WO2022113792A1 - 生体信号解析システム - Google Patents

生体信号解析システム Download PDF

Info

Publication number
WO2022113792A1
WO2022113792A1 PCT/JP2021/041847 JP2021041847W WO2022113792A1 WO 2022113792 A1 WO2022113792 A1 WO 2022113792A1 JP 2021041847 W JP2021041847 W JP 2021041847W WO 2022113792 A1 WO2022113792 A1 WO 2022113792A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
unit
learning
determination
biological signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2021/041847
Other languages
English (en)
French (fr)
Inventor
陸 岡本
慎吾 水田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toray Industries Inc
Original Assignee
Toray Industries Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toray Industries Inc filed Critical Toray Industries Inc
Priority to ES21897766T priority Critical patent/ES3032892T3/es
Priority to EP21897766.8A priority patent/EP4252652B1/en
Priority to CN202180078704.9A priority patent/CN116528763B/zh
Priority to JP2021570835A priority patent/JP7294459B2/ja
Priority to KR1020237015640A priority patent/KR20230107806A/ko
Priority to US18/037,124 priority patent/US12484832B2/en
Publication of WO2022113792A1 publication Critical patent/WO2022113792A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/347—Detecting the frequency distribution of signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Definitions

  • a series of biological signal analysis systems of the present invention that achieve the above object have the following configurations.
  • (1) A series of biological signal analysis systems that determine arrhythmia based on electrocardiographic information.
  • An input unit that accepts the input of electrocardiographic information and
  • a data conversion unit that generates determination data by converting the electrocardiographic information from time to frequency, and
  • a data restoration unit that generates restored data by restoring the determination data using a trained model consisting of a self-encoder
  • a difference calculation unit that calculates the difference between the restored data and the determination data
  • a determination unit that determines whether the determination data is normal waveform data or arrhythmia waveform data based on the difference amount.
  • a biological signal analysis system equipped with A biological signal analysis system equipped with.
  • the trained model is a model generated by training using a plurality of known training data whose 95% or more is generated based on normal waveform data.
  • the biological signal analysis system according to (1) is a model generated by training using a plurality of known training data whose 95% or more is generated based on normal waveform data.
  • the electrocardiographic information 10 acquired from the determination target includes the information of the determination target 1, the acquisition date and time, the location, and the measurement result.
  • the measurement result is waveform data 11 obtained by plotting the horizontal axis as time and the vertical axis as voltage (see FIG. 1).
  • FIG. 2 is a diagram showing a detailed example of the electrocardiographic information 10 used for the analysis.
  • FIG. 2A shows the waveform data 11A of the normal pulse
  • FIG. 2B shows the waveform data 11B of the atrial fibrillation in which the F wave is generated.
  • Each waveform data may include components called P wave 11a, Q wave 11b, R wave 11c, S wave 11d, T wave 11e, and F wave 11f, and these shapes are used as a criterion for determining arrhythmia.
  • the shape of the waveform data of the electrocardiographic information 10 may change depending on the determination target and the biological signal measuring device.
  • the input unit 31 receives the input of the electrocardiographic information output from the biological signal measuring device 2. Further, the input unit 31 extracts unit waveform data from the waveform data 11 of the acquired electrocardiographic information.
  • the input unit 31 is composed of a connector electrically connected to the biometric signal measuring instrument 2, a communication device provided with a means of communication with the biometric signal measuring instrument 2, or an input port of a medium in which data is stored, and further includes a keyboard. It may be configured to include a user interface such as a mouse and a microphone.
  • the determination unit 36 determines whether the pulse of the determination target 1 is normal waveform data or arrhythmia waveform data based on the difference amount calculated by the difference calculation unit 35.
  • the data restoration unit 34 acquires the learning model generated by the learning unit 33 (step S203). At this time, the data restoration unit 34 acquires a learning model with reference to the storage unit 38, or acquires a learning model from the learning unit 33.
  • the determination unit 36 determines whether the arrhythmia is normal or arrhythmia depending on whether the difference amount calculated by the difference calculation unit 35 (for example, the difference amounts 17A and 17B) is smaller than the preset threshold value. And output the judgment result.
  • 11A and 11B are diagrams showing a processing example of the determination unit according to the first embodiment. Here, it is assumed that the difference amount 17A is smaller than the threshold value and the difference amount 17B is larger than the threshold value. As shown in FIG. 11A, the difference amount 17A is determined to be "normal” because the difference amount is small. On the other hand, as shown in FIG. 11B, since the difference amount 17B has a large difference amount, it is determined to be "arrhythmia".
  • the determination process in the second embodiment differs only in the learning model acquisition process (step S203 shown in FIG. 5), and the rest conforms to the flowchart shown in FIG.
  • the learning model acquisition process one is selected from a plurality of learning data groups or learning models (self-encoders) possessed by the learning unit 33 based on the characteristics of the waveform shape of the unit waveform data in the determination target 1.
  • the learning model to be selected is determined according to the purpose, but it is preferably the one most suitable for the determination process.
  • a method of selecting the most suitable learning model for example, a plurality of learning models and waveform data obtained from the determination target 1 are processed by the data restoration unit 34 and the difference calculation unit 35 and output.
  • a method of selecting the learning model with the smallest difference is conceivable, but this is not the case.
  • the intensity distribution is flat (see FIG. 13A).
  • the weighted data 13L'in which the region R 6 is weighted based on the determination data 13L known to be derived from atrial fibrillation a large feature appears in the region R 6 , so that the obtained difference data 16L is not available.
  • the data has a uniform intensity distribution (see FIG. 13B).
  • Embodiment 7 of the present invention will be described. Since the configuration of the biological signal analysis system according to the seventh embodiment is the same as that of the biological signal analysis system 3 according to the first embodiment, the description thereof will be omitted. Hereinafter, a part different from the first embodiment will be described.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本発明に係る生体信号解析システムは、心電情報に基づいて不整脈の判定を行う一連の生体信号解析システムであって、心電情報の入力を受け付ける入力部と、心電情報を時間－周波数変換して判定用データを生成するデータ変換部と、自己符号化器からなる学習済みモデルを用いて判定用データを復元した復元データを生成するデータ復元部と、復元データと判定用データとの差量を算出する差算出部と、差量に基づいて、判定用データが正常波形データおよび不整脈波形データのいずれであるかを判定する判定部と、を備える。

