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

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。