JP2007531602A - 心臓診断システム及び方法 - Google Patents

Abstract

被検者のＥＣＧ信号（３３）を分析するコンピュータ方法及び装置は、被検者心電図信号を受け取ること、及びそれを既知の心臓症候群の信号パターン（１３）と比較することを含む。事前定義された信号例（１３）のライブラリ（１１）が使用される。事前定義された信号例（１３）に対する被検者信号（３３）の類似度を示す距離測度が生成され、それからベクトルのシーケンスが形成される。ベクトルのシーケンスは、分類器（２５）に入力され、分類器（２５）は、被検者における任意の心臓症候群の存在を示す信号パターンの存在を決定する。

Description

本発明は、心臓診断システム及び心臓診断方法に関し、特に心臓病専門医の専門知識とパターン認識技法とを結合させた心臓診断システム及び心臓診断方法に関する。

何年にもわたって、心臓病専門医及び心電学研究者は、心電図信号すなわちＥＣＧの分析に関する一連の知識を発展させてきた。彼らは、基本的な心臓症候群に対応する多数の基本的な「形状」を特定してきた。最近の数では、８０を越える基本的な症候群をＥＣＧ信号の特定の形態に明確に関連づけることができる（Francis Morrus著「ABC of Clinical Electrocardiography」（BMJ Publishing Group, 01-2003, ISBN0727915363））（Jenkings及びGerred著「ECG's by Example」（1997, ISBN0443058978））。これらの症候群には、虚血性心疾患、肥大パターン（hypertrophy pattern）、房室ブロック、脚ブロック、上室性調律及び心室調律が含まれる。

ＥＣＧを分析する従来の研究は、既知の症候群に対し特定の検出器を構築することに焦点が当てられていた。通常、心臓病専門医は、信号において何を捜すべきかという詳細な形態学的説明を提供し、この知識は、アルゴリズムを体系化する一連の規則に符号化されている。彼らが符号化するＥＣＣ信号及び潜在的な症候群の検出／分類に対するこの規則ベースの手法には多くの欠点がある。特に、これは、アルゴリズム設計の試行錯誤方法を含む時間のかかる手法であることが明らかである。さらに、アルゴリズム設計者は、大量のデータを公開されることがなく、アルゴリズムを符号化する規則が十分に一般的であるという保証はない。また、専門家から規則を引き出すことは困難であり、時に専門家は、ある心臓症候群を他の心臓症候群からいかに識別するかを正確に知らない場合があり、単に「知っている」だけであって、なぜ識別することができるかを説明することができない場合がある。

他の手法は、心臓病専門医によって提供される注釈とともにＥＣＧデータを使用する。専門家は、信号が正常であるか否か又は特定の症候群が存在するか否かを示すＥＣＧ信号の領域に対し、ラベルを割り当てる。そして、パターン認識技法が、ＥＣＧ信号から特徴を抽出し、ラベルを使用して、誤り率を最小限にする分類器を構築しようと試みる。このアプリケーションは、先のものより優れており、一般に、信号の形態の詳細な理解に依存しない（ラベルを必要とするのみ）が、専門家が何年にもわたって獲得した大量の知識を利用することができない。本出願人は、事実上、生データから意味のある特徴を抽出し特定の症候群を体系化する規則をそれ自体で見つけ出さなければならないパターン認識アルゴリズムから要求されるものが多すぎることを見出した。

本発明は、従来技術の欠点を克服する。特に、本発明の手法は、心臓病専門医の専門知識（ＥＣＧ形態論で符号化される）とパターン認識技法とを結合する。これは、両世界、すなわち専門知識及び自動分類化技法のそれぞれの長所を有効に結合する。

