JPH03218731A - 予測型心電図波形認識装置 - 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〕 本発明は心電図波形の分類を認識する装置に関する。

〔従来の技術〕

従来、区分点の認識のためには入力信号に対してローバ
スフィルタまたはバンドパ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０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点と４交差する
点を用いてＱ波，Ｓ波の区分点を見つける。その後に、
Ｑ波，Ｓ波の区分点と入力波形が０点と交差する点を用
いてＴ波，Ｐ波の区分点を見つける。第９図には一般的
な心電図波形とその区分点を示す説明図である。

〔発明が解決しようとする課題〕

従来のこの種の心電図波形認識装置では、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
点の認識が誤ってしまうという欠点があった。

本発明では、学習パターンにノイズを重畳させた波形に
よって、パターン連想型ニューラルネットワーク学習を
行い、心電図波形の時間的な構造に適応化したパターン
連想型ニューラルネットワークを用いる。これによって
、学習を行うことによって、学習パターンの種類を増加
でき、特定の学習パターンのみに過度に学習することを
防止できる。また、１時刻前までの区分パターンの時系
列から、その時刻の区分パターンの時系列を予測するよ
りに学習させたリカレント・ニューラルネットワークの
予測出力を、１時刻前の区分とその時刻の波形パターン
から、その時刻の区分を認識するように学習させたパタ
ーン連想型ニューラルネットワークに入力する。

このように２種類のニューラルネットワークを用いるこ
とによって、区分の認識は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われるため、従来の方
式に比べて、区分点の認識精度と確度がともに向上する
。

〔課題を解決するための手段〕

本願の第１の発明による予測型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
と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、学習パターンの種類を増加し特定の学習パタ
ーンのみに過度に学習することを防止するノイズ発生器
と、心電図波形パターンと予測された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、前記ノイズの重畳した標準パターンを前記パタ
ーン連想型ニューラルネットワーク部に入力した際に出
力すべきパターンを与える教師信号として区分点を与え
てパターン連想型ニューラルネットワーク部を学習させ
、前記リカレント・ニューラルネットワーク部の学習を
制御する学習・認識制御部とを備えて構成される。

本願の第２の発明による予測型心電図波形認識装置は、 前記本願第１の発明に加え、現時刻の近傍における波形
パターンを保持する入力波形バッファを備えて構成され
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　　　一　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波形認識装置に用いて
いる。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、予測された区分を含めることに
より元にするコト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
。

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（１９
８７年８月）の１１５頁から１２４頁に［ニュラル・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ｌ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、このパターン連想型ニューラルネットワーク
の構造を示すものである。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。

中間層はこの図では１層となっているが、２層以上の多
層でもよい。

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ぃるノードに重み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・プロバゲーションを用いて実行できる。

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．
ｅｔ．ａｌ．”ＥｎｃＯ山ｎｇ　　Ｓｅｑｕｅｎｔｉａ
ｌ　　Ｓｔｒｕｃｔｕｒｅ　　ｉｎ　　Ｓｉｍｐｌｅ　
　ＲｅｃｕｒｒｅｎｔＮｅｔｗｏｒｋｓ”Ｔｅｃｈｎｉ
ｃａｌ　Ｒｅｐｏｒｔ　ＣＭＵ−ＣＳ−８８−１８３，
Ｃａｒｎｅ−ｇｉｅ　Ｍｅｌｌｏｎ　Ｕｎｉｖｅｒｓｉ
ｔｙ．（１９８８）により、（以下引用文献２と称す）
詳細に説明されたリカレント・ニューラルネットワーク
を用いることができる。

第８図はこのリカレソト・ニューラルネットワークの構
造を示すものである。第８図に示すように、このリカレ
ソト・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。中間層は、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。

リカレソト・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ｈ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。このようにリカレント・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。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
えばづ用文献ｌにより詳細に解説されているバックヮー
ド・プロパゲーションを用いて実行できる。