Description

生体信号解析システム
　本発明は、例えば心電信号（以下、心電情報）に基づいて、正常／不整脈を判定する一連の生体信号解析システムに関するものである。
　心臓は収縮と拡張とを繰り返し、血液を全身に送り出すポンプの役割を果たしている。この活動は心筋細胞における微弱な電気刺激によって規則正しさを保っているが、この電気刺激に異常が顕れると心臓の活動にまで異常が起こる。これを不整脈と呼ぶ。不整脈には様々な種類があり、例えば、心停止を引き起こす致死性の高い心室細動、心室頻拍や、脳梗塞を引き起こす心房細動などが挙げられる。したがって、不整脈を判定することが非常に重要であり、生体信号測定器によって判定対象から取得した心電情報を用いて不整脈を判定することが行われている。
　しかしながら、不整脈の判定には長期かつ連続的な心電情報を医師が目視して診断しており、医師への負担が大きい。そこで、不整脈を自動判定するための生体信号解析装置および方法が用いられている（例えば、非特許文献１、２を参照）。
　非特許文献１に記載の方法は、不整脈のうち、心房細動に限定した判定を行うものである。心房細動は電気的な異常興奮によって心房と呼ばれる部位が小刻みに震える不整脈であり、心電情報から判定するための特徴は小刻みな振動成分であるＦ波の発生と、心拍周期（以下、ＲＲレシオ）の異常性とが挙げられる。非特許文献１はこの後者に着目しており、ＲＲレシオを横軸にとったヒストグラムにおいて、正常洞調律（以下、正常波形）に比べて、心房細動ではバラツキが大きくなるため、ここから心房細動を判定している。
　また、非特許文献２に記載の方法は、非特許文献１と同様に心房細動に着目しているが、機械学習による自動解析を行うものである。非特許文献２は、取得した心電情報を１５秒ごとにセグメント化し、これを時間－周波数変換することで波形特徴を顕在化させ、既に学習してある「正常波形、ノイズ、心房細動、その他」の４つに分類して心房細動を判定する。
B.　Logan　and　J.　Healey,　"Robust　detection　of　atrial　fibrillation　for　a　long　term　telemonitoring　system,"　Computers　in　Cardiology,　2005,　Lyon,　2005,　pp.　619-622,　doi:　10.1109/CIC.2005.1588177. A.　Qayyum,　F.　Meriaudeau　and　G.　C.　Y.　Chan,　"Classification　of　Atrial　Fibrillation　with　Pre-Trained　Convolutional　Neural　Network　Models,"　2018　IEEE-EMBS　Conference　on　Biomedical　Engineering　and　Sciences　(IECBES),　Sarawak,　Malaysia,　2018,　pp.　594-599,　doi:　10.1109/IECBES.2018.8626624.
　しかしながら、非特許文献１および非特許文献２では次の課題がある。
　非特許文献１では、ＲＲレシオの異常性に特徴を持つ不整脈しか判定できない。前述したように不整脈には様々な種類があり、心室頻拍などＲＲレシオに特徴の出ない不整脈も存在するため、これらの不整脈の見逃しが発生する。また、バラツキからＲＲレシオの異常性を評価するため、心房細動を判定にはその不整脈（バラツキ）が長期に亘って連続的に続いている必要があり、突発的に発生する不整脈は判定が困難である。
　非特許文献２では、事前学習が必要であるため、学習していない不整脈の判定を行うことはできない。
　本発明では、従来技術の上記課題を解決し、心電情報から不整脈であるか否かを不整脈の種類によらず判定可能な一連の生体信号解析システムを提供することにある。
　上記目的を達成する本発明の一連の生体信号解析システムは、以下の構成からなる。
（１）心電情報に基づいて不整脈の判定を行う一連の生体信号解析システムであって、
　前記心電情報の入力を受け付ける入力部と、
　前記心電情報を時間－周波数変換して判定用データを生成するデータ変換部と、
　自己符号化器からなる学習済みモデルを用いて前記判定用データを復元した復元データを生成するデータ復元部と、
　前記復元データと前記判定用データとの差量を算出する差算出部と、
　前記差量に基づいて、前記判定用データが正常波形データおよび不整脈波形データのいずれであるかを判定する判定部と、
　を備える生体信号解析システム。
（２）前記学習済みモデルは、９５％以上が正常波形データに基づいて生成される複数の既知の学習用データを用いた学習により生成されたモデルである、
　（１）に記載の生体信号解析システム。
（３）前記学習済みモデルは、９５％以上が正常波形データに基づいて生成される複数の既知の学習用データ、および判定を行う対象から取得した学習用データを用いた学習により生成されたモデルである、
　（１）に記載の生体信号解析システム。
（４）前記学習済みモデルは、判定対象から取得した学習用データを用いた学習により生成されたモデルである、
　（１）に記載の生体信号解析システム。
（５）前記入力部は、前記心電情報が有する波形データに対し、所定の時間範囲の波形データを抽出した単位波形データにセグメント化し、
　前記データ変換部は、前記単位波形データを時間－周波数変換して前記判定用データを生成する、
　（１）～（４）のいずれかに記載の生体信号解析システム。
（６）前記データ変換部は、前記判定用データにおいて不整脈の時間－周波数特徴領域に対して重み付けした重み付けデータを生成する、
　（１）～（５）のいずれかに記載の生体信号解析システム。
（７）前記差算出部は、前記復元データと前記判定用データとの差を示す差データを生成し、該差データに基づいて前記差量を算出し、
　前記判定部は、前記差データの時間および周波数特徴に基づいて不整脈要因を特定する、
　（１）～（６）のいずれかに記載の生体信号解析システム。
（８）前記学習済みモデルは、前記正常波形データであることが既知の学習用データを用いた学習により生成されたモデルである、
　（１）～（７）のいずれかに記載の生体信号解析システム。
（９）学習用データを用いて前記自己符号化器の学習を行って前記学習済みモデルを生成する学習部、
　をさらに備える（１）～（８）のいずれかに記載の生体信号解析システム。
（１０）前記学習用データを用いて前記自己符号化器の学習を行って前記学習済みモデルを生成する学習部、
　をさらに備え、
　前記学習部は、
　前記既知の学習用データの特徴に応じた複数の自己符号化器、
　を有し、
　判定対象の正常波形データの特徴に基づいて、前記複数の自己符号化器から自己符号化器を１つ選択する、
　（２）に記載の生体信号解析システム。
（１１）前記学習用データを用いて前記自己符号化器の学習を行って前記学習済みモデルを生成する学習部、
　をさらに備え、
　前記学習部は、
　前記既知の学習用データの特徴に応じた複数の学習用データ群または複数の自己符号化器、
　を有し、
　判定対象の正常波形データの特徴に基づいて前記複数の学習用データ群または前記複数の自己符号化器から学習用データ群または自己符号化器を１つ選択する、
　（３）に記載の生体信号解析システム。
　本発明によれば、心電情報から不整脈であるか否かを不整脈の種類によらず判定可能な一連の生体信号解析システムを提供できる。
図１は、実施形態１に係る一連の生体信号解析システムの構成例を示す図である。 図２は、解析に用いる心電情報の詳細例を示す図である。 図３は、実施形態１に係る心電情報の入力部の処理例を示す図である。 図４は、実施形態１に係る学習処理を示すフローチャートである。 図５は、実施形態１に係る判定処理を示すフローチャートである。 図６Ａは、実施形態１に係るデータ変換部の処理例を示す図（その１）である。 図６Ｂは、実施形態１に係るデータ変換部の処理例を示す図（その２）である。 図７は、実施形態１に係る自己符号化器の構成を示す図である。 図８は、実施形態１に係る学習部の処理例を示す図である。 図９Ａは、実施形態１に係るデータ復元部の処理例を示す図（その１）である。 図９Ｂは、実施形態１に係るデータ復元部の処理例を示す図（その２）である。 図１０Ａは、実施形態１に係る差算出部の処理例を示す図（その１）である。 図１０Ｂは、実施形態１に係る差算出部の処理例を示す図（その２）である。 図１１Ａは、実施形態１に係る判定部の処理例を示す図（その１）である。 図１１Ｂは、実施形態１に係る判定部の処理例を示す図（その２）である。 図１２は、実施形態１に係る処理による解析例を示す図である。 図１３Ａは、本実施形態６に係る、三次元特徴データにおける不整脈特有の特徴の重み付け例を示す図（その１）である。 図１３Ｂは、本実施形態６に係る、三次元特徴データにおける不整脈特有の特徴の重み付け例を示す図（その２）である。 図１４は、実施形態７に係る、時間－周波数座標に基づいた不整脈要因の特定例を示す図である。
　以下に、本発明に係る一連の生体信号解析システムの実施形態を、図面に基づいて、詳細に説明する。なお、この実施形態により本発明が限定されるものではない。また、本発明の個々の実施形態は、独立したものではなく、それぞれ組み合わせて適宜実施することができる。
［実施形態１］
　図１は、本発明の実施形態１に係る一連の生体信号解析システムの構成例を示す図である。図１によれば、解析対象である心電情報１０は、生体信号測定器２を介して判定対象１から取得する。判定対象１は、人や動物等、特に限定されない。生体信号測定器２の例としては、心電計が挙げられる。
　判定対象から取得した心電情報１０は、判定対象１の情報や、取得日時、場所、測定結果を含む。測定結果は、横軸を時間、縦軸を電圧としてプロットして得られる波形データ１１である（図１参照）。
　図２は、解析に用いる心電情報１０の詳細例を示す図である。図２の（ａ）は正常な脈の波形データ１１Ａを示し、図２の（ｂ）はＦ波が発生している心房細動の波形データ１１Ｂを示す例である。各波形データは、Ｐ波１１ａ、Ｑ波１１ｂ、Ｒ波１１ｃ、Ｓ波１１ｄ、Ｔ波１１ｅ、Ｆ波１１ｆと呼ばれる成分を含み得るものであり、これらの形状は不整脈の判定基準として用いられる。なお、心電情報１０が有する波形データは、判定対象や生体信号測定器によってその形状が変わることもある。
　図１に戻り、本発明に係る生体信号解析システム３は、入力部３１と、データ変換部３２と、学習部３３と、データ復元部３４と、差算出部３５と、判定部３６と、制御部３７と、記憶部３８とを備える。
　入力部３１は、生体信号測定器２から出力される心電情報の入力を受け付ける。また、入力部３１は、取得した心電情報の波形データ１１から単位波形データを抽出する。入力部３１は、生体信号測定器２と電気的に接続するコネクタ、あるいは生体信号測定器２との通信手段を備える通信装置、あるいはデータが保存されたメディアの入力ポートによって構成され、さらにキーボード、マウス、マイク等のユーザインタフェースを含んで構成してもよい。
　データ変換部３２は、心電情報１０に変換処理を施す。具体的には、時間と強度（ここでは電圧）との関係を示す波形データに対して周波数解析を施して、時間－周波数－強度の三次元特徴データを生成する。
　図３は、実施形態１に係る心電情報の入力部３１の処理例を示す図である。入力部３１は、図３の（ａ）に示す波形データ１１について、指定の単位ごとに抽出した単位波形データ１２を生成し（図３の（ｂ）参照）、記憶部３８に登録する。単位波形データ１２の抽出は、例えば、時間軸情報に基づいて指定の期間を単位とすることや、Ｒ波１１ｃのピーク位置を抽出基準位置として指定の波形数を単位とすることが考えられるが、この限りではない。図３に示す例では、Ｒ波１１ｃのピーク位置１１ｃｐを検出し、Ｒ波１１ｃのピーク位置１１ｃｐの前後指定秒数を一つの単位とすることで、単位波形データ１２は波形データ１１に基づく単波形を表している。その後、データ変換部３２が処理を適用し、単位波形データ１２から三次元特徴データ１３を生成する（図３の（ｃ）参照）。
　ここで、波形データ１１は、心拍の変動により各単位波形データ１２の間隔が一定ではないが、単位波形ごとにセグメント化すると、後述する学習部３３における自己符号化器４１の学習精度が向上したり、差算出部３５における差データおよび差量へのノイズ混入を抑制したりするため、不整脈の判定精度が向上する。また、図３の（ｂ）における単位外波形データ１１ｇのように判定に有益な情報を持たない区間は除外されるため、処理量を抑えることが可能となる。
　また、図３に示す例では単位波形ごとにセグメント化するために、一定区間の極大値から検出されるＲ波１１ｃのピーク位置１１ｃｐに基づいて前後指定秒数をひとつの単位波形としているが、この限りではない。入力部３１は、波形データがＲ波１１ｃを有しておらず、Ｒ波１１ｃのピーク位置１１ｃｐを検出することができない場合、波形データの極大値を求め、その時間を基準位置として、前後指定秒数を一つの単位として抽出する。
　学習部３３は、ニューラルネットワークのネットワークパラメータを最適化する学習を行うことによって学習済みのモデルを生成する。学習部３３は、自己符号化器を有し、心電情報に基づいて生成される三次元特徴データを学習用データとして、当該自己符号化器の学習を行う。学習としては、例えば誤算逆伝播法および確率的勾配降下法等を用いた学習が挙げられる。学習部３３は、学習後の学習済みモデル（以下、単に学習モデルともいう）を記憶部３８に記憶させる。
　ここで、学習部３３による学習処理について説明する。図４は、生体信号解析システム３による学習処理を示すフローチャートである。学習処理では、入力部３１に入力された心電情報１０に基づいて、データ変換部３２が各処理を適用して生成した、単位波形データから学習用データとして三次元特徴データ１３を取得する（ステップＳ１０１）。学習部３３は、生成した学習用データを用いて自己符号化器の学習を行い、学習済みの学習モデルを出力する。このとき、学習用データは複数用意され、当該学習用データが正常であるか、不整脈であるかが既知であり、その大半が正常波形由来であるものを使用する。ここでいう「大半」とは、９５％以上である。また、学習用データとして採用される「正常」とは、医師や検査技師等によって「正常」と判定されたものを指す。本実施形態１において、学習部３３は、正常な脈の波形データ（正常波形データ）に基づく学習用データのみを用いて学習する。また、学習部３３は、判定の精度を高めるという点で正常な波形データのみを用いることが好ましいが、この限りではない。
　図１に戻り、データ復元部３４は、学習部３３が生成した学習モデルを用いて、データ変換部３２が生成した三次元特徴データであって、判定対象１から得た三次元特徴データ（以下、判定用データともいう）の復元処理を行う。
　差算出部３５は、データ復元部３４による復元処理前後のデータの差量を算出する。具体的には、差算出部３５は、復元前の三次元特徴データと、復元後の三次元特徴データとの差データを生成し、該差データに基づいて差量を算出する。
　判定部３６は、差算出部３５が算出した差量に基づいて、判定対象１の脈が正常な波形データであるか、不整脈の波形データであるかのいずれかを判定する。
　制御部３７は、生体信号解析システム３の動作を統括して制御する。また、制御部３７は、判定部３６部の判定結果を、ディスプレイに表示させたり、外部に出力したりする。
　記憶部３８は、生体信号解析システム３を動作させるための各種プログラムや、各部が生成するデータ等を含む各種データを記憶する。各種プログラムには、学習モデルを用いて実行される判定プログラムも含まれる。記憶部３８は、各種プログラム等があらかじめインストールしたＲＯＭ（Read　Only　Memory）、および各処理の演算パラメータやデータ等を記憶するＲＡＭ（Random　Access　Memory）、ＨＤＤ（Hard　Disk　Drive）、ＳＳＤ（Solid　State　Drive）等を用いて構成される。
　各種プログラムは、ＨＤＤ、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、Ｂｌｕ－ｒａｙ（登録商標）等のコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。また、入力部３１が、通信ネットワークを介して各種プログラム取得することも可能である。ここでいう通信ネットワークは、例えば既存の公衆回線網、ＬＡＮ（Local　Area　Network）、ＷＡＮ（Wide　Area　Network）等を用いて構成されるものであり、有線、無線を問わない。
　以上の機能構成を有する生体信号解析システム３は、ＣＰＵ（Central　Processing　Unit）、ＧＰＵ（Graphics　Processing　Unit）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＦＰＧＡ（Field　Programmable　Gate　Array）等の１または複数のハードウェアを用いて構成されるコンピュータである。
　続いて、判定対象１から得た心電情報に基づく、正常／不整脈の判定処理について説明する。図５は、実施形態１に係る判定処理を示すフローチャートである。判定処理では、まず、入力部３１が、判定対象１から得た心電情報１０を、生体信号測定器２を介して取得する（ステップＳ２０１）。入力部３１は、取得した心電情報１０の波形データ１１を部分的に抽出した単位波形データ１２を生成する。
　データ変換部３２は、単位波形データを変換して三次元特徴データを生成する（ステップＳ２０２）。この三次元特徴データが、判定用データまたは学習用データとなる。
　図６Ａおよび図６Ｂは、実施形態１に係るデータ変換部３２の処理例を示す図である。図６Ａは正常波形における各種データの一例を示し、図６Ｂは不整脈波形における各種データの一例を示している。また、各図の（ａ）は単位波形データ、（ｂ）は学習用データ、または判定用データを示している。データ変換部３２は、入力部３１にて得た単位波形データ１２に対して、時間－周波数変換を適用する。この際に、学習処理用の三次元特徴データとして既知の学習用データ１４Ｘが得られ、判定処理用の三次元特徴データとして判定用データ１４Ａ、１４Ｂが得られる。ここで、便宜上、判定用データ１４Ａ（正常波形：図６Ａ）と、判定用データ１４Ｂ（不整脈波形：図６Ｂ）とで区別しているが、実際には正常波形であるか不整脈波形であるかは未知である。なお、時間－周波数変換には、例えば短時間フーリエ変換やウェーブレット変換といった一般的な周波数変換手法を用いることができるが、この限りではない。また、既知の学習用データ１４Ｘおよび判定用データ１４Ａ、１４Ｂは数値データとして扱うことが好ましいが、画像データなどの別の形式として扱うことも可能である。
　ここで、図６Ａにおける４つの単位波形データ（正常な単位波形データ）１２Ａ～１２Ｄは、それぞれ異なる判定対象から取得したものであり、判定対象により波形の形状が異なることがわかる。この個人差の例としては、Ｓ波の落ち込み量やＴ波の高さなどが挙げられる。そこで、これらの単位波形データ１２Ａ～１２Ｄに対してデータ変換部３２による時間－周波数変換を適用すると、三次元特徴データ１３Ａ～１３Ｄが得られる。これらの三次元特徴データ１３Ａ～１３Ｄは、正常波形由来の既知の学習用データ１４Ｘおよび判定用データ１４Ａとして用いられ、単位波形データ１２Ａ～１２Ｄに比べて、個人差が軽減する。したがって、後述の学習部３３において、異なる対象から得た既知の学習用データ１４Ｘ（三次元特徴データ１３Ａ～１３Ｄ）の転用による学習の精度向上も可能となる。
　また、図６Ｂにおける４つの単位波形データ（不整脈の単位波形データ）１２Ｅ～１２Ｈは、それぞれ主要な不整脈あるいはその予兆の例である。生体信号解析システム３の目的は、単位波形データ１２Ａ～１２Ｄと、単位波形データ１２Ｅ～１２Ｈを区別することである。しかし、単位波形データのままではデータの特徴を捉えにくく、区別することが困難である。そこで、同様にデータ変換部３２による時間－周波数変換を適用すると、三次元特徴データ１３Ｅ～１３Ｈが得られる。これらの三次元特徴データ１３Ｅ～１３Ｈは、不整脈波形由来の判定用データ１４Ｂとして用いられ、図６Ｂの（ｂ）に示す領域Ｒ1～Ｒ5において不整脈特有の特徴が表れ、正常波形と区別することが容易となる。
　データ変換後、データ復元部３４は、学習部３３が生成した学習モデルを取得する（ステップＳ２０３）。この際、データ復元部３４は、記憶部３８を参照して学習モデルを取得するか、または学習部３３から学習モデルを取得する。
　ここで、学習部３３によって生成される学習データについて、図７および図８を参照して説明する。図７は、実施形態１に係る自己符号化器の構成を示す図である。図７に示すように、自己符号化器４１はエンコーダ４１１とデコーダ４１２とからなるニューラルネットワークモデルである。エンコーダ４１１では、各ノード４５が有する特徴を各エッジ４６において固有の重みで重み付け、次元数を削減しながら、次の層のノード４５に入力していく。これによって入力データ４３の特徴を低次元に圧縮することが可能となる。デコーダ４１２では、エンコーダ４１１と逆の処理を行うことで、復元データ４４を生成する。つまり、復元データ４４はエンコーダ４１１にて圧縮された特徴から入力データ４３を再構成したものである。以下、エンコーダ４１１による特徴の圧縮のことを特徴抽出、デコーダ４１２による特徴の再構成のことを復元と呼ぶ。また、自己符号化器４１の入出力について、学習処理では入力データ４３は学習用データ１４Ｘを指し、判定処理では入力データ４３は判定用データをそれぞれ指している。なお、本実施形態１において自己符号化器４１の層数や各層が有するノード４５の数は限定されない。
　図８は、実施形態１に係る学習部３３の処理例を示す図である。学習部３３は、学習用データを用いて、自己符号化器４１の学習を行う。自己符号化器は学習用データとして入力される入力データ４３の特徴抽出と抽出した特徴に基づいて、復元を行い、復元データを生成する。図８の（ａ）は学習の初期段階を表しており、図８の（ｂ）は学習がある程度進行した段階を表している。図８の（ａ）に示すように、学習がまだ不十分である場合、特徴抽出の精度が低く、復元データ（学習中）４４Ａは入力データ３４３を復元していない。自己符号化器４１ａ（図８の（ａ）参照）の学習によって、入力データ４３と復元データ（学習中）４４Ａの差が小さくなるように各エッジ４６における重み付け量を調整する。こうして学習が進行するに従い図８の（ａ）から図８の（ｂ）の状態となる。具体的には、学習が進行した自己符号化器４１ｂは、入力データ４３に対して特徴抽出ができているので、高い精度で復元した復元データ４４Ｂの生成が可能となる。
　本実施形態１では、学習モデルは、正常であることが既知の学習用データ１４Ｘのみを用いて学習しており、正常波形の特徴抽出と復元が可能となっているが、学習モデルの学習に必要な既知の学習用データ１４Ｘは、例えば容易かつ大量に入手可能な単位波形データ１２Ａ～１２Ｄから得る。したがって、従来のように、検出対象となる不整脈を学習する必要がなく、学習用データの入手が容易であるため、学習の精度向上は容易である。
　学習モデルを取得すると、データ復元部３４が、ステップＳ２０２で生成した判定用データと、学習部３３が生成した学習モデルとを用いて復元処理を行う（ステップＳ２０４）。復元処理によって、ステップＳ２０２で生成した判定用データが復元された三次元特徴データが得られる。
　図９Ａおよび図９Ｂは、実施形態１に係るデータ復元部３４の処理例を示す図である。なお、便宜上、判定用データ１３Ｉ（正常波形：図９Ａ）と、判定用データ１３Ｊ（不整脈波形：図９Ｂ）とで区別しているが、実際には正常波形であるか不整脈波形であるかは未知である。データ復元部３４は、学習部３３にて学習した学習モデル４２を用いて、データ変換部３２にて生成した判定用データ１３Ｉ、１３Ｊを復元し、復元データ１５Ａ、１５Ｂを生成する。
　ここで、学習モデル４２は正常波形の特徴抽出と復元をするため、正常波形由来の判定用データ１３Ｉを入力した場合、学習モデル４２は正しく特徴抽出と復元を行うことができる。一方、不整脈由来の判定用データ１３Ｊを入力した場合、学習モデル４２は不整脈の特徴を抽出することができず、復元精度は低くなる。
　復元処理後、差算出部３５は、ステップＳ２０２で生成した判定用データ（三次元特徴データ）と、ステップＳ２０４で復元された三次元特徴データとの差データを生成する（ステップＳ２０５）。その後、差算出部３５は、差データから差量を算出する（ステップＳ２０６）。
　図１０Ａおよび図１０Ｂは、実施形態１に係る差算出部３５の処理例を示す図である。差算出部３５は、データ復元部３４における入力と出力である、判定用データと復元データとを比較し、その差分をとった差データを生成し、該差データに基づいて差量を算出する。なお、差量の算出には、例えばＲＭＳＥ（Root　Mean　Square　Error）やＭＡＥ（Mean　Absolute　Error）といった一般的な差算出手法を用いることができるが、この限りではない。データ復元部３４に判定用データ１３Ｉを入力した場合、学習モデル４２は正常波形の特徴を正しく復元できるため、差データ１６Ａは平坦な強度分布（ここでは黒色）のデータとなり、差量１７Ａの値は小さくなる（図１０Ａ参照）。一方、データ復元部３４に判定用データ１３Ｊを入力した場合、学習モデル４２は不整脈の特徴を正しく復元できず、差データ１６Ｂは不均一な強度分布のデータとなり、差量１７Ｂの値は大きくなる（図１０Ｂ参照）。
　判定部３６は、ステップＳ２０６で算出された差量に基づいて、判定対象１から得た波形データが正常であるか、不整脈であるかを判定する（ステップＳ２０７）。その後、判定部３６は、判定結果を出力する（ステップＳ２０８）。
　具体的には、判定部３６は、差算出部３５にて算出した差量（例えば差量１７Ａ、１７Ｂ）が、あらかじめ設定されている閾値よりも小さいか否かによって、正常か不整脈かを判定し、判定結果を出力する。図１１Ａおよび図１１Ｂは、実施形態１に係る判定部の処理例を示す図である。ここでは、差量１７Ａが閾値よりも小さく、差量１７Ｂが閾値よりも大きいものとする。図１１Ａに示すように、差量１７Ａは差量が小さいため、「正常」と判定する。一方、図１１Ｂに示すように、差量１７Ｂは差量が大きいため、「不整脈」と判定する。
　図１２は、実施形態１に係る処理による解析例を示す図である。具体的には、判定処理において、判定用データとして判定用データ１４Ａおよび判定用データ１４Ｂ（図６Ａ、図６Ｂ参照）をそれぞれ１０サンプル与え、上述したＲＭＳＥによって算出した差量を示している。このとき、前述したように、不整脈波形由来の差量は、正常波形由来の差量に比べて大きく、この差に基づいて閾値Ｔｈを設定することで不整脈の判定が可能となる。
　原則、学習処理の後で判定処理が実行される。ただし、既に学習処理によって学習モデルを出力している場合は、既存の学習モデルを用いることで、学習処理を省略し、正常／不整脈を判定することも可能である。
　以上説明した本実施形態１によれば、判定部３６は、正常な波形データと異なる波形データ、即ち不整脈の判定が可能となる。また、判定を行う単位を短くすれば、ノイズなどの影響で十分な連続量のデータとして扱えない場合であっても判定が可能であり、さらに、単発的に発生する不整脈であっても判定が可能となる。
［実施形態２］
　次に、本発明の実施形態２について説明する。本実施形態２は実施形態１に従属する。実施形態２に係る生体信号解析システムの構成は、実施形態１に係る生体信号解析システム３と同じであるため、説明を省略する。以下、実施形態１とは異なる部分について説明する。
　本実施形態２において、学習部３３は、学習に用いる既知の学習用データ１４Ｘのうち、元となる単位波形データの波形形状の特徴に基づいて学習用データ群に分類し、分類したタイプ（特徴）の学習用データ群ごとに学習を行うことで、複数の学習モデルを生成する。ここでいう波形形状の特徴としては、Ｓ波の落ち込み量やＴ波の高さなどが挙げられる。実施形態２では、学習部３３が、分類タイプごとに設けられる複数の自己符号化器を有する。各自己符号化器によって、分類タイプごとの学習モデルが生成される。また、本実施形態２における学習部３３で用意される学習モデル（自己符号化器）の数は自由に設定できるが、４つ以上であることが好ましい。
　本実施形態２における判定処理は、学習モデル取得処理（図５に示すステップＳ２０３）のみが異なり、その他は図５に示すフローチャートに準ずる。学習モデル取得処理では、判定対象１における単位波形データの波形形状の特徴に基づいて、学習部３３が有する複数の学習用データ群または学習モデル（自己符号化器）から１つ選択される。選択する学習用モデルは目的に応じて決まるが、判定処理において最も適したものであることが好ましい。なお、最も適した学習モデルを選択する方法としては、例えば複数の学習モデルと、判定対象１から得た波形データとを、データ復元部３４および差算出部３５にて各処理を適用し、出力した差量が最も小さくなる学習モデルを選ぶ方法が考えられるが、この限りではない。
　実施形態１において、学習処理の特徴として単位波形データをデータ変換部３２によって時間－周波数変換することで、個人差を軽減できる。しかし、この本実施形態２における学習モデルを用いれば、更に個人差の軽減が可能であり、判定精度の向上が可能となる。
　また、心肥大や心拡大を発症している判定対象から得た正常波形は、心肥大や心拡大を発症していない健常者から得たものと比較して波形形状の特徴に差異がある。よって、健常者から得た心電情報１０で学習を行った学習モデルは、心肥大や心拡大に基づいた正常波形の特徴を正しく復元できず、差データの強度分布のムラ、および差量の値は大きくなり、不整脈として誤判定されるおそれがある。こうした際に、本実施形態２における学習部３３が、心肥大の学習モデルや心拡大のモデルを用意することで、心肥大や心拡大を発症している判定対象に対しても不整脈を高精度に判定可能となる。
［実施形態３］
　次に、本発明の実施形態３について説明する。実施形態３に係る生体信号解析システムの構成は、実施形態１に係る生体信号解析システム３と同じであるため、説明を省略する。以下、実施形態１とは異なる部分について説明する。
　本実施形態３において、学習部３３は、判定対象本人以外の判定対象を含む既知の学習用データ（以下、学習用データ１４Ｘとする）と、判定対象本人から得た、正常波形の波形データに基づく学習用データ（以下、学習用データ１４Ｙとする）とを併せて学習を実施する。学習用データ１４Ｘと、学習用データ１４Ｙとを併せた学習には、例えば、学習用データ１４Ｘと学習用データ１４Ｙを一つのデータ群として学習を実施する方法が考えられるが、この限りではない。そうして得た学習モデルを、判定処理におけるデータ復元部３４の学習モデルとして使用することで、復元精度が高くなり、判定精度の向上が可能となる。
　実施形態１および実施形態２において、学習処理の特徴として、単位波形データをデータ変換部３２によって時間－周波数変換することで個人差を軽減できる。しかし、本実施形態３に係る学習部３３の学習処理を用いれば、判定対象本人から得た学習用データによって個人差を更に排除することが可能であり、判定精度の向上が可能である。こうして学習した学習モデルは実施形態１における学習モデルとして転用してもよい。本実施形態３における学習部３３による学習が可能となるのは、学習モデルの学習に必要なものは容易かつ大量に入手可能な正常波形データのみであり、学習の難易度が極めて低いことによる。
［実施形態４］
　次に、本発明の実施形態４について説明する。本実施形態４は実施形態３に従属する。実施形態４に係る生体信号解析システムの構成は、実施形態１に係る生体信号解析システム３と同じであるため、説明を省略する。以下、実施形態３とは異なる部分について説明する。
　本実施形態４において、学習部３３は、学習に用いる既知の学習用データ１４Ｘのうち、元となる単位波形データの波形形状の特徴に基づいて学習用データ群に分類し、分類した複数の学習用データ群に基づいて学習を行った複数の学習モデルを有する。ここでいう波形形状の特徴としては、Ｓ波の落ち込み量やＴ波の高さなどが挙げられる。実施形態４では、学習部３３が、分類タイプごとに設けられる複数の自己符号化器を有する。各自己符号化器によって、分類タイプごとの学習モデルが生成される。また、本実施形態における学習部３３で用意される学習用データ群、または学習モデル（自己符号化器）の数は自由に設定できるが、４つ以上であることが好ましい。
　本実施形態４における学習処理または判定処理は、基本的に図４、５に示すフローチャートに準ずるが、学習モデル生成処理（図４に示すステップＳ１０２）および学習モデル取得処理（図５に示すステップＳ２０３）では、判定対象１における単位波形データの波形形状の特徴に基づいて、学習部３３が有する複数の学習用データ群または複数の学習モデルから１つ、好ましくは最も適したものを選択し、学習または判定に用いる。なお、最も適した学習用データ群または学習モデルを選択する方法としては、例えば複数の学習用データ群に基づいて学習を行った複数の学習モデルと、判定対象１から得た正常波形データとをデータ復元部３４および差算出部３５にて各処理を適用し、出力した差量が最も小さいものを選ぶ方法が考えられるが、この限りではない。
　実施形態３において、学習処理の特徴として判定対象本人から得た学習用データ１４Ｙによって個人差を更に排除することが可能である。しかし、この本実施形態４に係る学習部３３の学習処理を用いれば、更に個人差の軽減が可能であり、判定精度の向上が可能となる。
　また、心肥大や心拡大を発症している判定対象から得た正常波形は、健常者から得たものと比較して波形形状の特徴に差異がある。よって、健常者から得た心電情報１０で学習を行った学習モデルは心肥大や心拡大に基づいた正常波形の特徴を正しく復元できず、差データの強度分布のムラ、および差量の値は大きくなり、不整脈として誤判定されるおそれがある。こうした際に、本実施形態における学習部３３が、心肥大や心拡大の学習用データ群または学習モデルを用意することで、心肥大や心拡大を発症している判定対象に対しても高精度な不整脈の判定が可能となる。こうして学習した学習モデル４２は実施形態１～３における学習モデルとして転用してもよい。
［実施形態５］
　次に、本発明の実施形態５について説明する。実施形態５に係る生体信号解析システムの構成は、実施形態１に係る生体信号解析システム３と同じであるため、説明を省略する。以下、実施形態１とは異なる部分について説明する。
　本実施形態５における学習処理は、基本的に図４に示すフローチャートに準ずるが、学習モデル生成処理（図４に示すステップＳ１０２）において、学習部３３は、判定対象本人から得た学習用データ１４Ｙのみを用いて学習を実施する。そうして得た学習モデルを、判定処理におけるデータ復元部３４の学習モデルとして使用することで、復元精度が高くなり、判定精度の向上が可能となる。
　実施形態３において、学習処理の特徴として、判定対象本人以外の判定対象を含む既知の学習用データ１４Ｘと、判定対象本人から得た学習用データ１４Ｙとによって個人差を更に排除することが可能である。しかし、本実施形態５に係る学習部３３の学習処理を用いれば、判定対象本人から得た学習用データ１４Ｙのみであることによって個人差を完全に排除することが可能であり、判定精度の向上が可能である。また、実施形態２および４において、対応した学習用データ群または学習モデルがない場合にも有効である。こうして学習した学習モデルは実施形態１～４における学習モデルとして転用してもよい。本実施形態５における学習部３３による、判定対象本人から得た学習用データ１４Ｙを用いた学習が可能となるのは、学習モデルの学習に必要なものは容易かつ大量に入手可能な、判定対象本人の正常波形データのみであり、学習の難易度が極めて低いことによる。
［実施形態６］
　次に、本発明の実施形態６について説明する。実施形態６に係る生体信号解析システムの構成は、実施形態１に係る生体信号解析システム３と同じであるため、説明を省略する。以下、実施形態１とは異なる部分について説明する。
　図６Ｂの（ｂ）において、心房細動由来の三次元特徴データ１３Ｅは領域Ｒ1、Ｒ2において不整脈特有の特徴が現れるとしたが、その特徴は微弱であるため、データ復元部３４による復元処理で消失したり、判定部３６による不整脈判定でデータ全体の差量として小さくなり正常波形データとの切り分けが困難になったりするおそれがある。
　そこで、本実施形態６におけるデータ変換部３２は、判定用データにおいて、不整脈特有の特徴が現れる時間－周波数特徴領域に対して重み付けを行う。図１３Ａおよび図１３Ｂは、本実施形態６に係る、三次元特徴データにおける不整脈特有の特徴の重み付け例を示す図である。図１３Ａおよび図１３Ｂでは例として、時間および周波数についてそれぞれ範囲が設定される領域Ｒ6に基づき、心房細動の特徴の重み付けを行っているが、この限りではない。例えば、正常波形由来であることが既知の判定用データ１３Ｋに基づき領域Ｒ6の重み付けを行った重み付けデータ１３Ｋ´では重み付けによる影響は極めて小さく、得られる差データ１６Ｋは図１０Ａの例と同様に平坦な強度分布となる（図１３Ａ参照）。一方で、心房細動由来であることが既知の判定用データ１３Ｌに基づき領域Ｒ6の重み付けを行った重み付けデータ１３Ｌ´では、領域Ｒ6に大きな特徴が現れるため、得られる差データ１６Ｌは不均一な強度分布のデータとなる（図１３Ｂ参照）。
　このように、本実施形態６におけるデータ変換部３２によれば、心房細動や心房粗動の持つＦ波１１ｆ（例えば図２の（ｂ）参照）などの微弱な不整脈特有の特徴について事前に重み付けすることで、復元による特徴の消失を防ぐことができる。その結果、正常波形データと不整脈波形データとの切り分けが容易となる。
［実施形態７］
　次に、本発明の実施形態７について説明する。実施形態７に係る生体信号解析システムの構成は、実施形態１に係る生体信号解析システム３と同じであるため、説明を省略する。以下、実施形態１とは異なる部分について説明する。
　図１４は本実施形態７に係る、時間－周波数座標に基づいた不整脈要因の特定例を示す図である。図１４の（Ｓａ）は心房細動、（Ｓｂ）は心室期外収縮、（Ｓｃ）は心室肥大に関する心電情報の一例を示す。また、それぞれに対応する単位波形データが図１４の（ａ）に示すデータ（単位波形データ１８Ａ～１８Ｃ）であり、この単位波形データを周波数変換して得られる判定用データが図１４の（ｂ）に示すデータ（判定用データ１９Ａ～１９Ｃ）であり、この判定用データと、復元後の判定用データとに基づく差データが図１４の（ｃ）に示すデータ（差データ２０Ａ～２０Ｃ）である。実施形態１～３において、判定部３６はあくまで正常波形に基づいて、正常／不整脈の判定を行うものであり、その種類に依らず不整脈の判定が可能だが、不整脈要因を特定することができない。ここでいう不整脈要因の特定は、不整脈あるいはその疾患名を特定することや「Ｒ波起因」のように大まかな枠を設定した不整脈要因を絞り込むことを指す。
　そこで、本実施形態７における判定部３６は、単なる不整脈の判定ではなく、不整脈要因の特徴が顕れる座標を参考に不整脈要因の特定を行う。既知の学習用データ１４Ｘおよび判定用データ１９Ａ～１９Ｃは、時間座標から波形成分（図２に示すＰ波１１ａ、Ｑ波１１ｂ、Ｒ波１１ｃ、Ｓ波１１ｄ、Ｔ波１１ｅ、Ｆ波１１ｆ）を区分できる。また、帯域の推移状態からどのような波形を描いているか読み取ることができる。図１４では、一例として、Ｐ波またはＦ波を含む区分（ＰｏｒＦ波）、Ｑ波、Ｒ波およびＳ波を含む区分（ＱＲＳ波）、Ｔ波またはＦ波を含む区分（ＴｏｒＦ波）に分ける例を示す。例えば、心室期外収縮（Ｓｂ）のようにＲ波１１ｃの顕れる時間座標において、強度の出る帯域が低周波方向へシフトした場合、Ｒ波１１ｃの幅は拡大したということである。よって判定用データと復元データとから得た差データに基づいて、指定した座標範囲（例えば領域Ｒ11、Ｒ12、Ｒ13、Ｒ14）ごとに差量を算出し、その大きさ、あるいはそれらの関係性から不整脈要因の特定が可能となる。この際、座標範囲の指定は、例えばエッジ検出等の画像処理によって自動で行ってもよいし、入力部３１を介してユーザが指定範囲を入力してもよい。
　また、本実施形態７における判定部３６によるもうひとつの効果として、指定した座標範囲ごとに差量を算出するため、心房細動のＦ波の発生といった微弱な特徴に対しても判定が容易である。
（その他の実施の形態）
　ここまで、本発明を実施するための形態を説明してきたが、本発明は、上述した実施形態によってのみ限定されるべきものではない。例えば、生体信号解析システム３が学習部３３を備えるものとして説明したが、生体信号解析システム３が学習部３３を有さずに、通信ネットワークを介して学習モデルを取得する構成としてもよい。また、解析対象の情報は、心電情報に限らず、上述した波形データを用いるものであれば適用可能である。
　本発明に係る一連の生体信号解析システムを用いれば、心電情報に基づいた不整脈の判定が可能となる。
　１　判定対象
　２　生体信号測定器
　３　生体信号解析システム
　１０　心電情報
　１１　波形データ
　１２、１２Ａ～１２Ｈ　単位波形データ
　１３、１３Ａ～１３Ｈ　三次元特徴データ
　１３Ｉ～１３Ｌ、１４Ａ、１４Ｂ、１９Ａ～１９Ｃ　判定用データ
　１３Ｋ´、１３Ｌ´　重み付けデータ
　１４Ｘ　学習用データ
　１５Ａ、１５Ｂ　復元データ
　１６Ａ、１６Ｂ、１６Ｋ、１６Ｌ、２０Ａ～２０Ｃ　差データ
　１７Ａ、１７Ｂ　差量
　３１　入力部
　３２　データ変換部
　３３　学習部
　３４　データ復元部
　３５　差算出部
　３６　判定部
　３７　制御部
　３８　記憶部
　４１ａ、４１ｂ　自己符号化器
　４２　学習モデル
　４３　入力データ

