JPH03218730A

JPH03218730A - 心電図波形認識装置

Info

Publication number: JPH03218730A
Application number: JP2015192A
Authority: JP
Inventors: Minoru Asogawa; 稔麻生川
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 1990-01-24
Filing date: 1990-01-24
Publication date: 1991-09-26

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〕本発明は心電図波形認識装置に関し、特に心電図波形の
分類を認識する心電図波形認識装置に関する。

〔従来の技術〕

第８図は一般的な心電図波形詔よびその区分の一例を示
す波形図である。

従来の心電図波形認識装置は、第９図の波形の区分点の
認識のために、入力信号に対してローパスフィルタまた
はハンドバスフィルタを用いて雑音を取り除き、その結
果に対して微分を行ない、その値がＯとなる点をＲ波の
ピーク点として検出する。また、Ｒ波のピーク点を検出
するには、この他にも、フィルタの出力に対して２次微
分を行ない、極大となる時刻点をＲ波のピーク点として
検出することもできる。そして、Ｒ波のピーク点の時刻
点を見つけた後に、入力波形が０に交差する点を用いて
、Ｒ波とＱ波およびＳ波との区分点を見つける。その後
に、Ｒ波とＱ波およびＳ波との区分点および入力波形が
もう一度０点に交差する点を用いて、Ｓ波とＴ波との区
分点およびＱ波とＰ波との区分点を見つける。

〔発明が解決しようとする課題〕

上述した従来の心電図波形認識装置は、心電図波形の時
間的な構造には注目せずに、Ｒ波のピーク点を見つける
ことを元にして、その他の区分点の認識を行なっている
。従って、Ｒ波のピーク点の認識を誤ると、全ての区分
点に対する認識を誤ってしまう。

本発明の目的は、２種類のニューラルネットワークを用
いて、区分の認識をその時刻の心電図波形と区分の時間
的な構造とに注目して行なうことにより、区分点の認識
精度と確度とがともに向上する心電図波形認識装置を提
供することにある。

〔課題を解決するための手段〕

第１の発明の心電図波形認識装置は、標準的な心電図波
形のパターンである標準波形パターンおよびその波形の
区分を保持する標準波形●区分パターンメモリ部と、心
電図波形のパターンおよび予測された１時刻前の区分か
ら現時刻の波形区分を認識するパターン連想型ニューラ
ルネットワークと、１時刻前までの区分パターンの時系
列からとの時刻の区分を予測するりカレント●ニューラ
ルネットワークと、予測された区分を保持する区分バッ
ファと、前記パターン連想型ニューラルネットワークお
よび前記リカレントΦニューラルネットワークの学習や
認識の動作を制御する学習●認識制御部とを有している
。

また、第２の発明の心電図波形認識装置は、第１の発明
の心電図波形認識装置に加えて、学習時に、第１の発明
のパターン連想型ニューラルネットワークの入力に、現
時刻の近傍の時間における標準波形パターンを保持する
入力波形バッファを有して構成されている。

〔作用〕

心電図波形は、心臓の構造によって規定されるために、
一般に時系列の構造を有する。本発明においては、この
時系列の構造を心電図波形認識装置に用いている。心電
図波形の認識は、認識したい時刻点の心電図波形だけを
たよりにして行うよりも、予測された区分も含めて行う
と、より正確に行うことができる。この認識は、パター
ン連想型ニューラルネットワークで実現する。また、認
識したい時刻点の心電図区分の予測は、リカレント・ニ
ューラルネットワークで実現する。リカレント・ニュー
ラルネットワークでは、一般的な時系列の構造を学習す
ることができ、その時刻以前までの認識結果を元に、そ
の時刻点の区分を予測する機能を有する。

ここで用いるパターン連想型ニューラルネットワークに
は、例えば、「日経エレクトロニクス」誌４２７号（１
９８７年８月）の１１５頁から１２４頁に「ニューラル
●ネットをパターン認識、信号処理、知識処理に使う」
と題された記事（以下、引用文献１と称す）により詳細
に解説されているパターン連想型ニューラルネットワー
クを用いることができる。

