JP2022148632A - 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム - Google Patents

心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム Download PDF

Info

Publication number
JP2022148632A
JP2022148632A JP2021050382A JP2021050382A JP2022148632A JP 2022148632 A JP2022148632 A JP 2022148632A JP 2021050382 A JP2021050382 A JP 2021050382A JP 2021050382 A JP2021050382 A JP 2021050382A JP 2022148632 A JP2022148632 A JP 2022148632A
Authority
JP
Japan
Prior art keywords
waveform data
electrocardiogram
analysis
peak
waveform
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.)
Granted
Application number
JP2021050382A
Other languages
English (en)
Other versions
JP6931880B1 (ja
Inventor
淳 荻野
Atsushi Ogino
光久 清水
Mitsuhisa Shimizu
英樹 橋本
Hideki Hashimoto
敏也 香川
Toshiya Kagawa
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.)
M Heart Co Ltd
Astellas Pharma Inc
Original Assignee
M Heart Co Ltd
Astellas Pharma Inc
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 M Heart Co Ltd, Astellas Pharma Inc filed Critical M Heart Co Ltd
Priority to JP2021050382A priority Critical patent/JP6931880B1/ja
Application granted granted Critical
Publication of JP6931880B1 publication Critical patent/JP6931880B1/ja
Priority to EP22775725.9A priority patent/EP4316375A1/en
Priority to KR1020237036148A priority patent/KR20230159567A/ko
Priority to PCT/JP2022/013744 priority patent/WO2022202943A1/ja
Priority to CN202280024488.4A priority patent/CN117425431A/zh
Priority to BR112023019428A priority patent/BR112023019428A2/pt
Priority to AU2022243341A priority patent/AU2022243341A1/en
Priority to US18/283,483 priority patent/US20240164691A1/en
Priority to CA3213194A priority patent/CA3213194A1/en
Priority to IL307211A priority patent/IL307211A/en
Publication of JP2022148632A publication Critical patent/JP2022148632A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • 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
    • A61B5/355—Detecting T-waves
    • 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
    • A61B5/36—Detecting PQ interval, PR interval or QT 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
    • A61B5/361—Detecting fibrillation
    • 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
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

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

Abstract

【課題】解析対象とする心電図の波形のタイプの特定に寄与することができる心電図解析支援装置、プログラム、方法、及びシステムを得る。【解決手段】心電図解析支援装置１０は、解析対象とする心電図における波形データを取得する解析用波形取得部１１Ｃと、解析用波形取得部１１Ｃによって取得された波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出す解析用波形切出部１１Ｄと、解析用波形切出部１１Ｄによって切り出された解析用区分波形データをピーク推定モデル１３Ｃに入力することで当該ピーク推定モデル１３Ｃの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得する中間情報取得部１１Ｉと、中間情報取得部１１Ｉによって取得された中間情報を用いて、解析対象とする心電図の波形のタイプを分類分けする分類部１１Ｊと、を備える。【選択図】図４

