JP2019055173A - 単極誘導心電図（ｅｃｇ）信号中の律動を識別するためのカスケード２値クラシファイア - Google Patents

Abstract

【課題】律動を分類するためのロバストでより効率的なシステムおよび方法を提供する。【解決手段】取得された単極誘導ＥＣＧ信号からクリーンなＥＣＧ信号を得るスペクトログラムベースのノイズ除去と、抽出された特徴のプールから最適特徴を選択する、分類の各層での最適特徴の選択と、クラシファイアの各層でクリーンなＥＣＧ信号中の律動を識別する多層カスケード２値クラシファイアとを実装することにより、律動、例えば、正常、ＡＦ、他の異常律動、および多ノイズＥＣＧ記録を分類するためのロバストでより効率的なシステムおよび方法を提供する。【選択図】図３

Description

関連出願および優先権の相互参照
本特許出願は、２０１７年９月１９日に出願のインド国特許出願第２０１７２１０３３２１０号に基づく優先権を主張する。

技術分野
本明細書の開示は、一般に心電図（ＥＣＧ：ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｍ）の信号解析に関し、さらに具体的には、カスケード２値クラシファイアを用いて単極誘導心電図（ＥＣＧ）信号中の律動を識別するためのシステムおよび方法に関する。

心房細動（ＡＦ：Ａｔｒｉａｌ Ｆｉｂｒｉｌｌａｔｉｏｎ）は、脳卒中、心不全、または他の合併症につながる一般的な種類の心臓病である。毎年、何百万人もの人々がＡＦを患い、この病気の有病率は増大する傾向にある。ＡＦの非侵襲的検出は、かなり長期に亘って研究活動のポピュラーな分野になっている。心拍の不整は、ＡＦの最も一般的な症候と考えられ、ＥＣＧで追跡することができる。しかしながら、ＡＦは一時的発症であり、その正確な検出は必ずしも容易なことではない。従来式のＡＦ検出器は、ほとんどが心房活動解析ベース、または心室応答解析ベースの方法をとっている。心房活動解析ベースのＡＦ検出器では、ＴＱ間隔中のＰ波の欠如またはｆ波の存在が調べられる。他方、心室応答解析ベースの方法では、心拍不整を識別するために、ＲＲ間隔から時間、周波数、および形態学的特徴が抽出される。しかしながら、旧来式の方法は、リアルタイム展開に関しいくつかの限界を有しており、第１に、それらのほとんどは、臨床的に容認された誘導ＥＣＧ信号の倍数で、比較的に長い持続時間の間記録されて確認されている。第２に、アルゴリズムのほとんどが、注意深く選択されたクリーンなデータに適用されている。しかしながら、実際の状況では、ＥＣＧ信号は多くの場合、本来的にノイズが多いものである。第３に、多くの場合、検査用データセットのサイズが結論（または決定）を出すのに適切でなく、これにより誤分類が生じている。最後に、ほとんどの旧来式または従来式方法は、ＡＦ記録と正常記録との間の２項分類だけを行っている。また一方、ＡＦと類似の心拍パターンを示す、多くの非ＡＦの異常律動（例えば、頻脈、徐脈、不整脈など）があるが、これら非ＡＦの異常律動は、分類の考慮対象となっていない。データセット中でこれらを考慮したとしても、分類作業がより難しくなる。

本開示の実施形態は、本発明者らによって従来式システム中で認識された前述の技術的問題の１つ以上に対するソリューションとして技術的改良を提供する。例えば、一態様において、カスケード２値クラシファイアを用いる、単極誘導心電図（ＥＣＧ）信号中の律動を識別するためのプロセッサ実装の方法が提供される。本方法は、１つ以上のハードウェアプロセッサによって、所定時間間隔の間記録された単極誘導心電図（ＥＣＧ）信号を取得するステップと、クリーンなＥＣＧ信号を得るため、１つ以上のハードウェアプロセッサによって、取得された単極誘導ＥＣＧ信号にスペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用するステップと、クリーンなＥＣＧ信号から１つ以上の特徴を抽出するステップと、最適特徴選択技法を使って、この１つ以上の抽出された特徴から１つ以上の最適特徴を選択するステップであって、最適特徴選択技法は、最小冗長性最大関連性（ｍＲＭＲ：ｍｉｎｉｍｕｍ ｒｅｄｕｎｄａｎｃｙ ｍａｘｉｍｕｍ ｒｅｌｅｖａｎｃｙ）技法、および最大情報係数（ＭＩＣ：Ｍａｘｉｍａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｅｆｆｉｃｉｅｎｔ）技法のうちの少なくとも１つである、この選択するステップと、２値カスケードクラシファイアを用いて、この選択された１つ以上の最適特徴に基づき、単極誘導心電図（ＥＣＧ）信号およびクリーンなＥＣＧ信号のうちの少なくとも１つの中の、１つ以上の正常律動、異常律動の第１セット、および異常律動の第２セットのうちの少なくとも１つを識別するステップと、を含む。

或る実施形態において、１つ以上のハードウェアプロセッサによって、取得された単極誘導ＥＣＧ信号にスペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用するステップは、取得された単極誘導ＥＣＧ信号を、複数のウィンドウにリアルタイムで分割するステップと、これら複数のウィンドウの各々のスペクトログラムをリアルタイムで計算するステップと、複数のウィンドウの各々の計算されたスペクトログラムと動的に計算された閾値との比較をリアルタイムで行うステップであって、この動的に計算された閾値は信号対ノイズ比（ＳＮＲ：ｓｉｇｎａｌ ｔｏ ｎｏｉｓｅ ｒａｔｉｏ）に基づいている、この比較を行うステップと、この比較に基づいて、複数のウィンドウの少なくとも一サブセット中のノイズをリアルタイムで算定するステップと、複数のウィンドウの少なくとも一サブセット中のこの算定されたノイズに基づいて、クリーンなＥＣＧ信号を抽出するステップと、を含み得る。