Claims (11)

  1. 　心電情報に基づいて不整脈の判定を行う一連の生体信号解析システムであって、
    　前記心電情報の入力を受け付ける入力部と、
    　前記心電情報を時間－周波数変換して判定用データを生成するデータ変換部と、
    　自己符号化器からなる学習済みモデルを用いて前記判定用データを復元した復元データを生成するデータ復元部と、
    　前記復元データと前記判定用データとの差量を算出する差算出部と、
    　前記差量に基づいて、前記判定用データが正常波形データおよび不整脈波形データのいずれであるかを判定する判定部と、
    　を備える生体信号解析システム。
  2. 　前記学習済みモデルは、９５％以上が正常波形データに基づいて生成される複数の既知の学習用データを用いた学習により生成されたモデルである、
    　請求項１に記載の生体信号解析システム。
  3. 　前記学習済みモデルは、９５％以上が正常波形データに基づいて生成される複数の既知の学習用データ、および判定を行う対象から取得した学習用データを用いた学習により生成されたモデルである、
    　請求項１に記載の生体信号解析システム。
  4. 　前記学習済みモデルは、判定対象から取得した学習用データを用いた学習により生成されたモデルである、
    　請求項１に記載の生体信号解析システム。
  5. 　前記入力部は、前記心電情報が有する波形データに対し、所定の時間範囲の波形データを抽出した単位波形データにセグメント化し、
    　前記データ変換部は、前記単位波形データを時間－周波数変換して前記判定用データを生成する、
    　請求項１～４のいずれかに記載の生体信号解析システム。
  6. 　前記データ変換部は、前記判定用データにおいて不整脈の時間－周波数特徴領域に対して重み付けした重み付けデータを生成する、
    　請求項１～５のいずれかに記載の生体信号解析システム。
  7. 　前記差算出部は、前記復元データと前記判定用データとの差を示す差データを生成し、該差データに基づいて前記差量を算出し、
    　前記判定部は、前記差データの時間および周波数特徴に基づいて不整脈要因を特定する、
    　請求項１～６のいずれかに記載の生体信号解析システム。
  8. 　前記学習済みモデルは、前記正常波形データであることが既知の学習用データを用いた学習により生成されたモデルである、
    　請求項１～７のいずれかに記載の生体信号解析システム。
  9. 　学習用データを用いて前記自己符号化器の学習を行って前記学習済みモデルを生成する学習部、
    　をさらに備える請求項１～８のいずれかに記載の生体信号解析システム。
  10. 　前記学習用データを用いて前記自己符号化器の学習を行って前記学習済みモデルを生成する学習部、
    　をさらに備え、
    　前記学習部は、
    　前記既知の学習用データの特徴に応じた複数の自己符号化器、
    　を有し、
    　判定対象の正常波形データの特徴に基づいて、前記複数の自己符号化器から自己符号化器を１つ選択する、
    　請求項２に記載の生体信号解析システム。
  11. 　前記学習用データを用いて前記自己符号化器の学習を行って前記学習済みモデルを生成する学習部、
    　をさらに備え、
    　前記学習部は、
    　前記既知の学習用データの特徴に応じた複数の学習用データ群または複数の自己符号化器、
    　を有し、
    　判定対象の正常波形データの特徴に基づいて前記複数の学習用データ群または前記複数の自己符号化器から学習用データ群または自己符号化器を１つ選択する、
    　請求項３に記載の生体信号解析システム。
PCT/JP2021/041847 2020-11-24 2021-11-15 生体信号解析システム Ceased WO2022113792A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
ES21897766T ES3032892T3 (en) 2020-11-24 2021-11-15 Biological signal analysis system
EP21897766.8A EP4252652B1 (en) 2020-11-24 2021-11-15 Biological signal analysis system
CN202180078704.9A CN116528763B (zh) 2020-11-24 2021-11-15 生物信号解析系统
JP2021570835A JP7294459B2 (ja) 2020-11-24 2021-11-15 生体信号解析システム
KR1020237015640A KR20230107806A (ko) 2020-11-24 2021-11-15 생체 신호 해석 시스템
US18/037,124 US12484832B2 (en) 2020-11-24 2021-11-15 Biosignal analysis system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-194594 2020-11-24
JP2020194594 2020-11-24

