JP2010184041A - 心拍ゆらぎの分析方法 - Google Patents

Abstract

【課題】従来、上記心拍のゆらぎ解析に用いているＤＦＡに必要となるデータは、連続した数十分〜数時間（３０００拍以上）のデータが必要であった。このように長時間にわたり被検者を拘束することは、被検者に過度の負担を強いるものであった。
【解決手段】本発明においては、そのような連続した長時間のデータではなく、分断された短時間のデータを合算することにより、上記長時間のデータから得られる結果と同等の結果が得られる方法を見出した。
【選択図】 図１

Description

本発明は、心拍信号のデータの処理方法、特に、心拍データのゆらぎの分析方法に関する。また、本発明は、該分析方法を用いて心臓の状態を検知する方法に関する。

従来、心拍信号にゆらぎが存在することは知られており、最近は、心拍変動（ＨＲＶ）信号の周波数（フーリエ）解析が病院や医学現場で盛んに論議されている。昨今の北米神経科学会議において、この周波数解析が数多く発表されている。例えば、種々のゆらぎ成分（スペクトル成分）の中で、高周波成分（ＨＦ）は、抑制性神経活動（副交感神経の心臓作用効果）を反映するものであり、低い周波数の成分（ＬＦ）は、交感・副交感の両方を反映しており、自律神経の「バランス」を見るには、ＨＦとＬＦの比を計算するというような仮定が一般的に受け入れらており、この技術が、近年、具体的に医療現場でも医学研究にも使用されている。
このように、ＨＲＶは、自律神経の活動度をあらわす指標と仮定されているが、自律神経の活動そのものを実際に人間から記録して証明したわけではない。「自由行動中の人間から神経活動記録」を採取し、神経活動の観察結果とフーリエ解析の結果とを１：１に対応させて、フーリエ解析結果が神経活動を反映していることを人間で証明した研究というものは存在しない。

心拍ゆらぎから得た情報が自律神経の活動を反映するらしいことを診断に応用しようという技術においては、２４時間、心電図を使い、ゆらぎ解析を行い、心臓病の患者と健常者とが異なる指数になることを発見した報告がある。これにはいろいろ例があるが、近年、例えばフラクタル又はマルチフラクタルとも呼ばれ、非線形テクニックに該当し、ＨＲＶのフーリエ解析より新規の手法に該当する。しかし、非線形解析法を実際に組み込んだ診断装置が完成しているわけではなく、また、診断方法として利用可能なものとしても完成しておらず、分析機器又はプログラムのような完成した形で発表さてもいない。ただ、周期性のある生体信号を統計・生理学・実験動物学の観点から見直し、統計物理学的演算により、特定の体の状態と特定の指数との間に生理学的な相関があることを見出した点が新規であった。特にゆらぎに着目し、ＤＦＡを道具として用いて、生体信号を解析し、信頼できる生体情報を得られることを発見し、かつ実用化した点が新規であった。

心拍のゆらぎが隠れた情報を含んでいる可能性があるという考え方は、１９８０年代に基礎理論が発表されているが、一昼夜等の長時間の心電データを適切に処理するには当時のコンピュータでは計算時間も膨大になり、適切な解析結果を得て日常的にあるいは生体情報処理分野で汎用的に実用化できるまでには至っていなかった。

その中で、心拍のゆらぎを考慮して計算をした具体的論文（非特許文献１）、生理学にゆらぎ解析が役立つことを主張し総説にまとめている論文（非特許文献２）および心拍変動を最近主流のフーリエ解析法により解析する沢山の論文が提示されている（非特許文献３）。
さらに、ＤＦＡ（Detrended Fluctuation Analysis：トレンド除去心拍分析）を用いた手法も知られている（特許文献１）。また、上記ＤＦＡにおいて、データ所得時間を短時間にする手法も本発明者が既に開発している（特許文献２）。

しかし、非特許文献１等および特許文献１で提示されているＤＦＡを用いる解析法においては、心拍ゆらぎの測定にあたり、数十分から数時間の時間を要し、迅速且つ簡便・的確な判断ができないという問題点があった。ここで、トレンドとは、長周期の傾向をいう。したがって、トレンド除去心拍分析とは、データから長周期の傾向を除去して心拍の分析を行う手法のことである。

