルゴリズムは
教師あり学習と教師なし学習の大きく２つに分類できる
。

人工神経回路網における教師あり学習即ち教師補助学習
は、一連の入力信号（ベクトル）が一連の出力「目的」
信号と関連するように、即ち回路網が特定の入力に対応
する特定の応答を教示されるように、回路網の相互連結
と荷重付けを行うことを特徴としている。この型の学習
は連想記憶装置として機能しパターン認識と分類アプリ
ケーションに有用な神経回路網において主に使用されて
いる。連想神経記憶装置のための一つの学習形態は自動
連想式である。自動連想学習方式において、人工神経回
路網はその入力の正確な複製に反応するように学習され
る。初期回路網入力（初期状態）が誘因される状態空間
表示内で、この学習過程により安定した回路網状態（記
憶）が達成される。

一方、教師なし学習は人工神経回路網に一連の所与の入
力に対してそれ自体の出力で応答させるものである。こ
の学習方式において、回路網要素は異なる入力信号に応
答してパターン（信号）を呈する。ここで認識すべき重
要なことは、回路網の応答の符号化が教師なしであって
人工神経回路網の構造とその初期シナプス荷重により決
定されるということである。

生理的信号の識別に適している人工神経回路網の具体例
は自動連想神経記憶（ＡＮＭ）回路網２２′である。回
路網２２′は伝達関数がＸ＝Ｗ−Ｘ　　　　（１） で与えられる単純なニューロンの完全に相互結合した単
層からなる。ここでＸは入力信号を表す実数値のｎ次元
ベクトルであり、Ｗは回路網のシナプス荷重を表す実数
値のｎｘｎ行列である。等式（１）は回路網２２′の自
動連想処理様式を表すとともに行列／ベクトル積演算と
して連想又は検索過程をモデル化している。所与の一連
のｍ個のｎ次学習ベクトル（Ｘ）の記録は、 Ｗ＝Ｘ−Ｘ＋　　　（２） で与えられる内部結合行列Ｗを介して達成される。

ここでＸはＸ個の縦ベクトルを備えたｎｘｍ行列であり
、Ｘ＋は行列Ｘの一般化された逆数である（ベクトル（
Ｘ）が−次独立であるならばＸ＋＝（Ｘｔ−Ｘ）−１・
Ｘｔ）。等式（２）は平均最小２乗誤差規範で最適線形
写像を表している。行列Ｘｔ−Ｘが不良条件行列である
ならば、（２）の学習規則は計算問題を生じる。必要記
憶量を低減する代替的な動的学習規則は、Ｘベクトルを
連続的に考慮することにより次式で表される。

Ｗｌ：　任意 Ｗｋ＋１＝Ｗｋ＋（ａ−ｋ）−１〔Ｘｋ−Ｘｋｔ−（Ｗ
ｋ−ｘｋ）・ｘｋｔ）　　　（３）ここでｋは反復数、
ｘｋはに番目の学習ベクトル、ｔは転置行列を表し、ａ
は定数又はベクトル（ｘ）の適当なスカラー関数として
選定することができる。集合（ｘ）が多数回循環するな
らば、等式（３）は（２）の最適一般化された逆行列Ｗ
に収束する。

上記回路ｗｉ２２　’は部分サンプルからの動的学習、
頑強性、雑音余裕度、位置不変性、誤り修正、障害許容
性、一般化等の固有の高性能特性を有している。例えば
−度、所定の一連の連想パターンが教示されると、自動
連想記憶回路網２２′は最も「類似した」学習パターン
で雑音入力及び／又は部分入力のパターンを連想するこ
とができる。

更に、自動連想記憶回路網２２′の性能は入カバターン
歪み及び／又はシナプスの重み変動に無感応であり、こ
の自動連想記憶回路網の連続的な学習能力によって生理
的信号の認識と分類に極めて重要なものとして次に示さ
れる「疑偵教師なし」学習や一般化を達成することがで
きる。神経回路網の物理的構成は従来より知られたもの
である。

第７図に示された第２の実施例において、制御手段２０
は代替的な方法によりピークを識別して検出する。制御
手段２０は全てのピークの表又は配列よりなる「ターン
ズ・リスト」を展開している。このピークはピーク又は
ターンの周りに形成された左側の振幅と右側の振幅を測
定することにより識別される。左右の振幅がいずれも所
定の数値より大きい場合には、スパイク波が識別される
。

更にピークの勾配は、ピークとして検知されるために所
定の勾配以下でなければならない。従ってターンズ・リ
ストは前述の条件を満足させる全てのピークの位置を識
別する配列より成っている。

ターンズ・リストが展開された後、学習手段２４は学習
集合を展開する。特定の実施例において、左側の最大の
１００個の振幅と右側の最大の１００個の振幅が、最初
に１つの波形に対するピークの数により仮定される。左
側の最大の１００個の振幅と右側の最大の１００個の振
幅の集合の結びが選ばれ、例えば３０−５０個の波形が
得られる。

これらの波形から、１個の波形から成っていると仮定さ
れる学習集合が展開される。他の波形を決定するために
、左右の二番目に最大の波形が考慮される。

重み行列２６は先の実施例のように波形を学習する。抽
出手段２８は学習された波形を抽出する。

抽出手段２８は約１５０のピークがある左右のリストの
交差セクションを識別する。各ピークはその後テンプレ
ートで照合される。最初の生理的入力信号はそのピーク
をテンプレートと比較する回路網２２に入力される。出
力がテンプレートに類似している場合には一定数の波形
のピークを除いて他は全て除外される。概して９０−１
００程度受は入れられる。波形を得るために、受は入れ
られた出力の平均が選定される。波形はそのピークが次
の走査で識別されないようにリンク・リスト又はターン
ズ・リストから抽出される。

