CN114052691A - 信息处理装置、信息处理方法和计算机可读介质 - Google Patents

信息处理装置、信息处理方法和计算机可读介质 Download PDF

Info

Publication number
CN114052691A
CN114052691A CN202110249508.5A CN202110249508A CN114052691A CN 114052691 A CN114052691 A CN 114052691A CN 202110249508 A CN202110249508 A CN 202110249508A CN 114052691 A CN114052691 A CN 114052691A
Authority
CN
China
Prior art keywords
waveform
pulse wave
heartbeat
information processing
data
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.)
Pending
Application number
CN202110249508.5A
Other languages
English (en)
Inventor
织田英人
饭田靖
加藤典司
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.)
Fujifilm Business Innovation Corp
Original Assignee
Fujifilm Business Innovation Corp
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 Fujifilm Business Innovation Corp filed Critical Fujifilm Business Innovation Corp
Publication of CN114052691A publication Critical patent/CN114052691A/zh
Pending 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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
    • A61B5/4035—Evaluating the autonomic nervous system
    • 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
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Neurosurgery (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

提供信息处理装置、信息处理方法和计算机可读介质。信息处理装置具有处理器，所述处理器向计算由被试验者佩戴的脉搏波测量装置和心跳测量装置所输出的波形的关系性而构建出的模型，输入所测量的脉搏波，由此来估计心跳的波形。