一実施形態では、被検者のＥＣＧ信号を分析する本発明の方法及び装置は、（ｉ）分析されるべき被検者心電図信号を受け取ること、（ｉｉ）事前定義された信号例のライブラリを使用して、被検者信号を、既知の心臓症候群の信号パターンと比較すること、（ｉｉｉ）事前定義された信号例に対する被検者信号の類似度を示す距離測度を生成すること、及び（ｉｖ）生成された距離測度からベクトルのシーケンスを形成することを含む。形成されたベクトルのシーケンスは、分類器に対する入力として使用され、分類器は、被検者における任意の心臓症候群の存在（すなわち、症候群の存在を示す信号パターン）を決定する。

本発明の上述した目的及び他の目的、特徴及び利点は、添付図面に例示されるような本発明の好ましい実施の形態の以下のより詳細な説明から明らかとなろう。図面において、種々の図を通して同様の参照符号は同じ部分を指す。図面は必ずしも一定比例尺度にはなっておらず、代りに、本発明の原理を例示することに重きが置かれている。

本発明の好ましい実施形態の説明は以下の通りである。

本発明は、心疾患及び心臓症候群を診断するための心臓病専門医の専門知識と、大量の生データに基づいて「学習する」自動機械学習システムの専門知識とを結合する方法を提供する。

距離の概念があるデータ駆動パターン分類技法には、サポートベクトル分類器、ブースティング分類器及びニューラルネットワークがある。これらの分類技法の中心には、特徴ベクトルとして表されるデータ点を比較し、実数を生成する「カーネル」と呼ばれる距離関数がある。本発明では、データ点は、特徴ベクトルを生成するように処理されるＥＣＧ信号のセグメントである。新規のカーネル及びラベル付けされたトレーニングデータの集まり（ともに心臓病専門医の専門知識に基づく）を使用して、識別されるべきクラスのセットを特徴付ける一組のパラメータを学習する。そして、この一組のパラメータを、カーネルとともに使用して、新たなデータ点（未知の状態のＥＣＧ信号）を分類する。

本発明は、以下のように作用する。

分類されるべき症候群に対応する一組のＥＣＧ心搏パターン又は形状の例が、心臓学の文献から抽出されるか、又は心臓病専門医と協議して生成される。各パターンは、時間及び振幅で正規化され、原型的な心搏と同期される。結果としてのパターン１３ａ…ｎは、事前定義された信号例であるとみなされ、図１に示すようにライブラリ１１（データベース、テーブル又は他のデータ記憶機構を通して実行される）に格納される。

次に、ライブラリ１１のパターン１３を使用して、２つのデータ点を比較し距離を生成するカーネル関数１５が構成される。後に詳述するように、これを行うことができる多くの方法がある。

カーネル関数１５によって出力される計算された距離は、分類器２５のパターン認識エンジン２１に入力される。パターン認識エンジン２１及び／又は分類器２５は、ニューラルネットワーク、サポートベクトルマシン又はブーティング分類器又は当該技術分野において一般的な他のタイプであってもよい。分類器２５は、パターン認識エンジン２１によって行われるパターン決定を利用し、被検者ＥＣＧ信号のクラスを決定する（又は他の方法で分類する）。

パターン認識エンジン２１及び分類器２５をトレーニングするために、ラベル付き又は注釈付きトレーニングコーパス２３が使用される。トレーニングコーパス２３は、対応する症候群クラスで注釈された、既知の且つ先に分析されたＥＣＧ信号の集まりである。窓掛け部１７が、図１の垂直な点線によって示されるように、一般的に信号パターンの変化時に、各トレーニングＥＣＧ信号２３をデータチャンク２７に分割する。

結果としてのＥＣＧ信号２３のセグメント又はデータチャンク２７は、特徴抽出モジュール１９に入力される。各セグメント２７に対し、特徴抽出モジュール１９は、（ｉ）セグメント／データチャンク２７から関心のある信号パターンを抽出し、（ｉｉ）抽出された特徴（関心のある信号パターン）を表すＥＣＧセグメントデータ点２９を生成する。特徴抽出モジュール１９は、これらデータ点２９を、カーネル関数１５に入力するために出力する。