一般に、実行される回路網２２は電気信号又はデータを
受容しその信号で反復波形を学習する。

同一の電気信号が学習された波形に基づいて波形を抽出
するためにも使用される。換言すれば、未知の波形が学
習に用いられ、そのデータもまた抽出に利用されている
。既知の波形は不要である。

電気信号源は反復波形がある限り回路網２２に対して無
関係である。

代替的に、電気信号の単一の走査のみが順序正しく必要
であり且つ第８図に示したような波形を抽出するように
、神経回路網２２′は多層自己編成形回路網を含んでも
よい。前述したように神経網２２′の主たる目標は、重
ね合わせられた反復パルスによる信号の教師なし認識と
分解である。

回路網２２′は基礎を成す信号パルスの形態や振幅につ
いての「先行する」知識は有していない。

回路網２２′が単に仮定するのは、学習される全てのパ
ルスが顕著なピークと、推測されるパルス幅の上限と、
反復パルス・パターンとを持っているということである
。更に、パルスは非同期的且つ非周期的であると仮定さ
れる。最後に、分離され重ね合わせられたパルス波形が
十分に生じるように、診断される信号は十分長いものと
仮定される。生理的信号、筋電図、心電図、脳電図等、
及び移動体電子センサ信号、雑音や好ましくない放射連
結の存在が上記信号の例である。

神経回路網２２′は以下の処理段階を含んでいる。

ｉ）所与の信号内に電位パルス活動を位置付けること。

ｉｉ）存在する異なるパルス（クラス）の数とそれらの
基礎となる名目形状を見い出すこと（パルスは他のパル
スに重ね合わせられると共に、歪み及び／又は雑音を含
むことがある）。

ｉｉ）ある誤り（距離）測度に従って信号活動セグメン
トを分類するために、名目パルス形状をテンプレート又
はライブラリーベクトルとして用いること。

雑音のある重ね合わせられたパルスを収集、表現、分類
、及び再構成できる３層（隠れた２層と１層の出力層か
ら成る）自己編成形神経回路網２２′が利用されている
。初期パルス表現が仮定していることは、回路網２２′
が一組のラベルなし信号活動の反復性にのみに頼らない
ということである。

より具体的に言うと、４０個のサンプルのサンプリング
された信号セグメント（活動ベクトル）はそれぞれ３層
回路網２２′への入力として使用される。活動ベクトル
は信号のピークが４０個のサンプルの窓内の同じ位置に
整列されるように選定される。４０個の活動ベクトル・
サンプルによって覆われる信号幅は、上限と生の信号内
に存在する全てのパルス幅を表していると仮定される。

顕著なピークを備えた全てのベクトルよりなるラベルな
し学習集合が構成されている。これは、それぞれの（ピ
ーク幅が０．２５を越える）顕著なピークに対して、４
０次のサンプル学習ベクトルを生じさせることにより達
成される。この時ピーク振幅は学習ベクトル内の固定位
置にある。ここで、基礎を成すパルスの急勾配で正のピ
ークについての従来の知識が効果的に利用され、電位パ
ルスの発生を位置付けし整列させる。これにより、分散
移動のための計算用負荷が低減され、神経回路網２２′
における学習が抑制されることもなくなる。

神経回路網２２′の第１隠れ層５０と第２隠れ層５２は
それぞれＨとＪの次元を有し、活動間隔に亘って作動す
る信号起動を備えたニューロンを採用している。出力層
２４は線型起動を備えたＬ＝４０のニューロンを有して
いる。回路網２２′は二つの段階、即ち、学習／ｗＭ成
段階と検索段階で適用される。学習段階において、活動
ベクトルは回路網に対して一つずつ提示され（Ｈ次の隠
れ層を備えた第１の内部活動）、基礎となるパルスの形
状を把握するために自己編成学習戦略が使用される。こ
の段階の間に、回路網２２′は二つの層でその利用可能
なニューロンを最小化し、第２の隠れ層（中央層）でボ
トルネックを形成する。

神経回路網２２′は第１の層が特徴発見層として機能す
るように自己編成する。第２隠れ層５２は効果的なコン
パクト・コード（内部表示）を生じるエンコーダとして
機能する。最終的にこの段階を通じて、内部表示ベクト
ルとサンプリングされたパルス空間の間の概略写像が実
現されるように、即ち出力層５４がパルス又は波形を再
構成できるように、出力層５４は制限される。検索段階
において、全ての学習は禁止され、回路網２２′は学習
中に用いられない信号活動ベクトルに加えて学習活動ベ
クトルを、それらの名目重ね合わせ濾波パルス波形に写
像するために使用される。これは出力層５４から第１層
５０への直接フィードバック連結を備えて学習された３
層ネットからなる動的構造を利用することにより行われ
る。検索回路網２２′の動態の調査は、安定した内部表
示によって広いベースの引力を備えたパルス／形状段階
への迅速な変換が達成されることを明らかにしている。