Description

信息处理装置、信息处理方法和计算机可读介质
技术领域
本发明涉及信息处理装置、信息处理方法和计算机可读介质。
背景技术
通过由心电图计测心跳的间隔，可知植物神经的亢奋状态。例如，如果心跳的间隔较短，则可知处于紧张状态，如果心跳的间隔较长，则可知正在放松。此外，作为相关技术文献，例如，可举出日本特开2018-130319号公报。
在测量心跳的间隔的情况下，基于简便等理由，考虑使用脉搏的间隔来测量。关于脉搏的测量，例如，能够通过腕带型设备测量。但是，当将脉搏的间隔直接作为心跳的间隔使用时，由于脉搏和心跳的特性不同等，作为心跳的波形的估计精度有时会下降。
发明内容
本发明的目的在于在使用脉搏的间隔测量心跳的间隔的情况下，与将脉搏的间隔直接作为心跳的间隔使用的情况相比，提高心跳的波形的估计精度。
根据本发明的第1方案，提供一种信息处理装置，其中，所述信息处理装置具有处理器，所述处理器向计算由被试验者佩戴的脉搏波测量装置和心跳测量装置所输出的波形的关系性而构建出的模型，输入所测量的脉搏波，由此来估计心跳的波形。
根据本发明的第2方案，所述模型由生成对抗网络生成，输出与脉搏波的波形对应的心跳的波形。
根据本发明的第3方案，所述模型是按照每个供测量的部位准备的。
根据本发明的第4方案，所述模型是按照每个被估计心跳的波形的用户准备的。
根据本发明的第5方案，所述模型是使用如下的脉搏波的波形来生成的，该脉搏波的波形与心跳的波形在时间轴方向上的偏差被进行过校正。
根据本发明的第6方案，所述时间轴方向上的偏差由同时测量出的心跳的波形与脉搏波的波形的相关系数为最大时的移位量给出。
根据本发明的第7方案，所述处理器估计波峰间隔作为心跳的波形。
根据本发明的第8方案，所述处理器通过检测所测量的脉搏波的波形的波峰间隔的异常，并向使用排除了所检测到的异常后的波形而构建出的所述模型输入所测量的脉搏波的波形，来估计心跳的波形。
根据本发明的第9方案，所述处理器通过向使用如下的脉搏波的波形而构建出的所述模型输入所测量的脉搏波的波形，来估计心跳的波形，所述脉搏波的波形是被排除所述异常后的脉搏波的波形与心跳的波形在时间轴方向上的偏差被进行过校正的波形。
根据本发明的第10方案，所述处理器通过向计算被校正后的脉搏波的波形与心跳的波形的关系而构建出的所述模型输入所测量的脉搏波的波形，来估计心跳的波形。
根据本发明的第11方案，所述处理器通过向计算根据被排除异常后的波形而估计出的脉搏波的波形与心跳的波形的关系而构建出的所述模型输入所测量的脉搏波的波形，来估计心跳的波形。
根据本发明的第12方案，提供一种计算机可读介质，其存储有使计算机执行处理的程序，其中，所述处理具有以下步骤：向计算由被试验者佩戴的脉搏波测量装置和心跳测量装置所输出的波形的关系性而构建出的模型，输入所测量的脉搏波，由此来估计心跳的波形。
根据本发明的第13方案，提供一种信息处理方法，其中，该信息处理方法具有以下步骤：向计算由被试验者佩戴的脉搏波测量装置和心跳测量装置所输出的波形的关系性而构建出的模型，输入所测量的脉搏波，由此来估计心跳的波形。
(效果)
根据所述第1方案，在使用脉搏的间隔测量心跳的间隔的情况下，与将脉搏的间隔直接作为心跳的间隔使用的情况相比，能够提高心跳的波形的估计精度。
根据所述第2方案，能够提高估计的精度。
根据所述第3方案，能够提高估计的精度。
根据所述第4方案，能够提高估计的精度。
根据所述第5方案，能够提高估计的精度。
根据所述第6方案，能够提高估计的精度。
根据所述第7方案，能够估计植物神经的状态等。
根据所述第8方案，能够提高估计的精度。
根据所述第9方案，能够提高估计的精度。
根据所述第10方案，能够提高估计的精度。
根据所述第11方案，能够提高估计的精度。
根据所述第12方案，在使用脉搏的间隔测量心跳的间隔的情况下，与将脉搏的间隔直接作为心跳的间隔使用的情况相比，能够提高心跳的波形的估计精度。
根据所述第13方案，在使用脉搏的间隔测量心跳的间隔的情况下，与将脉搏的间隔直接作为心跳的间隔使用的情况相比，能够提高心跳的波形的估计精度。
附图说明
图1是说明在实施方式1中使用的装置系统的概要的图。(A)示出学习系统的结构例，(B)示出估计系统的结构例。
图2是说明构成心电图波形数据的1个波形的图。
图3是说明心电图波形数据的一例的图。(A)示出跳动较慢时的心电图波形数据，(B)示出跳动较快时的心电图波形数据。
图4是说明心跳的变动的图。(A)是示出心跳间隔的变动的血流速度图(タコグラム)，(B)是示出功率谱密度的图。
图5是说明心电图波形数据与脉搏波数据的波形的不同和时间方向上的波峰位置的偏差的图。(A)示出脉搏波数据的例子，(B)示出心电图波形数据的例子。
图6是说明因要测量的位置的不同而引起的脉搏波数据的波形的不同的图。(A)表示用指尖测量出的脉搏波数据，(B)表示用耳垂测量出的脉搏波数据，(C)表示用手腕测量出的脉搏波数据。
图7是说明在实施方式1中使用的模型生成装置的硬件结构的一例的图。
图8是说明在实施方式1中使用的模型学习装置的功能上的结构例的图。
图9是说明在实施方式1中使用的心跳估计装置的硬件结构的一例的图。
图10是说明在实施方式1中使用的心电图波形估计装置的功能上的结构例的图。
图11是说明心跳间隔与脉搏间隔在时间方向上的偏差的图。
图12是说明在实施方式2中使用的模型学习装置的功能上的结构例的图。
图13是说明由时间偏差校正部执行的处理动作的例子的流程图。
图14是说明时间的偏差的校正产生的影响的图。(A)表示校正时间的偏差以前的植物神经指标的正解率，(B)表示校正时间的偏差以后的植物神经指标的正解率。
图15是说明异常值的图。
图16是说明在实施方式3中使用的模型学习装置33A2的功能上的结构例的图。