上記長時間の計測から非測定者の負担を軽減する方法も提示されている（特許文献２参照）。そこでは、連続３０分間の心拍測定に代えて、５分間の心拍測定を行い、ＤＦＡ法を用いて、心臓の健全度を示唆するスケーリング指数を算出推定している。

しかしながら、上記方法は、解析対象のデータである「心拍の連続記録データ」に体の動きに伴う「体動」ノイズが混入することを想定しておらず実際にそのまま使用することは困難である。このため解析には手動操作による体動ノイズの除去作業が必要であり、このことが自動計測機器開発の大きな障害になっていた。

C.K.Peng, S.Havlin, H.E.Stanley and Goldberger,"Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series", カオス (Chaos), 第５巻(Vol.5), 1995, pp.82-87 Stanley HE et al, "Statistical physics and physiology: Monofractal and multifractal approaches", Physica A, 1999, 270:309-324. Villa, MP, et al, "Effects of sleep stage and age on short-term heart rate variability during sleep in healthy infants and children" Chest, 2000, 117:460-466

特開2008-104529 特開2008-173160

従来、上記心拍のゆらぎ解析に用いているＤＦＡに必要となるデータは、連続した数十分〜数時間（３０００拍以上）のデータが必要であった。このように長時間にわたり被検者を拘束することは、被検者に過度の負担を強いるものであった。

しかしながら、本発明においては、そのような連続した長時間のデータではなく、分断された短時間のデータを合算することにより、上記長時間のデータから得られる結果と同等の結果が得られることを見出した。

本発明に係るデータ取得による分析においても、従来の連続した長時間のデータ取得による解析により得られた結果と同じ結果が得られることを確認した。複数個の静態時の心拍脈波データがあれば、本発明により、従来の連続データに基づくスケーリング指数と同様の結果を得ることができ、心臓が健康か否かを検知することが可能である。

本発明に係る複数回に分けて短時間（例えば３分間）の心拍データを取得する状況を示した図 本発明に係る連続したデータから、複数回に分けて短時間の心拍データを取得する状況を示した図 取得データの電圧波形図 取得データにおけるパルス間隔の時系列信号 上記時系列信号とローカル・トレンドの関係を示す図 ローカル・トレンドを除去した時系列信号 スケーリング指数を求める方法を示す図 スケーリング指数を求めるフロー・チャート

本発明においては、従来の心拍測定と同様に、先ず、心拍データを取得する。取得に当たっては、指先等に検出器を取り付け、心拍信号を取得すればよい。

図１は、本発明に係る複数回に分けて短時間（例えば３分間）の心拍データを取得する状況を示した図である。本発明においては、図１に示すように、安静時の都合の良い時に、複数回に分けて、１回のデータ取得時間は、３分から５分程度が好ましく、総計１０００拍以上の心拍データの取得を行う点に特徴を有している。総計としては、総計２０００拍から総計３０００拍が好ましい。
図２は、本発明に係る連続したデータから、複数回に分けて短時間の心拍データを取得する状況を示した図である。図２に示すように、連続したデータから、ノイズの少ない部分を複数回に分けて総計１０００拍以上の心拍データの取得を行っても良い。あるいは、上記二つの方法を折衷した方法を採用してもよい。

心拍データの採取を時間で表現すると、１分間の心拍数は、およそ６０拍程度であるので、総計されたデータ採取時間は、５分間では不足で、少なくとも２、３０分間のデータ取得が必要である。１回の採集時間を３分から５分とすれば、５回から２０回程度、データを取得するのが好ましい。１０回以上がさらに好ましい。また、この程度のデータを取得すれば、連続データ取得と同等のＤＦＡが可能である。

図３は、短時間（例えば３分間）計測して取得された心拍信号強度の一例を示す。横軸は、経過時間を示し、縦軸は、心拍信号の強度を示す。この心拍信号の波形において、ｋ番目の尖頭位置ｐ（ｋ）と次の尖頭位置ｐ（ｋ＋１）との時間間隔をＸｋとすると、Ｘｋは、以下のように表すことができる。
Ｘｋ＝ｐ（ｋ＋１）−ｐ（ｋ）

ここで、Ｘｋは、パルス間隔のデータ数がＮ個の時系列Ｘｋと考えることができる（４図参照）。ｋは、時系列の添え字で自然数とする（ｋ＝１，２，３，・・・・・，Ｎ）。この時系列Ｘｋは、揺らぎの成分を有するデータである。