これはその初期状態及び層として通常重ね合わせにより
損なわれた活動ベクトルで開始する回路網２２．′を、
基礎となる学習されたパルス波形を表す最も類似したパ
ルス形状状態に動的に収束するように変形する。

ＢＥＰ　（後置型プロセッサ）基準の自己編成／膜化学
習戦略は当面の問題に良く適合する。第一に、３層ネッ
トの信号７重み／誤り図は第１２図に示されている。こ
こでｘ’とｙｋ−Ｘｋはそれぞれ入力と出力の活動ベク
トルを表し、０はａ層の起動ベクトルを表し、′は学習
対（ｘｋ　、　　ｙ　ｋ　）による良く知られた逆伝搬
誤りベクトルである。

指数ｉ、ｈ、ｊ、１は入力、第１隠れ、第２隠れ、及び
出力信号成分に対応する。全ての隠れ単位における重み
は（運動量項のない）元のＢＥＰ　（後置型プロセッサ
）アルゴリズムに従って更新される。

第１隠れ層：ΔＷ五ｈ＝ρδｈＸｉ 第２隠れ層：ΔＷ６五＝ρδｊｏｈ ここでρ＝ρ。（ρ、）’＋　　Ｏくρ。＜１．ρイで
１に極めて近いがそれより小さく、ｋは学習パターン番
号である。出力層重みの局所更新規則はΔＷ５．＝ρδ
ＩＯｊ　＋β１’−Ｗｊい但し　β〈ρ。

により与えられる。

上記重み更新等式から、後置型プロセッサ（ＢＥＰ）ア
ルゴリズムに対して、指数的に減衰された学習係数と忘
却効果という２つの修正が取り入れられていることが分
かる。学習係数の減衰は（我々の問題において好ましく
ない高度に重ね合わせられた活動ベクトルであり得る）
最後学習パターンの強調に対して学習をバランスさせる
上で極めて重要である。それは又、「アニーリング法」
を学習し、学習過程を促進する当初相対的に太きな学習
係数を使用できるという利点も合わせ持っている。他方
、出力層５４の忘却効果は重ね合わせパターン及び／又
は雑音と対照的に、反復構造パターンの学習を高める上
で極めて重要である。

この後者の戦略はまた第２隠れ層と出力層の間に、より
正確な写像（パルス形状パターンの再構成）を実現する
のに役立つ。それはまた出力層からのより正確な伝搬を
介して間接的に、隠れ層の膜化及び自己編成に対して望
ましい影響を及ぼす。

隠れ単位消去の戦略は逆伝搬誤り大きさ分散に基づいて
いる。この戦略は誤り発生の履歴に従って、好ましくな
い隠れ単位の消去を考慮したものである。この戦略はま
た多重隠れ層に関して回路網内の単位消去を考慮したも
のである。より具体的には、それは隠れ層の機能性につ
いての従来の知識に基づいて選択的な隠れ層の簡約を考
慮したものである。例えば、我々の問題においては提塞
単位消去戦略が採用されており、隠れ層はいずれも第２
層よりも制約の少ない第１層に関して最適化されている
。そしてこれが特徴抽出／エンコーダ連結層を実現する
上で徐々に障害となる。以下に説明するのは、隠れ層寸
法を最小化するために採用された戦略である。

１、学習集合をそれぞれにベクトルのグループに分割す
る。ここでＫは学習集合用の小数部である。

２、上述したように修正された後置型プロセッサのアル
ゴリズムを使用し、Ｋサンプルの第１集合でネットを訓
練する。ｋ、乃至に、を設定する。

３、全ての回路網の重みを固定させて、全ての隠れ層の
ニューロンに対して蓄積された誤り信号を計算する。

Ｊ＝ｌ　　２．、、、、　　Ｊ 第１隠れ層のニューロン： ｈ＝２．　２．、、、、Ｈ ４、蓄積された誤り信号に対して平均値と標準偏差を計
算する。

第２隠れ層：　（μ３．σｊ） 第１隠れ層：　（μ８．σ□） ５、全てのｉに対して ｅＪ　＞　μｈ　＋　１−４　σ」及びｅｊ＞ｅｌ−１
が成り立つならば、１個のニューロンｊが（第２隠れ層
から）削除される。

６、全てのｉに対して ｅｈ〉μｏ＋１．８δＨ及びｅｈ＞ｅ＋＋ｈが成り立つ
ならば、１個のニューロンｈが（第１隠れ層から）削除
され、ステップ５の削除はなされない。

７、削除後、提案された学習アルゴリズムを使ってにパ
ターンの現行の集合を学習することにより回路網の重み
を更新する。Ｋ、＝に、　十Ｋを設定する。学習サイク
ルの数の制限が満たされるならば停止し、そうでないな
らばステップ２へ進む。

上述した冗長な隠れ単位除去アルゴリズムについて第一
に注意すべきことは、学習集合のサンプル部分集合に対
する蓄積された逆伝搬決定誤り信号の利用である。これ
は初期に隆盛した隠れ単位消去の罰金基準とは異なる。