Description

本開示は、心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システムに関する。
近年、新たな心電計の普及により、心電図の計測データは増大しているが、当該計測データを解析する専門家の数は余り増加しておらず、人員不足が問題となっている。一方で、心電図の解析を行うルールベース型の解析エンジンもあるが、その性能の向上には限界があり、解析結果を手動で修正する作業が伴う場合が多く、解析を行う医師や臨床検査技師等の医療従事者の負担が大きい。このため、医療従事者の負担を軽減することができる技術が要望されている。
従来、医療従事者の負担を軽減するために適用することのできる、心電図の解析に関する技術として、以下の技術があった。
特許文献１には、複数の心拍波形データを含むデータセットから生成されたトレーニング用の心拍波形に関する入力データに基づいてトレーニング用の心拍波形の心拍タイプが出力される学習モデルを生成し、データセットからサンプリングされた各バッチの損失重みを決定し、各バッチの損失重みに基づいて損失関数を決定することにより、学習モデルをトレーニングし、テスト用の心拍波形を学習モデルに入力してテスト用の心拍波形の心拍タイプを分類する態様が記載されている。
特許文献２には、メタボリック症候群や糖尿病を始めとする生活習慣病の予防や、ダイエット、医療サービスなどのヘルスケアを目的とした、食事を行った時刻を推定する技術として、コンピュータに、心拍数の時系列データを取得し、前記心拍数の時系列データに含まれる部分データごとに、食事開始後に心拍数のピークが先行して現れる第１ピークよりも後続して現れる第２ピークに関する特徴量を算出し、前記部分データごとに算出された第２ピークに関する特徴量を用いて、前記部分データにおける食事の有無を判定し、前記食事が有りと判定された部分データから食事時刻を推定する処理を実行させることを特徴とする食事推定プログラムが開示されている。
米国特許出願公開第２０２０／０２８９０１０号明細書 国際公開第２０１６／０９２７０７号公報
ところで、心電図を解析する上で、波形のタイプが標準的なタイプであるか否か、標準的なタイプでなければ、どのようなタイプであるのか、といったことを特定することは極めて重要であり、当該特定のための技術が要望されている。
しかしながら、特許文献１及び特許文献２に開示されている技術では、心電図の波形のタイプを特定することに関しては考慮されておらず、必ずしも解析対象とする心電図の波形のタイプの特定に寄与することができるとは限らない、という問題点があった。
本開示は、上記の問題点に鑑みてなされたものであり、解析対象とする心電図の波形のタイプの特定に寄与することができる心電図解析支援装置及びプログラムを提供することを目的とする。
本開示の第１態様は、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いた心電図解析支援装置であって、解析対象とする心電図における波形データを取得する解析用波形取得部と、前記解析用波形取得部によって取得された波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出す解析用波形切出部と、前記解析用波形切出部によって切り出された解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得する中間情報取得部と、前記中間情報取得部によって取得された中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする分類部と、を備えた心電図解析支援装置である。
本開示の第２態様は、第１態様の心電図解析支援装置において、前記波形のタイプは、標準的なタイプ、当該標準的なタイプよりＴ波が大きなタイプ、前記標準的なタイプよりＱＲＳ波の幅が広いタイプ、及びその他のタイプのうちの少なくとも２つのタイプを含む。
本開示の第３態様は、第１態様又は第２態様の心電図解析支援装置において、前記分類部は、前記中間情報をクラスタリングすることで前記分類分けを行う。
本開示の第４態様は、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いたプログラムであって、解析対象とする心電図における波形データを取得し、取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、処理をコンピュータに実行させるためのプログラムである。
本開示の第５態様は、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いた心電図解析支援方法であって、解析対象とする心電図における波形データを取得し、取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、心電図解析支援方法である。
本開示の第６態様は、請求項１～請求項３の何れか１項に記載の心電図解析支援装置と、前記心電図解析支援装置に対して解析対象とする心電図における波形データを転送し、当該波形データの転送に応じて前記心電図解析支援装置によって得られた情報を受信して提示する端末装置と、を含む心電図解析支援システムである。
本開示によれば、解析対象とする心電図の波形のタイプの特定に寄与することができる。
一実施形態に係る心電図解析支援装置のハードウェア構成の一例を示すブロック図である。 一実施形態に係るピーク推定モデル及び区間推定モデルのデータの流れの一例を示す模式図である。 一実施形態に係る心電図解析支援装置のピーク推定モデル及び区間推定モデルの学習時における機能的な構成の一例を示すブロック図である。 一実施形態に係る心電図解析支援装置のピーク推定モデル及び区間推定モデルの運用時における機能的な構成の一例を示すブロック図である。 一実施形態に係る混合ガウスモデルを用いたクラスタリングの説明に供するグラフである。 一実施形態に係るピーク推定モデルの中間層の利用状態の一例を示す模式図である。 一実施形態に係る第１学習用波形データデータベースの構成の一例を示す模式図である。 一実施形態に係る第２学習用波形データデータベースの構成の一例を示す模式図である。 一実施形態に係る学習処理の一例を示すフローチャートである。 一実施形態に係る心電図解析支援処理の一例を示すフローチャートである。 