Publications (1)

Publication Number Publication Date
WO2022113792A1 true WO2022113792A1 (ja) 2022-06-02

Family

ID=81755969

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/041847 Ceased WO2022113792A1 (ja) 2020-11-24 2021-11-15 生体信号解析システム

Country Status (7)

Country Link
US (1) US12484832B2 (ja)
EP (1) EP4252652B1 (ja)
JP (1) JP7294459B2 (ja)
KR (1) KR20230107806A (ja)
CN (1) CN116528763B (ja)
ES (1) ES3032892T3 (ja)
WO (1) WO2022113792A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024163389A1 (en) * 2023-01-31 2024-08-08 Mars, Incorporated Systems and methods for deep learning based ecg-signal classifications for canines
WO2025120869A1 (ja) * 2023-12-05 2025-06-12 三菱電機株式会社 モデル生成装置、生体データ推定装置、モデル生成システム、生体データ推定システム、および、モデル生成方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7479909B2 (ja) * 2020-04-20 2024-05-09 株式会社東海理化電機製作所 学習装置、学習方法、および測定装置
JP7294459B2 (ja) * 2020-11-24 2023-06-20 東レ株式会社 生体信号解析システム
KR102927826B1 (ko) * 2025-01-21 2026-02-13 주식회사 뷰노 심전도 데이터 증강 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014100473A (ja) * 2012-11-16 2014-06-05 Samsung Electronics Co Ltd 遠隔疾病管理装置及び遠隔疾病管理方法並びに無線センサ
JP2014150826A (ja) * 2013-02-05 2014-08-25 Nippon Koden Corp 心電図解析装置
JP2019033878A (ja) * 2017-08-15 2019-03-07 イーグルマトリックス株式会社 異常検出方法、異常検出装置及び異常検出プログラム
JP2020036633A (ja) * 2018-08-31 2020-03-12 富士通株式会社 異常判別プログラム、異常判別方法および異常判別装置
JP2020156927A (ja) * 2019-03-27 2020-10-01 日本光電工業株式会社 生体情報測定装置、不整脈解析システム、不整脈解析方法、不整脈解析プログラム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100967994B1 (ko) 2008-02-18 2010-07-07 연세대학교 산학협력단 주기성을 갖는 생체 신호 데이터의 실시간 압축 전송 및저장 방법과 이를 위한 심혈관 시스템
FR2935822B1 (fr) * 2008-09-05 2010-09-17 Commissariat Energie Atomique Procede de reconnaissance de formes et systeme mettant en oeuvre le procede
JP2014171589A (ja) 2013-03-07 2014-09-22 Seiko Epson Corp 心房細動解析装置およびプログラム
EP3081157A1 (en) 2015-04-17 2016-10-19 Seiko Epson Corporation Biological information processing system, biological information processing device, terminal device, method for generating analysis result information, and biological information processing method
WO2017124044A1 (en) * 2016-01-15 2017-07-20 The Regents Of The University Of California Machine-learning-based denoising of doppler ultrasound blood flow and intracranial pressure signal
JP2018189522A (ja) 2017-05-08 2018-11-29 キユーピー株式会社 設備故障の予兆診断方法
US10602942B2 (en) 2017-08-25 2020-03-31 Cambridge Heartwear Limited Method of detecting abnormalities in ECG signals
TWI653967B (zh) * 2017-12-08 2019-03-21 國立成功大學 心律不整診斷系統與裝置及心律不整辨識方法
KR102179040B1 (ko) 2018-10-25 2020-11-16 한국외국어대학교 연구산학협력단 딥러닝 기반 표면 실장 부품 조립 장치의 동작 이상 검출 장치 및 방법
CN111261278A (zh) 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于三维图像的深度学习模型的心脏疾病检测方法
CN111261289A (zh) 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于人工智能模型的心脏疾病的检测方法
CN110801221B (zh) * 2019-12-09 2021-04-27 中山大学 基于无监督特征学习的睡眠呼吸暂停片段检测设备
CN111084621B (zh) 2019-12-30 2022-09-06 上海数创医疗科技有限公司 基于深度自编码器的qrs波群形态识别方法和装置
CN111265210A (zh) 2020-03-24 2020-06-12 华中科技大学 一种基于深度学习的房颤预测装置和设备
JP7294459B2 (ja) * 2020-11-24 2023-06-20 東レ株式会社 生体信号解析システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014100473A (ja) * 2012-11-16 2014-06-05 Samsung Electronics Co Ltd 遠隔疾病管理装置及び遠隔疾病管理方法並びに無線センサ
JP2014150826A (ja) * 2013-02-05 2014-08-25 Nippon Koden Corp 心電図解析装置
JP2019033878A (ja) * 2017-08-15 2019-03-07 イーグルマトリックス株式会社 異常検出方法、異常検出装置及び異常検出プログラム
JP2020036633A (ja) * 2018-08-31 2020-03-12 富士通株式会社 異常判別プログラム、異常判別方法および異常判別装置
JP2020156927A (ja) * 2019-03-27 2020-10-01 日本光電工業株式会社 生体情報測定装置、不整脈解析システム、不整脈解析方法、不整脈解析プログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A. QAYYUMF. MERIAUDEAUG. C. Y. CHAN: "Classification of Atrial Fibrillation with Pre-Trained Convolutional Neural Network Models", 2018 IEEE-EMBS CONFERENCE ON BIOMEDICAL ENGINEERING AND SCIENCES (IECBES), SARAWAK, MALAYSIA, 2018, pages 594 - 599, XP033514160, DOI: 10.1109/IECBES.2018.8626624
HEALEY: "Robust detection of atrial fibrillation for a long term telemonitoring system", COMPUTERS IN CARDIOLOGY, 2005, LYON, 2005, pages 619 - 622, XP010889911, DOI: 10.1109/CIC.2005.1588177
See also references of EP4252652A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024163389A1 (en) * 2023-01-31 2024-08-08 Mars, Incorporated Systems and methods for deep learning based ecg-signal classifications for canines
WO2025120869A1 (ja) * 2023-12-05 2025-06-12 三菱電機株式会社 モデル生成装置、生体データ推定装置、モデル生成システム、生体データ推定システム、および、モデル生成方法

Also Published As

Publication number Publication date
EP4252652A1 (en) 2023-10-04
US12484832B2 (en) 2025-12-02
CN116528763A (zh) 2023-08-01
CN116528763B (zh) 2025-12-16
US20240000364A1 (en) 2024-01-04
JP7294459B2 (ja) 2023-06-20
ES3032892T3 (en) 2025-07-28
JPWO2022113792A1 (ja) 2022-06-02
EP4252652A4 (en) 2024-10-09
KR20230107806A (ko) 2023-07-18
EP4252652B1 (en) 2025-05-07

Similar Documents

Publication Publication Date Title
WO2022113792A1 (ja) 生体信号解析システム
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
Safara et al. Multi-level basis selection of wavelet packet decomposition tree for heart sound classification
CN108186011B (zh) 房颤检测方法、装置及可读存储介质
CN107832737B (zh) 基于人工智能的心电图干扰识别方法
CN114041786B (zh) 心冲击图信号的检测方法、装置以及设备
CN110338786B (zh) 一种癫痫样放电的识别与分类方法、系统、装置和介质
US20160183811A1 (en) System and method of detecting abnormal movement of a physical object
WO2019038109A1 (en) METHOD FOR DETECTING ANOMALIES IN ECG SIGNALS
WO2019100566A1 (zh) 基于人工智能自学习的静态心电图分析方法和装置
CN106778685A (zh) 心电图图像识别方法、装置及服务终端
JP7297464B2 (ja) 生体信号処理装置および自動解析用データ生成方法
CN114190944B (zh) 基于脑电信号的鲁棒情绪识别方法
JP7263770B2 (ja) 分類装置、分類システム、分類方法及びプログラム
CN112617851A (zh) 一种基于心电信号的脑力负荷分类方法及系统
Rezaei et al. Data augmentation for heart arrhythmia classification
Xu et al. Analysis of an experimental model of in vitro cardiac tissue using phase space reconstruction
CN108836312B (zh) 一种基于人工智能的进行杂波剔除的方法及系统
EP4501238A1 (en) Electrocardiogram signal analysis system
Oster et al. An Artificial Model of the Electrocardiogram during Paroxysmal Atrial Fibrillation.
Al-Fahoum et al. ECG arrhythmia classification using simple reconstructed phase space approach
CN110738093A (zh) 基于改进小世界回声状态网络肌电的分类方法
Chetan et al. Cardiac arrhythmia classification from multilead ECG using multiscale non-linear analysis
TWI901386B (zh) 處理運動訊號的電子裝置和方法
KR102608735B1 (ko) 인공지능 기반의 심전도 신호 분석 장치 및 방법

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021570835

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21897766

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18037124

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202180078704.9

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021897766

Country of ref document: EP

Effective date: 20230626

WWG Wipo information: grant in national office

Ref document number: 2021897766

Country of ref document: EP