JP2000506039A - コンピュータにより所定数のサンプル値を有する時系列データ例えば電気信号を分類する方法 - Google Patents

コンピュータにより所定数のサンプル値を有する時系列データ例えば電気信号を分類する方法

Info

Publication number
JP2000506039A
JP2000506039A JP9531331A JP53133197A JP2000506039A JP 2000506039 A JP2000506039 A JP 2000506039A JP 9531331 A JP9531331 A JP 9531331A JP 53133197 A JP53133197 A JP 53133197A JP 2000506039 A JP2000506039 A JP 2000506039A
Authority
JP
Japan
Prior art keywords
series data
time
signal
sample values
computer
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
JP9531331A
Other languages
English (en)
Inventor
デコ グスタボ
シューアマン ベルント
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of JP2000506039A publication Critical patent/JP2000506039A/ja
Pending legal-status Critical Current

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/145Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455Measuring 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
    • A61B5/14551Measuring 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
    • A61B5/14553Measuring 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 specially adapted for cerebral tissue
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

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

Abstract

(57)【要約】 コンピュータにより所定数のサンプル値を有する時系列データ例えば電気信号を分類する方法。時系列データに対して、パラメータ化されたダイナミック多重度を求める。この求められたダイナミック多重度により、時系列データのサンプル値間の非直線的相関関係が表示される。パラメータ化されたダイナミックな多重度に依拠して、時系列データの分類が実施される。