〔実施例〕

本願の第１の発明に対応する第１の実施例について図面
を参照して説明する。第１図は発明の実施例を示す図で
ある。

標準波形・区分パターンメモリ部１１にハ、標準的な心
電図波形とその区分の組（Ｎ組）が保持されている。学
習・認識制御部１６は、標準波形・区分パターンメモリ
部ｌ１より、心電図波形の現在の時刻点尤の心電図波形
の値Ｓｔとその区分Ｋ、を取り圧し、パターン連想形ニ
ューラルネットワークとリカレント・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。この学習フ
ェーズについて第１図と第２図（ａ）および（ｂ）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Ｓ、とノイズ発生器１４の出力Ｎ、
とを重畳した信号Ｓ′、を時刻点ｔ−１の区分Ｋ　，−
，を入力信号とし、時刻点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
できる。

以上述べた学習操作を、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Ｓ，と区分Ｋ、
について行う。学習後の誤差が十分に小さくない場合は
、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。

Ｎ，はノイズ発生器１４の出力であるので、学習を繰り
返す毎に異なる値となり、心電図の値Ｓｔとノイズ発生
器１４の出力Ｎ．とを重畳した信号Ｓ′、も異なる値と
なる。このことによって、学習の入力信号の種類を増や
すことができる。これによって、パターン連想型ニュー
ラルネットワークｌ２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、時
刻点ｔの心電図波形の値Ｓ，と時刻点ｔ−１の区分Ｋｔ
−１を元にして、時刻点ｔの区分Ｋ、を認識する機能を
有する。

リカレソト・ニューラルネットワーク１３では、時刻点
ｔ−１の区分Ｋｌ−１を入力信号として時刻点尤の区分
Ｋ，を教師信号とする。これらの入力信号と教師信号を
元にしてリカレソト・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・プロパゲーシ
ョンを用いて実行できる。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１ｌに保持されている区分
Ｋ、について行う。学習後の誤差が十分に小さくない場
合は、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、リカレソト・ニューラルネットワーク１
３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ｌ３は、時刻点ｔ−１の区分Ｋ，
−１の時系列から時刻点ｔの区分Ｋ．を予測する機能を
有する。

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ｌ２と学習済みのリカレント・ニューラルネットワー
ク１３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Ｓ、と区分バッファ１５の時刻点ｔの区分の予
測Ｋ’ｔ（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１２
の出力として時刻点ｔの区分の認識結果Ｋ、が得られる
。この認識結果Ｋ，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・
ニューラルネットワーク１３の出力として時刻点ｔ＋１
の区分の予測Ｋ’ｌ＋１が得られる。

この予測値Ｋ’ｌ＋１を区分バッファｌ５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２予測を保持する区分バッファ１５は、認識に先
だって初期化する。

続いて、本願の第２の発明に対応する第２０実旅例につ
いて図面を参照して説明する。第４図は発明の実施例を
示す構成図である。

標準波形・区分パターンメモリ部には、標準的な心電図
波形とその区分の組（Ｎ組）が保持されている。ここで
、現在の時刻点（１）の近傍の時刻点［ｔ　　ｅｌ＋　
ｔ　＋　８２］（ｅ＋≧１，ｅ２≧１）とする。一般に
ｅ１≠ｅ２としても構わないが、ここでは、簡単のため
に８１＝８２（＝８）とする。入力波形バッファ４７は
、現在の時刻点ｔの近傍の時刻点の心電図の値Ｓ　’　
ｔ　（　Ｓ　Ｉ−＊　ｒ　Ｓ　ｔ−＊＋ｌ　ｚ・・・，
Ｓ，，＋　Ｓ　ｔｈｅ−１　ｒ　Ｓ　＋＋ｅ）を保持す
る。

学習・認識制御部４６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、とその区分Ｋ，を取り出し、
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の内部パラメータの学
習に用いる。この学習フェーズについて第４図と第５図
（ａ）および（ｂ）を用いて説明する。