ここで隠れ単位は１）出力写像矛盾に対するその寄与の
短い履歴、及び ２−）′所′与のばれ層−におけζ他の全て゛の単゛位
と比較したその動作、 に基づいて消去される。学習活動ベクトルの性質により
、上述のステップ１におけるＫの選択は自由に変えられ
る。より大きなＫはステップ３における蓄積された誤り
ｅの値である。（一つの極端な手段は学習ベクトルの数
に＝ｍを選定することである。しかしながら、これは学
習ベクトルの小数部のみが同時に利用可能である状況下
では無理な場合がある。）単位消去手段はその後ステッ
プ５及び６で与えられる。ここで所与の隠れ層の１単位
は、それがその層において最大の蓄積された決定誤りｅ
を有し、ｅがその層における全ての単位の蓄積された決
定誤りの分布（平均値及び標準偏差）と予め設定された
警戒パラメータ（ステップ４の不等式で用いられた値１
．４）により決定されるしきい値を越えるならば、Ｋベ
クトルの各表示後消去される。上記アルゴリズムはまた
、一つ以上の隠れ層が使用されるとき漸進的なボトルネ
ックを形成することがある。これは上記ステップ６に従
って達成され、そこでは単位削除が次のより高位の隠れ
層で起こらないならば、単位削除のみを行ってもよい。

低位の隠れ層の寸法に影響を及ぼす他の要因は、関連し
た警戒パラメータ（このシミュレーションでは第１の隠
れ層に対して１゜８に設定）の大きさである。上記ステ
ップ５及び６に示されているように、警戒値は次の高位
の隠れ層のそれより大きく設定されている。この戦略に
より回路網は、より制約されたエンコーダ層／ボトルネ
ックを伴う、制約された特徴抽出層の望ましいカスケー
ドを確立することができる。

上記動的多層神経回路網２２′とその提案された自己編
成学習アルゴリズムの性能は、様々な程度の複雑性を備
えた重ね合わせ反復パルスのシミュレートされた信号を
用いて評価される。特定の信号の分解例は第１０図に示
されている。第１０図の信号はシミュレートされた８０
００タイムユニット信号の１８００タイムユニツトの第
１区分を示している。この信号は３つのパルス列の重ね
合わせとして構成されている。各パルス列は、制限され
た任意の周波数で反復する１つの固定されたパルス波形
から構成される。使用される３つのパルス波形はｐｉ、
ｐ２．ｐ３と分類されて第１１図に示されている。第１
０図の（生信号として呼ばれる）全体の重ね合わせ信号
は、上述したように活動ベクトルを位置づけし整列させ
るために用いられる総計１９２の顕著な信号ピークを有
している。１９２の活動ベクトルのラベルのない学習集
合は次のシミュレーションで使用される。学習集合の目
視検査により、ｐｉ、ｐ２．ｐ３に属するそれぞれ２４
個、２２個、１９個の合計６８個のクリーンな（重ね合
わせのない）パルス波形の存在が明らかになる。従って
、学習集合は約６４％のそれぞれ２個又は３個のパルス
波形を含む歪んだ（重ね合わせられた）パルス波形を有
している。ここで６８個のクリーンパルスの目視による
識別は、基礎となるパルスの形状についての従来の知識
に基づいて容易になされることに留意されたい。この従
来の知識は回路網に対しては利用できない。この回路網
はその学習段階の一部としてこれらの基礎となるパルス
波形を発見するようになっている。

第１及び第２隠れ層にそれぞれ６個のニューロンを当初
有していた前述の回路網２２′が使用される。４０（＋
１バイアス）の入力窓サイズが用いられ、最も左の活動
ベクトルのピークは１３番目の入力ビットとして中央に
置かれる。出力層は線型起動（勾配＝１）を備えた４０
個のニューロンを有している。学習段階を通じてフィー
ド・ネクスト接続のみが許可され、−１のバイアスが全
単位に付与される。当初、全ての重みは間隔（＋、１．
−．１）で任意に設定される。後置型プロセッサ基準学
習アルゴリズムは回路網を学習させるために用いられる
。以下のパラメータが使用された。

学習係数　ｐ＝　　、３５（，９９５）　ｋ学習サイク
ル数＝５（合計１９２＊５＝９６０表現）Ｋ＝３０（即
ち１９２／３０＝６学習ベクトル・サブグループ） 出力１層重み減衰係数　Ｂ＝　　、０５゜学習段階の第
１サイクルの間に、回路網２２′は第２隠れ層５２から
３個の単位を消去し、そのニューロンを３個に減少させ
た。第２学習サイクルにおいては、第１隠れ層５０から
１個の単位だけが消去された。学習は第２サイクルから
第５サイクルまで続行され、隠れ単位の消去はそれ以上
行われなかった。学習は第５サイクル終了後停止され、
学習された回路網は第２節で説明した動的検索段階で使
用された。ここで１９２の学習活動ベクトルは全て、学
習された回路網によってテストされて、「最も類似した
」基礎となる表現に写像される。このシミュレーション
において、回路網２２′は４個の内部表現と、３個の基
礎となるパルスに対応する３個の表現と、誤って識別さ
れたパルスに対応する１個の表現を発見していた。

回路網の動態の観点から、各表現はＲ”次の状態空間に
おいて強力な安定点として明示されている。

検索回路網２２′の収束の安定性と速度は非常に優れて
いた。上記シミュレーションは３０回以上繰り返され、
各回毎に新たな重みの初期設定及び／又は異なる学習パ
ラメータとに値（例えば、Ｐ０＝　　、１５．．３．．
４　；　Ｋ＝３０．４０．５０　’）　　が採用された
。多くの場合、回路網２２′は５−３の隠れ層の配列を
発見し、上記に比肩し得る回路網のダイナミクスに達し
た。ある場合に、回路網は３個の表現の中から２個（２
個のパルス表現は１個に併合された）と、活動ベクトル
の１０％以下の割合でで発生した更に１個又は２個の誤
った表現（アトラクタ）を学習した。回路網２２′はま
た、５乃至１０個のニューロン／隠れ層の間で初期化さ
れると、膜化及び意味のある内部表現を形成することが
できた。全ての場合に、５つの学習サイクルで十分であ
るように思われた。