图17是说明商滤波器的图。(A)示出作为正常值处理的例子，(B)示出具体例。
图18是说明测量脉搏波数据的位置的其他例的图。(A)示出学习系统的结构例，(B)示出估计系统的结构例。
图19是说明测量脉搏波数据的位置的其他例的图。(A)示出学习系统的结构例，(B)示出估计系统的结构例。
具体实施方式
下面，参照附图对实施方式详细地进行说明。
<实施方式1>
<系统结构>
图1是说明在实施方式1中使用的装置系统的概要的图。(A)示出学习系统1A的结构例，(B)示出估计系统1B的结构例。
学习系统1A具有：心电传感器10，其测量伴随被试验者的心脏的运动而产生的电信号；脉搏波传感器20，其测量在被试验者的指尖出现的脉搏波的波形；以及模型生成装置30，其学习针对同一被试验者同时进行测量所得到的心电图波形数据与脉搏波数据的关系。
此处的心电图波形数据是心跳的波形数据的一例。
本实施方式中的心电传感器10是将伴随心脏的运动的电信号的变化作为心电图波形数据来测量的传感器。心电传感器10例如具有：多个电极垫，它们以隔着心脏的方式安装；放大器，其对在电极垫中出现的电信号进行放大；模拟/数字转换部，其将放大后的电信号转换为数字信号；以及运算部，其根据数字信号生成心电图波形数据。心电传感器10是心跳测量装置的一例。
本实施方式中的脉搏波传感器20是将伴随心脏的运动的血流量的变化作为脉搏波来测量的传感器。在本实施方式的情况下，脉搏波传感器20通过光电脉搏波法测量脉搏波。
光电脉搏波法具有：通过透过体内的光的变化量来测量血流量的变化的透过型和通过在生物体内所反射的光的变化量来测量血流量的变化的反射型。
图1所示的脉搏波传感器20可以是透过型，也可以是反射型。脉搏波传感器20将测量的结果作为脉搏波数据输出。脉搏波传感器20是脉搏波测量装置的一例。
模型生成装置30学习从同一被试验者同时测量的心电图波形数据与脉搏波数据的关系性，生成模型，该模型根据所测量的脉搏波数据输出与脉搏波数据同时测量的可能性较高的心电图波形数据。换言之，模型生成装置30是学习测量方法、测量位置不同的心电图波形数据与脉搏波数据之间存在的关系性的计算机。
在图1中，将模型生成装置30所生成的模型表示为“生成模型”。所生成的生成模型被从模型生成装置30提供给心跳估计装置40。生成模型是计算心电图波形数据的波形与脉搏波数据的波形的关系性而构建出的模型的一例。
模型生成装置30是所谓的机器学习装置。本实施方式中的模型生成装置30使用针对1个被试验者测量的心电图波形数据和脉搏波数据来生成被试验者所固有(即，按照每个用户固有)的生成模型。可是，也可以使用针对多个被试验者同时测量出的心电图波形数据和脉搏波数据，生成通用的生成模型。
模型生成装置30可以经由LAN(＝Local Area Network：局域网)、互联网而取得从同一被试验者测量出的心电图波形数据和脉搏波数据，也可以从未图示的数据库、半导体存储器等取得从同一被试验者测量出的心电图波形数据和脉搏波数据。
模型生成装置30可以构成为专用于生成模型的生成的专用装置，也可以构成为服务器。
估计系统1B具有：脉搏波传感器20，其测量在被试验者的指尖出现的脉搏波的波形；心跳估计装置40，其根据从脉搏波传感器20输出的脉搏波数据估计心电图波形数据并输出；以及，植物神经指标计算装置50，其对所估计的心电图波形数据(以下，也称作“估计心电图数据”)进行处理而计算植物神经指标。
本实施方式中的心跳估计装置40将从脉搏波传感器20输出的脉搏波数据提供给生成模型，从同一被试验者中估计与脉搏波数据同时测量的可能性较高的心电图波形数据(以下，称作“估计心电图数据”)并输出。
从模型生成装置30事先给出了心跳估计装置40在估计中使用的生成模型。心跳估计装置40是信息处理装置的一例。
心跳估计装置40可以经由LAN(＝Local Area Network：局域网)、互联网取得脉搏波数据，也可以从未图示的数据库、半导体存储器等取得脉搏波数据。
心跳估计装置40可以构成为根据脉搏波数据来对估计心电图数据进行估计的专用装置，也可以构成为服务器，还可以构成为可佩戴终端。
在图1中，将心跳估计装置40表示为与脉搏波传感器20独立的装置，但是，也可以与脉搏波传感器20一体地构成。
本实施方式中的植物神经指标计算装置50是对从估计心电图数据取得的心跳的间隔的时间变化进行频率分析并计算用下式给出的植物神经指标的装置。
植物神经指标＝LF/HF…式1
此处，LF是心跳的间隔的时间变化的中间频率成分的功率谱密度，HF是心跳的间隔的时间变化的高频成分的功率谱密度。
植物神经指标也称作压力指标，表示交感神经的活性度。在放松状态的情况下，植物神经指标的值减小，在压力状态的情况下，植物神经指标的值增大。
在图1中，将植物神经指标计算装置50表示为与心跳估计装置40独立的装置，但是，也可以与心跳估计装置40一体地构成。
以下，使用图2～图6来说明在本实施方式中使用的术语。
图2是说明构成心电图波形数据的1个波形的图。图2的横轴是时间，纵轴是电压。图2所示的波形表示与1个心跳对应的电信号。
图2所示的波形按照时间顺序由P波、QRS波、T波构成。P波是在心房的兴奋时出现的波形。QRS波是在心室的兴奋时出现的波形。T波是从心室的兴奋恢复时出现的波形。
另外，R波给出电信号整体的波峰位置。在本实施方式中，将从某一R波到下一个出现的R波的间隔称作心跳的间隔或心跳间隔。
图3是说明心电图波形数据的一例的图。(A)示出跳动较慢时的心电图波形数据，(B)示出跳动较快时的心电图波形数据。
在心跳间隔较长的情况下，表示副交感神经亢奋的状态。该状态在放松的状态下出现。
在心跳间隔较短的情况下，表示交感神经亢奋的状态。该状态表现为紧张的状态。