（ステップ１）
次にＸｋの平均値＜Ｘ＞を計算する。そして時系列のそれぞれの要素Ｘｋと平均値＜Ｘ＞との差を、順次、足し合わせた新しい時系列ｙ_ｉを定義する。時系列ｙ_ｉは、ｙ_１、ｙ_２、ｙ_３・・・ｙ_Ｎからなり、データ数は、Ｎ個である。

（ステップ２）
ここで、この時系列ｙｉをボックスサイズ（要素数）ｎのＮ／ｎ個（Ｎ／ｎは整数）のボックスに分割する。各々のボックスは、重ならないように分割する。

（ステップ３）
それぞれのボックスｊのトレンド（局所トレンド）ｙ_ｊを求める。ここで、トレンドとは長周期の傾向のことであり、局所トレンドとは、それぞれのボックス内のトレンドである（図５参照）。局所トレンドは、最小自乗法によって決定された近似曲線により定義する。最小自乗法で用いる関数は、１次関数から４次関数を用いる。決定された局所トレンドを差し引き、時系列ｚ_ｉを定義する（図６参照）。
ｚ_ｉ＝ｙ_ｉ−ｙ_ｊ

（ステップ４）
次に、以下の計算を行う。

ここで、添え字ｋは、短時間の測定の何番目かを表す。例えば、3分間の測定が１０回あった場合、kは1〜１０になる。S’k(n)は、k番目の測定における、ボックスサイズｎの「Ｚ_ｊｎ＋ｎ−Ｚ_ｊｎ＋１の差」の合計である。「Ｚ_ｊｎ＋ｎ−Ｚ_ｊｎ＋１」は、ボックスサイズｎのｊ番目のボックスにおける１番目の要素Ｚ_ｊｎ＋１と最後の要素Ｚ_ｊｎ＋ｎとの差でｊ番目のボックスにおける変位に相当する。後述のステップ6において、すべてのkでS’k(n)を計算し平均値<S’(n)>を計算する。

（ステップ５）
ボックスサイズｎの値を変え、ステップ２からステップ４の計算を繰り返し、それぞれのｎにおけるＳ’ｋ（ｎ）の値を計算する。通常、ｎ＝１０〜Ｎ／４の範囲で行う（但し、Ｎ＞４０の場合））。

（ステップ６）
上記ステップ１から５の操作を、全ての取得データについて行い、平均を求める。すなわち、

（ステップ７）
Ｓ（ｎ）とｎの関係によりスケーリング指数を決定する。中心極限定理によって解釈すると、時系列の確率密度関数がガウス分布であった場合、それを足し合わせた時系列はランダムウォークを示しＳ（ｎ）∝ｎ^０．５の関係を持つ。しかし、確率密度関数がガウス分布ではなく、分布の裾がベキ型の減衰を示す安定分布の場合Ｓ（ｎ）∝ｎ^αの関係を持つ。このαの値がスケーリング指数を示す。ここで、α＝０．５の場合はガウス分布の場合と同様である。また、α＝１．０の場合、確率密度関数はコーシー分布となる。

図７は、logＳ（ｎ）の図であり、この図の傾き（ｂ／ａ）が即ちＳ（ｎ）∝ｎ^αで決定されるスケーリング指数である。局所トレンドを決定する際に用いる関数の次数によってスケーリング指数は変化するが、次数を上げていくと殆ど変化しなくなる。これのようになって初めてトレンドが除かれたと考えられ、その次数でのスケーリング指数を以って時系列ｘ_ｉのスケーリング指数として採用する。

Peng等（非特許文献１参照）のＤＦＡの方法と我々のＤＦＡの方法（ステップ１から７）で異なる点は、非連続なデータ採集を行っている点である。Peng等は、Ｓ（ｎ）の計算のかわりに、それぞれのボックスにおいて分散Ｆ_ｊ（ｎ）を下記のように計算している。

但し、ｙ_ｖ（ｘ）はトレンド除去で使用したフィッティング関数である。
そして各ボックスでの分散を平均した以下の式

の値をもってスケーリング指数を決定している。スケーリング指数がＦ（ｎ）∝ｎ^αのようにｎに依存すると言う。

本発明の方法により求めたスケーリング指数とPeng等が連続した数十分の長いデータに基づいて計算したスケーリング指数はよく一致している。

次に、本発明の実施の形態におけるスケーリング指数の導出方法および心臓の状況検出方法について、図８のフローチャートを参照して説明する。
まず、複数の分断した短時間の心拍データを取得する。データの取得方法は、図１に示すように、単独に分断したデータを取得してもよいし、図２に示すように、連続したデータの中から分断して取得しても良い。