或る実施形態において、複数のウィンドウの少なくとも一サブセットの各ウィンドウが閾値電力を上回る電力を有するときに、このサブセットにおいてノイズが算定される。

別の態様において、カスケード２値クラシファイアを用いて、単極誘導心電図（ＥＣＧ）信号中の律動を識別するためのシステムが提供される。本システムは、命令を格納するメモリと、１つ以上の通信インターフェースと、この１つ以上の通信インターフェースを介してメモリに連結された１つ以上のハードウェアプロセッサとを含み、これら１つ以上のハードウェアプロセッサは、命令によって、所定の時間間隔の間記録された単極誘導心電図（ＥＣＧ）信号を取得し、クリーンなＥＣＧ信号を得るため、取得された単極誘導ＥＣＧ信号にスペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用し、クリーンなＥＣＧ信号から１つ以上の特徴を抽出し、最適特徴選択技法を使って、この１つ以上の抽出した特徴から１つ以上の最適特徴を選択し、最適特徴選択技法は、最小冗長性最大関連性（ｍＲＭＲ）技法、および最大情報係数（ＭＩＣ）技法のうちの少なくとも１つであり、ならびに、２値カスケードクラシファイアを用いて、この選択された１つ以上の最適特徴に基づき、単極誘導心電図（ＥＣＧ）信号およびクリーンなＥＣＧ信号のうちの少なくとも１つの中の、１つ以上の正常律動、異常律動の第１セット、および異常律動の第２セットのうちの少なくとも１つを識別する、ように構成される。

或る実施形態において、クリーンなＥＣＧ信号は、取得された単極誘導ＥＣＧ信号に対しスペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用し、取得された単極誘導ＥＣＧ信号を、複数のウィンドウにリアルタイムで分割し、これら複数のウィンドウの各々のスペクトログラムをリアルタイムで計算し、複数のウィンドウの各々の計算されたスペクトログラムと動的に計算された閾値との比較をリアルタイムで行い、この動的に計算された閾値は信号対ノイズ比（ＳＮＲ）に基づいており、この比較に基づいて、複数のウィンドウの少なくとも一サブセット中のノイズをリアルタイムで算定し、および、複数のウィンドウの少なくとも一サブセット中のこの算定されたノイズに基づいて、クリーンなＥＣＧ信号をリアルタイムで抽出する、ことによって抽出される。

或る実施形態において、ノイズは、複数のウィンドウの少なくとも一サブセットの各ウィンドウが閾値電力を上回る電力を有するときに、このサブセットにおいて算定される。

さらに別の態様において、１つ以上の命令を含む１つ以上の非一時的マシン可読情報ストレージ媒体が提供される。これら１つ以上の命令は、１つ以上のハードウェアプロセッサによって実行されると、この１つ以上のハードウェアプロセッサによって、所定時間間隔の間記録される単極誘導心電図（ＥＣＧ）信号を取得させ、クリーンなＥＣＧ信号を得るため、１つ以上のハードウェアプロセッサによって、取得された単極誘導ＥＣＧ信号にスペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用させ、クリーンなＥＣＧ信号から１つ以上の特徴を抽出させ、最適特徴選択技法を使って、この１つ以上の抽出された特徴から１つ以上の最適特徴を選択させ、最適特徴選択技法は、最小冗長性最大関連性（ｍＲＭＲ）技法、および最大情報係数（ＭＩＣ）技法のうちの少なくとも１つであり、ならびに、２値カスケードクラシファイアを用いて、この選択された１つ以上の最適特徴に基づき、単極誘導心電図（ＥＣＧ）信号およびクリーンなＥＣＧ信号のうちの少なくとも１つの中の、１つ以上の正常律動、異常律動の第１セット、および異常律動の第２セットのうちの少なくとも１つを識別させる。

或る実施形態において、１つ以上のハードウェアプロセッサによって、取得された単極誘導ＥＣＧ信号にスペクトログラムベースの多ノイズデータ除去技法を適用するステップは、取得された単極誘導ＥＣＧ信号を複数のウィンドウに分割するステップと、この複数のウィンドウの各々のスペクトログラムを計算するステップと、複数のウィンドウの各々の計算されたスペクトログラムと、動的に計算された閾値との比較を行うステップであって、この動的に計算された閾値は信号対ノイズ比（ＳＮＲ）に基づいている、この比較を行うステップと、この比較に基づいて、複数のウィンドウの少なくとも一サブセット中のノイズを算定するステップと、複数のウィンドウの少なくとも一サブセット中のこの算定されたノイズに基づいて、クリーンなＥＣＧ信号を抽出するステップと、を含み得る。

或る実施形態において、このノイズは、複数のウィンドウのこの少なくとも一サブセットの各ウィンドウが閾値電力を上回る電力を有するときに、このサブセットにおいて算定される。

当然のことながら、前述の概要説明および以降の詳細な説明の両方は、例示のためだけのものであり、本発明の請求対象を限定するものではない。

本開示に組み入れられその一部を構成する添付の図面は、例示的な実施形態を表し、説明と併せ開示対象の原理を解説する役割を果たす。

本開示の或る実施形態による、カスケード２値クラシファイアを用いて、単極誘導心電図（ＥＣＧ）信号中の律動を識別するためのシステムの例示的なブロック図を表す。 本開示の或る実施形態による、図１のシステムによって実行される、カスケード２値クラシファイアを用いて単極誘導心電図（ＥＣＧ）信号中の律動を識別する方法の例示的な流れ図を表す。 本開示の或る例示の実施形態による、図１のシステムの例示的なアーキテクチャを表す。 本開示の或る例示の実施形態による、スペクトログラムベースのノイズ除去のグラフィカル表現を表す。 本開示の或る例示の実施形態による、単極誘導ＥＣＧ信号上のＰＱＲＳＴ検出のグラフィカル表現を表す。

例示的な実施形態を、添付の図面を参照しながら説明する。これらの図において、参照符号の最左の数字は、その参照符号が最初に出現した図を識別する。図面全体を通して、便利な場合は常に、同じまたは類似の部分を指すために同じ参照符号が用いられる。本明細書では開示対象の原理の例および特徴を説明するが、開示された実施形態の趣旨および範囲を逸脱せずに、修改、改作、および異なった実装が可能である。以降の詳細な説明は単なる例示と見なすように意図されており、本来の範囲および趣旨は添付の特許請求の範囲に示されている。