第７図はパターン連想型ニューラルネットワークの構造
の一例を示す構造説明図である。第７図に示すように、
このパターン連想型ニューラルネットワークは、入力層
７１，中間層７２，出力層７３の各層が階層構造になっ
ている。なお、中間層７２は、第７図では１層となって
いるが、２層以上の多層でもよい。

パターン連想型ニューラルネットワークの各層のノード
の出力は、そのノードに接続されているノードに重みＷ
を掛けたものの総和の値を、非線形関数により変換した
ものである。この様にパターン連想型ニューラルネット
ワークの変換特性は、重みＷによって決定される。重み
Ｗの値は、学習によって決定される。学習法については
、例えば、引用文献１により詳細に解説されているバッ
クワード●プロパゲーションを用いて実行することがで
きる。

ここで用いるリカレント・ニューラルネットワークには
、例えば、Ｓｅｒｖａｎ−Ｓｃｈｒｅｉｂｅｒ　Ｄ．ｅ
ｔ．ａｌ．，“Ｅｎｃｏｄｉｎｇ　Ｓｅｑｕｅｎｔｌａ
ｌ　Ｓｔｒｕｃｔｕｒｅ　ｉｎ　Ｓｉｍｐｌｅ　Ｒｅｃ
ｕｒｒｅｎｔ　ＮｅｔＷＯｒｋＳ″Ｔｅｃｈｎｉｃａｌ
　Ｒｅｐｏｒｔ　ＣＭＵ−ＯＳ−８８−１８３，Ｃａｒ
ｎｅｇ１ｅ　Ｍｅｌｌｏｎ　Ｕｎ１ｖｅｒｓｉｔｙ，１
９８８　（以下、引用文献２と称す）により、詳細に解
説されたりカレント●ニューラルネットワークを用いる
ことができる。

第８図はりカレント拳ニューラルネットワークの構造の
一例の示す構造説明図である。第８図に示すように、こ
のリカレント・ニューラルネットワークは、入力層８１
，コンテキスト層８２，中間層８３，出力層８４の各層
が階層構造になっている。なお、中間層８３は、この図
では１層となっているが２層以上の多層でもよい。

リカレントΦニューラルネットワークの各層のノードの
出力は、そのノードに接続されているノードに重みＷを
掛けたものの総和の値を、非線形関数により変換したも
のである。この様にリカレント・ニューラルネットワー
クの変換特性は、重みＷによって決定される。また、重
みＷの値は、学習によって決定される。学習法について
は、例えば、引用文献１により詳細に解説されているバ
ックワードΦプロパゲーションを用いて実行することが
できる。

〔実施例〕

次に、本願第１の発明の実施例について図面を参照して
説明する。

第１図は第１の発明の心電図波形認識装置の一実施例を
示すブロック図である。

第１図に示す標準波形●区分パターンメモリ部１１は、
標準的な心電図波形とその区分との組のＮ組を保持して
いる。そこで、学習●認識制御部１５は、標準波形●区
分パターンメモリ部１１より、心電図波形の現在の時刻
点ｔの心電図波形の値Ｓｔとその区分Ｋｔとを取り出し
、パターン連想型ニューラルネットワークとりカレント
φニューラルネットワークとの内部パラメータの学習に
用いる。

第２図は第１の発明の学習フェーズにおける信号の流れ
の一例を示すブロック図である。以下に、第１の発明の
学習フェーズについて、第１図と第２図とを用いて説明
する。

パターン連想型ニューラルネットワーク１２は、時刻点
ｔの心電図波形の値Ｓｔの時刻点１−１の区分Ｋｔ−１
とを入力信号とし、時刻点ｔの区分Ｋｔを教師信号とす
る。これらの入力信号と教師信号とを元にしてパターン
連想型ニューラルネットワーク１２の内部パラメータの
更新を行う。

この更新は、引用文献１に詳細に解説されているバック
ワード●プロパゲーションを用いて実行することができ
る。以上に述べた学習操作を、標準波形●区分パターン
メモリ部１１に保持されている心電図波形の値Ｓｔと区
分Ｋｔとについて行う。

