JP2016536044A - マルチチャネルｅｃｇ信号の評価装置及び方法 - Google Patents

マルチチャネルｅｃｇ信号の評価装置及び方法 Download PDF

Info

Publication number
JP2016536044A
JP2016536044A JP2016520643A JP2016520643A JP2016536044A JP 2016536044 A JP2016536044 A JP 2016536044A JP 2016520643 A JP2016520643 A JP 2016520643A JP 2016520643 A JP2016520643 A JP 2016520643A JP 2016536044 A JP2016536044 A JP 2016536044A
Authority
JP
Japan
Prior art keywords
ecg signal
channel
quality
lead
parameters
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
JP2016520643A
Other languages
English (en)
Inventor
ジン ワン
ジン ワン
チンイー ブ
チンイー ブ
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2016536044A publication Critical patent/JP2016536044A/ja
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G16H50/20—ICT 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • 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]
    • A61B5/339—Displays specially adapted therefor
    • A61B5/341—Vectorcardiography [VCG]
    • 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
    • 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
    • A61B5/24—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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • 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
    • A61B5/72—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

ＥＣＧ信号の評価方法が提供される。当該方法は、ａ）マルチリードＥＣＧデバイスによって、第１の所定期間に亘って、被験者のマルチチャネルＥＣＧ信号を取得するステップと、ｂ）マルチチャネルＥＣＧ信号から、複数の第１のパラメータを抽出するステップと、ｃ）複数の第１のパラメータに基づいて、マルチチャネルＥＣＧ信号の品質を評価するステップと、ｄ）ＥＣＧ信号の品質を示すインジケータを、ユーザインターフェースを介して提示するステップとを含む。ＥＣＧ信号評価装置、ＥＣＧ信号取得装置、ＥＣＧ信号評価システム及びコンピュータプログラムも提供される。本発明のＥＣＧ信号評価方法、装置、システム及びコンピュータプログラムは、ＥＣＧ信号の品質評価の精度を向上させ、ＥＣＧ信号の品質評価の計算上の複雑さを減少させる。

Description

本発明は、ＥＣＧ信号の取得に関し、特にモバイルヘルスアプリケーションのためのマルチチャネルＥＣＧ信号の高品質評価に関する。
発展途上国は、マラリア、結核及びＨＩＶといった伝染性疾患の重荷に加えて、心臓疾患及びがんを含む慢性的な非伝染性疾患の罹患率の恒常的な増加にも直面している。
臨床ケアを支援するモバイルヘルス及び／又はポータブルデバイスの使用は、遠く離れた村でも両方の種類の疾患に対処できるように、高品質のヘルスケアを届ける範囲を広げる機会を提供する。モバイルヘルスが、発展途上国における医療制度改善のための最大のブレイクスルーとして大いに宣伝されていることは驚くことではない。モバイルヘルスのプラスの可能性は大きいが、問題もある。
ヘルスケアへの広げられた非集中的なアクセスは、専門家による診断の需要を増加させる。解釈を要するデータの品質が保証されない場合、効率が損なわれることが予見される。したがって、専門家による解釈をタイムリーに提供するためのヘルスケアシステムの処理能力が超えてしまい、その結果、すべてのデータがタイムリーに評価されるとは限らなくなる。
最近では、例えば時間領域、サポートベクトルマシーン（ＳＶＭ）及び人工神経ネットワークといったマシン学習、再構成マトリクス等に幾つかのルールを導入することによってＥＣＧの品質を評価する方法が幾つか提案されている。しかし、これらは、精度が低いか、又は、計算上の複雑さが高い。
したがって、ＥＣＧ信号を使用するモバイルヘルスケアシステムの効率及び／又は処理能力を増加させることが望ましい。更に、ＥＣＧ信号の品質評価の精度を向上させることが望ましい。更に、ＥＣＧ信号の品質評価の計算上の複雑さを減少させることが望ましい。
これらの懸念事項のうちの１つ以上によりうまく対処するために、本発明の第１の態様の一実施形態によれば、マルチチャネルＥＣＧ信号を評価する方法が提供される。当該方法は、
マルチリードＥＣＧデバイスによって、第１の所定期間に亘って、被験者のマルチチャネルＥＣＧ信号を取得するステップと、
マルチチャネルＥＣＧ信号から、複数の第１のパラメータを抽出するステップと、
複数の第１のパラメータに基づいて、マルチチャネルＥＣＧ信号の品質を評価するステップと、
ＥＣＧ信号の品質を示すインジケータを、ユーザインターフェースを介して提示するステップとを含む。
このようにして、品質インジケータが、被験者である人及び／又は看護師、見習医師（physician）及び医師といった任意の医療スタッフを含むユーザに自動的に供給され、当該品質インジケータは、ヘルスケアシステム、以下に説明されるように特にモバイルヘルスケアシステムの効率及び／又は処理能力を増加できる。
大抵の場合、ＥＣＧ信号の測定は、十分な精度で測定されたＥＣＧ信号の品質を評価することができない可能性のある看護師又は見習医師によって行われる。時に、後の時点において、例えば医師といった専門家が、測定されたＥＣＧ信号は有意の診断には不十分であることに気付き、再測定が求められることがある。このような最初の測定から後の時点における再測定は、かなりの追加の努力及び時間がかかる。特にモバイルヘルスケアシステムでは、看護師又は見習医師は、ポータブルデバイスによって、看護師又は見習医師医若しくは専門家が通常いる場所から遠く離れた場所において、被験者のＥＣＧ信号を測定するので、後の時点で、測定されたＥＣＧ信号の品質が不十分であることが決定される場合は、看護師又は見習医師は、再測定を行うために、長い距離を移動しなければならない。
本明細書において提示される解決策によれば、測定されたＥＣＧ信号の品質は、専門家の活動を必要とすることなく、ユーザインターフェースを介して、自動的に提示される。したがって、患者、看護師又は見習医師は、測定が完了した時点で、測定されたＥＣＧ信号の品質を認識することができる。品質が不十分である場合、再測定を、最初の測定のすぐ後に行うことができる。
一実施形態では、当該方法は更に、ＥＣＧ信号の品質が、所定測定基準を満たすかどうかを決定するステップと、ＥＣＧ信号の品質が、所定測定基準を満たす場合は、ＥＣＧ信号をサーバに供給するステップとを含む。
一実施形態では、マルチチャネルＥＣＧ信号は、１２リードＥＣＧ信号であってよい。
一実施形態では、複数の第１のパラメータは、マルチチャネルＥＣＧ信号の経時的な信号変化と、マルチチャネルＥＣＧ信号のチャネル間相関関係とを反映する。マルチチャネルＥＣＧ信号の経時的な信号変化とチャネル間相関関係とを使用することによって、ＥＣＧ信号の品質を高精度で評価できる。
一実施形態では、マルチチャネルＥＣＧ信号を評価するステップは更に、主成分分析によって、複数の第１のパラメータから、少なくとも１つの第２のパラメータを取得するステップと、第２のパラメータに基づいて、ＥＣＧ信号の品質を評価するステップとを含み、少なくとも１つの第２のパラメータの数は、複数の第１のパラメータの数よりも少ない。
一実施形態では、ＥＣＧ信号を評価するステップは、ＥＣＧ信号を、分類器によって、ＥＣＧ信号の品質に関して、２つ以上の種類に分類するステップを含む。
一実施形態では、分類器は、複数のマルチリードＥＣＧ信号と、複数のマルチリードＥＣＧ信号の各マルチリードＥＣＧ信号の対応する所定分類とに基づいて、トレーニングされる。
一実施形態では、評価するステップは、第１のパラメータのベクトルを、第２のパラメータのベクトルから構成される空間にマッピングするステップと、マッピングされたベクトルの分布に基づいて、ＥＣＧ信号の品質を決定するステップとを含む。
一実施形態では、複数の第１のパラメータは、次の基本指数：（１）チャネル間信号品質指数、（２）ＥＣＧデバイスの各リード線において検出された脈拍の数、（３）各リード線における各ＰＱＲＳＴ波の平均相関値、（４）各リード線における各ＰＱＲＳＴ波の相関値の標準偏差、（５）各リード線におけるＲピークとＲピークとの間隔の平均、（６）各リード線におけるＲＲ間隔の標準偏差、の平均値及び／又は偏差を計算することによって、計算され、マルチリードＥＣＧデバイスの各リード線からのＥＣＧ信号は、第２の所定期間を有するセグメントに分割され、基本指数は、各セグメントについて計算される。
別の態様では、本発明の一実施形態は、ＥＣＧ信号評価装置を提供する。当該装置は、
所定期間に亘って、被験者のマルチチャネルＥＣＧ信号を受信する受信ユニットと、
ＥＣＧ信号から、複数の第１のパラメータを抽出する抽出ユニット、及び、複数の第１のパラメータに基づいて、ＥＣＧ信号の品質を評価する評価ユニットを含む、ＥＣＧ信号を処理する処理デバイスと、
ＥＣＧ信号の品質を示すインジケータを提示するユーザインターフェースとを含む。
別の態様では、本発明の一実施形態は、上記されたＥＣＧ信号評価装置を含む、マルチチャネルＥＣＧ信号を取得するＥＣＧ信号取得装置を提供する。
別の態様では、本発明の一実施形態は、１つ以上のＥＣＧ信号取得装置と、ＥＣＧ信号取得装置と通信するサーバとを含み、１つ以上のＥＣＧ信号取得装置のうちの少なくとも１つは、上記されたＥＣＧ信号評価装置を含む、ＥＣＧ信号評価システムを提供する。
別の態様では、本発明の一実施形態は、マシン可読媒体上に有形に具現化されたコンピュータプログラムを含むコンピュータプログラムプロダクトを提供する。当該コンピュータプログラムは、実行されると、請求項１乃至８の何れか一項に記載の方法を実行する。
図１は、本発明の例示的な実施形態によるＥＣＧ信号評価装置１０の概略図である。 図２は、本発明の例示的な実施形態によるＥＣＧ信号評価方法２０の概略図である。 図３は、本発明の例示的な実施形態によるパラメータを抽出するステップの概略図である。 図４は、本発明の例示的な実施形態によるＰＣＡ処理を詳細に示す。 図５は、本発明の例示的な実施形態による複数のＥＣＧ信号のＰＣＡ結果の一例を示す。 図６は、本発明の例示的な実施形態によるＥＣＧ信号を分類する処理を示す。
図１は、本発明の例示的な実施形態によるＥＣＧ信号評価装置１０の概略図である。
図１を参照するに、ＥＣＧ信号評価装置１０は、６０秒、９０秒又は１２０秒といった第１の所定の検査期間に取得される被験者の１つ以上のマルチチャネルＥＣＧ信号を受信する受信ユニット１００と、ＥＣＧ信号を処理する処理デバイス１０２と、ＥＣＧ信号の品質を示すインジケータを提示するユーザインターフェース１０８とを含む。
一実施形態では、マルチチャネルＥＣＧ信号は、ＥＣＧ取得装置によって取得される。ＥＣＧ取得装置は、複数のリード線を有する任意のＥＣＧデバイスであってよい。次に、取得された信号は、ＥＣＧ信号評価装置１０の受信ユニット１００に送信される。例えばＥＣＧデバイスは、被験者から信号を得るために様々な位置において被験者に取り付けられる１２本のリード線を含む。医者は、被験者からＥＣＧ信号を得ることを望む場合、ＥＣＧデバイスのリード線を被験者に取り付け、ＥＣＧデバイスは、ＥＣＧ信号取得ステップを実行し、これにより、対応するＥＣＧ信号又はＥＣＧ信号のセットが得られる。ＥＣＧ信号は、有線又は無線接続を使用して様々な方法でＥＣＧ信号評価装置１０の受信ユニットに送信される。ＥＣＧ信号評価装置１０の受信ユニットは、入力ポート、ワイヤレス受信器等といった任意の適切な態様で実現される。
或いは、当業者であれば、別の実施形態では、ＥＣＧ信号評価装置１０は、ＥＣＧ取得装置の一部であってもよいことは理解できよう。更に別の実施形態では、ＥＣＧ信号評価装置１０の受信ユニット１００は、ＥＣＧ信号を取得するための複数のリード線を有するＥＣＧ取得ユニットとして実現されてもよい。
処理デバイス１０２は、抽出ユニット１０４及び評価ユニット１０６を含む。抽出ユニット１０４は、ＥＣＧ信号から、複数の第１のパラメータ（以下、第１の「特徴」とも呼ばれる）を抽出する。例えば抽出ユニットは、ＥＣＧ信号から、８、１０又は１２個の第１のパラメータといった４乃至２０個のパラメータを抽出する。
評価ユニット１０６は、抽出された第１のパラメータに基づいて、ＥＣＧ信号の品質を評価する。一例では、評価ユニット１０６は、所定の変換係数を適用することによって、少なくとも１つの第２のパラメータを得るように、第１のパラメータを処理する。別の例では、評価ユニット１０６は、ベクトルを、低次元空間にマッピングし、低次元空間におけるマッピングされたベクトルを評価する。ベクトルの各要素は、第１のパラメータのうちの１つを表す。変換係数及びマッピングは共に、予め決定されるか、又は、トレーニング処理から導出される。更に、変換係数及びマッピングは共に、例えば自己学習によって評価の過程において適応される。
次に、インジケータが生成され、ユーザインターフェース１０８を介して提示される。インジケータは、評価ユニット１０６によって評価されたＥＣＧ信号の品質を示す。ユーザインターフェース１０８は、視覚形式、可聴形式及び／又は任意の他の適切な形式で、インジケータを提示できる。
図２は、本発明の例示的な実施形態によるＥＣＧ信号評価方法の一実施形態の概略図である。この実施形態では、ＥＣＧ信号のセット及び対応する品質インジケータといったトレーニングデータから情報を導出するトレーニング処理が実行される。導出された情報は、例えば第１のパラメータを、少なくとも１つの第２のパラメータに変換するための変換係数又はマッピングと、当該少なくとも１つの第２のパラメータに基づいて、ＥＣＧ信号の品質を評価するための評価基準、トレーニングされた分類子等とを含む。トレーニング処理は、ステップ２０１、２０２及び２０３を含む。トレーニング処理は、ＥＣＧ信号評価装置１０によって実行されるものとして実現されてもよいが、大抵の場合は、別個の装置によって実現され、トレーニング処理から導出されるデータは、様々な既知の方法で、ＥＣＧ信号評価装置１０に送信される。次に、評価処理において、マルチチャネルＥＣＧ信号が取得され、トレーニング処理から導出されたデータに基づいて評価される。評価処理は、ステップ２１１、２１２、２１３及び２１４を含む。評価処理は、図１に示されるＥＣＧ信号評価装置１０によって実行される。
ステップ２０１において、トレーニング用のマルチチャネルＥＣＧ信号のセットが、各マルチチャネルＥＣＧ信号の所定の評価結果と共に受信される。所定の評価結果は、専門医師、医者又は他の医療専門家によって提供される。
ステップ２０２において、当該セットにおける各マルチチャネルＥＣＧ信号が、例えば抽出ユニット１０４によって処理され、複数の第１のパラメータが得られる。第１のパラメータの数は、例えば８、１０、１２個等といったようにユーザによって設定されてよい。第１のパラメータは、マルチチャネルＥＣＧ信号の経時的な信号変化及びマルチチャネルＥＣＧ信号のチャネル間相関関係を反映するパラメータ／特徴であってよい。例示的な抽出処理は、図３を参照して、以下に詳細に説明される。
ステップ２０３において、主成分分析（ＰＣＡ）アルゴリズムが、各マルチチャネルＥＣＧ信号の抽出された第１のパラメータに適用され、複数の第１のパラメータから、幾つかの第２のパラメータが導出される。一実施形態では、第２のパラメータは、ＥＣＧ信号の特徴（characterization）を表すＥＣＧ信号の主成分であり、以下により詳細に説明される。主成分分析処理は、第１のパラメータと、ＥＣＧ信号のセットにおける各ＥＣＧ信号の評価結果とに基づいている。
主成分分析によって、マルチチャネルＥＣＧ信号の第１のパラメータを、少なくとも１つの第２のパラメータに変換するために使用される変換係数のセットが得られる。例えば少なくとも１つの第２のパラメータの数は、２、３又は４個であってよい。
トレーニング処理は、事前に行われてもよく、トレーニング処理の結果は、ＥＣＧ信号評価装置１０に記憶されても、又は、他の方法で、ＥＣＧ信号評価装置１０に提供されてもよい。トレーニングは、オフラインで行われてもよい。即ち、図１のＥＣＧ信号評価装置１０とは離れた任意の適切なコンピュータ／プロセッサ上で行われてもよい。
一例では、トレーニング処理の結果は、第１のパラメータを、幾つかの第２のパラメータに変換するための変換係数のセットを含む。第２のパラメータは、ＥＣＧ信号の主成分であってもよい。例えば変換係数は、第１のパラメータを表すベクトルを、ＥＣＧ信号の主成分からなる低次元空間にマッピングするために使用される。このＥＣＧ信号の主成分もトレーニング処理によって決定される。トレーニング処理の結果は更に、トレーニングされた分類子を含む。
ステップ２１１において、第１の所定期間に亘る被験者のマルチチャネルＥＣＧ信号が、マルチリードＥＣＧデバイスから取得又は受信される。
ステップ２１２において、ステップ２０２のように、同じ複数の第１のパラメータが、マルチチャネルＥＣＧ信号から抽出される。
ステップ２１３において、マルチチャネルＥＣＧ信号の品質が、複数の第１のパラメータに基づいて評価される。好適には、ステップ２１３では、複数の第１のパラメータは、所定の変換係数のセットによって、少なくとも１つの第２のパラメータに変換される。当該変換係数は、ステップ２０３において、予め決定され、ＥＣＧ信号評価装置に既に記憶されている。したがって、マルチチャネルＥＣＧ信号の品質は、少なくとも１つの第２のパラメータに基づいて評価される。
より好適には、図１に示される評価ユニットは、分類器を含み、マルチチャネルＥＣＧ信号の品質評価は、当該分類器によって実現される。分類器は、少なくとも１つの第２のパラメータに基づいて、マルチチャネルＥＣＧ信号を、２つ以上の分類に分けることができる。例えば分類は、２分類の場合では、「合格」及び「不合格」であってよい。又は、３分類の場合では、「合格」、「不合格」及び「未定」であってよい。分類器も、トレーニング処理の間にトレーニングされる。
ステップ２１４において、ＥＣＧ信号の分類といったＥＣＧ信号の品質を示すインジケータが、ユーザインターフェースを介して提示される。
当業者であれば、トレーニングステップは、トレーニング処理の結果を使用するに過ぎない本発明の方法に必ずしも含まれるわけではないことは理解できよう。
以下に、一例として、抽出、ＰＣＡ及び分類のステップの詳細な処理を実現する１つの方法が説明される。この例では、１０個の第１のパラメータが、マルチチャネルＥＣＧ信号から抽出される。
特徴抽出
実際には、ローＥＣＧ信号（例えば９０秒、１２リード線）の第１のパラメータは、各リード線の幾つかの基本品質指数の派生物である。各リード線について、全部で６個の基本信号品質指数（ＳＱＩ）が計算される。６０秒、９０秒等といった所与の期間に測定されるＥＧＣ信号のセットが受信される／得られると、当該１つのＥＣＧ信号は、数十個のセグメントにセグメント化及び／又は分割される。
次に、図３に示されるように、ステップ３０１において、数十個のＥＣＧセグメント各々について、脈拍検出が行われる。ステップ３０２において、各セグメントについて、ＱＲＳの位置が得られ、次に、６個の基本ＳＱＩが計算される。
６個の基本ＳＱＩは、次の通りである。
１．ｉＳＱＩ：各リード線におけるチャネル間信号品質指数
同期ＥＣＧリード線が利用可能である場合、異なるリード線間の比較は、信号品質のより正確な推定値を提供することができる。１つのリード線のチャネル間信号品質指数ｉＳＱＩは、所与のリード線上で検出されるマッチした脈拍の数（当該脈拍は、別のリード線上で検出された脈拍にマッチされる）の当該所与のリード線及び当該別のリード線上で検出される脈拍の総数に対する割合／比率を反映する。
好適には、１つのリード線のチャネル間信号品質指数ｉＳＱＩは、当該割合の最大値を反映する。
つまり、所与のリード線について、その脈拍は、他のリード線各々の脈拍と比較され、幾つかの割合／比率が得られる。次に、最大の割合／比率が、チャネル間信号品質指数と定義される。
例えばリード線ｉといった１つのリード線について、当該リード線上で検出された脈拍は、他のリード線各々上で検出された脈拍と比較される。例えば、最初に、リード線ｉ上で検出された脈拍は、リード線ｊ上で検出された脈拍と比較される。ここで、ｊは、複数の他のリード線のうちの１つを表す。次に、リード線ｉによって検出され、リード線ｊとマッチされた、マッチした脈拍の数（Ｎｍａｔｃｈｅｄ）のリード線ｉ及びリード線ｊによって検出されたすべての脈拍（Ｎａｌｌ）との比率が計算される。ここで、Ｎａｌｌ＝Ｎｉ＋Ｎｊ−Ｎｍａｔｃｈｅｄ（マッチした脈拍は二重計数しない）。この処理は、複数の他のリード線各々について繰り返される。
他のリード線が幾つかあるので、幾つかの比率が得られる。次に、最大値の比率が決定される。本発明の一実施形態では、そのような最大値の比率が、リード線ｉのチャネル間信号品質指数と定義される。
つまり、本実施形態では、１つのリード線のチャネル間信号品質指数ｉＳＱＩは、当該リード線によって検出され、他のリード線のうちの１つのリード線とマッチされた、マッチした脈拍の数（Ｎｍａｔｃｈｅｄ）の当該リード線と他のリード線のうちの当該１つのリード線とによって検出された脈拍の総数（Ｎａｌｌ）との最大比として、マッチした脈拍を二重計数することなく、計算される。つまり、
ここで、ｉは、現在のリード線を表し、ｊは、他のリード線各々を表す。Ｎｍａｔｃｈｅｄは、リード線ｉによって検出され、リード線ｊによって検出された脈拍と（例えば１５０ｍｓ内で）マッチされた脈拍の数であり、Ｎａｌｌは、リード線ｉ及びリード線ｊにおいて検出された脈拍の総数（マッチした脈拍は二重計数しない）である。
２．ｎＳＱＩ：各リード線における検出脈拍数
３．ｍｃＳＱＩ：各リード線における各ＰＱＲＳＴ波の平均相関値
脈拍を検出した後、１０秒間の各ＥＣＧセグメントについて、特定のリード線における各ＰＱＲＳＴ波が収集され、ＰＱＲＳＴ波のメジアンテンプレートが得られる。次に、各ＰＱＲＳＴ波とそのメジアンテンプレートとの相互相関が計算される。相互相関値の平均は、特定のリード線のその１０秒間の記録の間の品質を反映する。
４．ｓｃＳＱＩ：各リード線における各ＰＱＲＳＴ波の相関値の標準偏差
各ＰＱＲＳＴ波とそのメジアンテンプレートとの相互相関値の標準偏差は、特定のリード線のその１０秒間の記録の間、即ち、１０秒間のセグメントにおける変動を反映する。
５．ｍｒＳＱＩ：各リード線におけるＲピークからＲピークまでの（ＲＲ）間隔の平均
脈拍を検出した後、ＲＲ間隔が得られる。１つのリード線におけるＲＲ間隔の平均は、当該リード線の品質を反映する。ｍｒＳＱＩ値が小さすぎる場合、ノイズレベルが高いことによるか、又は、記録品質が悪いことによって脈拍が検出できなかったことを示す一方で、ｍｒＳＱＩ値が大きすぎる場合、ＱＲＳ群がノイズに埋もれることを意味する。
６．ｓｒＳＱＩ：各リード線におけるＲＲ間隔の標準偏差
各リード線におけるＲＲ間隔の標準偏差は、各１０秒セグメントについて計算される。高いｓｒＳＱＩは、患者の心拍数があまり変動しないという仮定の下に、信号の品質が悪いことを示唆する。
上記された６個の基本信号品質指数は、それぞれ、ＥＣＧ信号の各セグメントについて計算される。本実施形態では、各セグメントの期間は、１０秒に選択されているが、当業者であれば、各セグメントの期間は、例えば８秒、１２秒等でもあってもよいことは理解できよう。
抽出ユニットは、この６個の基本信号品質指数に基づいて、第１のパラメータを得る。つまり、第１のパラメータは、ＥＣＧ信号全体についての６個の基本信号品質指数の派生物である。
ユーザが、抽出されるべき第１のパラメータの数を選択することができる。例えば本実施形態では、ユーザは、１０個の第１のパラメータを抽出する。この実施形態では、抽出された１０個の第１のパラメータは、６個の基本信号品質指数のうちの幾つかの平均値（ｍｅａｎ）及び標準偏差（ｓｔｄ）である。
一例として、次の１０個のパラメータ／特徴が選択される。
１． ｓｔｄ（ｍｃＳＱＩ）
２． ｓｔｄ（ｎＳＱＩ）
３． ｓｔｄ（ｉＳＱＩ）
４． ｓｔｄ（ｓｃＳＱＩ）
５． ｓｔｄ（ｍｒＳＱＩ）
６． ｓｔｄ（ｓｒＳＱＩ）
７． ｍｅａｎ（ｎＳＱＩ）
８． ｍｅａｎ（ｍｃＳＱＩ）
９． ｍｅａｎ（ｉＳＱＩ）
１０． ｍｅａｎ（ｍｒＳＱＩ）
ここでは、「ｓｔｄ」は、すべてのセグメントに亘る各基本信号品質指数の標準偏差を表し、「ｍｅａｎ」は、すべてのセグメントに亘る各基本信号品質指数の平均値を表す。例えば各セグメントについて、ｉＳＱＩ値が計算される。次に、すべてのセグメントのｉＳＱＩ値の標準偏差が計算され、「ｓｔｄ」（ｉＳＱＩ）と呼ばれる。同様に、各セグメントについて、ｍｒＳＱＩが計算され、次に、すべてのセグメントに亘るｍｒＳＱＩの平均値が計算され、「ｍｅａｎ」（ｍｒＳＱＩ）と呼ばれる。
上記された１０個の第１のパラメータは、１０次元ベクトルとも表現される。図３におけるステップ３０３において、１０個の第１のパラメータから構成される１０次元ベクトル「ｄｅｓｃｒｉｐｔｉｏｎＶｅｃｔｏｒ」が、１２本のリード線を用いて、ＥＣＧ信号に対して形成され、ＥＣＧ信号が診断に十分であるかどうか（合格／不合格）を決定するために使用される。
主成分分析（ＰＣＡ）
ＰＣＡは、例えば上記された１０個の第１のパラメータである第１のパラメータに適した変換係数を決定するために使用される。この実施形態では、ＰＣＡは、ＥＣＧ信号のトレーニングデータセットに適用される。各ＥＣＧ信号について、上記された１０個の第１のパラメータを表す１０次元ベクトルが決定される。ＰＣＡ中、第１のパラメータの３つの最大主成分が決定される。次に、１０次元ベクトルは、当該３つの最大主成分によって構成される低３次元空間にマッピングされる。即ち、３次元空間の３軸各々が、１つの主成分を表す。
ＰＣＡは、オフラインで行われてもよい。具体的には、オフラインＰＣＡ処理中、ＥＣＧ信号のセットが、パラメータ抽出及びＰＣＡアルゴリズムを実行するプロセッサに提供される。次に、当該パラメータ抽出及びＰＣＡアルゴリズムが、ＥＣＧ信号のセットにおける各ＥＣＧ信号に対して実行される。
ＰＣＡ方法は、上記された１０個の第１のパラメータから３つの主成分を決定でき、冗長性除去によって、上記された１０個の特徴各々に対する変換係数を決定する。当該変換係数は、上記された１０個の特徴を３つの主成分に変換するために使用される。ＰＣＡアルゴリズムは、一般的なＰＣＡアルゴリズムであってよい。
以下、主成分を決定する処理について、より詳細に説明される。
具体的には、ＥＣＧ信号のトレーニングデータセットが提供される間に、各ＥＣＧ信号の１０次元ベクトルが決定される。ＥＣＧ信号の数は、「ｎ個」であり、したがって、１０次元ベクトル「ｄｅｓｃｒｉｐｔｉｏｎＶｅｃｔｏｒ」の数もｎ個である。ｎ個の１０次元ベクトルは、データ行列「ｉｎｄｉｃｅｓＭａｔｒｉｘ」に収集される。図４を参照するに、データ行列の各行は、１つのＥＣＧ信号に対する１つの１０次元ベクトルを示す。したがって、行列は、ｎ＊１０の行列であり、つまり、ｎ個の行と１０個の列とを含む。
図４は、各行に１つの「ｄｅｓｃｒｉｐｔｉｏｎＶｅｃｔｏｒ」しか示さないが、当業者であれば、各「ｄｅｓｃｒｉｐｔｉｏｎＶｅｃｔｏｒ」は、１０次元ベクトルであり、したがって、「ｉｎｄｉｃｅｓＭａｔｒｉｘ」は、実際には、１０個の列を含み、各列は、上記されたように抽出された１つの第１のパラメータに対応する「ｄｅｓｃｒｉｐｔｉｏｎＶｅｃｔｏｒ」の１つの次元を表すことは理解できよう。
ステップ４０１において、「ｉｎｄｉｃｅｓＭａｔｒｉｘ」は、ＰＣＡ前に、ｎ個の「ｄｅｓｃｒｉｐｔｉｏｎＶｅｃｔｏｒ」に亘って、各列をその平均値で減算することによって標準化され、対応する「ｃｅｎＩｎｄｉｃｅｓＭａｔｒｉｘ」が得られる。
次に、共分散行列が、次の通りに計算される。
ｃｏｖＭａｔｒｉｘ＝ｃｅｎＩｎｄｉｃｅｓＭａｔｒｉｘ＊ｃｅｎＩｎｄｉｃｅｓＭａｔｒｉｘＴ／（ｎ−１）
ここで、ｃｅｎＩｎｄｉｃｅｓＭａｔｒｉｘＴは、ｃｅｎＩｎｄｉｃｅｓＭａｔｒｉｘの転置である。
共分散行列の固有ベクトル及び固有値が計算される。３つの最も高い固有値の対応する固有ベクトルが選択されて、「ＦｅａｔｕｒｅＶｅｃｔｏｒ」が形成される。「ＦｅａｔｕｒｅＶｅｃｔｏｒ」は、データ行列に、ｃｅｎＩｎｄｉｃｅｓＭａｔｒｉｘを適用するために使用され、処理されたＥＣＧ信号の第１のパラメータから「ＦｉｎａｌＤａｔａ」が次の通りに導出される。
ＦｉｎａｌＤａｔａ＝ＦｅａｔｕｒｅＶｅｃｔｏｒ＊ｃｅｎＩｎｄｉｃｅｓＭａｔｒｉｘＴ
つまり、ステップ４０２において、ＰＣＡアルゴリズムは、「ｃｅｎＩｎｄｉｃｅｓＭａｔｒｉｘ」に行われ、ＰＣＡの「ＦｉｎａｌＤａｔａ」が得られる。ＰＣＡでは、「ＦｉｎａｌＤａｔａ」は、行列であり、その各行／列は、１つのトレーニングＥＣＧ信号の第２のパラメータを表す。つまり、ＰＣＡの「ＦｉｎａｌＤａｔａ」は、トレーニングセットの各ＥＣＧ信号の第２のパラメータを表す。この実施形態では、第２のパラメータは、３つのパラメータを含む。したがって、「ＦｉｎａｌＤａｔａ」の各データは、３つのパラメータ、即ち、３つの主成分：第１の主成分、第２の主成分及び第３の主成分を含む。
図５は、複数のＥＣＧ信号を含むトレーニングセットのＰＣＡの結果を、３つの主成分からなる３次元空間にマッピングする一例を示す。ここでは、「・」は、所定の評価結果である「合格」を有するＥＣＧ信号を表し、「Δ」は、所定の評価結果である「不合格」を有するＥＣＧ信号を表す。更に、図５におけるｘ、ｙ及びｚ軸は、それぞれ、第１の主成分、第２の主成分及び第３の主成分を表す。
所与のラベリングされていない例「ｘｕ」について、即ち、新しく取得されたＥＣＧ信号について、主成分は、上記変換係数「ＦｅａｔｕｒｅＶｅｃｔｏｒ」に基づいて得られる。より具体的には、１０個の第１のパラメータが、ＥＣＧ信号から抽出され、第１のパラメータの主成分は、変換係数を使用して、当該１０個の特徴を低い３次元空間にマッピングすることによって決定され、ＥＣＧ信号の３つの主成分の値は、それぞれ、当該３次元空間における各座標値として使用される。
分類
この実施形態では、Ｋ最近傍ルールが採用されてＥＣＧ信号が分類される。Ｋ最近傍ルールは、ラベリングされていない例（即ち、ＥＣＧ信号を表すデータ）を、トレーニングセットにおける例とのその類似性に基づいて分類する非常に直観的方法である。
図６は、分類処理の一例を示す。
図６において点線で示される部分によって図示されるように、分類器６１２のトレーニングステップ６０１は、任意選択である。つまり、トレーニングステップ６０１は、ＰＣＡにおいて使用されたトレーニングセットと同じトレーニングセットに基づいて分類器６１２をトレーニングしてもよい。トレーニングセットのＥＣＧ信号は、専門医師によって既に分類されている。或いは、分類器は、既にトレーニングされているか、又は、分類器は、既にトレーニング結果を受信していてもよい。例えば本実施形態では、分類器において、多数のトレーニングＥＣＧ信号各々の主成分を表すデータが、対応するトレーニングＥＣＧ信号の分類と共にある。例えばＥＣＧ信号は、専門家又は専門医師によって、「合格」又は「不合格」と分類されていてもよい。ＥＣＧ信号の分類は、対応するＥＣＧデータ（又は上記されたように計算されるその主成分）と共にトレーニングＥＣＧデータセットに記憶されていてもよい。
要約すると、分類器は、対応する分類でラベリングされた例（ＥＣＧ信号の又はＥＣＧ信号の主成分）を含むトレーニングデータセットを記憶する。
ステップ６１１において、所与のラベリングされていない例「ｘｕ」、即ち、新しく取得されたＥＣＧ信号が、分類器６１２に提供され、変換係数を使用することによって、３次元空間におけるその位置（即ち、座標値）が決定される。次に、分類器は、３次元空間におけるラベリングされていない例「ｘｕ」の位置に「最も近い」ｋ個のラベリングされた例を有するラベリングされた例のサブセットを見つけ、「ｘｕ」を、ｋサブセットにおいて最も頻繁に登場する分類に割当てる。
この実施形態では、分類器は、２つの分類、即ち、「合格」６１３及び「不合格」６１４から選択される１つの分類を、ラベリングされていない例に割当てる。
以下、相互検証の結果が、本発明におけるｋ−ＮＮＲ方法によって分類されたＥＣＧ信号のセットに提供される。相互検証では、５００個のモバイルＥＣＧデータストリームが評価された。ｋが、７に割当てられ、距離は、３次元空間におけるユークリッド距離と定義された。ＥＣＧ信号のセットにおけるデータは、９つのグループに分割され、相互検証は、９回、行われる。毎回、８つのデータグループが、ＰＣＡ処理及び分類処理をトレーニングするために使用され、トレーニングされた変換係数及びトレーニングされた分類器が得られる一方で、最後のデータグループは、変換係数を使用することによって処理され、トレーニングされた分類器によって分類される。このような処理は、９回、繰り返される。したがって、９つのデータグループの検証結果が得られる。
相互検証の結果は、次の通りである。
平均精度は、９２．００％である。
本発明における方法及び装置は、ＥＣＧ信号の品質を正確に評価できることは明らかである。ＥＣＧ信号の品質に関する自動フィードバックに基づいて、不合格品質のＥＣＧ信号を容易に特定することができる。したがって、不合格品質のＥＣＧ信号は、取り除かれるか、及び／又は、再測定が要求される。
本発明は、図面及び上記説明において詳細に例示され、説明されたが、当該例示及び説明は、例示的に見なされるべきであり、限定的に見なされるべきではない。本発明は、開示された実施形態に限定されない。例えば本発明を、眼鏡、腕時計等の形の実施形態において動作させることも可能である。
開示された実施形態の他の変形態様は、図面、開示内容及び添付の請求項の検討から、請求項に係る発明を実施する当業者によって理解され、実施される。請求項において、「含む」との用語は、他の要素又はステップを排除するものではなく、また、「ａ」又は「ａｎ」との不定冠詞も、複数形を排除するものではない。
本発明は、ハードウェア又はソフトウェアによって実現可能である。単一のプロセッサ又は他のユニットが、請求項に引用される幾つかのアイテムの機能を果たしてもよい。特定の手段が相互に異なる従属請求項に記載されることだけで、これらの手段の組み合わせを有利に使用することができないことを示すものではない。コンピュータプログラムは、他のハードウェアと共に又は他のハードウェアの一部として供給される光学記憶媒体又は固体媒体といった適切な媒体上に記憶される及び／又は分散配置されるが、インターネット又は他の有線若しくは無線通信システムを介した形態といった他の形態で分配されてもよい。

Claims (15)

  1. マルチリードＥＣＧデバイスによって、第１の所定期間に亘って、被験者のマルチチャネルＥＣＧ信号を取得するステップと、
    前記マルチチャネルＥＣＧ信号から、複数の第１のパラメータを抽出するステップと、
    前記複数の第１のパラメータに基づいて、前記マルチチャネルＥＣＧ信号の品質を評価するステップと、
    前記マルチチャネルＥＣＧ信号の前記品質を示すインジケータを、ユーザインターフェースを介して提示するステップと、
    を含む、マルチチャネルＥＣＧ信号を評価する非侵襲的方法。
  2. 前記マルチチャネルＥＣＧ信号の前記品質が、所定測定基準を満たすかどうかを決定するステップと、
    前記マルチチャネルＥＣＧ信号の前記品質が、前記所定測定基準を満たす場合は、前記マルチチャネルＥＣＧ信号をサーバに供給するステップと、
    を更に含む、請求項１に記載の方法。
  3. 前記複数の第１のパラメータは、前記マルチチャネルＥＣＧ信号の経時的な信号変化と、前記マルチチャネルＥＣＧ信号のチャネル間相関関係とを反映する、請求項１に記載の方法。
  4. 前記マルチチャネルＥＣＧ信号を評価する前記ステップは、
    前記複数の第１のパラメータから、少なくとも１つの第２のパラメータを取得するステップと、前記少なくとも１つの第２のパラメータに基づいて、前記マルチチャネルＥＣＧ信号の前記品質を評価するステップと、
    を更に含み、
    前記少なくとも１つの第２のパラメータの数は、前記複数の第１のパラメータの数よりも少ない、請求項１に記載の方法。
  5. 前記マルチチャネルＥＣＧ信号を評価する前記ステップは、前記マルチチャネルＥＣＧ信号を、分類器によって、前記マルチチャネルＥＣＧ信号の前記品質に関して、２つ以上の種類に分類するステップを含む、請求項４に記載の方法。
  6. 前記分類器は、複数のマルチリードＥＣＧ信号と、前記複数のマルチリードＥＣＧ信号の各マルチリードＥＣＧ信号の対応する所定分類とに基づいて、トレーニングされる、請求項５に記載の方法。
  7. 前記評価するステップは、
    前記複数の第１のパラメータのベクトルを、前記少なくとも１つの第２のパラメータのベクトルから構成される空間にマッピングするステップと、
    マッピングされた前記ベクトルの分布に基づいて、前記マルチチャネルＥＣＧ信号の前記品質を決定するステップと、
    を含む、請求項１乃至５の何れか一項に記載の方法。
  8. 前記複数の第１のパラメータは、次の基本指数：（１）チャネル間信号品質指数、（２）前記マルチリードＥＣＧデバイスの各リード線において検出された脈拍の数、（３）各リード線における各ＰＱＲＳＴ波の平均相関値、（４）各リード線における各ＰＱＲＳＴ波の相関値の標準偏差、（５）各リード線におけるＲピークとＲピークとの間隔の平均、（６）各リード線におけるＲＲ間隔の標準偏差、の平均値及び／又は偏差を計算することによって、計算され、前記マルチリードＥＣＧデバイスの各リード線からの前記マルチチャネルＥＣＧ信号は、第２の所定期間を有するセグメントに分割され、前記基本指数は、各セグメントについて計算される、請求項１に記載の方法。
  9. 所定期間に亘って、被験者のマルチチャネルＥＣＧ信号を受信する受信ユニットと、
    前記マルチチャネルＥＣＧ信号から、複数の第１のパラメータを抽出する抽出ユニット、及び、前記複数の第１のパラメータに基づいて、前記マルチチャネルＥＣＧ信号の品質を評価する評価ユニットを含む、前記マルチチャネルＥＣＧ信号を処理する処理デバイスと、
    前記マルチチャネルＥＣＧ信号の前記品質を示すインジケータを提示するユーザインターフェースと、
    を含む、非侵襲的ＥＣＧ信号評価装置。
  10. 前記評価ユニットは更に、少なくとも１つの第２のパラメータを取得するために、前記複数の第１のパラメータに主成分分析を行い、前記マルチチャネルＥＣＧ信号の前記品質の評価は、主成分に基づき、
    前記少なくとも１つの第２のパラメータの数は、前記複数の第１のパラメータの数よりも少ない、請求項９に記載のＥＣＧ信号評価装置。
  11. 前記評価ユニットは、前記マルチチャネルＥＣＧ信号の前記品質に関して前記マルチチャネルＥＣＧ信号を分類する分類器を含む、請求項９又は１０に記載のＥＣＧ信号評価装置。
  12. 前記複数の第１のパラメータのベクトルが、前記少なくとも１つの第２のパラメータのベクトルで構成される空間にマッピングされ、前記分類器は、マッピングされた前記ベクトルの分布に基づいて、前記マルチチャネルＥＣＧ信号の前記品質を決定する、請求項１１に記載のＥＣＧ信号評価装置。
  13. 請求項９に記載のＥＣＧ信号評価装置を含む、マルチチャネルＥＣＧ信号を取得するＥＣＧ信号取得装置。
  14. １つ以上のＥＣＧ信号取得装置と、
    前記１つ以上のＥＣＧ信号取得装置と通信するサーバと、
    を含み、
    前記１つ以上のＥＣＧ信号取得装置のうちの少なくとも１つは、請求項９乃至１２の何れか一項に記載のＥＣＧ信号評価装置を含む、ＥＣＧ信号評価システム。
  15. マシン可読媒体上に有形に具現化されたコンピュータプログラムであって、実行されると、請求項１乃至８の何れか一項に記載の方法を実行する、コンピュータプログラム。
JP2016520643A 2013-10-09 2014-09-25 マルチチャネルｅｃｇ信号の評価装置及び方法 Pending JP2016536044A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
CN2013084909 2013-10-09
CNPCT/CN2013/084909 2013-10-09
EP13195332.5 2013-12-02
EP13195332 2013-12-02
PCT/IB2014/064828 WO2015052609A1 (en) 2013-10-09 2014-09-25 An apparatus and method for evaluating multichannel ecg signals

Publications (1)

Publication Number Publication Date
JP2016536044A true JP2016536044A (ja) 2016-11-24

Family

ID=51844799

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016520643A Pending JP2016536044A (ja) 2013-10-09 2014-09-25 マルチチャネルｅｃｇ信号の評価装置及び方法

Country Status (5)

Country Link
US (1) US20160242664A1 (ja)
EP (1) EP3054841A1 (ja)
JP (1) JP2016536044A (ja)
RU (1) RU2016117598A (ja)
WO (1) WO2015052609A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105286852B (zh) * 2015-11-05 2017-12-29 山东小心智能科技有限公司 心电信号的检测方法和装置
ES2630834B1 (es) * 2016-02-24 2018-07-10 Universidad De Sevilla Procedimiento para la obtención de datos útiles asociados al patrón de variabilidad de la frecuencia cardiaca
WO2019006631A1 (zh) * 2017-07-03 2019-01-10 深圳市汇顶科技股份有限公司 质量评估方法及装置、模型建立方法及模块、穿戴设备
CN109117769A (zh) * 2018-07-31 2019-01-01 东南大学 一种针对穿戴式心电采集的实时质量评估反馈方法
WO2023108331A1 (zh) * 2021-12-13 2023-06-22 中国科学院深圳先进技术研究院 自适应实时心电信号质量评估方法
CN115868940B (zh) * 2023-02-27 2023-05-26 安徽通灵仿生科技有限公司 一种基于iabp的生理信号质量评估方法及装置
CN116407133B (zh) * 2023-06-02 2023-08-29 中国医学科学院阜外医院 心电信号的质量评估方法、装置、存储介质及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8150510B2 (en) * 2002-04-15 2012-04-03 Imperception, Inc. Shock timing technology
US7904153B2 (en) * 2007-04-27 2011-03-08 Medtronic, Inc. Method and apparatus for subcutaneous ECG vector acceptability and selection
CA2747057A1 (en) * 2008-12-16 2010-07-08 Bodymedia, Inc. Method and apparatus for determining heart rate variability using wavelet transformation
US8433395B1 (en) * 2009-11-03 2013-04-30 Vivaquant Llc Extraction of cardiac signal data
US8718753B2 (en) * 2010-10-12 2014-05-06 Ki H. Chon Motion and noise artifact detection for ECG data
WO2013036718A1 (en) * 2011-09-08 2013-03-14 Isis Innovation Ltd. Determining acceptability of physiological signals

Also Published As

Publication number Publication date
RU2016117598A (ru) 2017-11-15
WO2015052609A1 (en) 2015-04-16
US20160242664A1 (en) 2016-08-25
EP3054841A1 (en) 2016-08-17

Similar Documents

Publication Publication Date Title
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
JP2016536044A (ja) マルチチャネルｅｃｇ信号の評価装置及び方法
US11723576B2 (en) Detecting atrial fibrillation using short single-lead ECG recordings
CN107260161B (zh) 一种心电动力学数据量化分析方法
Iftikhar et al. Multiclass classifier based cardiovascular condition detection using smartphone mechanocardiography
WO2019161610A1 (zh) 心电信息处理方法和心电工作站系统
Shin et al. Decision boundary-based anomaly detection model using improved AnoGAN from ECG data
EP3803709B1 (en) Detecting abnormalities in ecg signals
US11589828B2 (en) System and methods for electrocardiogram beat similarity analysis using deep neural networks
TW201806370A (zh) 提供即時訊號分段和基準點對準架構的系統與方法
Gavrovska et al. Classification of prolapsed mitral valve versus healthy heart from phonocardiograms by multifractal analysis
Bergquist et al. Body surface potential mapping: contemporary applications and future perspectives
Khalil et al. An end-to-end multi-level wavelet convolutional neural networks for heart diseases diagnosis
Li et al. Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network
CN105611872A (zh) 用于评估多通道ecg信号的装置和方法
Dalvi et al. Heartbeat classification system based on neural networks and dimensionality reduction
Zhang et al. Synthesis of standard 12‑lead electrocardiograms using two-dimensional generative adversarial networks
Marques et al. Characterization of atrial arrhythmias in body surface potential mapping: A computational study
Memis et al. Multimodal classification of obstructive sleep apnea using feature level fusion
Ibrahim et al. Deep‐learning‐based seizure detection and prediction from electroencephalography signals
Yang et al. Heartbeat classification using discrete wavelet transform and kernel principal component analysis
US20230181082A1 (en) System and methods for electrocardiogram beat similarity analysis
JP2020528295A (ja) 不整脈に関係する心拍を分類するためのシステム及び方法
JP6201520B2 (ja) 生理指標を用いる視線分析システムおよび方法
Siddiqui et al. Trust metrics for medical deep learning using explainable-ai ensemble for time series classification