一実施形態では、カーネル関数１５において、内部距離関数は、（ＥＣＧセグメントの）所与のデータ点２９とライブラリ１１におけるパターン１３ａ…ｎの各々との間のそれぞれの距離を計算する。そのために、カーネル関数１５は、
（ａ）（ライブラリ１１内の）各パターン１３に対し、所与のＥＣＧセグメント２７のデータ点２９からパターン１３のデータ点までの距離のベクトルを計算し、その後、
（ｂ）各ＥＣＧセグメント２７に対し、その最終出力として従来の距離関数（ユークリッド距離、マハラノビス距離等）を用いて（ａ）のベクトル間の距離を計算する。

別の実施形態では、カーネル関数１５は、以下のように各ＥＣＧセグメント２７に対し距離のベクトルを計算する。所与のＥＣＧセグメント２７に対し、それぞれのベクトルは、ライブラリ１１にあるパターン１３と同じの数の成分を有する。すなわち、各成分は、異なるパターン１３に対応する。さらに各成分は、（ＥＣＣの所与のセグメント２７の）データ点２９と成分の関連するライブラリパターン１３のデータ点とが同じである確率又は可能性として定義される類似度値を有する。結果としての多成分ベクトルから、カーネル関数１５は、参照により本明細書に援用される２０００年１１月２８日に出願された米国特許出願第０９／７２４，２６９号に開示されている技法に従って、対応するＥＣＧセグメント２７に対するスコアを計算し出力する。このスコアは、所与のＥＣＧセグメント２７とライブラリパターン１３との間の測定された類似度（又は或る種の距離）を表す。

図１の学習及びトレーニングの最終結果は、分類されている症候群に対する特定の状態をさらに特徴付ける一組のパラメータ３１（図２）である。一組のパラメータ３１は、図２を参照して考察するように本発明の実行中に使用される。

未知の心臓の状態を有する患者（被検者）のＥＣＧ信号３３の分析又は試験中、窓掛け部１７及び特徴抽出モジュール１９は、上述したように、ただし試験コーパス３３に基づいて動作する。このため、被検者ＥＣＧ信号３３（分析されている）は、分割され、最終的に、特徴抽出モジュール１９の出力において、可能性のある心臓症候群を示すために分析されているＥＣＧデータチャンク２７として表される。

上述した実施形態等のうちの１つによって構成されるようなカーネル関数１５は、入力として、被検者ＥＣＧセグメント２７とパターン１３のライブラリ１１とを受け取る。カーネル関数１５は、被検者ＥＣＧセグメント２７とライブラリパターン１３との間の類似度の距離測度又は他の量的指標を計算する。カーネル関数１５は、試験信号３３のシーケンスにおける各被検者ＥＣＧセグメント２７に対し、こうした量的測度を生成することが好ましい。最終的に、計算された距離測度から、カーネル関数１５は、分類器２５に入力するために距離ベクトルのシーケンスを生成する。図１において上述したようにトレーニングされ、且つ学習されたパラメータ３１によってサポートされる分類器２５は、カーネル関数１５からの距離ベクトルのシーケンスに応答し、試験信号３３の被検者ＥＣＧセグメント２７を分類する（又はクラスに従って類別する）。そのために、分類器２５は、特定の心臓症候群、信頼度スコア等によってラベル付けされた試験信号３３の注釈付きバージョン３５を出力する。

要約すると、本発明は、注釈付きトレーニングデータ２３から追加のパラメータ３１を学習する分類アルゴリズムの内部成分として、心疾患の既知の且つ特徴付けられたパターン１３に基づき心臓病専門医が設計したカーネル１５を使用する。このため、本発明は、心臓病専門医の専門知識を２つの方法で組み込む。まず、心臓病専門医が設計したカーネル１５を介して完全に新規な方法で、次いで、ＥＣＧトレーニングデータ２３に基づくそれらの注釈を介してより従来的な方法で行う。