（背景技術の段落で）前述したように、旧来式（または従来式）のシステムおよび／または方法はそれら自体の限界を有し、それ故、ＥＣＧ信号を誤分類する傾向があり、それによりアンバランスなマルチラベル分類問題をもたらすことがある。本開示の実施形態は、正常、ＡＦ、その他の異常律動、および多ノイズＥＣＧ記録を分類するためのロバストでより効率的な技法についてのシステムおよび方法を提供する。さらに具体的には、本開示の実施形態は、カスケード２値クラシファイアを用いて単極誘導心電図（ＥＣＧ）信号中の律動を識別するためのシステムおよび方法を提供する。本開示の実施形態は、内部のパフォーマンス評価およびトレーニングモデルの生成に使われた多様なＥＣＧデータセット（フィジオネットチャレンジ２０１７中に掲載されている）での実験結果を提示する。全ての非ＡＦ関連の異常律動は一緒にまとめられて単一のクラスを形成しているので、このデータセット中ではその他の律動についての個別の記録に関する情報は利用できなかった。本開示の実施形態は、１）単一の多クラスクラシファイアの代わりに、多層のカスケード２値クラシファイアと、２）フロントエンドのノイズ除去と、３）各層の分類での特徴のプールからの最適特徴の選択と、を実装することによって、単極誘導心電図（ＥＣＧ）信号中の律動を識別する。

ここで図面を、さらに具体的には図１〜図５を参照すると、同様な参照文字は図を通して一貫して対応する特徴を表していて、好適な実施形態が示されており、これらの実施形態を以降の例示的なシステムおよび／または方法に関連させて説明する。

図１は、本開示の或る実施形態による、カスケード２値クラシファイアを用いて、単極誘導心電図（ＥＣＧ）信号中の律動を識別するためのシステム１００の例示的なブロック図を表す。或る実施形態において、システム１００は、１つ以上のプロセッサ１０４と、通信インターフェースデバイスまたは入力／出力（Ｉ／Ｏ：ｉｎｐｕｔ／ｏｕｔｐｕｔ）インターフェース１０６と、１つ以上のプロセッサ１０４に動作可能に連結された１つ以上のデータストレージデバイスまたはメモリ１０２とを含む。１つ以上のプロセッサ１０４は、１つ以上のソフトウェアの処理モジュールおよび／またはハードウェアのプロセッサであってよい。或る実施形態において、このハードウェアプロセッサは、１つ以上のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、中央処理装置、状態マシン、ロジック回路、および／または、動作命令に基づいて信号を操作する任意のデバイスとして実装することができる。このプロセッサは、他の機能に加えて、メモリ中に格納されたコンピュータ可読命令をフェッチし、実行するように構成される。或る実施形態では、デバイス１００は、ラップトップコンピュータ、ノートブック型、ハンドヘルドデバイス、ワークステーション、メインフレームコンピュータ、サーバ、ネットワーククラウドなど、様々なコンピューティングシステムに実装されてよい。

Ｉ／Ｏインターフェースデバイス１０６は、例えば、ウェブインターフェース、グラフィカルユーザインターフェースなどの様々なソフトウェアおよびハードウェアインターフェースを含むことができ、例えばＬＡＮ、ケーブルなどの有線ネットワーク、ならびにＷＬＡＮ、セルラーまたは衛星などのワイヤレスネットワークを含め、多種多様なネットワークＮ／Ｗおよびプロトコルタイプ内での多地点通信を容易化することができる。或る実施形態において、これらＩ／Ｏインターフェースデバイスは、多くのデバイスを相互にまたは別のサーバに接続するために１つ以上のポートを含むことが可能である。

メモリ１０２は、例えば、スタティックランダムアクセスメモリ（ＳＲＡＭ：ｓｔａｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ：ｄｙｎａｍｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）などの揮発性メモリ、および／または読み取り専用メモリ（ＲＯＭ：ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、消去およびプログラム可能ＲＯＭ、フラッシュメモリ、ハードディスク、光ディスクおよび磁気テープなどの不揮発性メモリを含む、当該技術で周知の任意のコンピュータ可読媒体を含んでよい。或る実施形態において、データベース１０８はメモリ１０２に格納することができ、データベース１０８は、信号（例えば、生データおよびクリーンな信号）、抽出された特徴、最適特徴、律動の型（例えば、正常、異常、心房細動（ＡＦ）、非ＡＦ、トレーニングデータセット、検査用データセットなど）に関する情報を含み得るが、これらに限らない。或る実施形態では、メモリ１０２は、クラシファイア（例えば、カスケード２値クラシファイア）、例えばスペクトログラムベースの多ノイズデータ除去技法、特徴抽出技法、最小冗長性最大関連性（ｍＲＭＲ）技法および／または最大情報係数（ＭＩＣ）技法などの最適特徴選択技法、および同類のものなどを格納することができ、これらは、１つ以上のハードウェアプロセッサ１０４によって（またはシステム１００によって）本明細書に記載の方法を遂行するために実行される。

図１を参照しながら見ると、図２は、本開示の或る実施形態による、図１のシステム１００によって実行される、カスケード２値クラシファイアを用いて単極誘導心電図（ＥＣＧ）信号中の律動を識別する方法の例示的な流れ図を表している。或る実施形態において、システム１００は、１つ以上のハードウェアプロセッサ１０４に動作可能に連結された、１つ以上のデータストレージデバイスまたはメモリ１０２を含み、１つ以上のプロセッサ１０４によって本方法のステップを実行するための命令を格納するように構成される。システム１００は、ＥＣＧ信号に関連する値／情報（および／またはパラメータ、特徴、律動など）を格納する。本開示の方法のステップを、図１および図３に示されたシステム１００のコンポーネント、および図２の流れ図を参照しながら、以下に説明する。本開示の或る実施形態では、ステップ２０２で、１つ以上のハードウェアプロセッサ１０４は、所定の時間間隔（例えば短い持続期間−例えば３０秒）の間記録された単極誘導心電図（ＥＣＧ）信号（以降、ＥＣＧ信号、またはＥＣＧ波形とも言う）を取得する。或る実施形態では、このＥＣＧ信号は、１つ以上のウェアラブルデバイス（例えば、スマート腕時計、健康バンド、フィットバンドなど）またはユーザの健康データを記録する機能のある任意の他のデバイスを用いて記録されてよい。