学習後の誤差が十分に小さくない場合には、以上に述べ
た学習操作を繰り返し、誤差が十分に小さくなるまで学
習操作を繰り返す。

これによって、パターン連想型ニューラルネットワーク
１２の学習は終了する。この学習によってパターン連想
型ニューラルネットワーク１２は、？刻点ｔの心電図波
形の値Ｓｔと時刻点ｔ−ｉの区分Ｋｔ−■とを元にして
、時刻点ｔの区分Ｋｔを認識する機能を有する。

また、リカレントφニューラルネットワーク１３は、時
刻点ｔ−１の区分Ｋ　ｔ−ｔを入力信号とし、時刻的ｔ
の区分Ｋ，を教師信号とする。これらの入力信号と教師
信号とを元にして、リカレント・ニューラルネットワー
ク１３の内部パラメータの更新を行う。この更新は、引
用文献１により詳細に解説されているバックワード●プ
ロバゲーシｅンを用いて実行することができる。以上に
述べた学習操作を、標準波形●区分パラメータメモリ部
１１に保持されている区分Ｋｔについて行う。学習後の
誤差が十分に小さくない場合には、以上に述べた学習操
作を繰り返し、誤差が十分に小さくなるまで学習操作を
繰り返す。これによって、リカレント・ニューラルネッ
トワーク１３の学習は終了する。この学習によってリカ
レント・ニューラルネットワーク１３は、時刻点ｔ−１
の区分Ｋｔ−■の時系列から時刻点ｔの区分Ｋｔを予測
する機能を有する。

第３図は第１の発明の認識フェーズにおける信号の流れ
の一例を示すブロック図である。

次に、学習済みのパターン連想型ニューラルネットワー
ク１２と学習済みのりカレント●ニューラルネットワー
ク１３とを用いて、心電図の区分を認識するフェーズに
ついて、第１図と第３図とを用いて説明する。

時刻点ｔにおいての区分の認識では、認識したい心電図
波形の値Ｓｔと区分バッファ１４の時刻点ｔの区分の予
測Ｆｔ　（この予測については後述）とをパターン連想
型ニューラルネットワーク１２の入力とする。これらの
入力により、パターン連想型ニューラルネットワーク１
２の出力として、時刻点ｔの区分の認識結果Ｋｔが得ら
れる。

この認識結果Ｋｔをリカレント・ニューラルネットワー
ク１３の入力とする。この入力によって、リカレント●
ニューラリネットワーク１３の出力として、時刻点ｔ＋
１の区分の予測Ｆ　ｔｉｔが得られる。この予測値Ｆｔ
＋１を区分バッファ１４に格？し、時刻点ｔ＋ｉにおい
ての区分の認識に用いる。次の時刻点の区分の予測を保
持する区分バッファ１４は、認識に先だって初期化する
。

続いて、本願第２の発明の実施例について図面を参照し
て説明する。

第４図は第２の発明の心電図波形認識装置の一実施例を
示すブロック図である。

第４図に示す標準波形の区分パターンメモリ部４１は、
標準的な心電図波形とその区分との組のＮ組を保持して
いる。ここで、現在の時刻点ｔの近傍の時刻点をｔ−ｅ
■＊　　ｔ＋６２　　（ｅ■≧１，ｅ２≧１）とする。

一般にｅ１≠ｅＩ２としても構わないが、ここでは、簡
単のためにｅｘ＝８２　（＝ｅ）とする。入力波形バッ
ファ４６は、現在の時刻点ｔの近傍の時刻点の心電図の
値Ｓｔ−ｅｔＳｔ−ｅ＋１＋・・・Ｓｔｙ・・・Ｓｔ＋
。−１ｓＳｔ＋ｅを保持する。