４くターン連想型ニューラルネットワーク４２では、入
力波形バッファ４７に保存されている現在の時刻点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、とノイズ発生器４４の出力
Ｎ，（Ｎ．，，　Ｎｔ−ｅ＋１＋・・・，Ｎ、，・・・
，Ｎｔ＋＊−１＊Ｎ，＋．）とを重畳した信号Ｓ　’ｔ
（Ｓ’ｔ−＋＋ｒ　Ｓ’ｔ−＊＋１＋・・・＋Ｓ′ｔ＋
・・・，Ｓ′、。＊−１　１　８　’　ｔ＋＊）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を元にして、パターン連想
型ニューラルネットワーク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に保持されている時刻点ｔの近傍の時刻点
［ｔ−ｅ，ｔ＋ｅ］に対応する心電図波形値の値Ｓ′、
と区分Ｋ，について行う。学習後の誤差が十分に小さく
ない場合は、戴 以上に述べた学習操作を繰り返し、擬差が十分に小さく
なるまで学習操作を繰り返す。以上によっテ、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［ｔ−ｅ，ｔ十ｅ］
に対応する心電図波形の値Ｓ，と時刻点ｔ−１の区分Ｋ
　ｔ−１から時刻点ｔの区分Ｋ、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の学習は、リカレ
ソト・ニューラルネットワーク４３では、時刻点ｔ−１
の区分Ｋ　ｔ−１を入力信号とし時刻点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を元にし
てリカレソト・ニューラルネットワーク４３の内部パラ
メータの更新を行う。

この更新は、引用文献ｌ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、リカレソト・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
する機能を有する。

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と学習済みのリカレント・ニューラルネットワー
ク４３とを用いて心電図の区分認識のフェーズについて
第４図と第６図を用いて説明する。

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４７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
４７より取り出された時刻点ｔの近傍の時刻点［ｔ−ｅ
，ｔ十ｅ］に対応する心電図波形の値Ｓｔと区分バッフ
ァ４５の時刻点ｔの区分の予測Ｋ′、（この予測につい
ては後述）をパターン連想型ニューラルネットワーク４
２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Ｋ，が出力として
得られる。この認識結果Ｋ，をリカレソト・ニューラル
ネットワーク４３の入力とする。このことによってリカ
レソト・ニューラルネットワーク４３では時刻点ｔ＋１
の区分の予測Ｋ’ｔ＋１が得られる。この子測Ｋ’ｔ＋
１を区分バッファ４５に格納し、時刻点ｔ＋１において
の区分の認識に用いる。次の時刻点の区分を予測を保持
する区分バッファ４５は認識に先だって初期化する。

〔発明の効果〕

本発明によれば、区分点の認識は、心電図波形の時間的
な構造に注目して行なわれるるため、従来の方式に比べ
て区分点の認識精度と確度がともに向上するという効果
がある。

【図面の簡単な説明】 第１図は本発明の第１の実施例の構成を示すブロック図
、第２図（ａ）および（ｂ）は本発明の第１の実施例の
学習フェーズの信号の流れを示す説明図、第３図は本発
明の第１の実施例の認識フェーズの信号の流れを示す説
明図、第４図は本発明の第２の実施例の構成を示すブロ
ック図、第５図（ａ）および（ｂ）は本発明の第２の実
施例の学習フェーズの信号の流れを示す説明図、第６図
は本発明の第２の実施例の認識フェーズの信号の流れを
示す説明図、第８図はリカレント・ニューラルネットワ
ークの構成例を示す説明図、第７図はパターンＭ　想型
ニューラルネットワークの構成例を１１・・・・・・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部、１３・・・・・リカ
レソト・ニューラルネットワーク部、１４・・・・・ノ
イズ発生器、１５・・・・・・区分バッファ、１６・・
・・・・学習・認識制御部、４ｌ・・・・・・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部、４３・・・・・・リカ
レソト・ニューラルネットワーク部、４４・・・・・・
ノイズ発生器、４５・・・・・・区分バッファ、４６・
・・・・・学習・認識制御部、４７・・・・・・入力波
形バッファ。

Claims (1)

1. 【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
   ーンと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、学習パターンの種類を増加し特定の学習
   パターンのみに過度に学習することを防止するノイズ発
   生器と、心電図波形パターンと予測された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、前記ノイズの重畳した標準パターンを前記
   パターン連想型ニューラルネットワーク部に入力した際
   に出力すべきパターンを与える教師信号として区分点を
   与えてパターン連想型ニューラルネットワーク部を学習
   させ、前記リカレント・ニューラルネットワーク部の学
   習を制御する学習・認識制御部とを備えて成ることを特
   徴とする予測型心電図波形認識装置。 ２、学習時に、前記パターン連想型ニューラルネットワ
   ーク部の入力に、現時刻の近傍の時間における標準パタ
   ーンを保持する入力波形バッファとを備えて成ることを
   特徴とする請求項１記載の予測型心電図波形認識装置。