組立体ＩＯはバッファ３０内で波形を解析して各波形を
個別に特徴付けるための簡約化手段３４を有している。

−度、運動単位の波形が得られると、情報を製表化され
た特徴に簡約化するための標準手続きが採られる。この
手続きには零交差、勾配、継続時間、振幅等の検査が含
まれる。簡約化手段３４はソフトウェアを介して実行さ
れる。

簡約化手段３４は最初のサンプリングされた電気信号と
ともに、バッファ３０内の各波形及びその時間割りを検
査する。得られる特徴として例えば、平均継続時間、継
続時間のヒストグラム、振幅、波形の屈折点の数、フー
リエ変換−中波または高周波および低周波内容比、波形
の安定性（最初のデータの全ての発生と比較して一抽出
変形）、放電パターン（正規または不正規−及び使用す
る筋力の総量と使用される運動単位の数とに対する関係
）等が挙げられる。このリストは完全なものではなく、
波形を特徴付けるのに一層多くの基準を使用すれば、後
述するように分類はより良いものになる。

組立体１０は、基準メモリ手段４０を備えた分類回路網
手段３６を備えている。この基準メモリ手段４０は、病
状と関連した特徴とその特徴が結合したものを含む情報
を有し、その情報を特徴と比較し、特徴と情報との最良
の整合に基づいて病状を表す出力を生じさせている。分
類回路網手段３６は異なった神経回路網プロセッサを有
している。簡約化手段３４から得られた特徴は分類神経
回路網３６内に供給され、波形の特徴は通常の状態と病
気の状態を示す通常人及び患者のグループ特性を表して
いる情報と比較される。この通常人及び患者のグループ
情報は、分類神経回路網３６の基準メモリ手段４０内に
重み付け行列の形で格納され、簡約化手段３４からの運
動単位波形を特徴付けているのと同じような特徴を備え
ている。

運動単位波形の特徴はこの情報と比較され、最良の整合
が書き留められる。特徴のパターンを決定する上で全て
の特徴が考慮され、出力を与えてそれらを分類している
。分類神経回路網３６は全ての特徴を取り出し、それら
が最良の整合を発揮するように分類する。誤った或いは
異常な特徴は最良の分類を得る上で無視してもよい。換
言すれば、神経回路網３６は特徴ベクトル空間から診断
空間への状態空間の変換を行っている。この特徴は変換
を行う非線形写像を経る。患者グループから特定の病気
状態を表す特徴とその結合したものを学習することによ
り、神経回路網３６は病状の学習の結果に応じて機能す
る。回路網３６は学習された診断に関して適用可能な回
路網であり、診断に係る新しい特徴に基づいて重み付け
行列を更新することによって、回路網２２と同様な方法
で学習される。変換を行う方法についての情報は、神経
回路網３６内に分散状態で格納される。神経回路網３６
内には情報を一つだけ含む点或いは接続はないが、種々
の点や接続の結合により情報を提供している。神経回路
網の構造は従来一般に知られている。

分類神経回路網３６は生理的情報を出力して医師が病気
を診断するのを補助する出力手段４２を有している。生
理的出力分類は筋肉性疾患、運動神経性疾患、軸索神経
病、神経筋連結疾患等の疾病出力を含んでもよい。神経
回路網３６は異なった生理的疾患に対して０％から１０
０％まで等級別百分率を出力するので、医師は多数の症
状と見込みの比例百分率を知ることができる。生理的出
力に加えて、最初の電気信号と抽出された運動単位が医
師の参考にプリントアウトされる。出力手段４２は上述
した情報の全てのハードコピーをプリントアウトするた
めに、プリンタ又はグラフィック装置を備えることがで
きる。

本発明は体内に生じた生理的電気信号を識別し、疾患の
特徴を示す出力を生成する方法を含んでいる。

本方法は、 体内で生じた電気信号を検知する工程（１２）と、 雑音しきい値を設定し、電気信号を濾波して識別し、そ
れにより反復波形の発生に係るスパイク波を分離する工
程（１８）と、 スパイク波を識別してヒストグラムをプロットする工程
と、 谷のしきい値を設定して単一の運動単位に係るスパイク
波を識別する工程と、 重み付け行列（２６）を更新することにより電気信号内
の反復波形を学習する工程（２４）と、電気信号から学
習された波形を抽出する工程（２８）と、 抽出された波形を格納しく３０）、単一の運動単位に係
る波形を平均化し、電気信号内に波形の発生の関連回数
を格納する工程（３０）と、抽出された波形を電気信号
から減算する工程と、波形をそれを特色付ける特徴に簡
約化する工程（３４）と、 前記特徴を、疾病状態に係る標準的な特徴とそれを結合
したものより成る情報に関して解析する工程（３６）と
、 情報に対する特徴の最良の整合に基づいて疾病状態デー
タを出力する工程（４２）と、を備えている。