次に、各分断されたデータに対して、（数２）の計算を行う。そして、各（数３）を求め、通常のＤＦＡ計算と同様にして、スケーリング指数を決定する。その結果、長時間の連続してデータを取得する方法と同等の結果を得た。

この指数を用いて、心臓の状態を判断することができる。１に近い値なら、心配無用のシグナルを出すようにすればよい。これに対し、低い数値（０．５から０．８）なら、ストレスや運動やサプリメントを要するので、注意（突然死の危険はないが、低すぎる。制御系に不健康な問題が内包されている。）のシグナルを発すればよい。異常に高い数値（１．２から１．５）のときは、現在分かっている限りでは、虚血等の原因による心筋細胞の損傷または壊死がある場合が多く、心臓疾患の可能性があるので、警告を発する。このように、健康を指向する利用者には好都合である。また、心臓に起因しない心臓の異常、例えば興奮性支配の亢進又は減退、若しくは、例えば抑制性支配の亢進または減退による、制御系の動作のバランスが取れていない非正常な心臓支配様態を検知する方法にもなる。また、医療現場では、新しい診断項目の追加ができるだけでなく、末期医療における生体システムの動作状態を数値化することも可能となる。

本発明によれば、簡易に心臓に異常があるかどうかの推定が可能である。また心臓を支配している制御系（自律神経および心臓作用ホルモン）の機能に異常があるかどうかの推定が可能である。しかし、本発明は、健常者を対象にし、疾病の予防に供するという理想のもとになされているので、重篤な心臓拍動は、医師に任せるべきであるとの考えから、医療、治療はもともと除外している。

Claims (9)

1. 心拍ゆらぎの分析方法であって、該方法は、
   複数の分断した短時間の心拍データを取得するステップ、
   各々の該短時間の心拍データに対して、トレンド除去を施すステップ、及び
   各々の該トレンド除去が施された情報に基づいてスケーリング指数を求めるステップを有することを特徴とする心拍ゆらぎの分析方法。
2. 心拍ゆらぎの分析方法であって、該方法は、
   複数の分断した短時間の心拍データを取得するステップ、
   該取得した各々の心拍データにおいて、心拍間隔の第１の時系列を作成するステップ、
   各該第１の時系列から平均値を計算するステップ、
   各該第１の時系列のそれぞれの要素と各該第１の時系列の平均値との差に基づく第２の時系列を算出するステップ、
   各該第２の時系列についてトレンド除去し分析計算するステップ、
   上記複数の分断した短時間についての分析計算結果を求め、その平均を求めるステップ、及び
   該平均に基づいてスケーリング指数を求めるステップを有することを特徴とする心拍ゆらぎの分析方法。
3. 上記各第２の時系列についてトレンド除去し分析計算するステップは、第２の時系列のそれぞれの要素から局所トレンドを差し引いた第３の時系列に基づくものであることを特徴とする請求項２に記載された心拍ゆらぎの分析方法。
4. 上記各第２の時系列についてトレンド除去し分析計算するステップは、第２の時系列のそれぞれの要素から局所トレンドを差し引いた第３の時系列のそれぞれの要素の変位に基づくものであることを特徴とする請求項２に記載された心拍ゆらぎの分析方法。
5. 上記心拍データを取得する方法は、複数回に分けてデータを取得する方法であることを特徴とする請求項１又は２に記載された心拍ゆらぎの分析方法。
6. 上記心拍データを取得する方法は、連続して測定されたデータの中から複数回に分けてデータを取得することを特徴とする請求項１又は２に記載された心拍ゆらぎの分析方法。
7. 上記短時間は、３分から５分であることを特徴とする請求項１又は２に記載された心拍ゆらぎの分析方法。
8. 上記短時間のデータを５個ないし２０個取得することを特徴とする請求項１又は２に記載された心拍ゆらぎの分析方法。
9. 心臓の状態を検知する方法であって、請求項１又は２に記載のスケーリング指数に基づいて心臓の状態を検知することを特徴とする心臓の状態を検知する方法。
   

Images