图4是说明心跳的变动的图。(A)是示出心跳间隔的变动的血流速度图，(B)是示出功率谱密度的图。
示出心跳的血流速度图的图4的(A)的横轴是时间，纵轴是心跳间隔。
示出功率谱密度的图4的(B)的横轴是频率，纵轴是功率。作为中间频率成分的LF的频率区域例如以0.04～0.15Hz给出，作为高频成分的HF的频率区域例如以0.16～0.40Hz给出。功率谱密度作为每单位频率宽度(即，1Hz宽度)的功率值来计算。
上述的植物神经指标计算装置50(参照图1)将植物神经指标计算为例如LF成分的频率区域的功率的合计值(即，积分值)与HF成分的频率区域的功率的合计值之比。
图5是说明心电图波形数据与脉搏波数据的波形的不同和时间方向上的波峰位置的偏差的图。(A)示出脉搏波数据的例子，(B)示出心电图波形数据的例子。
如图5所示，通过光电脉搏波法而测量出的脉搏波数据成为平滑的丘陵型波形。另一方面，心电图波形数据成为脉冲型波形。由于该波形的不同，根据脉搏波数据确定波峰位置的情况下的精度比根据心电图波形数据确定波峰位置的情况下的精度低。换言之，根据脉搏波数据求出的脉搏的间隔的精度比根据心电图波形数据求出的心跳间隔的精度低。
此外，脉搏波数据出现的波峰位置具有比心电图波形数据出现的波峰位置延迟的趋势。即，具有时间轴方向上产生偏差的趋势。
图6是说明因测量位置(以下，也称作“测量的部位”)的不同而产生的脉搏波数据的波形的不同的图。(A)表示用指尖测量出的脉搏波数据，(B)表示用耳垂测量出的脉搏波数据，(C)表示用手腕测量出的脉搏波数据。
当毛细血管的密度不同时，所测量的脉搏波数据的信号电平也发生变化。在图6的情况下，用指尖测量出的脉搏波数据的信号电平最大，用耳垂测量出的脉搏波数据的信号电平次大，用手腕测量出的脉搏波数据的信号电平最小。在图6的情况下，用手腕测量出的脉搏波数据的信号电平的变化较小。因此，波峰位置的检测的精度比在其他两个位置处测量的波峰位置的检测的精度低。
另外，毛细血管的密度不仅根据要测量的位置，也根据被试验者而不同。
另外，被试验者的身体的移动对血流量赋予变化。该变化作为噪声(以下，也称作“体动噪声”)与脉搏波数据重叠。特别是，在用手腕测量的脉搏波数据中，体动噪声的影响容易比其他部位大。
这样，在脉搏波数据的波形中具有因测量方法的不同而引起的波形的不同，信号电平也根据测量位置的不同而不同，也具有体动噪声的影响。
因此，即使单纯地根据脉搏波数据求出脉搏的间隔(以下，称作“脉搏间隔”)，脉搏的间隔与根据心电图波形数据确定的心跳间隔之间的相关也降低。
因此，在本实施方式中，通过生成如下的生成模型，能够仅根据脉搏波数据来再现实际的心电图波形数据，该生成模型是学习针对同一被试验者同时进行测量所得到的心电图波形数据与脉搏波数据的关系而得到的。
<装置的结构>
图7是说明在实施方式1中使用的模型生成装置30的硬件结构的一例的图。
模型生成装置30具有：处理器31，其对数据进行处理；作为主存储装置的半导体存储器32；作为辅助存储装置的硬盘装置33；以及接口34，其与外部装置之间收发数据。处理器31与各部通过总线、信号线连接。
处理器31例如是CPU(＝Central Processing Unit：中央处理单元)。半导体存储器32具有存储有BIOS(＝Basic Input Output System：基本输入输出系统)等的ROM(＝Read Only Memory：只读存储器)和用作工作区的RAM(＝Random Access Memory：随机存取存储器)等。
硬盘装置33是存储基本软件、应用程序(以下，称作“应用”)的存储装置。作为硬盘装置33，也可以使用非易失性半导体存储器。
在本实施方式的情况下，作为应用的一例，存储有学习心电图波形数据与脉搏波数据的关系的模型学习装置33A。
模型学习装置33A进行学习，使得根据所输入的脉搏波数据来估计的估计心电图数据与和脉搏波数据同时从同一被试验者测量的心电图波形数据一致。
接口34例如按照USB(＝Universal Serial Bus：通用串行总线)标准、LAN(＝Local Area Network：局域网)标准与外部装置之间收发数据。
图8是说明在实施方式1中使用的模型学习装置33A的功能上的结构例的图。
图8所示的模型学习装置33A具有心跳测量部331、脉搏测量部332和模型学习部333。
心跳测量部331从心电传感器10输入心电图波形数据，测量心跳的间隔。具体而言，心跳测量部331计算根据心电图波形数据检测出的R波(参照图2)的产生时刻与前一个R波的产生时刻的时间差，设为心跳的间隔。心跳的间隔也称作RRI(＝R-R Interval)。
脉搏测量部332从脉搏波传感器20输入脉搏波数据，测量相邻的波峰点的间隔。具体而言，脉搏测量部332计算根据脉搏波数据检测的波峰点的产生时刻与前一个波峰点的产生时刻的时间差，设为脉搏间隔。脉搏间隔称作IBI(＝Inter Beat Interval：节拍间隔)。
模型学习部333学习心电图波形数据与脉搏波数据的关系性，根据脉搏生成如下波形，该波形中排除了因测量的方法、测量的位置的不同而引起的心跳与脉搏的差异。
模型学习部333具有：生成器333A，其根据脉搏波数据生成如使判别器333C错误识别为真那样的波形(以下，称作“伪波形”)；噪声生成器333B，其产生随机噪声；判别器333C，其判别生成器333A所生成的伪波形和从心跳测量部331给出的心电图波形数据(以下，也称作“实际波形”)各自是真波形、还是伪波形；以及正确与否判定部333D，其判定判别器333C的判别的结果(以下，称作“判别结果”)的正确与否。
生成器333A根据脉搏波数据和随机噪声来生成伪波形。生成器333A根据来自正确与否判定部333D的反馈(以下，称作“训练”)，学习关系性，该关系性生成如错误判别为实际波形那样的伪波形。