図３に、本発明を実施することができるコンピュータシステム（環境）１００を示す。すなわち、図１のトレーニングルーチン／プログラム４０を、こうしたコンピュータシステム１００で実行してもよい。試験／分析ルーチン又はプログラム５０を、同じコンピュータシステム１００によって実行しても、異なるコンピュータシステム１００によって実行してもよい。各コンピュータシステム１００は、ルーチン／プログラム４０、５０を作動させる（実行する）ためのワーキングメモリ９０を有し、ライブラリ１１、分類器パラメータ３１等を保持するサポートデータ記憶装置９４に連結される。

特に、各コンピュータ１００はシステムバス７９を有し、ここではバスは、コンピュータのコンポーネント間のデータ転送に使用される一組のハードウェアラインである。バス７９は、本質的に、要素間の情報の転送を可能にするコンピュータシステムの種々の要素（たとえば、プロセッサ、ディスク記憶装置、メモリ、入出力ポート、ネットワークポート等）を接続する共有コンジットである。システムバス７９には、さまざまな入出力デバイス（たとえば、ディスプレイ、プリンタ、スピーカ等）をコンピュータに接続するためのＩ／Ｏデバイスインタフェース８２が接続される。ネットワークインタフェース８６により、コンピュータは、ネットワークに接続されたさまざまな他のデバイスに接続することができる。メモリ９０は、本発明の一実施形態を実施するために使用されるコンピュータソフトウェア命令（たとえば、プログラムルーチン９２及びデータ９４）のための揮発性記憶装置を提供する。プログラムルーチン９２は、図１及び図２の本発明の手続き４０、５０を含む。ディスク記憶装置９５は、本発明の一実施形態を実施するために使用されるコンピュータソフトウェア命令及びデータのための不揮発性記憶装置を提供する。システムバス７９には中央処理装置８４もまた接続されており、これは、コンピュータ命令の実行を可能にする。

ネットワークインタフェース８６により、手続き４０、５０を、ネットワーク（たとえば、ローカルエリアネットワーク、広域ネットワーク又はグローバルネットワーク）からダウンロードするか、又はネットワークにアップロードすることができる。Ｉ／Ｏデバイスインタフェース８２は、手続き４０、５０を、ディスク（ＣＤ−ＲＯＭ等）によりコンピュータ１００間で移植することを可能とする。コンピュータ１００間における手続き４０、５０の全体としての又は一部での他の伝送は、当業者の範囲内にある。したがって、手続き４０、５０を、独立型のコンピュータ１００で実行してもよく、複数のコンピュータシステム１００にわたって分配してもよく、又はクライアント・サーバ方式で又は他の構成で実行してもよい。

本発明を、特に、その好ましい実施形態に関して示し且つ説明したが、当業者には、添付の特許請求の範囲によって包含される本発明の範囲から逸脱することなく、形態及び詳細においてさまざまな変更を行ってもよいということが理解されよう。

たとえば、患者は人間であっても動物であってもよい。

本発明によって利用されるトレーニング手続きのブロック図である。 本発明のＥＣＧ信号分析のブロック図である。 本発明を実施することができるデジタル処理環境の概略図である。

Claims (10)