学習●認識制御部４５は、心電図波形の現在の時刻点ｔ
の近傍の心電図波形の値Ｓ　ｔ−ａ　ｓ　Ｓ　ｔ−ｅ＋
１　＋・・・Ｓｔ，・・・Ｓ，＋。一■ｔＳｔ＋。とそ
の区分Ｋｔとを取り？し、パターン連想型ニューラルネ
ットワーク４２とリカレント・ニューラルネットワーク
４３との内部パラメータの学習に用いる。

第５図は第２の発明の学習フェーズにおける信号の流れ
の一例を示すブロック図である。以下に、第２の発明の
学習フェーズについて第４図と第５図とを用いて説明す
る。

パターン連想型ニューラルネットワーク４２は、入力波
形バッファ４６に保存されている現在の時刻点ｔの近傍
の時刻点ｔ−ｅｔ　　ｔ＋ｅに対応する心電図波形の値
Ｓｔ一。ｓｓｔ−ａ＋１＋・・・Ｓｔ＋・・・Ｓｔｅ．
，−１＋Ｓｔ＋。と時刻点ｔ−１の区分Ｋｔ−■とを入
力信号とし、時刻点ｔの区分Ｋｔを教師信号とする。こ
れらの入力信号と教師信号とを元にしてパターン連想型
二二−ラルネットワーク４２の内部パラメータの更新を
行う。この更新は、引用文献１により詳細に説明されて
いるバックワード●ブロパゲーシ式ンを用いて実行する
ことができる。以上に述べた学習操作を、標準波形●区
分ババーンメモリ部４１に保存されている時刻点ｔの近
傍の時刻点ｔ−１３＊　　ｔ＋ｅに対応する心電図波形
の値Ｓｔ−。ｓ　Ｓ　ｔ−ｅｅ１　，・”　Ｓ　ｔ＋”
”　Ｓ　ｔ＋ｅ−１　＋　Ｓ　ｔｈｅと区分Ｋｔとにつ
いて行う。学習後の誤差が十分に小さくない場合には、
以上に述べた学習操作を繰り返し、誤差が十分に小さく
なるまで学習操作を繰り返す。以上によって、パターン
連想型ニューラルネットワーク４２の学習は終了する。

この学習によって、パターン連想型ニューラルネットワ
ーク４２は、時刻点ｔの近傍の時刻点ｉ　　ｅｍｔ＋ｅ
に対応する心電図波形の値Ｓ　ｔ−ａｔＳ　ｔ−ｅ＋１
　，・”　Ｓ　ｔ　＋””　Ｓ　ｔｏｅ−１　＋　Ｓ　
ｔｈｅと時刻点ｔ−ｉの区分Ｋｔ−１とから、時刻点ｔ
の区分Ｋｔを認識する機能を有する。

リカレント・ニューラルネットワーク４３の学習は、時
刻点ｔ−１の区分Ｋｔ−１を入力信号とし、時刻点ｔの
区分Ｋｔを教師信号とする。これらの入力信号の教師信
号とを元にして、リカレント争二二−ラルネットワーク
４３の内部パラメータの更新を行う。この更新は、引用
文献１により詳細に解説されているバックワード●プロ
バゲーシｅ冫を用いて実行することができる。以上に述
べた学習操作を、標準波形●区分パターンメモリ部４１
に保持されれいる区分Ｋｔについて行う。学習後の誤差
が十分小さくない場合には、以上に述べた学習操作を繰
り返し、誤差が十分に小さくなるまで学習操作を繰り返
す。これによって、リカレント，ニューラルネットワー
ク４３の学習は終了する。この学習によってリカレント
・ニューラルネットワーク４３は時刻点ｔ−１の区分Ｋ
ｔ−１の時系列から時刻点ｔの区分Ｋｔを予測する機能
を宵する。

第６図は第２の発明の認識フェーズにおける信号の流れ
の一例を示すブロック図である。

次に、学習済みのパターン連想型ニューラルネットワー
ク４２と学習済みのりカレント●ニューラルネットワー
ク４３とを用いて、心電図の区分を認識するフェーズに
ついて、第４図と第６図とを用いて説明する。