在该学习中使用作为带条件生成对抗网络(GAN：Generative AdversarialNetworks：生成对抗网络)的一例的LSGAN(＝Least Squares GAN：最小二乘GAN)。LSGAN是无示教学习的一例。
经过了学习的生成器333A作为生成模型移植到心跳估计装置40(参照图1)中。
判别器333C中交替地输入实际波形和伪波形。伪波形也作为真的波形输入到判别器333C中。判别器333C判别所输入的各波形是真波形、还是伪波形。判别器333C根据来自正确与否判定部333D的训练进行学习，以不将伪波形错误判别为真的波形。
判别器333C的判别的精度提高，由此，生成器333A所生成的伪波形也更接近实际波形。判别器333C将判别所输入的伪波形的正误所得到的结果输出到正确与否判定部333D。
正确与否判定部333D判定判别器333C的判别结果的正确与否，将判定的结果反馈到生成器333A和判别器333C。该反馈称作误差反向传播。
图9是说明在实施方式1中使用的心跳估计装置40的硬件结构的一例的图。
心跳估计装置40具有：处理器41，其对数据进行处理；作为主存储装置的半导体存储器42；作为辅助存储装置的硬盘装置43；以及接口44，其与外部装置之间收发数据。处理器41与各部件通过总线、信号线连接。
处理器41例如是CPU。半导体存储器32具有：ROM，其存储有BIOS等；以及RAM，其用作工作区。
硬盘装置43是存储有基本软件、应用的存储装置。可是，作为硬盘装置43，也可以使用非易失性半导体存储器。
在本实施方式的情况下，作为应用的一例，存储有根据脉搏波数据生成估计心电图数据并输出的心电图波形估计装置43A。
心电图波形估计装置43A根据所输入的脉搏波数据估计同时测量的可能性较高的心跳波形数据，并作为估计心电图数据输出。
接口44例如按照USB标准、LAN标准与外部装置之间收发数据。
图10是说明在实施方式1中使用的心电图波形估计装置43A的功能上的结构例的图。
图10所示的心电图波形估计装置43A具有脉搏测量部431和心电图波形估计部432。
脉搏测量部431从脉搏波传感器20输入脉搏波数据，测量相邻的波峰点的间隔。脉搏测量部431与脉搏测量部332(参照图8)相同。
心电图波形估计部432具有：生成器432A，其根据脉搏波数据生成估计心电图数据；以及噪声生成器432B，其产生随机噪声。
在生成器432A中使用由模型生成装置30(参照图1)生成的生成模型。即，生成器432A与生成器333A(参照图8)相同。生成器432A估计与所输入的脉搏波数据同时测量的可能性较高的心电图波形数据，并作为估计心电图数据输出。
<总结>
如上所述，学习系统1A(参照图1)输入从同一被试验者同时测量的脉搏波数据和心电图波形数据，学习两个波形的关系性，以根据所输入的脉搏波数据生成对应的心电图波形数据。
另一方面，估计系统1B中移植有由学习完毕的生成器333A(参照图8)生成的生成模型，该估计系统1B根据测量方法和测量位置都与心电图波形数据不同的脉搏波数据生成难以判别正误的估计心电图数据。
脉搏波数据的测量比心电图波形数据容易。因此，可期待利用心电图波形数据的各种各样的应用的利用的机会的增加。此外，估计心电图数据的波峰位置的检测精度比脉搏波数据高，因此，即使在仅使用脉搏波数据的情况下，也能够求出精度较高的植物神经指标。
<实施方式2>
在本实施方式中，对比实施方式1更加提高估计的精度的技术进行说明。
图11是说明心跳间隔与脉搏间隔在时间方向上的偏差的图。图11的横轴为时间，纵轴为间隔。纵轴的间隔的单位为毫秒。纵轴的间隔与心跳间隔和脉搏间隔对应。
在图11中，放大示出心跳间隔与脉搏间隔之间产生了偏差的部分。在放大图中，描绘了脉搏间隔比心跳间隔延迟的情形。实际上，有时产生脉搏间隔相对于心跳间隔在时间方向上的偏差(以下，也称作“延迟”)。
图11所示的时间方向上的偏差难以通过异常值的检测结束来检测。在本实施方式中，追加去除该偏差的处理部。
图12是说明在实施方式2中使用的模型学习装置33A1的功能上的结构例的图。在图12中，标注并示出与图8的对应部分对应的标号。
在图12所示的模型学习装置33A1中，在模型学习部333的前部插入时间偏差校正部334这点与图8所示的模型学习装置33A不同。图12所示的时间偏差校正部334中输入心电图波形数据和脉搏波数据，时间偏差校正部334为了在滞后的一侧与一方一致，使另一方的输出延迟。由此，在心电图波形数据与脉搏波数据的相位一致的状态下，推进生成器333A的学习。
图13是说明由时间偏差校正部334执行的处理动作的例子的流程图。附图中所示的符号的S表示步骤。
首先，时间偏差校正部334求出心电图波形数据的波形与脉搏波数据的波形的相关系数(步骤1)。
接着，时间偏差校正部334记录相关系数为最大的情况的移位量(步骤2)。
接下来，时间偏差校正部334使波形的相位超前一方的数据移位固定量(步骤3)。例如，在脉搏波数据比心电图波形数据滞后的情况下，使心电图波形数据延迟固定量。另一方面，在心电图波形数据比脉搏波数据滞后的情况下，使脉搏波数据延迟固定量。
此后，时间偏差校正部334判定是否执行了预先确定的次数的计测(步骤4)。
在步骤4中得到否定结果的情况下，时间偏差校正部334返回步骤1，反复步骤1～步骤3的处理。
另一方面，在步骤4中得到肯定结果的情况下，时间偏差校正部334输出已校正偏差的心电图波形数据或脉搏波数据(步骤5)。
图14是说明时间的偏差的校正产生的影响的图。(A)表示校正时间的偏差以前的植物神经指标的正解率，(B)表示校正时间的偏差以后的植物神经指标的正解率。