単極誘導、非医療グレードの装置を使って記録されたＥＣＧ信号は本来的にノイズが多い。記録中のユーザの身体の動き、センサデバイスの電圧の変動、または被験者身体とセンサ電極との間の不適切な接触は、信号を大きく掻乱する。また呼吸による低周波成分も存在する。信号内の多ノイズ部分を突き止め棄却することが、特徴の抽出および分類の前の必須条件と考えられる。本開示の或る実施形態において、ステップ２０４で、１つ以上のハードウェアプロセッサ１０４は、クリーンなＥＣＧ信号を得るため、取得した単極誘導ＥＣＧ信号にスペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用する。本開示の或る実施形態において、クリーンなＥＣＧ信号は次のようにして得られる。取得された単極誘導ＥＣＧ信号を複数のウィンドウに分割し、これら複数のウィンドウの各々のスペクトログラムを計算し、複数のウィンドウの各々の計算されたスペクトログラムと動的に計算された閾値との比較を行い、この閾値は動的に計算され、この比較に基づいて複数のウィンドウの少なくとも一サブセット中のノイズを算定し、および、複数のウィンドウの少なくとも一サブセット中のこの算定されたノイズに基づいて、クリーンなＥＣＧ信号を抽出する。或る例示の実施形態では、これら分割を行い、スペクトログラムを計算し、比較を行い、ノイズを算定するステップは、リアルタイムで（またはほぼリアルタイムで）行われる。或る実施形態において、動的に計算される（またはリアルタイムで計算される）この閾値は、信号対ノイズ比（ＳＮＲ）に基づく。本開示の或る実施形態では、記録（またはＥＣＧ信号）中の全てのウィンドウに対してＳＮＲが測定される。最大ＳＮＲ値と最小ＳＮＲ値との間の差異が最小値の「ｎ」倍（例えば、３倍など）であれば、最大ＳＮＲのｘ％が、多ノイズウィンドウを棄却するための閾値尺度となる（例えば、最大ＳＮＲの７５％が閾値尺度となり、これは動的に計算された閾値とも言われる）。言い換えれば、最大ＳＮＲの７５％が動的に計算された閾値であると言える。本開示の或る実施形態において、ノイズは、複数のウィンドウの少なくとも一サブセットの各ウィンドウが「Ｘ」ヘルツ（例えば５０Ｈｚ）より上で閾値電力を上回る電力（例えば高スペクトルパワー）を有するときに、このサブセットにおいて算定される。言い換えれば、５０Ｈｚより上で閾値電力（閾値「Ｐ_Ｘ」とも言う）を超える電力を有するＥＣＧ信号（例えば、取得された単極誘導ＥＣＧ信号）の部分を含むサブセットの各ウィンドウが、多ノイズウィンドウと見なされ、かくして、クリーンなＥＣＧ信号を得るために棄却される。

重要な心臓情報は、通常、ＥＣＧ波形／信号中の２０Ｈｚ以内に格納されている。かくして、時間軸に亘るスペクトログラムをプロットを追って、引き続くＲＲ間隔（ここで、ＲはＥＣＧ信号のＱＲＳ群（後記参照）のピークに対応する点であり、ＲＲは、（図４のグラフィカル表現に示されるような）５０Ｈｚより上の高スペクトルパワーを有する、引き続くＲの間の間隔である）の領域が見付かった場合、それは、多ノイズとして間違いなくマークすることができ、さらなる処理をする前に棄却される。さらに具体的には、図１〜図３を参照しながら見ると、図４は、本開示の或る例示の実施形態による、スペクトログラムベースのノイズ除去のグラフィカル表現を表している。さらに、信号のベースラインの動きを除去するため、クリーン信号は、ハイパスフィルタ（カットオフ周波数０．５Ｈｚ）を通される。或る特定の波形（例えば、単極誘導ＥＣＧ信号）のＸ％（例えば８０％）を超えるものがこのプロセスで棄却された場合、それは多ノイズとしてマークされる。

区別化する特徴のセットを識別することは、あらゆる分類問題の最重要課題であると見なされている。Ｐ、Ｑ、Ｒ、Ｓ、Ｔ点の正確な検出は、正確な特徴抽出のための第１の要件である。システム１００は、ＱＲＳ群およびＲピークを識別するために、１つ以上の技法（例えば、変形パントンプキンス技法）を実装する。ＱＲＳ群は、標準的な心電図（ＥＫＧまたはＥＣＧ）上に見られるグラフ上の３つの屈折点の組み合わせに対する名称である。これは、通常、トレーシングの中央にあり最も視覚的に顕著な部分である。これは、ヒトの心臓の右心室および左心室の脱分極に対応する。次の段階で、（図５に示されるように）Ｒピークを基準点として、Ｐ、Ｑ、Ｓ、およびＴ点が位置決めされる。さらに具体的には、図１〜図４を参照しながら見ると、図５は、本開示の或る例示の実施形態による、単極誘導ＥＣＧ信号上のＰＱＲＳＴ検出のグラフィカル表現を表している。本開示の或る実施形態において、ステップ２０６で、１つ以上のハードウェアプロセッサ１０４は、クリーンなＥＣＧ信号から１つ以上の特徴を抽出する。このクリーンなＥＣＧ信号からの１つ以上の特徴は、以下に例として示した１つ以上のカテゴリに大別することができる。

形態的ＥＣＧ特徴：
形態的ＥＣＧ特徴は、図５に表されているようなＥＣＧ波形中で検出されたＰＱＲＳＴ点から導出される。本開示の或る実施形態において、これらの特徴は、以下に限らないが、とりわけ、補正済みのＱＴ間隔（ＱＴｃ）、ＱＲおよびＱＲＳの幅、ＱＲの傾斜、ＲＳおよびＳＴの間隔、ＱおよびＳ点のＲに対する深さ、ＴＲ波の振幅差、のメディアン、範囲、および分散、ならびに、Ｒ波の数に対するＰ波の数の比率、およびＳ点から横切るＳＴ線分の距離を含み得る。これらの特徴は、心臓の異常を識別するため、臨床医によって広く使われている。なお、これらの特徴のいくつかはＡＦを示唆するが、それ以外は他の異常律動を検出するためのものである。例えば、ＡＦでは、多くの場合、Ｐ波が不在で、それ故、検出されたＲ波の数に対するＰ波の数の比率は非常に小さいはずである。それ故、この特定の特徴は、図３に示すように、カスケード２値クラシファイアの、層１のクラシファイアおよび層２のクラシファイア３によって選択されたが、但し、層２のクラシファイア２には選択されなかった。さらに具体的には、図１〜図２を参照しながら見ると、図３は、本開示の或る例示の実施形態による、図１のシステム１００の例示的なアーキテクチャを表している。