一実施形態に係る心電図解析支援処理の説明に供する図であり、第１解析用区分波形データの切り出し状態の一例を示す波形図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、第２解析用区分波形データの切り出し状態の一例を示す波形図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルからの出力の縮約状況の一例を示す模式図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、区間推定モデルからの出力の一例を示す模式図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルの出力と区間推定モデルの出力との合成状態の一例を示す模式図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルの出力と区間推定モデルの出力との合成結果の修正状態の一例を示す模式図である。 一実施形態に係る心電図解析支援処理の実行時において表示される結果画面の構成の一例を示す正面図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、分類結果情報により示される各種タイプの心電図波形の一例を示す波形図である。
以下、図面を参照して、本開示の実施形態の一例を詳細に説明する。なお、各図面において同一または等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
本実施形態では、本開示の技術における心電図解析支援装置を据え置き型のパーソナルコンピュータ等の情報処理装置に適用した場合について説明する。但し、本開示の技術の適用対象は据え置き型の情報処理装置に限るものではなく、スマートフォン、携帯型のゲーム装置、タブレット端末、ノートブック型パーソナルコンピュータ等の他の携帯型の情報処理装置にも適用することができる。
まず、図１～図６を参照して、本実施形態に係る心電図解析支援装置の構成を説明する。図１は、一実施形態に係る心電図解析支援装置のハードウェア構成の一例を示すブロック図である。また、図２は、一実施形態に係るピーク推定モデル及び区間推定モデルのデータの流れの一例を示す模式図である。また、図３は、一実施形態に係る心電図解析支援装置のピーク推定モデル及び区間推定モデルの学習時における機能的な構成の一例を示すブロック図である。また、図４は、一実施形態に係る心電図解析支援装置のピーク推定モデル及び区間推定モデルの運用時における機能的な構成の一例を示すブロック図である。また、図５は、一実施形態に係る混合ガウスモデルを用いたクラスタリングの説明に供するグラフである。更に、図６は、一実施形態に係るピーク推定モデルの中間層の利用状態の一例を示す模式図である。
図１に示すように、本実施形態に係る心電図解析支援装置１０は、ＣＰＵ（Central Processing Unit）１１、一時記憶領域としてのメモリ１２、不揮発性の記憶部１３、及びキーボードとマウス等の入力部１４を備えている。また、本実施形態に係る心電図解析支援装置１０は、液晶ディスプレイ等の表示部１５、及び媒体読み書き装置（Ｒ／Ｗ）１６を備えている。更に、本実施形態に係る心電図解析支援装置１０は、通信インタフェース（Ｉ／Ｆ）部１８、及び音声出力部１９を備えている。ＣＰＵ１１、メモリ１２、記憶部１３、入力部１４、表示部１５、媒体読み書き装置１６、通信Ｉ／Ｆ部１８、及び音声出力部１９はバスＢを介して互いに接続されている。媒体読み書き装置１６は、記録媒体１７に書き込まれている情報の読み出し及び記録媒体１７への情報の書き込みを行う。
一方、記憶部１３はＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等によって実現される。記憶媒体としての記憶部１３には、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂが記憶されている。学習プログラム１３Ａは、当該プログラム１３Ａが書き込まれた記録媒体１７が媒体読み書き装置１６にセットされ、媒体読み書き装置１６が記録媒体１７からの当該プログラム１３Ａの読み出しを行うことで、記憶部１３へ記憶される。また、心電図解析支援プログラム１３Ｂは、当該プログラム１３Ｂが書き込まれた記録媒体１７が媒体読み書き装置１６にセットされ、媒体読み書き装置１６が記録媒体１７からの当該プログラム１３Ｂの読み出しを行うことで、記憶部１３へ記憶される。ＣＰＵ１１は、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂを記憶部１３から読み出してメモリ１２に展開し、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂが有するプロセスを順次実行する。
このように、本実施形態に係る心電図解析支援装置１０では、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂを、記録媒体１７を介して心電図解析支援装置１０にインストールしているが、これに限るものではない。例えば、通信Ｉ／Ｆ部１８を介してダウンロードすることにより、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂを心電図解析支援装置１０にインストールする形態としてもよい。
また、記憶部１３には、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄが記憶される。
本実施形態に係るピーク推定モデル１３Ｃは、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされている。
なお、本実施形態では、上記予め定められた種類として、正常又は心房性期外収縮を示す第１種類、心房細動を示す第２種類、及び心室性期外収縮を示す第３種類の全てを含むものとしているが、これに限るものではない。例えば、これらの３種類のうちの１種類又は２種類の組み合わせを上記予め定められた種類として含むものとしてもよいし、上記３種類に他の不整脈の種類を加えて、上記予め定められた種類として含むものとしてもよい。以下では、上記第１種類を「Ｎ ｏｒ Ｓ」又は「Ｎ」とも表現し、上記第２種類を「ｓｍａｌｌ＿ｎ」又は「ｎ」とも表現し、上記第３種類を「ＰＶＣ」又は「Ｖ」とも表現する。また、以下では、上記予め定められた種類のピークが存在しない場合の種類を「ＦＡＬＳＥ」とも表現する。