图14所示的图表用反差矩阵表现针对所测量的心电图波形数据所得到的植物神经指标的划分与针对根据脉搏波数据而估计出的估计心电图数据而得到的植物神经指标的划分的关系。
另外，图14所示的数据是对3个被试验者的5天的测量数据进行处理所得到的结果。另外，具体的测量时间为55.2小时。此外，对测量数据以30秒为单位进行了分割。
在生成器333A(参照图8)的学习中，使用了5.1小时的608个测量数据。此外，在估计心电图数据的估计中，使用了在学习中未使用的0.6小时的77个测量数据。另外，去除了明确的异常值。
在图14中，根据两个阈值，将计算出的植物神经指标的数值划分为良好、注意、需要注意这3个。
于是，在校正时间的偏差以前的例子中，根据估计心电图数据计算出的植物神经指标的划分与根据所测量的心电图波形数据计算出的植物神经指标的划分一致的比例(即，正解率)为57％(＝44/77)。
另一方面，在校正时间的偏差以后的例子中，根据估计心电图数据计算出的植物神经指标的划分与根据所测量的心电图波形数据计算出的植物神经指标的划分一致的比例(即，正解率)为76％(＝59/77)。
这样，在校正时间的偏差以后进行学习的实施方式2的情况下，与不校正时间的偏差而学习的实施方式1相比，能够提高根据脉搏波数据估计心电图波形数据的精度。
<实施方式3>
基本上，在心跳间隔、脉搏间隔中难以产生急剧的变化。但是，有时在实际的测量数据中出现急剧变化。在多数情况下，这样的变化因噪声而产生。
在本实施方式中，将与相邻的数据相比急剧地发生了变化的数据称作异常值，不在学习中使用。
图15是说明异常值的图。图15的横轴为时间，纵轴为间隔。此处的间隔对应于心跳间隔或脉搏间隔。即，与心电图波形数据的波形的波峰间隔或脉搏波数据的波形的波峰间隔对应。
另外，在脉搏间隔的数据中出现异常值的频度比在心跳间隔的数据中出现异常值的频度高。
图16是说明在实施方式3中使用的模型学习装置33A2的功能上的结构例的图。在图16中，标注并示出与图8的对应部分对应的标号。
在图16所示的模型学习装置33A2中，在模型学习部333的前部插入异常值去除部335这点与图8所示的模型学习装置33A不同。图15所示的异常值去除部335输入心电图波形数据和脉搏波数据，去除所检测的异常值。由此，使用不包含异常值的心电图波形数据和脉搏波数据来推进生成器333A的学习。
在本实施方式的情况下，在异常值去除部335中使用商滤波器。
图17是说明商滤波器的图。(A)示出作为正常值处理的例子，(B)示出具体例。
在本实施方式中，例如，在时刻n的心跳间隔与在其前后的时刻n-1和n+1测量出的两个心跳间隔之间调换分子与分母的关系而计算的4个商中的任意一个比0.8大且比1.2小的情况下，设对应的心跳间隔为正常值，在所有商为0.8以下且为1.2以上的情况下，设对应的心跳间隔为异常值。
因此，在图17的例子中，将RRI(n+1)和RRI(n+2)这两个判定为异常值。另外，针对脉搏间隔，也同样地判定。
本实施方式中的异常值去除部335从学习的对象中排除被判定为异常值的时刻的数据。可是，也可以向模型学习部333指示正常值的范围。
在本实施方式中所说明的异常值去除部335通过与在实施方式2中所说明的时间偏差校正部334(参照图12)相组合，可期待学习的精度的提高。
具体而言，将异常值去除部335配置于时间偏差校正部334的前级。通过在去除异常值以后，对时间偏差进行校正，可实现学习的精度的提高。
<其他实施方式>
以上，对本发明的实施方式进行了说明，但本发明的技术范围并不限定于上述的实施方式所记载的范围。根据权利要求书的记载可知在上述的实施方式中施加了各种变更或改良的形式也可以包含在本发明的技术范围内。
(1)例如在上述的实施方式中，对用指尖测量脉搏波数据的例子进行了说明，但是，测量脉搏波数据的位置不限于指尖。
图18是说明测量脉搏波数据的位置的其他例的图。(A)示出学习系统1A的结构例，(B)示出估计系统1B的结构例。在图18中，标注并示出与图1的对应部分对应的标号。在图18的情况下，脉搏波数据是用耳垂测量出的。在该情况下，模型生成装置30学习用耳垂测量出的脉搏波数据与心电图波形数据的关系性。
另外，测量脉搏波数据的位置不限于指尖和耳垂，可以为手腕、脚腕，也可以为人体的其他位置。
(2)在上述的实施方式中，一次学习了1个生成模型，但是，也可以一次学习多个生成模型。
图19是说明测量脉搏波数据的位置的其他例的图。(A)示出学习系统1A的结构例，(B)示出估计系统1B的结构例。在图19中，标注并示出与图1的对应部分对应的标号。
在图19所示的例子中，可一次生成学习用指尖测量的脉搏波数据与心电图波形数据的关系性而得到的生成模型和学习用耳垂测量的脉搏波数据与心电图波形数据的关系性而得到的生成模型这两个生成模型。另外，在模型生成装置30内准备2组模型学习部333(参照图8)。
(3)在上述的实施方式1中，生成了学习从某一个被试验者测量出的心电图波形数据与脉搏波数据的关系性而得到的生成模型，但是，也可以生成学习从多个被试验者测量出的心电图波形数据与脉搏波数据的关系性而得到的生成模型。样本数由于增加被试验者的数量而增加，能够实现生成模型的高效生成。此外，能够生成与个体差异无关的生成模型。
(4)上述的各实施方式中的处理器表示广义的含义的处理器，除了通用的处理器(例如，CPU等)以外，还包含专用处理器(例如GPU、ASIC(＝Application SpecificIntegrated Circuit：专用集成电路)、FPGA、可编程逻辑器件等)。
此外，上述的各实施方式中的处理器的动作可以通过一个处理器单独地执行，但是，也可以由存在于物理上相分离的位置的多个处理器协作地执行。此外，处理器中的各动作的执行顺序不仅限定于上述的各实施方式所记载的顺序，也可以单独地变更。