1. コンピュータが実行するステップを含み、被検者のＥＣＧ信号を分析する方法であって、前記コンピュータが実行するステップは、
   分析されるべき被検者心電図信号を受け取るステップと、
   既知の心臓症候群を示す事前定義された信号例のライブラリを使用して、前記事前定義された信号例に対する前記被検者信号の類似度を示す距離測度を生成するステップと、
   前記生成された距離測度からベクトルのシーケンスを形成するステップと、
   分類器に対する入力として前記ベクトルのシーケンスを使用するステップであって、前記分類器は、前記ベクトルのシーケンスから、前記被検者における任意の心臓症候群の存在を決定する、前記ベクトルのシーケンスを使用するステップと、
   を含むことを特徴とするＥＣＧ信号を分析する方法。
2. 前記被検者信号を作業セグメントに分割するステップをさらに含み、
   前記距離測度を生成するステップは、各作業セグメントに対し、前記ライブラリにおける信号例の数と同数の成分を含むベクトルを形成することを含み、各成分は、前記信号例のうちの異なる１つに対応するとともに、前記作業セグメントが前記それぞれの信号例にどれだけ類似するかを示すそれぞれの距離値を有することを特徴とする請求項１に記載のＥＣＧ信号を分析する方法。
3. 前記距離測度を生成するステップは、
   前記被検者信号を複数のセグメントに分割すること、並びに
   各セグメントに対し、（ａ）前記セグメントのデータ点と前記ライブラリの各信号例のデータ点との間の距離を計算することであって、その際、各信号例に対して距離のベクトルが形成されるようにする、計算すること、及び、（ｂ）前記形成された距離のベクトル間の距離の関数として前記セグメントに対する距離測度を定義すること、
   を含むことを特徴とする請求項１に記載のＥＣＧ信号を分析する方法。
4. 前記分類器の出力に基づいて、前記ライブラリの信号例のセグメントにラベル付けするステップをさらに含むことを特徴とする請求項１に記載のＥＣＧ信号を分析する方法。
5. 前記信号例のライブラリは、心臓病専門医によって定義されるサンプルを保持し、各サンプルは、それぞれの心臓症候群と、対応する心搏信号例とを有することを特徴とする請求項１に記載のＥＣＧ信号を分析する方法。
6. 被検者のＥＣＧ信号を分析するコンピュータ装置であって、
   分析されるべき被検者心電図信号（３３）を受け取るモジュール（１４、１９）と、
   事前定義された信号例（１３）のライブラリ（１１）と、
   前記ライブラリ（１１）と前記受け取るモジュールとの間に結合されるカーネル関数部（１５）であって、（ｉ）前記被検者信号（３３）の前記事前定義された信号例（１３）に対する類似度を示す距離測度を生成し、（ｉｉ）前記生成された距離測度からベクトルのシーケンスを形成する、カーネル関数部（１５）と、
   前記形成されたベクトルのシーケンスを入力として使用するとともに、前記被検者における任意の心臓症候群の存在を決定する分類器（２５）と、
   を備えることを特徴とするコンピュータ装置。
7. 前記受け取るモジュールは、前記被検者信号（３３）を作業セグメント（２７）に分割し、
   前記カーネル関数部（１５）は、前記ライブラリ（１１）における信号例（１３）の数と同数の成分を含むベクトルを形成することによって各作業セグメント（２７）に対する距離測度を生成し、各成分は、前記信号例（１３）のうちの異なる１つに対応するとともに、前記作業セグメント（２７）が前記それぞれの信号例（１３）にどれだけ類似するかを示すそれぞれの距離値を有することを特徴とする請求項６に記載のコンピュータ装置。
8. 前記受け取るモジュールは、前記被検者信号（３３）を作業セグメント（２７）に分割し、
   前記カーネル関数部（１５）は、各作業セグメントに対し、（ａ）前記セグメント（２７）のデータ点（２９）と前記ライブラリ（１１）の各信号例（１３）のデータ点との間の距離を計算し、その際、各信号例に対して距離のベクトルが形成されるようにし、（ｂ）前記形成された距離のベクトル間の距離の関数として前記作業セグメント（２７）に対する距離測度を定義することを特徴とする請求項６に記載のコンピュータ装置。
9. 前記ライブラリ（１１）における前記信号例（１３）のセグメントは、前記分類器（２５）の出力に基づいてラベル付けされることを特徴とする請求項６に記載のコンピュータ装置。
10. 前記信号例のライブラリ（１１）は、心臓病専門医によって定義されるサンプルを保持し、各サンプルは、それぞれの心臓症候群と、対応する心搏信号例とを有することを特徴とする請求項６に記載のコンピュータ装置。

Images