第３図乃至第６図は電気信号に通用された本発明の効果
を示している。第３図は２個の運動単位を有するシミュ
レートされた筋電図の信号を示し、正規放電率は重合し
雑音が付加されている。筋電図信号は検知手段１２によ
り検出され、前処理手段１８を介して濾波及び識別のた
めに送られる。

ヒストグラムは抽出回路網手段２２により制作され、選
定された第１の運動単位グループは最大の振幅のグルー
プを表す。運動単位は学習される。

第４図は学習された運動単位の波形（実線）と、抽出回
路網２２に呈された不整合の雑音波形（−点鎖線）を示
し、その出力（破線）は整合し雑音は除去されている。

第５図は抽出回路網２２による１個の運動単位の再構成
を示している。放電情報は容易に得られ、ミッシングパ
ルスはチエツクされる（時間線上の間隙）。第５図の出
力は医師の考察のためにプリントアウトされるが、そう
でない場合には情報は時間割り及びバッファ３０内に格
納される。第６図は第１の運動単位が減算された後の電
気信号を示す。残っているピークは第２の運動単位に対
応する。プロセスはその後学習を繰り返して第２の運動
単位を抽出する。第４図の学習された波形はバッファ３
０内に格納された第１の運動単位用の波形であり、その
後簡約化手段３４により簡約される。

本発明を図式的に説明してきたが、使用した術語は限定
よりも説明的であることを意図している。

上記教示に鑑みて、多くの改変及び変形例が可能である
ことは明らかである。特許請求の範囲における参照符号
は単に便宜上付せられたものであり限定的なものではな
い。従って本発明がこれまで説明してきた以外にも、特
許請求の範囲内で実施可能であることは理解されよう。

【図面の簡単な説明】

第１図は本発明のブロック図、 第２ａ図及び第２ｂ図は、第１図のブロック図を説明す
るフローチャート、 第３図は２個の運動単位及び雑音を含むシミュレートさ
れた筋電図、 第４図は学習された運動単位と抽出用にサンプリングさ
れた運動単位を示す図、 第５図は運動単位の再構成を示す図、 第６図は第１運動単位の減算の後の電気信号を示す図、 第７図は第１図のブロック図を限定するファンクション
の第２の実施例を説明するフローチャート、 第８図は本発明の別の実施例のブロック図、第９図は第
８図のブロック図を説明するフローチャート、 第１０図は別の実施例において用いられた電気信号を示
す図、 第１１図は第１０図の信号の波形を示す図、第１２図は
第１０図の別の実施例のための３層図である。 １２・・・検知手段、　　　１４・・・変換器、１６・
・・筋電計、　　　　１８・・・プロセッサ、２０・・
・制御手段、 ２２・・・抽出回路網手段、 ２４・・・学習手段、　　　２６・・・重み付け行列、
２８・・・抽出手段、　　　３０・・・バ・ソファ、３
２・・・減算手段、　　　３４・・・簡約化手段、３６
・・・分類手段、　　　４０・・・基準メモリ、４２・
・・出力手段。 図面の浄ご（内容に変更なし） ＦＩＧ、１１ 時間 手 続 補 正 書Ｃ方式） １、事件の表示 平成２年特許願第３１１２２５号 ２、発明の名称 生理的波形解析組立体 ３、補正をする者 事件との関係

Claims (1)

1. 【特許請求の範囲】 １、体内で生じた生理的信号を識別し、疾病の特性を表
   示した出力を生成する波形解析組立体であって、 体内で生じた生理的信号をサンプリングし、電気信号を
   生成する検知手段（１２）と、 前記電気信号内のピークの周りに現出する個々の未知の
   波形の位置を識別し、反復波形の個々の未知の波形より
   なる学習集合を生成する制御手段（２０）と、 前記学習集合を受容し、前記電気信号内の反復する未知
   の波形を学習し、分散回路網内で学習集合の前記個々の
   波形の写像変換を行って学習された波形を生成し、前記
   電気信号から前記学習された波形を抽出する抽出回路網
   手段（２２）と、 前記抽出された波形に基づいて疾病診断の情報を出力し
   て診断するための出力手段（４２）と、 を備えていることを特徴とする波形解析組立体。 ２、前記抽出回路網手段（２２）が、未知の波形の理想
   化された表現を展開し且つ格納する神経回路網を備えて
   いることを特徴とする特許請求の範囲第１項記載の組立
   体。 ３、前記抽出回路網手段（２２）が、シナプス重みによ
   り反復波形の理想化された表現を格納し且つ誤り信号に
   よりシナプス重みを更新する重み付け行列手段（２６）
   を備えていることを特徴とする特許請求の範囲第１項記
   載の組立体。 ４、前記神経回路網（２２）が、前記未知の波形の１つ
   と前記重み付け行列を介して前記未知の波形を検知する
   ことにより生じた出力波形とを受容し且つ前記未知の波
   形と前記出力波形とを比較して前記誤り信号を生成する
   学習手段（２４）を備えていることを特徴とする特許請
   求の範囲第３項記載の組立体。 ５、前記波形を解析し且つ前記波形を特色付ける特徴を
   生成する簡約化手段（３４）を備えていることを特徴と
   する特許請求の範囲第１項記載の組立体。 ６、疾病状態に関する標準的な特徴とそれの組合せより
   成る情報を含み、前記特徴を前記情報と比較し、前記特
   徴と前記情報との最良の整合に基づいて疾病状態を表現
   する出力を生成する分類回路網手段（３６）を備えてい
   ることを特徴とする特許請求の範囲第５項記載の組立体
   。 ７、前記抽出回路網手段（２２）が、前記電気信号の前
   記抽出された波形を格納するバッファ手段（３０）を備
   えていることを特徴とする特許請求の範囲第６項記載の
   組立体。 ８、前記抽出回路網手段（２２）が、前記反復波形を学
   習するための学習手段（２４）と、前記学習された波形
   を格納するための重み付け行列手段（２６）と、を備え
   ていることを特徴とする特許請求の範囲第７項記載の組
   立体。 ９、前記抽出回路網手段（２２）が、前記電気信号から
   前記学習された波形を減算するための減算手段（３２）
   を備えていることを特徴とする特許請求の範囲第８項記
   載の組立体。 １０、前記神経回路網（２２′）が、波形の１個の学習
   集合を受容し、第１の走査で波形を学習し、電気信号に
   対する第２の走査で波形を抽出する単一層回路網より成
   ることを特徴とする特許請求の範囲第９項記載の組立体
   。 １１、前記神経回路網（２２′）が、全ての波形の学習
   集合を受容し、電気信号に対する第１の走査で波形を学
   習するとともに抽出する多層回路網より成ることを特徴
   とする特許請求の範囲第４項記載の組立体。 １２、生理的信号を特色付ける特徴を生成する手段を有
   し、体内で生じた生理的信号を識別し、疾病の特性を表
   示した出力を生成する波形解析組立体であって、 特徴を有する生理的信号を供給するための入力手段と、 病的な及び通常の患者の状態に関連した既知の特徴とそ
   れの組合せの分散回路網内で情報を格納し、生理的信号
   を特色付ける特徴を分散回路網を介して変換しそれによ
   り病的な状態を表示する出力を生成する分類神経回路網
   （３６）と、 を備えていることを特徴とする波形解析組立体。 １３、前記分類神経回路網（３６）が、重み付け行列内
   に診断のために特徴とそれの組合せを格納する基準メモ
   リ手段（４０）を有し、前記特徴が前記重み付け行列内
   で非線形的に写像されそれにより前記出力を生成するこ
   とを特徴とする特許請求の範囲第１２項記載の組立体。 １４、体内で生じた生理的信号をサンプリングし且つ電
   気信号を発生させる検知手段（１２）を備えていること
   を特徴とする特許請求の範囲第１３項記載の組立体。 １５、前記電気信号を解析し且つ前記電気信号を特色付
   ける特徴を生成する簡約化手段（３６）を備えているこ
   とを特徴とする特許請求の範囲第１４項記載の組立体。 １６、前記電気信号を受容して前記電気信号よりなる反
   復波形を識別するとともに学習し、前記学習された波形
   を抽出する抽出回路網手段（２２）を有し、 前記抽出回路網手段（２２）が、前記抽出された波形と
   、前記電気信号内で略類似した波形の関連した発生回数
   とを格納するバッファ手段（３０）を備えていることを
   特徴とする特許請求の範囲第１５項記載の組立体。 １７、前記電気信号を濾波するとともに区別し、それに
   より波形に係るスパイク波を分離する前処理手段（１８
   ）を備えていることを特徴とする特許請求の範囲第１６
   項記載の組立体。 １８、前記抽出回路網手段（２２）を制御し、前記電気
   信号内の波形を識別する制御手段（２０）を備えている
   ことを特徴とする特許請求の範囲第１７項記載の組立体
   。 １９、反復波形を有する電気信号を識別するための波形
   解析組立体であって、 電気信号をサンプリングする入力手段（１２）と、 前記電気信号内のピークの周りに現出する個々の未知の
   波形の位置を識別し、一つの反復波形の個々の未知の波
   形よりなる学習集合を生成する制御手段（２０）と、 前記学習集合を受容し、分散回路網内で学習集合の前記
   個々の波形の写像変換を行うことにより反復する未知の
   波形を学習して学習された波形を生成し、前記電気信号
   から前記学習された波形を抽出する抽出回路網手段（２
   ２）と、 前記抽出された波形の情報を出力する出力手段（４２）
   と、 を備えていることを特徴とする波形解析組立体。 ２０、前記抽出回路網手段（２２）が、未知の波形の理
   想化された表現を展開し且つ格納するための神経回路網
   より成ることを特徴とする特許請求の範囲第１９項記載
   の組立体。２１、前記抽出回路網手段（２２）が、シナ
   プス重みにより反復波形の理想化された表現を格納し且
   つ誤り信号によりシナプス重みを更新する重み付け行列
   手段（２６）を備えていることを特徴とする特許請求の
   範囲第２０項記載の組立体。 ２２、前記神経回路網（２２）が、前記未知の波形の１
   つと前記重み付け行列を介して前記未知の波形を検知す
   ることにより生じた出力波形とを受容し且つ前記未知の
   波形と前記出力波形とを比較して前記誤り信号を生成す
   る学習手段（２４）を備えていることを特徴とする特許
   請求の範囲第３項記載の組立体。 ２３、前記抽出神経回路網（２２）が、抽出のためにユ
   ーザによって入力されたテンプレート波形を学習する学
   習手段（２４）を備えていることを特徴とする特許請求
   の範囲第１９項記載の組立体。 ２４、前記抽出神経回路網（２２）が、前記学習された
   波形に略類似した波形を前記電気信号から抽出する抽出
   手段（２８）を備えていることを特徴とする特許請求の
   範囲第２３項記載の組立体。 ２５、前記抽出神経回路網（２２）が、前記学習された
   波形と略異なった波形を前記電気信号から抽出する抽出
   手段（２８）を備えていることを特徴とする特許請求の
   範囲第２３項記載の組立体。 ２６、体内で生じた生理的信号を識別し、疾病の特性を
   表示した出力を生成する方法であって、体内で生じた生
   理的信号を検知して電気信号を生成する工程と、 前記電気信号内のピークの周りに現出する個々の未知の
   波形の位置を識別しする工程と、１つの反復波形の個々
   の未知の波形よりなる学習集合を生成する工程と、 分散回路網内で学習集合の前記個々の波形の写像変換を
   行うことにより前記電気信号内の反復する未知の波形を
   学習し、それにより学習された波形を生成する工程と、 前記電気信号から前記学習された波形を抽出する工程と
   、 前記抽出された波形に基づいて疾病診断の情報を出力す
   る工程と、 を備えていることを特徴とする方法。 ２７、前記反復する波形の理想化された表現をシナプス
   重みにより格納する工程を備えていることを特徴とする
   特許請求の範囲第２６項記載の方法。 ２８、前記重みを介して未知の波形を受容するとともに
   それを送り出し、それにより出力波形を生成する工程を
   備えていることを特徴とする特許請求の範囲第２７項記
   載の方法。２９、未知の波形を出力波形と比較し、それ
   により誤り信号を生成する工程を備えていることを特徴
   とする特許請求の範囲第２８項記載の方法。 ３０、シナプス重みを誤り信号によって更新する工程を
   備えていることを特徴とする特許請求の範囲第２９項記
   載の方法。 ３１、電気信号を濾波するとともに区別し、それにより
   前記反復する波形の発生に係るスパイク波を分離する工
   程を備えていることを特徴とする特許請求の範囲第３０
   項記載の方法。 ３２、前記波形を、それを特色付ける特徴に簡約化する
   工程を備えていることを特徴とする特許請求の範囲第３
   １項記載の方法。 ３３、前記特徴を、疾病状態に係る標準的な特徴とそれ
   の組合せより成る情報に関して解析する工程を備えてい
   ることを特徴とする特許請求の範囲第３２項記載の方法
   。 ３４、前記特徴の前記情報に対する最良の整合に基づい
   て、疾病状態のデータを出力する工程を備えていること
   を特徴とする特許請求の範囲第３３項記載の方法。 ３５、前記抽出された波形と、電気信号内の波形の関連
   発生回数とを格納する工程を備えていることを特徴とす
   る特許請求の範囲第３４項記載の方法。 ３６、前記電気信号から前記学習された波形を減算する
   工程を備えていることを特徴とする特許請求の範囲第３
   ５項記載の方法。 ３７、反復波形を有する電気信号を識別する方法であっ
   て、 電気信号を検知する工程と、 前記電気信号内のピークの周りで現出する個々の未知の
   波形の位置を識別する工程と、１つの反復波形と考えら
   れる個々の未知の波形より成る学習集合を生成する工程
   と、 分散回路網内で前記学習集合の個々の波形を写像するこ
   とにより前記未知の反復波形を学習し、それにより学習
   された波形を生成する工程と、 基礎になる前記電気信号から前記学習された波形を抽出
   する工程と、 前記抽出された波形の情報を出力する工程と、 を備えていることを特徴とする方法。 ３８、前記反復波形の理想化された表現を、シナプス重
   みにより格納する工程を備えていることを特徴とする特
   許請求の範囲第３７項記載の方法。 ３９、前記重みを介して未知の波形を受容するとともに
   それを送り出し、それにより出力波形を生成する工程を
   備えていることを特徴とする特許請求の範囲第３８項記
   載の方法。４０、前記未知の波形を前記出力波形と比較
   してそれにより誤り信号を生成する工程を備えているこ
   とを特徴とする特許請求の範囲第３９項記載の方法。 ４１、前記誤り信号によりシナプス重みを更新する工程
   を備えていることを特徴とする特許請求の範囲第４０項
   記載の方法。 ４２、前記波形を、それを特色付ける特徴に簡約化する
   工程を備えていることを特徴とする特許請求の範囲第４
   １項記載の方法。 ４３、体内で生じる生理的信号を識別し、疾病の特性を
   表示した出力を生成する方法であって、特徴を有する生
   理的信号を生成する工程と、病的な及び通常の患者の状
   態に係る既知の特徴とそれの組合せの情報を分散回路網
   内に格納する工程と、 前記特徴を分散回路網を介して変換し、それにより疾病
   の状態を表示した出力を生成する工程と、 を備えていることを特徴とする方法。 ４４、前記既知の特徴とそれの組合せを重み付け行列内
   に格納し、前記特徴が前記重み付け行列内で非線形的に
   写像されて出力を生成する工程を備えていることを特徴
   とする特許請求の範囲第４３項記載の方法。 ４５、前記重み付き行列を病的な及び通常の患者の状態
   に係る特徴とそれの組合せを更に追加することにより更
   新し、それにより前記分散回路網を訓練する工程を備え
   ていることを特徴とする特許請求の範囲第４４項記載の
   方法。