Claims (13)

1.一种信息处理装置，其中，
该信息处理装置具有处理器，
所述处理器向计算由被试验者佩戴的脉搏波测量装置和心跳测量装置所输出的波形的关系性而构建出的模型，输入所测量的脉搏波的波形，由此来估计心跳的波形。
2.根据权利要求1所述的信息处理装置，其中，
所述模型由生成对抗网络生成，输出与脉搏波的波形对应的心跳的波形。
3.根据权利要求2所述的信息处理装置，其中，
所述模型是按照每个供测量的部位准备的。
4.根据权利要求2所述的信息处理装置，其中，
所述模型是按照每个被估计心跳的波形的用户准备的。
5.根据权利要求2所述的信息处理装置，其中，
所述模型是使用如下的脉搏波的波形来生成的，该脉搏波的波形与心跳的波形在时间轴方向上的偏差被进行过校正。
6.根据权利要求5所述的信息处理装置，其中，
所述时间轴方向上的偏差由同时测量出的心跳的波形与脉搏波的波形的相关系数为最大时的移位量给出。
7.根据权利要求2所述的信息处理装置，其中，
所述处理器估计波峰间隔作为心跳的波形。
8.根据权利要求1所述的信息处理装置，其中，
所述处理器通过检测所测量的脉搏波的波形的波峰间隔的异常，并向使用排除了所检测到的异常后的波形而构建出的所述模型输入所测量的脉搏波的波形，来估计心跳的波形。
9.根据权利要求8所述的信息处理装置，其中，
所述处理器通过向使用如下的脉搏波的波形而构建出的所述模型输入所测量的脉搏波的波形，来估计心跳的波形，所述脉搏波的波形是被排除所述异常后的脉搏波的波形与心跳的波形在时间轴方向上的偏差被进行过校正的波形。
10.根据权利要求9所述的信息处理装置，其中，
所述处理器通过向计算被校正后的脉搏波的波形与心跳的波形的关系而构建出的所述模型输入所测量的脉搏波的波形，来估计心跳的波形。
11.根据权利要求8所述的信息处理装置，其中，
所述处理器通过向计算根据被排除异常后的波形而估计出的脉搏波的波形与心跳的波形的关系而构建出的所述模型输入所测量的脉搏波的波形，来估计心跳的波形。
12.一种计算机可读介质，其存储有使计算机执行处理的程序，其中，
所述处理具有以下步骤：向计算由被试验者佩戴的脉搏波测量装置和心跳测量装置所输出的波形的关系性而构建出的模型，输入所测量的脉搏波，由此来估计心跳的波形。
13.一种信息处理方法，其中，
所述信息处理方法具有以下步骤：向计算由被试验者佩戴的脉搏波测量装置和心跳测量装置所输出的波形的关系性而构建出的模型，输入所测量的脉搏波，由此来估计心跳的波形。
CN202110249508.5A 2020-08-04 2021-03-08 信息处理装置、信息处理方法和计算机可读介质 Pending CN114052691A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020132182A JP2022029070A (ja) 2020-08-04 2020-08-04 情報処理装置及びプログラム
JP2020-132182 2020-08-04