ＡＦの特徴：
ＡＦ事象を識別するためにいくつかの特徴が用いられる。不整なＲＲ間隔は、ＡＦ患者において非常に一般的な症候である。ＡＦを識別するためのいくつかの指標がある。例えば、ＡＦＥｖｉｄｅｎｃｅ（ＡＦの証拠）、Ｏｒｉｇｉｎａｌ Ｃｏｕｎｔ（元来のカウント）、Ｉｒｒｅｇｕｌａｒｉｔｙ Ｅｖｉｄｅｎｃｅ（不整の証拠）、Ｐａｃｅ Ｃｏｕｎｔ（ペースカウント）、Ｄｅｎｓｉｔｙ Ｅｖｉｄｅｎｃｅ（密度の証拠）、Ａｎｉｓｏｔｒｏｐｙ Ｅｖｉｄｅｎｃｅ（異方性の証拠）、ＲＲ間隔のローレンツプロットからのＡＦＥｖｉｄｅｎｃｅなど、いくつかの計測値が提案されてきた。いくつかの特徴は、ＡＦの識別において推賞的な正確さでも知られているポアンカレプロットを用いてビート間の間隔から導出される。他の特徴は、ＡＦ検出に対する近似的なサンプルエントロピーベースの特徴、ならびにＲＲおよびデルタＲＲ間隔の変動係数を含む。

心拍変動特徴：
いくつかのＨＲＶ関連の特徴もまた、提案する解析に組み込まれる。例えば、ｐＮＮｘ（記録の持続期間によって正規化された、ｘを上回るＮＮ間隔の数、このｘは２０〜５００ｍｓの間にある）、ＳＤＮＮ（ＮＮ間隔の標準偏差）、ＳＤＳＤ（逐次差分の標準偏差）、および正規化ＲＭＳＳＤ（逐次差分の正規化二乗平均平方根）などの特徴が、心臓血管疾患の識別に用いられた。０〜０．０４Ｈｚ、０．０４〜０．１５Ｈｚ、および０．１５〜０．５Ｈｚの周波数域内のＲＲ間隔時系列の正規化スペクトルパワーもまた、使われている。

周波数特徴：
本開示の実施形態は、生物医学および他の用途に使われている特定の周波数領域の特徴もまた、調査した。生の時間信号は、ハミングウィンドウを使って、Ｙ％（例えば、５０％）のオーバーラップを有する、「ｎ」秒の持続期間（例えば、２秒の持続期間）の小さなウィンドウに分割される。周波数解析は、各ウィンドウの短時間フーリエ変換（ＳＴＦＴ：Ｓｈｏｒｔ Ｔｉｍｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を計算することによって行われる。抽出された特徴は、以下に限らないが、測定の全ウィンドウに亘り、０〜１０Ｈｚおよび１０〜２０Ｈｚの間の正規化スペクトルパワーとともに、平均スペクトル中心、スペクトルロールオフ、スペクトルフラックスを含む。

統計的特徴：
統計的特徴は、以下に限らないが、ＲＲ間隔の平均値、メディアン、分散、範囲、尖度および歪み、ならびにＲＲ間隔およびデルタＲＲ間隔の確率密度推定値（ＰＤＥ：ｐｒｏｂａｂｉｌｉｔｙ ｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｅ）を含む。加えて、ＲＲピークの間でのエネルギの分散とともに、ＲＲおよびデルタＲＲ間隔のＰＤＥ上のピークの数も特徴として用いられた。本開示の実施形態によって、クリーンなＥＣＧ信号中の律動を識別するために、生の時系列データのシャノン、ツァリス、およびレーニイエントロピ、線形予測係数（ＬＰＣ：Ｌｉｎｅａｒ Ｐｒｅｄｉｃｔｉｖｅ Ｃｏｅｆｆｉｃｉｅｎｔ）も、抽出特徴として使われた。

その他異常についての特徴：
本開示の実施形態（またはシステム１００）は、ＥＣＧ信号中に存在する不整脈または他の非ＡＦに関連する異常を検出するため、主要特徴のいくつかを抽出するよう試みる。本開示の或る実施形態において、用いられる様々な特徴は、ウィンドウごとに「ｘ」のピーク（例えば、ウィンドウあたり６つのピーク）を有するスライディングウィンドウ、その平均ＲＲ間隔、このウィンドウ中の「ｚ」ｍＶ（例えば、ｚ＝０．１ｍＶ）を超える大きさのサンプルの数の第１差の最大値、このウィンドウの正規化パワースペクトル密度（ｎＰＳＤ：ｎｏｒｍａｌｉｚｅｄ ｐｏｗｅｒ ｓｐｅｃｔｒｕｍ ｄｅｎｓｉｔｙ）などを用いて抽出される。ＲＲ間隔の平均値、ＨＲの減少、最大ＳＰＩインデックス、平均ＨＲ、異常ＨＲなどとして特徴を導出するために、適応周波数追跡アルゴリズム（ＡＭＭ）を使って心拍数が見積もられる。

多ノイズ記録を検出するための特徴：
信号のいろいろな部分のノイズ／動きのアーチファクトを検出するいくつかのやり方がある。しかしながら、心異常導出のため、完全な信号を全く使えない（またはほとんど使えない）ときがある。本開示の実施形態は、改良されたノイズ検出のため、ＥＣＧ信号の形態中の立ち上がり立ち下りを利用する特定の統計的特徴とともに、領域依存型の時間および周波数特徴を使用する。これらの特徴は、クリーンなＥＣＧ信号の規則性とそれに対する多ノイズ波形の中の乱雑性との間を十分に区別する。

図２に戻って参照すると、本開示の或る実施形態において、ステップ２０８で、１つ以上のハードウェアプロセッサ１０４は、最適特徴選択技法を用いて、１つ以上の抽出特徴から１つ以上の最適特徴を選択する。

特徴選択は、多くの場合、多ノイズの（無関係な）特徴を除去することによって分類の正確さを向上し、また、余分な特徴を除去することによって計算時間も低減する。例えば、以下に限らないが、最大情報係数（ＭＩＣ）技法、および最小冗長性最大関連性（ｍＲＭＲ）技法など、１つ以上統計的特徴選択技法（以降、最適特徴選択技法とも言う）を用いて効率的に選ばれ、トレーニングフェーズの過程で確定される、提案した方法論の３つのクラシファイアのそれぞれにおいて、別個の特徴のセットが使われる。また、分類の或る特定のレベルに対して医師によって推奨される特徴も選択特徴のリストに組み入れられた。

本開示の或る実施形態において、ステップ２１０で、１つ以上のハードウェアプロセッサ１０４は、選択された１つ以上の最適特徴に基づいて、２値カスケードクラシファイアを使い、単極誘導心電図（ＥＣＧ）信号およびクリーンなＥＣＧ信号のうちの少なくとも１つの中の、１つ以上の正常律動（正常）、異常律動の第１セット（その他）、および異常律動の第２セット（ＡＦおよび多ノイズ）のうちの少なくとも１つを識別する。本開示の或る実施形態では、カスケード２値クラシファイアの（層１に示されるような）第１の２値クラシファイアは、律動の「Ａ」セット（例えば、正常およびその他）および律動の「Ｂ」セット（例えば、ＡＦおよび多ノイズ）を出力または識別する。本開示の或る実施形態では、律動の「Ａ」セットは、１つ以上の正常律動およびその他の律動を指してよく、律動の「Ｂ」セットは、ＡＦ律動および多ノイズを指してよい。

言い換えれば、システム１００は、未知の短い単極誘導ＥＣＧ信号を、正常、ＡＦ、その他の多ノイズ律動、および多ノイズ記録を含む４つのクラスのうちの１つに分類する。この課題の主要な問題は、単一の試み（または単一のインスタンス）で４つのクラスに分級できる単一の特徴がないことである。例えば、不整なＨＲＶは、正常とＡＦとの間の一般的差別化因子である。しかしながら、他の律動も同様な特性を有し、これがクラシファイアに曖昧さを持ち込む。かくして、本開示の実施形態およびシステム１００は、カスケード２値クラシファイアを含み、これは、１つ以上のハードウェアプロセッサ１０４によって実行されると、クリーンなＥＣＧ信号中の、１つ以上の正常律動およびその他の律動を表し得る（ｔｈａｔ ｂｙ ｂｅ ｒｅｆｅｒｒｅｄ）律動の「Ａ」セットを識別し、ここで、律動の「Ｂ」セットはＡＦ律動および多ノイズを表し得る。

本開示の或る実施形態において、システム１００中に実装され実行されるカスケード２値クラシファイアは、図３に示されるような２つの引き続く層につながれた３レベルのクラシファイアである。各層において２値クラシファイアが実行される。各レベルで、前述の１つ以上の統計的特徴抽出技法を使って、対応する区別化特徴が選択される。例えば、ＡＦおよび多ノイズ両方の律動は、高周波ノイズ成分を包含する。一方、正常およびＡＦは類似の周波数特徴パターンを示す。かくして、スペクトル中心、スペクトルロールオフ、スペクトルフラックスなどの特徴は、これらを２つのクラス「正常＋その他」と「ＡＦ＋多ノイズ」とに非常にうまく分離することができる。次いで、次レベルで、システム１００（またはカスケード２値クラシファイア）はより細かな分類を行う。例えば、正常ＥＣＧ信号は、ＲＲ間隔中に規則的なパターンを有し、心拍数は或る特定の限度内にある。一方、他の律動に対しては、ＨＲＶ特徴はあまり安定的ではない（またはその可能性がある）。図３に示される３レベルのクラシファイアを通過する際、最適特徴選択技法を使って、これらの種類の特徴が選択される。他方、ＡＦ信号については、しばしばＰ波が喪失しているのが見られ、これは多ノイズ記録では発見されず、さらに、多ノイズ記録は、ＡＦ中には存在しない高周波スペクトル成分を有する。これらの種類の特徴は、分類のため、クラシファイアの第３ラベル（例えば、図３中に示されたクラシファイア３）で選択される。本開示の或る実施形態では、分類の各レベルに対し、分類のため適応型ブースティング（ＡｄａＢｏｏｓｔ：Ａｄａｐｔｉｖｅ Ｂｏｏｓｔｉｎｇ）が用いられ、その詳細はドラフトペーパーに記載されている。ＡｄａＢｏｏｓｔ（適応型ブースティング）は分類の全レベルで使用される。ＡｄａＢｏｏｓｔは、集合的学習アプローチであり、多くの弱学習子が、トレーニングの各ラウンドで反復的に加えられ、誤分類率を低減するため重み付けベクトルが調整される。この技法は、過学習になる傾向が少なく、多ノイズデータおよび外れ値に敏感で、トレーニングセット中のクラスラベルアンバランスを処理することができる。これら３つのクラシファイアの各々に対し、集合的なクラシファイアの２つのパラメータ、すなわち、学習サイクルの回数と学習速度とが、ベイズの最適化関数を使って最適化される。

実験結果：
フィジオネットのデータセットに対して実験が行われた。このデータセットは、平均持続期間が３２．５秒の合計８５２８の記録を含んでいた。これらの全ては、ＡｌｉｖｅＣｏｒ社製デバイスを用い記録され３００Ｈｚでサンプルされた単極誘導ＥＣＧ信号であった。このデータセットでは、正常、ＡＦ、その他の律動、および多ノイズデータの分布は、大きくアンバランスであった。パフォーマンス解析のため、正常（Ｆ_ｎｏｒｍ）、ＡＦ（Ｆ_ａｆ）およびその他の律動（Ｆ_ｏｔｈ）に対するＦ１スコアが計算され、最終的正確さは、下記の例証的な式で報告された。
Ｆ_Ｔ＝（（Ｆ_ｎｏｒｍ＋Ｆ_ａｆ＋Ｆ_ｏｔｈ）／３）

本開示の実施形態および図２で提案された方法が、最初に、５重交差検証を使ってトレーニングデータセット全体に適用され、そのパフォーマンスが例示のため下記の表１に示されている。

上記の表１から、図２で提案の方法は、各種の検査シナリオを通しての小さな標準偏差値のおかげで、５重交差検証の各回に亘って、十分に安定的であることが観察できる。また、この方法が、正常の記録の分類（または識別）において非常に高いＦ１スコア（平均値０．９）を示し、その他の律動の検出のＦ１スコアは約０．７７であることも観察できる。詳細に検査すると、その他の律動の多くが誤って正常に分類されていることが分かる。この特定のクラス中の各記録に対応する実際の疾病情報が利用できないので、適切な特徴を識別する分類作業がより難しくなり、かくして分類の正確さが低下する。トレーニングデータセット全体についての最終的トレーニングモデルが生成され、サーバにある隠れた検査データセットのサブセットに対して評価された。下記の表２は、例証のため、隠れた検査データセットのサブセットに対する提案された方法のパフォーマンスを示す。

表２から、トレーニングセットに対する内部交差検証に比べ、この検査データセットに対するＡＦ律動の検出（または識別）のパフォーマンスは格段に改善されていることが観察できる。他方で、その他の律動の検出（または識別）のパフォーマンスはわずかに低下し、正常の記録の検出はほぼ同じであった。

本開示の実施形態およびシステム１００は、多層カスケード２値クラシファイア（カスケード２値クラシファイアとも言う）のシリーズを用いて、（短期の）単極誘導ＥＣＧ記録（例えば、３０秒記録のＥＣＧ信号）中の１つ以上律動を識別する。提案された方法は、前述のように、フィジオネット（２０１７）データセットに対して成功裏に検証されている。

本記載内容は、いずれかの当業者がこれらの実施形態を作製および使用できるように本明細書の主題を説明している。本主題の実施形態の範囲は、特許請求の範囲によって定義され、当業者が発想する他の修改を含み得る。かかる他の修改は、それらが、特許請求の範囲の文字言語から外れない類似の要素を有する場合、または特許請求の範囲の文字言語からごくわずかな差異のある等価の要素を含む場合、本特許請求の範囲内にあるとすることが意図されている。

当然のことながら、保護の範囲は、かかるプログラムに加え、メッセージを中に有するコンピュータ可読手段にも及び、かかるコンピュータ可読ストレージ手段は、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適したプログラム可能デバイス上で実行されたとき、本方法の１つ以上のステップを遂行するためのプログラムコード手段を包含する。ハードウェアデバイスは、例えば、サーバもしくはパソコン等、またはこれらの任意の組み合せなど任意の種類のコンピュータを含め、プログラムが可能な任意の種類のデバイスであってよい。また、このデバイスは、例えば、例として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）などのハードウェア手段、または、例えばＡＳＩＣとＦＰＧＡ、もしくは少なくとも１つのマイクロプロセッサとソフトウェアモジュールが配置された少なくとも１つのメモリなど、ハードウェアおよびソフトウェア手段の組み合わせ、であってよい手段を含むことが可能である。かくして、この手段は、ハードウェア手段およびソフトウェア手段の両方を含むことができる。本明細書に記載の方法の実施形態は、ハードウェアおよびソフトウェア中に実装することができよう。また、このデバイスはソフトウェア手段も含むことが可能である。あるいは、これら実施形態は、例えば、複数のＣＰＵを使うなど、各種のハードウェアデバイス上に実装されてもよい。

本明細書中の実施形態は、ハードウェアおよびソフトウェア要素を含むことができる。ソフトウェア中に実装される実施形態は、以下に限らないが、ファームウェア、常駐ソフトウェア、マイクロコードなどを含む。本明細書中に記載の様々なモジュールによって実行される機能は、他のモジュール、または他のモジュールの組み合せ中にも実装が可能である。本明細書の目的の上で、コンピュータ可用またはコンピュータ可読媒体は、命令実行システム、装置、もしくはデバイスによって、またはこれらに関連させて使用するためのプログラムを含み、格納し、通信し、伝播し、または伝送ができる任意の装置であってよい。

例示されたステップは、提示の例示的な実施形態を説明するために述べられており、当然のことながら、進展する技術開発により特定の機能が実行される仕方が変わることになろう。本明細書中のこれらの例は例証のため提示されており、限定のためではない。さらに、ブロックを構成する機能の境界は、本明細書では説明の便宜上随意的に定義されている。規定された機能およびそれらの関係が適切に実行される限りにおいて、別の境界を定義することも可能である。当業者には、本明細書に包含された教示に基づく代替案（本明細書に記載されたものの等価物、拡張、変形、変成などを含む）は自明であろう。かかる代替案は、開示された実施形態の範囲および趣旨に包含される。また、用語「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「有する（ｈａｖｉｎｇ）」、「包含する（ｃｏｎｔａｉｎｉｎｇ）」、および「内包する（ｉｎｃｌｕｄｉｎｇ）」、ならびに他の類似の表現形は、意味において等価であることが意図され、これらの用語の何れかに続く項目または項目群が、かかる項目または項目群の全網羅的リストアップを意味するわけでなく、記載された項目または項目群だけの限定を意味するという点で、制限のないことが意図されている。また、本明細書および添付の特許請求の範囲で用いられる、単数形「或る（ａ、ａｎ）」、および「前記（ｔｈｅ）」は、文脈上明確に別途に示されていなければ、複数の参照も含むことに留意しなければならない。

さらに、本開示と合致する実施形態を実装するのに、１つ以上のコンピュータ可読ストレージ媒体が用いられてよい。コンピュータ可読ストレージ媒体とは、プロセッサが可読の情報またはデータの格納が可能な任意の種類の物理メモリを言う。かくして、コンピュータ可読ストレージ媒体は、１つ以上のプロセッサに本明細書に記載の実施形態に合致するステップまたはステージを実行させる命令を含め、これらプロセッサによる実行のための命令を格納することが可能である。用語「コンピュータ可読媒体」は有形の品目を含み、搬送波および一時的信号を除く（すなわち、非一時的である）と理解すべきである。例には、ランダムアクセスメモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、読み取り専用メモリ（ＲＯＭ）、揮発性メモリ、不揮発性メモリ、ハードドライブ、ＣＤＲＯＭ、ＤＶＤ、フラッシュドライブ、ディスク、および任意の他の周知の物理ストレージ媒体が含まれる。

本開示および例は単なる例示であると見なし、開示された実施形態の真の範囲および趣旨は添付の特許請求の範囲によって示すことが意図されている。

Claims (15)

1. １つ以上のハードウェアプロセッサによって、所定時間間隔の間記録された単極誘導心電図（ＥＣＧ）信号を取得するステップと、
   クリーンなＥＣＧ信号を得るため、前記１つ以上のハードウェアプロセッサによって、前記取得された単極誘導ＥＣＧ信号にスペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用するステップと、
   前記クリーンなＥＣＧ信号から１つ以上の特徴を抽出するステップと、
   最適特徴選択技法を使って、前記１つ以上の抽出された特徴から１つ以上の最適特徴を選択するステップと、
   ２値カスケードクラシファイアを用いて、前記選択された１つ以上の最適特徴に基づき、前記単極誘導心電図（ＥＣＧ）信号および前記クリーンなＥＣＧ信号のうちの少なくとも１つの中の、１つ以上の正常律動、異常律動の第１セット、および異常律動の第２セットのうちの少なくとも１つを識別するステップと、
   を含む、プロセッサ実装の方法。
2. 前記１つ以上のハードウェアプロセッサによって、前記取得された単極誘導ＥＣＧ信号に、スペクトログラムベースの多ノイズデータ除去技法を適用する前記ステップは、
   前記取得された単極誘導ＥＣＧ信号を、複数のウィンドウに分割するステップと、
   前記複数のウィンドウの各々のスペクトログラムを計算するステップと、
   前記複数のウィンドウの各々の前記計算されたスペクトログラムと、動的に計算された閾値との比較を行うステップと、
   前記比較に基づいて、前記複数のウィンドウの少なくとも一サブセット中のノイズを算定するステップと、
   前記複数のウィンドウの前記少なくとも一サブセット中の前記算定されたノイズに基づいて、前記クリーンなＥＣＧ信号を抽出するステップと、
   を含む、請求項１に記載のプロセッサ実装の方法。
3. 前記複数のウィンドウの前記少なくとも一サブセットの各ウィンドウが閾値電力を上回る電力を有するとき、前記サブセットにおいてノイズが算定される、請求項２に記載のプロセッサ実装の方法。
4. 前記最適特徴選択技法は、最小冗長性最大関連性（ｍＲＭＲ）技法、および最大情報係数（ＭＩＣ）技法のうちの少なくとも１つである、請求項１に記載のプロセッサ実装の方法。
5. 前記動的に計算された閾値は信号対ノイズ比（ＳＮＲ）に基づく、請求項２に記載のプロセッサ実装の方法。
6. 命令を格納するメモリと、
   １つ以上の通信インターフェースと、
   前記１つ以上の通信インターフェースを介して前記メモリに連結された１つ以上のハードウェアプロセッサと、
   を含むシステムであって、前記１つ以上のハードウェアプロセッサは、前記命令によって、
   所定の時間間隔の間記録された単極誘導心電図（ＥＣＧ）信号を取得し、
   クリーンなＥＣＧ信号を得るため、前記取得された単極誘導ＥＣＧ信号に、スペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用し、
   前記クリーンなＥＣＧ信号から１つ以上の特徴を抽出し、
   最適特徴選択技法を使って、前記１つ以上の抽出された特徴から１つ以上の最適特徴を選択し、
   ２値カスケードクラシファイアを用いて、前記選択された１つ以上の最適特徴に基づき、前記単極誘導心電図（ＥＣＧ）信号および前記クリーンなＥＣＧ信号のうちの少なくとも１つの中の、１つ以上の正常律動、異常律動の第１セット、および異常律動の第２セットのうちの少なくとも１つを識別する、
   ように構成される、
   システム。
7. 前記クリーンなＥＣＧ信号は、
   前記取得された単極誘導ＥＣＧ信号を、複数のウィンドウに分割し、
   前記複数のウィンドウの各々のスペクトログラムを計算し、
   前記複数のウィンドウの各々の前記計算されたスペクトログラムと、動的に計算された閾値との比較を行い、
   前記比較に基づいて、前記複数のウィンドウの少なくとも一サブセット中のノイズを算定し、および、
   前記複数のウィンドウの前記少なくとも一サブセット中の前記算定されたノイズに基づいて、前記クリーンなＥＣＧ信号を抽出する、
   ことにより、前記取得された単極誘導ＥＣＧ信号に対し前記スペクトログラムベースの多ノイズデータ除去技法を適用することによって抽出される、請求項６に記載のシステム。
8. ノイズは、前記複数のウィンドウの前記少なくとも一サブセットの各ウィンドウが閾値電力を上回る電力を有するときに、前記サブセットにおいて算定される、請求項７に記載のシステム。
9. 前記最適特徴選択技法は、最小冗長性最大関連性（ｍＲＭＲ）技法、および最大情報係数（ＭＩＣ）技法のうちの少なくとも１つである、請求項６に記載のシステム。
10. 前記動的に計算された閾値は信号対ノイズ比（ＳＮＲ）に基づく、請求項７に記載のシステム。
11. １つ以上の命令を含む、１つ以上の非一時的マシン可読情報ストレージ媒体であって、前記１つ以上の命令は、１つ以上のハードウェアプロセッサによって実行されると、
    前記１つ以上のハードウェアプロセッサによって、所定時間間隔の間記録される単極誘導心電図（ＥＣＧ）信号を取得させ、
    クリーンなＥＣＧ信号を得るため、前記１つ以上のハードウェアプロセッサによって、前記取得された単極誘導ＥＣＧ信号にスペクトログラムベースの多ノイズデータ除去技法をリアルタイムで適用させ、
    前記クリーンなＥＣＧ信号から１つ以上の特徴を抽出させ、
    最適特徴選択技法を使って、前記１つ以上の抽出された特徴から１つ以上の最適特徴を選択させ、ならびに
    ２値カスケードクラシファイアを用いて、前記選択された１つ以上の最適特徴に基づき、前記単極誘導心電図（ＥＣＧ）信号、および前記クリーンなＥＣＧ信号のうちの少なくとも１つの中の、１つ以上の正常律動、異常律動の第１セット、および異常律動の第２セットのうちの少なくとも１つを識別させる、
    １つ以上の非一時的マシン可読情報ストレージ媒体。
12. 前記１つ以上のハードウェアプロセッサによって、前記取得された単極誘導ＥＣＧ信号に、スペクトログラムベースの多ノイズデータ除去技法を適用する前記ステップは、
    前記取得された単極誘導ＥＣＧ信号を、複数のウィンドウに分割するステップと、
    前記複数のウィンドウの各々のスペクトログラムを計算するステップと、
    前記複数のウィンドウの各々の前記計算されたスペクトログラムと、動的に計算された閾値との比較を行うステップと、
    前記比較に基づいて、前記複数のウィンドウの少なくとも一サブセット中のノイズを算定するステップと、
    前記複数のウィンドウの前記少なくとも一サブセット中の前記算定されたノイズに基づいて、前記クリーンなＥＣＧ信号を抽出するステップと、
    を含む、請求項１１に記載の１つ以上の非一時的マシン可読情報ストレージ媒体。
13. ノイズは、前記複数のウィンドウの前記少なくとも一サブセットの各ウィンドウが閾値電力を上回る電力を有するときに、前記サブセットにおいて算定される、請求項１２に記載の１つ以上の非一時的マシン可読情報ストレージ媒体。
14. 前記最適特徴選択技法は、最小冗長性最大関連性（ｍＲＭＲ）技法、および最大情報係数（ＭＩＣ）技法のうちの少なくとも１つである、請求項１１に記載の１つ以上の非一時的マシン可読情報ストレージ媒体。
15. 前記動的に計算された閾値は信号対ノイズ比（ＳＮＲ）に基づく、請求項１２に記載の１つ以上の非一時的マシン可読情報ストレージ媒体。