Description

【発明の詳細な説明】 コンピュータにより所定数のサンプル値を 有する時系列データ例えば電気信号を分類する方法 本発明はコンピュータにより所定数のサンプル値を有する時系列データ例えば 電気信号を分類する方法に関する。本発明の属する技術分野では、測定された時 系列データから当該の時系列データの将来の特性を知得、予見することは重要で ある。時系列データの将来的“特性”のそのような予見は、次のような仮定のも とで行われる、即ち非直線的相関又は直線的相関(統計的関係性)が存在すると の仮定のもとで行われる。 前述の問題は、医学の種々の分野でも、例えば心臓学において、著しく重要な 意味を有する。特に心臓の突然死の領域の問題では、心臓の突然死の発生に対す る対抗手段をできるだけ速やかに講じ得るため心臓の突然死の早期の警告のサイ ンを識別することが生命に関わる重要性がある。 相関性のない心電図の時系列データが心臓の突然死に関して、心臓に危険のな いことを表すことは公知である。心臓の突然死に関する心臓の危険状態は、時系 列データのサンプル値間の非直線的相関を有する心電図の時系列データにより表 される〔1〕。更に〔1〕から2つの順次連続する心拍動のグラフィックな位相 空間表示から心臓の突然死に関して危険性のある心臓状態を表す心電図の時系列 データを求めることが公知である。 〔2〕からは、脳の局所的酸素電圧電位の時間的経過(tipO2)を求める ことができる方法が公知である。 〔1〕に記載されている方法は、すべて経験的手法が内包、内蔵する欠点を有 する。ここで、殊に、人間によるグラフ解釈の誤りが発生し易く、そこからは危 険性があるものと時系列データが分類される境界のセッティングの問題、及び画 像スクリーンでのフーリエ変換経過の表示上の不正確性が公知方法の欠点と見な すべきものである。 本発明の基礎を成す課題とするところは、コンピュータを用いて時系列データ を分析的に分類化することにある。 前記課題は請求の範囲1の方法により解決される。 本発明の方法では、所定数のサンプル値を有する時系列データ例えば電気信号 に対して、サンプル値からパラメータ化されたダイナミック多重度を求めるので ある。当該のパラメータ化ダイナミック多重度を以て、パラメータ化ダイナミッ ク多重度の形態を表すパラメータにより、時系列データのサンプル値間の非直線 的相関性が表される。パラメータ化ダイナミック多重度に依拠して、時系列デー タの分類化が実施される。 本発明の方法は、所謂公知の方法に比して次のような利点を有する、即ち、結 果の不正確な評価に基因して誤り源が発生するということがなく、不正確な結果 が検出されることはないという利点を有する。分析的手法によっては、時系列デ ータの一義的な了解性のある分類が達成される。更なる利点とするところは、分 類のプロセス全体を著しく高められた速度で実施できることである。 本発明の有利な発展形態は、引用請求項に示されている。 方法プロセスの促進、高速化、スピードアップのため、有利には、単に、当該 分類の場合、時系列データを第一の時系列データタイプ又は第2の時系列データ タイプに分類するのである。ここで、第1の時系列データタイプは、次のような 時系列データ、即ち、そこにて、サンプル値間の非直線的相関が検出されるよう な時系列データであり、第2の時系列データタイプは、次のような時系列データ 、即ち、相互に統計的に関係性の無い時系列データである。前記の両時系列デー タタイプ、型式に対してパラメータ化されたダイナミック多重度が著しく相異な るるので、分類を著しく迅速に、大して計算コストなしで実施できる。 本発明を図示の1実施例に即して詳述する。 図1は、本発明の方法ステップを表すシーケンスダイヤグラムのフローチャー トである。 図2は、唯2つの時系列データタイプ、型式への分類を行う本発明の方法の発 展形態による方法ステップを表すシーケンスダイヤグラムのフローチャートであ る。図3は、時系列データにはどのような種類があるかを明らかにする種々の手 法を示すブロックダイヤグラムである。 図4は、方法を実施するコンピュータが使用される様子を示す。 図1には、本発明の方法のステップを示す。 第1ステップ101では、時系列データが電気信号である場合において時系列 データは測定される。時系列データの分類がコンピュータRにより実施されるの で、時系列データは、1つのサンプリングインターバルに依存して所定数のサン プル値を有する。時系列データを成す測定信号がアナログである場合、当該信号 は、コンピュータRにより処理し得るためサンプリングされねばならない。 時系列データに対して第2ステップ102にて、パラメータ化されたダイナミ ック多重度が求められる。パラメータ化されたダイナミック多重度は、次のよう にして求められる、即ち、サンプル値相互間に存する非直線的関係が抽出される のである。そのようなパラメータ化されたダイナミック多重度を求める方法は公 知である〔3〕。 今やそのようなパラメータ化されたダイナミック多 重度に依拠して、場合により存在するサンプル値間の非直線的相関性についてデ ータ表示、情報化を行うことが可能となる。 最後のステップ103では、時系列データがパラメータ化されたダイナミック 多重度に依拠して分類される。 本発明の方法は、医学的分野領域の使用に特に適する。この分野領域では、殊 に心電信号ないし心電図−信号(EKG信号)に依拠しての心臓の突然死の早期 識別が、本発明の方法の重要な適用領域である。 〔1〕に記載されているように、心電信号ないし心電図−信号を用いて心電図 を測定した心臓が心臓の突然死に関して危険性があるか否かを検出できる。ここ で、心臓の突然死に関して危険性がある心臓が心電信号ないし心電図−信号のサ ンプル値間の非直線性の存在により特徴付けられる。 心臓の突然死に関して危険性のない心臓は、EKG信号において、時系列デー タのサンプル値間の何等の相関をも有さず、サンプル値は相互に統計的関係性が ない。 図2には、本発明の方法の発展形態を示す。これによれば、時系列データの測 定からそれの分類までの方法プロセスの実施可能性が著しく促進される。このこ とは、簡単化された分類により行われる。当該の簡単化の要点とするところは、 時系列データのサンプル値 が相互に統計的に関係性があるか否かが、たんにパラメータ化されたダイナミッ ク多重度に依拠してチェックされる−201−ことである。そのように相互に統 計的に関係性がある場合には時系列データは、第1の時系列データタイプとして 分類される202。前記分類は、心臓の突然死に関して危険性のある及び危険性 のない心臓への心電信号ないし心電図−信号の分類の適用例に対しては、心電信 号ないし心電図−信号の、心臓の突然死に関して危険性のある心臓状態の信号と しての分類に相応する。それというのは、当該の場合において、時系列データの サンプル値間の非直線的相関、本事例では心電図信号のサンプル値間の非直線的 相関が存在するからである。 時系列データのサンプル値が統計的に関係性がない場合、時系列データは、第 2時系列データタイプとして分類される。このことは、前記の適用例では、心電 信号ないし心電図−信号の、心臓の突然死に関して危険性のない心臓状態の信号 としての分類に相応する203。 図3中、それに対して、本発明の方法を使用し得る−301−時系列データの 可能な種類に対する幾つかの例を示す。 −心電信号ないし心電図−信号(EKG−信号)302;; −脳波記録(EEG−信号)303; −脳の局所的酸素電圧電位の特性経過を表す信号304。 脳内の局所的酸素電圧電位の特性経過を表す信号を識別する手法が〔2〕に記 載されている。 勿論、本発明の方法を、時系列データをパラメータ化ダイナミック多重度に依 拠して分類化することが重要であるすべての分野において使用することができる 。 図4には、本発明の方法を必然的に実施するためのコンピュータRを示す。 コンピュータRは測定装置MGにより測定され、コンピュータRに供給された 時系列データを処理する。 ここで、アナログ信号からのサンプル値信号の形成が測定装置MGにて、又は コンピュータRにて行われるかは重要でない。両バリエーションは、本発明の方 法に対して設けられる。 測定装置MGは、例えば、心電図(EKG)、脳波記録法(EEG)又は〔2 〕で示す方法で動作する装置であっても良い。 コンピュータRにより前述の形式で求められる分類結果は、後続処理手段WV で後続処理され、例えばユーザにディスプレイされる。前記後続処理手段WV、 例えば、プリンタは、画像スクリーン又はスピーカであって、音響的、又は視覚 的信号がユーザにもたらされるべきものである。 本明細書中下記の刊行物が引用されている。 〔1〕G.Morfill,Komplexitaetsanalyse in der Kardiologie,Physikalische Blaet ter,Vol.50,No.2,参照156〜160,1994 〔2〕LICOX,GMS Gesellschaft fuer Mediz inische Sondentechnik mbH,Advanced T issue Monitoring 〔3〕G.Deco & D.Shuermann,Learning Tim e Series Evolution by Unsupervised E xtraction of Correlations,Physical R evue E,Vol.51,No.3,参照1780〜1790,Maerz 1995

Claims (1)

  1. 【特許請求の範囲】 1. コンピュータにより所定数のサンプル値を有する時系列データ例えば電気 信号を分類する方法において、−サンプル値からパラメータ化されたダイナミッ ク多重度を求め(102)、該求められたダイナミック多重度により、時系列デ ータのサンプル値間の非直線的相関関係を表示し、 −パラメータ化されたダイナミックな多重度に依拠して時系列データの分類を 実施する(103)ことを特徴とするコンピュータにより所定数のサンプル値を 有する時系列データ例えば電気信号を分類する方法。 2. 当該分類の場合、時系列データを第一の時系列データタイプ又は第2の時 系列データタイプに分類することを特徴とする請求の範囲1記載の方法。 3. 時系列データは、心電信号ないし心電図−信号(EKG信号)であるよう にしたことを特徴とする請求の範囲1又は2記載の方法。 4. 時系列データは、脳波信号(EEG−信号)であるようにしたことを特徴 とする請求の範囲1又は2記載の方法。 5.時系列データは次のような信号である、即ち、それにより、脳の局所的酸素 電圧電位の時間的特性経過(tipO2)を表示する信号であるようにした ことを特徴とする請求の範囲1又は2記載の方法。
JP9531331A 1996-03-06 1997-02-27 コンピュータにより所定数のサンプル値を有する時系列データ例えば電気信号を分類する方法 Pending JP2000506039A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE19608733.3 1996-03-06
DE19608733A DE19608733C1 (de) 1996-03-06 1996-03-06 Verfahren zur Klassifikation einer meßbaren Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, insbesondere eines elektrischen Signals, durch einen Rechner und Verwendung des Verfahrens
PCT/DE1997/000350 WO1997033238A1 (de) 1996-03-06 1997-02-27 Verfahren zur klassifikation einer zeitreihe, die eine vorgebbare anzahl von abtastwerten aufweist, insbesondere eines elektrischen signals, durch einen rechner

Publications (1)

Publication Number Publication Date
JP2000506039A true JP2000506039A (ja) 2000-05-23

Family

ID=7787441

Family Applications (1)

Application Number Title Priority Date Filing Date
JP9531331A Pending JP2000506039A (ja) 1996-03-06 1997-02-27 コンピュータにより所定数のサンプル値を有する時系列データ例えば電気信号を分類する方法

Country Status (5)

Country Link
US (1) US6117074A (ja)
EP (1) EP0885422A1 (ja)
JP (1) JP2000506039A (ja)
DE (1) DE19608733C1 (ja)
WO (1) WO1997033238A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19610847C1 (de) * 1996-03-19 1997-04-30 Siemens Ag Verfahren zur Klassifikation einer meßbaren Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, beispielsweise eines elektrischen Signals, durch einen Rechner und Verwendung des Verfahrens
DE19826993B4 (de) * 1998-06-19 2004-11-04 Forschungszentrum Jülich GmbH Bildgebungsverfahren für magnetische Resonanzsignale
DE10036842A1 (de) 2000-07-28 2002-02-07 Biotronik Mess & Therapieg Auswerteverfahren zur Bestimmung der zeitlichen Stationarität gemessener physiologischer Signale
US6718199B2 (en) * 2000-10-27 2004-04-06 Massachusetts Eye & Ear Infirmary Measurement of electrophysiologic response
JP2002358397A (ja) * 2001-06-04 2002-12-13 Shigeru Suganuma 時系列データ管理方法、情報開示装置および記録手段
US8805482B2 (en) * 2008-07-28 2014-08-12 General Electric Conpany System and method for signal quality indication and false alarm reduction in ECG monitoring systems
DE102014101814A1 (de) * 2014-02-13 2015-08-13 Arthur Schultz Verfahren zur automatischen Auswertung eines Absens-EEG, Computerprogramm und Auswertegerät dafür
WO2019109351A1 (zh) 2017-12-08 2019-06-13 深圳迈瑞生物医疗电子股份有限公司 监护设备中生理参数的统计显示方法及监护设备
RU2751816C1 (ru) * 2020-08-17 2021-07-19 Автономная некоммерческая организация высшего образования «Университет Иннополис» Способ классификации двигательной активности человека

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4893632A (en) * 1988-04-13 1990-01-16 Siemens Aktiengesellschaft Method and apparatus for comparing waveform shapes of time-varying signals
US5792062A (en) * 1996-05-14 1998-08-11 Massachusetts Institute Of Technology Method and apparatus for detecting nonlinearity in an electrocardiographic signal

Also Published As

Publication number Publication date
US6117074A (en) 2000-09-12
EP0885422A1 (de) 1998-12-23
DE19608733C1 (de) 1997-05-22
WO1997033238A1 (de) 1997-09-12

Similar Documents

Publication Publication Date Title
CN110495872B (zh) 基于图片及心搏信息的心电分析方法、装置、设备及介质
EP3698709A1 (en) Electrocardiogram information processing method and electrocardiogram workstation system
US11783924B2 (en) ECG information processing method and ECG workstation
Zhang et al. Over-fitting suppression training strategies for deep learning-based atrial fibrillation detection
KR102322234B1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
Shi et al. Inter-patient heartbeat classification based on region feature extraction and ensemble classifier
WO2019234458A1 (en) Detecting abnormalities in ecg signals
CN109009084B (zh) 多导联心电信号的qrs波群校验方法、装置及设备、介质
CN102831288A (zh) 生理参数指标运算系统及方法
JP2000506039A (ja) コンピュータにより所定数のサンプル値を有する時系列データ例えば電気信号を分類する方法
CN111358460A (zh) 心律失常的识别方法、装置及电子设备
CN113901893A (zh) 基于多重级联深度神经网络的心电信号的识别与分类方法
Duan et al. Accurate detection of atrial fibrillation events with RR intervals from ECG signals
WO2009110051A1 (ja) 胎動時にも有効なオンライン生体信号処理方法およびその装置
WO2010041019A2 (en) Improvements in or relating to multi-parameter monitoring
Gupta et al. Pre-processing based ECG signal analysis using emerging tools
CN113647959A (zh) 一种心电波形信号的波形识别方法、装置及设备
CN116712099A (zh) 基于多模态数据的胎心状态检测方法、电子设备、存储介质
CN116636856A (zh) 心电分类方法、系统、电子设备及存储介质
CN115770048B (zh) 心电信号处理方法、装置、计算机设备及存储介质
CN114098754B (zh) 一种房颤信号预处理方法、检测系统、设备及存储介质
JPH10262941A (ja) 脳波処理装置
JPH10216096A (ja) 生体信号解析装置
KR20180128634A (ko) 휴대용 생체정보 측정 단말기를 이용한 R-peak 검출 방법 및 시스템
Kanna et al. Cardiac arrhythmia detector using cnn application