Publications (1)

Publication Number Publication Date
CN114052691A true CN114052691A (zh) 2022-02-18

Family

ID=80115211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110249508.5A Pending CN114052691A (zh) 2020-08-04 2021-03-08 信息处理装置、信息处理方法和计算机可读介质

Country Status (3)

Country Link
US (1) US20220044816A1 (zh)
JP (1) JP2022029070A (zh)
CN (1) CN114052691A (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11445975B2 (en) * 2015-07-27 2022-09-20 Cn Medical Research Llc Methods and systems for improved prediction of fluid responsiveness
US20220183606A1 (en) * 2019-03-26 2022-06-16 University Of Maryland, College Park Electrocardiogram waveform reconstruction from photoplethysmogram

Also Published As

Publication number Publication date
US20220044816A1 (en) 2022-02-10
JP2022029070A (ja) 2022-02-17

Similar Documents

Publication Publication Date Title
RU2676002C2 (ru) Выделение частоты сердечных сокращений плода из материнской абдоминальной экг
EP2962633B1 (en) Pulse wave propagation time calculation device
US10702168B2 (en) Blood pressure estimation apparatus, blood pressure estimation method, and non-transitory computer-readable recording medium
US20150150515A1 (en) Respiration rate extraction from cardiac signals
EP2854620A1 (en) Narrow band feature extraction from cardiac signals
JP5521906B2 (ja) 血圧推定装置
JP6310401B2 (ja) 生理的リズムを表す信号を処理する方法、システム及びコンピュータプログラム
JP3729143B2 (ja) 脈波計測装置
US4456959A (en) Period measurement system
KR102202029B1 (ko) 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
EP3643227B1 (en) Minimum heart rate value approximation
JP2018011819A (ja) 生体信号処理方法および装置
KR20160000810A (ko) 파형종류 도수분포를 이용한 가속도맥파 분석 장치 및 분석 방법
KR102154652B1 (ko) 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
US20100074482A1 (en) Method for detecting bio signal features in the presence of noise
TWI655930B (zh) Measuring device, measuring method and recording medium
US10750969B2 (en) Heartbeat detection method and heartbeat detection device
US20200046233A1 (en) Pulse wave evaluation apparatus and pulse wave evaluation method
CN114052691A (zh) 信息处理装置、信息处理方法和计算机可读介质
JP2007181628A (ja) 脈拍間隔算出装置及び脈拍間隔算出方法
FI129789B (en) A method, apparatus and computer program product for determining pulse transmission time
JP3952608B2 (ja) 心音計
JP2019051011A (ja) 瞬時心拍の時系列データの補完装置、補完方法及びそのプログラム
EP2938247B1 (en) Method and apparatus for reducing motion artifacts in ecg signals
JP3314521B2 (ja) 心拍変動波形解析方法及び装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination