JP2018130541A - 融合アプローチを用いた人の冠動脈疾患の検出のための方法およびシステム - Google Patents

Abstract

【課題】融合アプローチを用いた人の冠動脈疾患（ＣＡＤ）の検出のための方法およびシステムを提供する。【解決手段】人から心音図（ＰＣＧ）、光電式容積脈波（ＰＰＧ）、ＥＣＧ、皮膚電気反射（ＧＳＲ）等の複数の生体信号をキャプチャすることによる人のＣＡＤの検出。生体信号から複数の特徴が抽出される。次いで特徴の各々を用いて独立に人がＣＡＤまたは正常に分類される。分類は教師あり機械学習技術に基づき行われる。次いで分類の出力が融合され、事前に定められた基準を用いて人のＣＡＤの検出のために使用される。【選択図】図１

Description

関連出願および優先権の相互参照
本特許出願は、２０１６年２月１６日に出願されたインド国特許出願第２０１７２１００５４７９号の優先権を主張する。

本出願は一般的に、冠動脈疾患（ＣＡＤ：ｃｏｒｏｎａｒｙ ａｒｔｅｒｙ ｄｉｓｅａｓｅ）検出の分野に関する。具体的ではないが、より詳細には、本発明は、融合アプローチを用いた冠動脈疾患（ＣＡＤ）の検出のための非侵襲的システムおよび方法を提供する。

冠動脈疾患（ＣＡＤ）は多く見られる心疾患であり、個体の死亡の主要な原因の１つである。ＣＡＤは、冠動脈の内壁にコレステロールおよび他の脂肪性物質が徐々に沈着し、ひいては正常な血流を制限することにより形成され、胸痛および心発作を引き起こす。多くの研究にもかかわらず、ＣＡＤの早期の非侵襲的検出は、現在までオープンリサーチ分野である。

研究者は、ある種の非侵襲的な生物医学的マーカーによりＣＡＤが特定され得ることを見出した。ＣＡＤに最も多く使われているマーカーは、心拍変動（ＨＲＶ：Ｈｅａｒｔ Ｒａｔｅ Ｖａｒｉａｂｉｌｉｔｙ）である。ＣＡＤ患者のＨＲＶは一般に、正常被験者と比較してかなり低い。しかしながら、ＥＣＧ信号の連続的なＲＲ間隔からＨＲＶを長時間測定するためのゴールドスタンダード法が大きな妨げとなり、非実用的であることが多い。さらに別のアプローチとして心音信号または心音図（ＰＣＧ：ｐｈｏｎｏｃａｒｄｉｏｇｒａｍ）の解析も文献に掲載されている。研究から、１３０Ｈｚを超える拡張期心音のスペクトルのエネルギーが非ＣＡＤ被験者と比較してＣＡＤ患者で大きいことが明らかにされている。しかしながら、ＰＣＧ信号は、周囲雑音の影響を極めて受けやすく、よって拡張期心音の正確な分離は必ずしも些細なことでない場合がある。そのうえ、多くの人は心音が弱いことも、処理することをさらに難しくしている。このため、１つの生体信号からＣＡＤを正確に推定することは、依然として未解決の問題になっている。

一方、指尖容積脈波（ＰＰＧ：ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ）は、毛細管中の瞬間血流を測定する簡便で安価な非侵襲的技術である。ＰＰＧの時間、周波数および形態的特徴は、心拍数、血圧、ＨＲＶ等を含むいくつかの生体パラメータを、推奨に値する正確さで推定するのに広く使用される。ＰＰＧ信号は、展開のしやすさのため、ＥＣＧの代わりにＨＲＶ関連の特徴を抽出するのに使用される。ＨＲＶ関連の特徴は、ＰＣＧからも得られる点に留意されたい。しかしながら、これには、デジタル聴診器を用いて心音を長期間取得する必要があり、利用者にとって厄介である。これに加えて、これらの技術は高くつく。

従来技術で生体信号からの冠動脈疾患（ＣＡＤ）検出に直接かつ厳密に関するものはない。それらでは、そうした信号からの心血管疾患の可能な診断法について大まかに論じられているか、または末梢動脈疾患（ＰＡＤ：ｐｅｒｉｐｈｅｒａｌ ａｒｔｅｒｉａｌ ｄｉｓｅａｓｅ）の診断法に焦点が当てられているかのどちらかである。従来技術でＣＡＤ診断の異なる判定の融合について論じたものはない。よって、複数の生体信号に基づく複数の分類器システムの判定の融合により冠動脈疾患（ＣＡＤ）患者を特定することは依然として、当該技術領域の最も大きな課題の１つと考えられる。

以下は、本開示のいくつかの実施形態の基本的な理解を与えるため、それら実施形態の簡単な概要を示す。この概要は、実施形態の広範囲に及ぶ概略ではない。この概要は、実施形態の重要／重大要素を特定すること、または実施形態の範囲を詳述することを意図するものではない。その唯一の目的は、下記に示すより詳細な説明の前置きとして簡単な形式で一部の実施形態を示すことである。

上記に鑑み、本明細書の実施形態は、人の冠動脈疾患（ＣＡＤ）の検出のためのシステムを提供する。本システムは、複数の生体センサ、メモリおよびメモリと通信するプロセッサを含む。複数の生体センサは、人から複数の生体信号をキャプチャする。プロセッサは、信号処理モジュール、特徴抽出モジュール、分類モジュール、融合モジュールおよび検出モジュールをさらに含む。信号処理モジュールは、複数の雑音を除去するため複数の生体信号を処理する。特徴抽出モジュールは、処理された生体信号の各々から時間領域特徴、周波数領域特徴、時間−周波数領域特徴および統計的特徴を抽出する。分類モジュールは、生体信号分類器を用いて人を特徴の各々から独立にＣＡＤまたは正常に分類し、分類は教師あり機械学習技術を用いて行われる。融合モジュールは、生体信号分類器の出力を融合する。人の冠動脈疾患の存在を検出するための検出モジュールは、事前に定められた基準に基づき生体信号分類器を使用する。

別の実施形態では、人の冠動脈疾患（ＣＡＤ）の検出のための非侵襲的方法を提供する。最初に複数の生体センサを用いて人からの複数の生体信号がキャプチャされる。次のステップでは、信号処理モジュールを用いて複数の雑音を除去するため複数の生体信号が処理される。さらに、特徴抽出モジュールを用いて、処理された生体信号の各々から時間領域特徴、周波数領域特徴、時間−周波数領域特徴および統計的特徴が抽出される。次のステップでは、生体信号分類器を用いて特徴の各々から人が独立にＣＡＤまたは正常に分類され、分類は教師あり機械学習技術を用いて行われる。次いで生体信号分類器の出力が融合される。最後に、事前に定められた基準に基づき生体信号分類器の融合された出力を用いて人の冠動脈疾患の存在が検出される。

なお別の実施形態では、１つまたは複数のハードウェアプロセッサにより実行されると、複数の生体センサを用いて人から複数の生体信号をキャプチャすることを含む動作を行う１つまたは複数の命令を含む、１つまたは複数の非一時的機械可読情報記憶媒体を提供する。さらに、信号処理モジュールを用いて複数の雑音を除去するため複数の生体信号を処理する。次いで、特徴抽出モジュールを用いて、処理された生体信号の各々から時間領域特徴、周波数領域特徴、時間−周波数領域特徴および統計的特徴を抽出する。さらに、生体信号分類器を用いて特徴の各々から人を独立にＣＡＤまたは正常に分類し、分類は教師あり機械学習技術を用いて行われる。さらには、生体信号分類器の出力を融合し、次いで事前に定められた基準に基づき生体信号分類器の融合された出力を用いて人の冠動脈疾患の存在を検出する。

本明細書の実施形態は、図面に関連した以下の詳細な説明から理解が深まるであろう。

本開示の実施形態による、人の冠動脈疾患（ＣＡＤ）の検出のためのシステムのブロック図を図示する。 本開示の実施形態による、人からキャプチャされたＰＰＧ信号サンプルを示す。 本開示の実施形態による、人の冠動脈疾患（ＣＡＤ）の検出に関連するステップを図示するフローチャートである。 本開示の実施形態による、人の冠動脈疾患（ＣＡＤ）の検出に関連するステップを図示するフローチャートである。 本開示の実施形態による、異なる分類器間の比較分析をグラフ化したものを示す。 本開示の実施形態による、超平面を用いた融合の被験者レベルの解析をグラフ化したものを示す。

本明細書の実施形態ならびにそれらの様々な特徴および有利な詳細は、添付図面に図示される非限定的な実施形態を参照しながら、以下の記載に詳述され、より詳しく説明される。本明細書に使用される例は単に、本明細書の実施形態を実施できる方法の理解を促進し、さらに当業者が本明細書の実施形態を実施できるようにすることを意図している。そのため、各例は、本明細書の実施形態の範囲を限定するものと解釈してはならない。

単語「を含む（ｃｏｍｐｒｉｓｉｎｇ）」、「を有する（ｈａｖｉｎｇ）」、「を含む（ｃｏｎｔａｉｎｉｎｇ）」および「を含む（ｉｎｃｌｕｄｉｎｇ）」ならびにそれらの他の形は、これらの単語のいずれか１つに続く項目（単数または複数）が、そうした項目（単数または複数）の網羅的リストであることを意図するものではないあるいは列挙された項目（単数または複数）のみに限定されることを意図するものではないという点で、意味が同等であり、非限定的であることを意図している。

さらに本明細書および添付の特許請求の範囲で使用する場合、単数形「１つの（ａ、ａｎ）」および「前記（ｔｈｅ）」は、文脈上明らかに他の意味に解すべき場合を除き、複数のものを含む点にも留意しなければならない。本開示の実施形態の実施または試験の際に、本明細書に記載のシステムおよび方法と類似または同等の任意のシステムおよび方法を使用してもよいけれども、ここでは好ましいシステムおよび方法を記載する。

次に、本開示の、そのすべての特徴を例証するいくつかの実施形態を詳細に考察する。開示された実施形態は、単に本開示の例示であり、実施形態は様々な形態で具現化することができる。

詳細な説明を記載する前に、下記の考察はすべて、記載されている特定の実装にかかわらず、限定的なものではなく本質的に例示である点に留意されたい。

次に、各図を通じて同様の参照文字が一貫して対応する特徴を示す各図面を、より詳細には図１を参照すると、好ましい実施形態が示され、これらの実施形態は、以下の例示的システムおよび／または方法の文脈で記載される。

本開示の実施形態による、人の冠動脈疾患（ＣＡＤ）の検出のためのシステム１００を図１に示す。本開示は、例えば指尖容積脈波（ＰＰＧ）、心電図（ＥＣＧ：ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｍ）、心音図（ＰＣＧ）、皮膚電気反射（ＧＳＲ：ｇａｌｖａｎｉｃ ｓｋｉｎ ｒａｔｅ）、赤外線ビデオ等、複数の低コストの非侵襲的生体信号の解析に基づき人をＣＡＤ／非ＣＡＤに分類するための教師あり学習アプローチを提供する。本開示は、低コストのセンサを用いて生体信号を非侵襲的にキャプチャする方法を提供する。本開示はまた、センサ非依存的システムも提供する、すなわち本方法は、生体信号をキャプチャするためのセンサの品質に依存しない。

本開示の実施形態によるシステム１００のブロック図を図１に示す。システム１００は、複数の生体センサ１０２、メモリ１０４およびメモリ１０４と通信するプロセッサ１０６を含む。メモリ１０４は、複数のアルゴリズムを記憶するように構成されている。プロセッサ１０６は、様々な機能を実行するため複数のモジュールをさらに含む。複数のモジュールは、様々な機能を実行するためメモリ１０４に記憶された複数のアルゴリズムにアクセスする。複数のモジュールは、信号処理モジュール１０８、特徴抽出モジュール１１０、分類モジュール１１２、融合モジュール１１４および検出モジュール１１６を含む。

本開示の実施形態によれば、システム１００は、人から生体信号をキャプチャするための複数の生体センサ１１２を含む。本例では、システム１００は、人のＣＡＤの検出（ｄｅｔｅｃｔｉｏｎ ＣＡＤ）のため心音図（ＰＣＧ）信号および光電式容積脈波（ＰＰＧ）信号を使用している。例えば皮膚電気反射（ＧＳＲ：ｇａｌｖａｎｉｃ ｓｋｉｎ ｒｅｓｐｏｎｓｅ）、心電図（ＥＣＧ）等の他の生体信号の使用は、十分に本開示の範囲内である。

本開示の実施形態によれば、システム１００は、人からの心音の収集のためのデジタル聴診器１１８を使用している。これは、心音をデジタル化し記憶するためスマートフォンに装着できる音響設計された３Ｄプリントキャビティを含む低コストのデジタル聴診器１１８である。ＰＣＧは、病院のカテーテル室（ｃａｔｈ ｌａｂ：ｃａｔｈｅｔｅｒｉｚａｔｉｏｎ ｌａｂｏｒａｔｏｒｙ）の非制御環境で８０００Ｈｚのサンプリング速度で１分間、各被験者からキャプチャされる。これは、システムがバックグランドノイズに対処するのに十分安定するように意図的に行った。その後、ＰＰＧ信号を、６０Ｈｚで指先型パルスオキシメータ１２０を用いて被験者の右手人差し指から収集した。測定中にＨＲＶに関する情報を保存できるように、ＰＰＧデータ収集の期間を５分間固定した。ＰＰＧ信号は、耳、つま先および額など体の他の任意の周辺部から収集することもできる。

本開示の実施形態によれば、システム１００は、信号処理モジュール１０８をさらに含む。信号処理モジュール１０８は、キャプチャされたＰＣＧ信号およびＰＰＧ信号から複数の雑音を除去するように構成されている。キャプチャされたＰＣＧ信号では、可聴域において周囲雑音の影響を極めて受けやすい。制約のある静かな環境においても、人体と聴診器の接触領域で生じる摩擦雑音により信号が大きく崩れる。雑音のあるＰＣＧからの基本的な心音の分離は、難しい作業である。ロジスティック回帰に基づくＨＳＭＭを適用して、入力データから非常に明確な１つの信号および部分的に雑音のある１つの信号について心音を分離する。こうして、基本的な心音を分離する代わりに、窓を用いたアプローチを使用した。

心音に関する関連情報は典型的には５００Ｈｚよりはるかに低く記憶される。ローパスフィルタを使用して５００Ｈｚを超えるすべての周波数成分を除去する。その後、信号を小さなオーバーラップ窓に分割して、個々の心拍に対応する時間的情報を保持する。安定した心臓病患者の心拍数は３０ｂｐｍを下回らないため、２秒ごとの窓長により、あらゆる窓に少なくとも１つの完全な心拍の存在が確保される。時間および周波数領域特徴は、各窓から抽出される。

表Ｉは、ＣＡＤ患者が典型的には非ＣＡＤ被験者と比較して、スペクトルパワー比の高い値を有するが、スペクトル重心、スペクトルロールオフ、スペクトルフラックスおよび時間領域の尖度の低い値を有することを示す。周波数領域特徴を抽出する場合、各窓の短時間フーリエ変換（ＳＴＦＴ：Ｓｈｏｒｔ Ｔｉｍｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を計算してスペクトルを得る。表Ｉでは、ｋ番目の時間窓Ｗ_ｋ（ｔ）の場合、ＮおよびＳ_ｋ（ｗ）は特徴を代表するため、それぞれ窓の長さおよび対応するスペクトルパワーの振幅であると仮定した。

さらに、ＰＰＧ信号も、いくつかの雑音成分を含む。その中に存在する低周波雑音は、被験者の呼吸数（典型的には１４〜１８回／分）に起因して生じる。いくつかの高周波数雑音成分も、モーションアーチファクトおよびセンサの回路ノイズに起因して存在する。それらを軽減させるため、キャプチャされたＰＰＧ信号は、０．５Ｈｚおよび１０Ｈｚのカットオフ周波数を有するバンドパスフィルタに送る。図２は、ＰＰＧ信号サンプルの２回の完全なサイクルを示し、その特徴の一部を表示する。表ＩＩは、本開示に使用されるＣＡＤ被験者および非ＣＡＤ被験者の様々な特徴と共にそれらの範囲を詳述する。これらのうち、特徴１、２、３、５、７、９および１１はＨＲＶに関係し、残りはパルス波形に関係する。

本開示の実施形態によれば、処理されたＰＣＧ信号および処理されたＰＰＧ信号はさらに、特徴抽出モジュール１１０への入力として提供する。特徴抽出モジュール１１０は、処理された生体信号の各々から時間領域特徴、周波数領域特徴、時間−周波数領域特徴および統計的特徴を抽出する。様々な特徴のリストを表ＩＩに掲載する。他の多くの特徴もこれら複数の生体信号から抽出することができることを理解されたい。これらの特徴は、人の心拍の形状および心拍変動（ＨＲＶ）に対応する特徴の組み合わせのセットである。心拍の形状および心臓弁の機能に対応する特徴は、広帯域ＰＣＧ信号を用いて抽出される。一方、詳細な心拍変動に対応する特徴は、狭帯域ＰＰＧ信号およびＥＣＧ信号を用いて抽出される。

本開示の実施形態によれば、システム１００は分類モジュール１１２を含む。分類モジュール１１２は、生体信号分類器を用いて独立に特徴の各々から人を分類するように構成されている。本例では生体信号分類器は、ＰＰＧ分類器およびＰＣＧ分類器を含む。分類には機械学習方法を使用している。一実施形態では、サポートベクターマシン（ＳＶＭ：ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）を分類に使用する。線形ＳＶＭおよび非線形ＳＶＭの両方を研究した。そして放射基底関数（ＲＢＦ：Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ）カーネルを用いた非線形ＳＶＭが最適な性能を生み出すことが分かっている。ただし人工ニューラルネットワーク（ＡＮＮ：ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）およびランダムフォレスト等の他の任意の教師あり学習技術の使用も十分に本開示の範囲内である。

本開示の実施形態によれば、システム１００は、融合モジュール１１４および検出モジュール１１６をさらに含む。融合モジュール１１４は、ＰＰＧ分類器およびＰＣＧ分類器の出力を融合するように構成されている。ＳＶＭは、最適分離超平面に訓練サンプルをフィッティングすることにより、多次元の特徴空間で２つのクラスを分離する。ＳＶＭの目的関数は、超平面と最も近い訓練サンプル（サポートベクター）との間のマージンを最大化することを目的とする。所与のサンプルの場合、超平面までの距離が長いほど、出力クラスラベルは信頼性が高くなる。ＳＶＭのこの基本概念を本開示に使用して、２つの独立した分類器の結果を融合する。

検出モジュール１１６は、人がＣＡＤの人かまたは非ＣＡＤの人であるかどうか、その人を検出するように構成されている。人において、ＰＣＧに基づく分類器とＰＰＧに基づく分類器との間に分類ミスマッチがある場合、本試験のデータポイントの分離超平面からの（ｆｏｒｍ）絶対距離をより長くする分類器が、最終決定を行うのに信頼性の高いソース（ｓｏｕｒｃｅ）と見なされる。よって、ｎ個の独立した分類器において、ある分類器の結果がＣＡＤで＋１および非ＣＡＤで−１と表示される場合、被験者ごとに、最終的な値Ｆは以下の通り計算される。

ここでｉ番目の分類器（ｎ＝２、すなわちＰＣＧおよびＰＰＧ）の場合、ｐｒｅｄ_ｉおよびｄｉｓｔ_ｉは、予測ラベルおよびＳＶＭ超平面からのデータポイントの絶対距離値である。正の値のＦは、融合後の最終的な予測ラベルをＣＡＤとして、そうでない場合は非ＣＡＤとして示す。

作業に関しては、人の冠動脈疾患（ＣＡＤ）の検出のためのフローチャート２００を図３に示す。最初にステップ２０２で、複数の生体信号は、複数の生体センサ１０２を用いて人からキャプチャされる。本例では、分類のためＰＣＧ信号およびＰＰＧ信号が使用される。次のステップ２０４では、複数の生体信号は、信号処理モジュール１０８を用いて複数の雑音を除去するため処理される。

ステップ２０６では、時間領域特徴、周波数領域特徴、時間−周波数領域特徴および統計的特徴は、処理された生体信号の各々から特徴抽出モジュール１１０を用いて抽出される。次のステップ２０８では、人は、特徴の各々から生体信号分類器を用いて独立にＣＡＤまたは正常に分類される。分類は教師あり機械学習技術を用いて行われる。一実施形態では、サポートベクターマシンが分類に使用されている。

ステップ２１０では、生体信号分類器の出力は融合モジュール１１４を用いて融合される。そして最後に、人の冠動脈疾患の存在が、事前に定められた基準に基づき生体信号分類器の融合された出力を用いて検出される。事前に定められた基準は、生体信号分類器の出力間に分類ミスマッチがある場合、信頼性の高い分類器は、生体信号分類器の各々のうち最も高い確率スコアを有する分類器の結果に基づき選択されることを含む。

本開示の実施形態によれば、人の冠動脈疾患の検出のための方法は、以下の実験的知見を活用してバリデーションを行うことができる。実験は、２６名の参加者を対象に行った。

実験データセットは、心臓の閉塞割合が様々なＣＡＤ患者を含む一方、非ＣＡＤ集団は健常被験者および非心疾患患者の両方からなる。最初に、循環器疾患の既往歴のない２２〜２５歳の健常被験者１１人を非ＣＡＤ被験者として選択した。データセットには、非循環器疾患のためインドのコルカタ（Ｋｏｌｋａｔａ）の都市病院で処置を受けている４５〜６８歳の患者４人も含まれた。最後に、血管造影で確定診断された３８〜８２歳のＣＡＤ患者１０人を同じ病院から選択した。よって全体は、非ＣＡＤ１５人およびＣＡＤ被験者１０人を含む合計２５人の被験者になった。１０人のＣＡＤ患者のうち、２人の患者は心臓の閉塞が３０％と軽微であった一方、残りは閉塞が８０％であった。すべての被験者に実験の目的について話し、全データセットを匿名で保存した。

心音収集のための社内のデジタル聴診器。これは、心音をデジタル化し記憶するためスマートフォンに装着できる、音響設計された３Ｄプリントキャビティを含む低コストのデジタル聴診器である。ＰＣＧは、病院のカテーテル室（ｃａｔｈ ｌａｂ）の非制御環境において８０００Ｈｚのサンプリング速度で１分間被験者それぞれからキャプチャする。これは、我々のシステムがバックグランドノイズに対処するのに十分安定するように意図的に行った。その後、ＰＰＧ信号を、６０Ｈｚで指先型パルスオキシメータを用いて被験者の右手人差し指から収集した。測定中にＨＲＶに関する情報を保存できるように、ＰＰＧデータ収集の期間を５分間固定した。

比較的に小さなデータセットに関する網羅的バリデーションの場合、結果の報告にＬｅａｖｅ Ｏｎｅ Ｏｕｔクロスバリデーション（ＬＯＯＣＶ：Ｌｅａｖｅ Ｏｎｅ Ｏｕｔ Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ）アプローチを使用した。性能解析は、ＣＡＤ患者を特定する感度（Ｓｅ：ｓｅｎｓｉｔｉｖｉｔｙ）および特異度（Ｓｐ：ｓｐｅｃｉｆｉｃｉｔｙ）の点から行った。全体正解率をＡｃｃ＝（Ｓｅ＋Ｓｐ）＝２として測定する。

図４は、本稿で研究した様々な方法間の比較分析を、いくつかの一般的な従来の技術と共に示す。ＰＣＧの従来技術は、ＣＡＤを特定するため自己回帰（ＡＲ：ａｕｔｏｒｅｇｒｅｓｓｉｖｅ）モデルを用いてＰＣＧの拡張期部分をモデル化する一方、ＰＰＧの従来技術は、比較頂点時間（ｒｅｌａｔｉｖｅ ｃｒｅｓｔ ｔｉｍｅ）を識別的特徴と見なすＰＰＧに基づくアプローチである。我々の提案したＰＣＧ特徴およびＰＰＧ特徴は従来技術より優れていることが観察できる。しかしながら、それらのいずれにより得られた感度スコアも、大部分が不満足である（０：６）。単純な特徴レベル融合も行った。この融合では、１６個の特徴（５個のＰＣＧ特徴＋１１個のＰＰＧ特徴）をすべて組み合わせて分類のための複合特徴セットを形成する。感度（０：８）の向上にもかかわらず、特異度（０：７）が下がり、全体正解率スコアは先の方法と類似することが観察される。その後、単純多数決を用いた融合をベンチマークアプローチとして判定レベルで適用した。ここで分類器のいずれかが被験者をＣＡＤに区分する場合、その被験者をＣＡＤと宣言する。このアプローチにおいて非常に高い感度（０：９）が達成されるものの、特異度は著しく下がり（０：６７）、結果として全体正解率（０：７９）の向上は最低限にとどまる。

感度（０：８）および特異度（０：９３）双方の著しい向上は、提案した超平面を用いた融合アプローチを組み込むことにより同時に達成することができ、結果としてすべての中で最高の正答率（Ａｃｃ＝０：８７）をもたらす。図５は、全被験者について融合技術の詳細な結果を掲載する。ここでは、融合の効果を示すためＳＶＭ超平面からの絶対距離値と共に両方の分類器による予測ラベルを示した。

図５（ａ）に示すように、１０人のＣＡＤ被験者のうち、６症例でＰＰＧ分類器とＰＣＧ分類器との間にミスマッチがある。そうした６症例のうち５つ（被験者１０を除く）では、提案した融合技術により正しい判定が得られる。しかしながら、非ＣＡＤ被験者では、１５症例のうち５つ（図５（ｂ）の被験者３、６、９、１２および１３）にこの判定のミスマッチがあり、提案した融合技術は、それら５つの不一致のうち４つを正しく解決できた。より厳密な検査から、３０％閉塞を有するボーダーラインのＣＡＤ患者２人のうち１人（図５（ａ）の被験者５）は、ＰＰＧ分類器およびＰＣＧ分類器の両方で分類されないことがさらに明らかになった。考えられる理由は、そうした被験者のＰＰＧ特徴およびＰＣＧ特徴が重度のＣＡＤ患者よりむしろ正常な人に類似しているためである。故にそうした被験者は、医師によっても特定するのが非常に難しい。誤検出された唯一の非ＣＡＤ被験者（図５（ｂ）の被験者６）は、喘息関連問題の処置を受けている患者であった。ＰＰＧ分類器で正しく検出されたにもかかわらず、融合アルゴリズムでは、ＰＣＧ分類器がＣＡＤとして与える高い信頼度スコアによりこの被験者を特定できない。喘息患者のＰＣＧ特徴がＣＡＤ患者の何らかの類似性を含むのかどうかは現時点では不明である。

一方、保護の範囲は、そうしたプログラムに加えて、メッセージを中に有するコンピュータ可読手段に及ぶことが理解されよう。そうしたコンピュータ可読記憶手段は、プログラムがサーバもしくは携帯デバイスまたは任意の好適なプログラム可能デバイス上で実行する場合、本方法の１つまたは複数のステップを実装するプログラムコード手段を含む。ハードウェアデバイスは、たとえばサーバもしくはパーソナルコンピュータまたは同種のもののような任意の種類のコンピュータあるいはそれらの任意の組み合わせを含む、プログラム可能などのような種類のデバイスであってもよい。デバイスは、たとえば特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：ｆｉｅｌｄ−ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）のようなハードウェア手段、あるいはハードウェア手段とソフトウェア手段との組み合わせ、たとえばＡＳＩＣおよびＦＰＧＡ、または少なくとも１つのマイクロプロセッサおよび中にソフトウェアモジュールが所在する少なくとも１つのメモリであってもよい各手段をさらに含んでもよい。よって、本手段は、ハードウェア手段およびソフトウェア手段の両方を含んでもよい。本明細書に記載の方法実施形態は、ハードウェアおよびソフトウェアに実装することができる。本デバイスは、ソフトウェア手段をさらに含んでもよい。あるいは、実施形態は、たとえば複数のＣＰＵを用いて異なるハードウェアデバイス上に実装してもよい。

本明細書の実施形態は、ハードウェア要素およびソフトウェア要素を含んでもよい。ソフトウェアに実装される実施形態として、以下に限定されるものではないが、ファームウェア、常駐ソフトウェア、マイクロコード等が挙げられる。本明細書に記載の様々なモジュールにより実行される機能は、他のモジュールまたは他のモジュールの組み合わせに実装されてもよい。本記載の目的上、コンピュータ使用可能またはコンピュータ可読媒体は、命令実行システム、装置またはデバイスにより使用される、あるいはそれらに関連して使用されるプログラムを含む、記憶する、通信する、伝播する、または搬送することができるどのような装置であってもよい。

媒体は、電子、磁気、光学、電磁気、赤外線もしくは半導体のシステム（または装置またはデバイス）あるいは伝播媒体であってもよい。コンピュータ可読媒体の例として、半導体またはソリッドステートメモリ、磁気テープ、取り外し可能コンピュータディスケット、ランダムアクセスメモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、読み出し専用メモリ（ＲＯＭ：ｒｅａｄ−ｏｎｌｙ ｍｅｍｏｒｙ）、剛性磁気ディスクおよび光ディスクが挙げられる。光ディスクの現在の例として、コンパクトディスク読み出し専用メモリ（ＣＤ−ＲＯＭ：ｃｏｍｐａｃｔ ｄｉｓｋ−ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、コンパクトディスク読み取り／書き込み（ＣＤ−Ｒ／Ｗ：ｃｏｍｐａｃｔ ｄｉｓｋ−ｒｅａｄ／ｗｒｉｔｅ）およびＤＶＤが挙げられる。

プログラムコードを記憶および／または実行するのに好適なデータ処理システムは、システムバスを通してメモリ要素に直接的または間接的に結合された少なくとも１つのプロセッサを含む。メモリ要素は、プログラムコードの実際の実行の間に利用されるローカルメモリと、大容量記憶装置と、実行中に大容量記憶装置からコードを読み出なければならない回数を減らすため少なくとも一部のプログラムコードの一時記憶を行うキャッシュメモリとを含んでもよい。

入力／出力（Ｉ／Ｏ：ｉｎｐｕｔ／ｏｕｔｐｕｔ）デバイス（キーボード、ディスプレイ、ポインティングデバイス等があるが、それらに限定されるものではない）は、直接または介在するＩ／Ｏコントローラを介して、システムに結合することができる。システムにネットワークアダプタをさらに結合して、介在するプライベートネットワークまたはパブリックネットワークを介してデータ処理システムが他のデータ処理システムまたはリモートプリンタまたは記憶デバイスに結合できるようにしてもよい。現在利用可能なネットワークアダプタのタイプのほんの一部としてモデム、ケーブルモデムおよびイーサネットカードがある。

実施形態を実施するための代表的なハードウェア環境は、本明細書の実施形態による情報処理／コンピュータシステムのハードウェア構成を含んでもよい。本明細書のシステムは、少なくとも１つのプロセッサまたは中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）を含む。ＣＰＵは、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）および入力／出力（Ｉ／Ｏ）アダプタなどの様々なデバイスにシステムバスを介して相互接続される。Ｉ／Ｏアダプタは、ディスクユニットおよびテープドライブなどの周辺デバイス、またはシステムにより読み取り可能な他のプログラム記憶デバイスに接続できる。システムは、プログラム記憶デバイス上の本発明の命令を読み取り、それらの命令に従い本発明の実施形態の方法を実行することができる。

システムは、キーボード、マウス、スピーカ、マイクロホンおよび／またはタッチスクリーンデバイス（図示せず）などの他のユーザインターフェースデバイスをバスに接続してユーザ入力を集合させるユーザインタ−フェースアダプタをさらに含む。加えて、通信アダプタは、データ処理ネットワークにバスを接続し、ディスプレイアダプタは、たとえばモニタ、プリンタまたは送信機などの出力デバイスとして具現化してもよいディスプレイデバイスにバスを接続する。種々の実施形態を参照しながら前述の説明を提示してきた。本出願の属する技術分野の当業者は、記載された動作の構造および方法における変形および変化を、原理、精神および範囲から重大な逸脱をすることなく、施し得ることを理解するであろう。

Claims (17)

1. 人の冠動脈疾患（ＣＡＤ）の検出のための非侵襲的方法であって、
   複数の生体センサを用いて前記人から複数の生体信号をキャプチャするプロセッサ実装ステップ、
   信号処理モジュールを用いて複数の雑音を除去するために前記複数の生体信号を処理するプロセッサ実装ステップ、
   特徴抽出モジュールを用いて前記処理された生体信号の各々から時間領域特徴、周波数領域特徴、時間−周波数領域特徴および統計的特徴を抽出するプロセッサ実装ステップ、
   生体信号分類器を用いて前記特徴の各々から前記人を独立にＣＡＤまたは正常に分類するプロセッサ実装ステップであって、前記分類は教師あり機械学習技術を用いて行われるプロセッサ実装ステップ、
   前記生体信号分類器の出力を融合するプロセッサ実装ステップ、ならびに
   事前に定められた基準に基づき前記生体信号分類器の前記融合された出力を用いて前記人の冠動脈疾患の存在を検出するプロセッサ実装ステップ、
   を含む方法。
2. 前記生体信号分類器の前記出力間に分類ミスマッチがある場合、前記事前に定められた基準は信頼性の高い分類器を選択するステップを含む、請求項１に記載の方法。
3. 前記信頼性の高い分類器は、前記生体信号分類器の各々のうち最も高い確率スコアを有する前記分類器の結果に基づき選択される、請求項２に記載の方法。
4. 前記複数の信号は心音図（ＰＣＧ）信号、指尖容積脈波（ＰＰＧ）信号および心電図（ＥＣＧ）信号のうちの少なくとも１つまたは複数を含む、請求項１に記載の方法。
5. 前記生体信号分類器はＰＣＧ分類器、ＰＰＧ分類器およびＥＣＧ分類器を含む、請求項１に記載の方法。
6. 前記指尖容積脈波（ＰＰＧ）信号は前記人の身体末梢部位から抽出される、請求項１に記載の方法。
7. 前記人の身体末梢部位は指先、耳、つま先または額の少なくとも１つである、請求項６に記載の方法。
8. ＥＣＧ信号は携帯型単極誘導ＥＣＧ検査機からキャプチャされ、ＰＣＧはデジタル聴診器を用いてキャプチャされる、請求項１に記載の方法。
9. 前記特徴は心拍の形状および心拍変動（ＨＲＶ）に対応する特徴の組み合わせのセットである、請求項１に記載の方法。
10. 前記心拍の形状および心臓弁機能に対応する特徴は広帯域ＰＣＧ信号を用いて抽出される、請求項９に記載の方法。
11. 詳細な前記心拍変動に対応する前記特徴は狭帯域ＰＰＧ信号およびＥＣＧ信号を用いて抽出される、請求項９に記載の方法。
12. 冠動脈疾患（ＣＡＤ）患者および非冠動脈疾患（ＣＡＤ）患者の前記分類は機械学習方法を使用することにより行われる、請求項１に記載の方法。
13. 前記方法はセンサ非依存的である、請求項１に記載の方法。
14. ５００Ｈｚを超える周波数で前記ＰＣＧ信号にフィルタをかけるためローパスフィルタを使用するステップをさらに含む、請求項１に記載の方法。
15. ０．５Ｈｚ〜１０Ｈｚの周波数で前記ＰＰＧ信号にフィルタをかけるためバンドパスフィルタを使用するステップをさらに含む、請求項１に記載の方法。
16. 人の冠動脈疾患（ＣＡＤ）の検出のための非侵襲的システムであって、
    前記人から複数の生体信号をキャプチャするための複数の生体センサと、
    メモリと、
    前記メモリと通信するプロセッサであり、
    複数の雑音を除去するため前記複数の生体信号を処理する信号処理モジュール、
    前記処理された生体信号の各々から時間領域特徴、周波数領域特徴、時間−周波数領域特徴および統計的特徴を抽出するための特徴抽出モジュール、
    生体信号分類器を用いて前記特徴の各々から前記人を独立にＣＡＤまたは正常に分類するための分類モジュールであり、前記分類は教師あり機械学習技術を用いて行われる、分類モジュール、
    前記生体信号分類器の出力を融合するための融合モジュール、ならびに
    事前に定められた基準に基づき前記生体信号分類器を用いて前記人の前記冠動脈疾患の存在を検出するための検出モジュール、
    をさらに含む、プロセッサと、
    を含む、非侵襲的システム。
17. １つまたは複数の非一時的機械可読情報記憶媒体であって、１つまたは複数のハードウェアプロセッサにより実行されると、
    複数の生体センサを用いて人から複数の生体信号をキャプチャすること、
    信号処理モジュールを用いて複数の雑音を除去するため前記複数の生体信号を処理すること、
    特徴抽出モジュールを用いて前記処理された生体信号の各々から時間領域特徴、周波数領域特徴、時間−周波数領域特徴および統計的特徴を抽出すること、
    生体信号分類器を用いて前記特徴の各々から前記人を独立にＣＡＤまたは正常に分類する動作であって、前記分類は教師あり機械学習技術を用いて行われること、
    前記生体信号分類器の出力を融合すること、ならびに
    事前に定められた基準に基づき前記生体信号分類器の前記融合された出力を用いて前記人の冠動脈疾患の存在を検出すること、
    を含む動作を行う１つまたは複数の命令を含む非一時的機械可読情報記憶媒体。