時刻点ｔにおいての区分の認識では、入力波形は一時的
に入力波形バッファ４６に蓄えられる。

時刻点ｔにおいての区分の認識では、入力波形バッファ
４６より取り出された時刻点ｔの近傍の時刻点ｔ−ｅ，
ｔ＋ｅに対応する心電図波形の値Ｓ　ｔ−ｅｙｓ　ｔ−
ｅｅ１，・”　Ｓ　ｔ＋”’　Ｓ　ｔｅａ−Ｉｔｓ　ｔ
ｈｅと区分バッファ４４の時刻点ｔの区分の予測Ｆｔ（
この予測については後述）とをパターン連想型ニューラ
ルネットワーク４２の入力とする。このことによって、
パターン連想型ニューラルネットワーク４２では、時刻
点ｔの区分の認識結果Ｋｔが出力として得られる。この
認識結果Ｋｔをリカレント●二ｓ−ラルネットワーク４
３の入力とする。このことによって、リカレント●ニュ
ーラリネットワーク４３では、時刻点ｔ＋１の区分の予
測Ｆｔ＋１が得られる。この予測Ｆｔ＋１を区分バッフ
ァ４４に格納し、時刻点ｔ＋１においての区分の認識に
用いる。次の時刻点の区分の予測を保持する区分バッフ
ァ４４は、認識に先だって初期化する。

〔発明の効果〕

本発明の心電図波形認識装置は、区分点の認識を、心電
図波形の時間的な構造に注目して行うことにより、従来
の心電図波形認識装置に比べて、区分点の認識精度と確
度とをともに向上することができるという効果を有して
いる。

【図面の簡単な説明】

第１図は第１の発明の心電図波形認識装置の一実施例を
示すブロック図、第２図は第１の発明の学習フェーズに
おける信号の流れを示すブロック図、第３図は第１の発
明の認識フェーズにおける信号の流れの一例を示すブロ
ック図、第４図は第２の発明の心電図波形認識装置の一
実施例を示すブロック図、第５図は第２の発明の学習フ
ェーズにおける信号の流れを示すブロック図、第６図は
第２の発明の認識フェーズにおける信号の流れの一例を
示すブロック図、第７図はパターン連想型ニューラルネ
ットワークの構造の一例を示す構造説明図、第８図はり
カレント●ニューラルネットワークの構造の一例を示す
構造説明図、第９図は一般的な心電図波形およびその区
分の一例を示す波形図である。１１・・・標準波形●区分パターンメモリ部、１２・・
・パターン連想型ニューラルネットワーク、１３・・・
リカレント・ニューラルネットワーク、１４・・・区分
バッファ、１５・・・学習命認識制御部、４１・・・標
準波形●区分パターンメモリ部、４２・・・パターン連
想型ニューラルネットワーク、４３・・・リカレント・
ニューラルネットワーク、４４・・・区分バッファ、４
５・・・学習●認識制御部、４６・・・入力波形バッフ
ァ、７１・・・入力層、７２・・・中間層、７３・・・
出力層、８１・・・入力層、８２・・・コンテキスト層
、８３・・・中間層、８４・・・出力層。

Claims

【特許請求の範囲】１、標準的な心電図波形のパターンである標準波形パタ
ーンおよびその波形の区分を保持する標準波形・区分パ
ターンメモリ部と、心電図波形のパターンおよび予測さ
れた１時刻前の区分から現時刻の波形区分を認識するパ
ターン連想型ニューラルネットワークと、１時刻前まで
の区分パターンの時系列からその時刻の区分を予測する
リカレント・ニューラルネットワークと、予測された区
分を保持する区分バッファと、前記パターン連想型ニュ
ーラルネットワークおよび前記リカレント・ニューラル
ネットワークの学習や認識の動作を制御する学習・認識
制御部とを有することを特徴とする心電図波形認識装置
。２、学習時に、請求項１記載のパターン連想型ニューラ
ルネットワークの入力に、現時刻の近傍の時間における
標準波形パターンを保持する入力波形バッファを有する
ことを特徴とする請求項１記載の心電図波形認識装置。