また、本実施形態では、上記ピーク情報として、上記波形データに心電図の解析に関する予め定められた種類のピークが存在するか否かを示す情報のみならず、当該ピークが存在する場合における、上記予め定められた種類を示す情報も含むものとしている。従って、本実施形態に係るピーク推定モデル１３Ｃは、上述した「ＦＡＬＳＥ」に加えて、「ＦＡＬＳＥ」でない場合、即ち当該ピークが存在する場合における「Ｎ ｏｒ Ｓ」等の不整脈の種類を示す情報もピーク情報として出力するものとされている。
一方、本実施形態に係る区間推定モデル１３Ｄは、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに対応する区間が、予め定められた種類の区間のうちの何れの区間であるかを示す区間種類情報が出力情報とされている。
なお、本実施形態では、上記予め定められた種類の区間として、通常の区間である通常区間、心房細動の区間である心房細動区間、及び解析の対象外とする区間である非解析区間の全ての区間を含むものとしているが、これに限るものではない。例えば、これらの３種類のうちの２種類の組み合わせを上記予め定められた種類の区間として含むものとしてもよいし、上記３種類に他の区間を加えて、上記予め定められた種類の区間として含むものとしてもよい。
本実施形態では、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄとして、ＣＮＮ（Convolutional Neural Network、畳み込みニューラルネットワーク）によるものを適用しているが、これに限るものではない。例えば、ＲＮＮ（Recurrent Neural Network、再帰型ニューラルネットワーク）によるものをピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの少なくとも一方として適用する形態としてもよい。
一例として図２に示すように、本実施形態では、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄとして、畳み込み層及びプーリング層を含んで構成されたＣＮＮ層が４層で、Ｄｅｎｓｅ層が２層とされた１次元ＣＮＮを適用している。
また、記憶部１３には、第１学習用波形データデータベース１３Ｅ及び第２学習用波形データデータベース１３Ｆが記憶される。第１学習用波形データデータベース１３Ｅ及び第２学習用波形データデータベース１３Ｆについては、詳細を後述する。
次に、図３を参照して、本実施形態に係る心電図解析支援装置１０のピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの学習時における機能的な構成について説明する。
図３に示すように、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの学習時における心電図解析支援装置１０は、学習用波形取得部１１Ａ及び学習用波形切出部１１Ｂを含む。心電図解析支援装置１０のＣＰＵ１１が学習プログラム１３Ａを実行することで、学習用波形取得部１１Ａ及び学習用波形切出部１１Ｂとして機能する。
本実施形態に係る学習用波形取得部１１Ａは、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの各モデルに対する学習対象とする心電図における波形データ（以下、「学習用波形データ」という。）を取得する。
なお、本実施形態では、ピーク推定モデル１３Ｃに対する学習用波形データ（以下、「第１学習用波形データ」という。）を、後述する第１学習用波形データデータベース１３Ｅから読み出すことにより取得する。また、本実施形態では、区間推定モデル１３Ｄに対する学習用波形データ（以下、「第２学習用波形データ」という。）を、後述する第２学習用波形データデータベース１３Ｆから読み出すことにより取得する。但し、この形態に限るものではなく、心電計によって得られた波形データを学習用波形データとして、通信Ｉ／Ｆ部１８等を介して直接取得する形態としてもよい。
また、本実施形態に係る学習用波形切出部１１Ｂは、学習用波形取得部１１Ａによって取得された第１学習用波形データから予め定められた第１期間（以下、単に「第１期間」という。）の波形データを学習用区分波形データ（以下、「第１学習用区分波形データ」という。）として切り出す。
なお、本実施形態に係る学習用波形切出部１１Ｂでは、第１学習用区分波形データの切り出しを、第１学習用波形データにおける時間軸の中心を中心として第１期間の波形データを切り出すことにより行っているが、これに限るものではない。例えば、第１学習用波形データにおける時間軸の先端を先端として第１期間の波形データを切り出すことにより行う形態としてもよいし、第１学習用波形データにおける時間軸の後端を後端として第１期間の波形データを切り出すことにより行う形態としてもよい。
また、本実施形態では、第１期間として２秒を適用しているが、これに限るものではない。例えば、１．８秒、２．５秒等といった２秒以外の期間を第１期間として適用する形態としてもよい。ここで、第１期間として２秒を適用しているのは、心電図の一般的なピークの間隔が約１秒であるためであり、２秒前後であれば、ピーク、及び当該ピークの前後の情報を適切に得ることができる。
また、本実施形態に係る学習用波形切出部１１Ｂは、学習用波形取得部１１Ａによって取得された第２学習用波形データから、第１期間より長い期間である第２期間（以下、単に「第２期間」という。）の波形データを学習用区分波形データ（以下、「第２学習用区分波形データ」という。）として切り出す。
なお、本実施形態に係る学習用波形切出部１１Ｂでは、第２学習用区分波形データの切り出しを、第２学習用波形データにおける時間軸の中心を中心として第２期間の波形データを切り出すことにより行っているが、これに限るものではない。例えば、第２学習用波形データにおける時間軸の先端を先端として第２期間の波形データを切り出すことにより行う形態としてもよいし、第２学習用波形データにおける時間軸の後端を後端として第２期間の波形データを切り出すことにより行う形態としてもよい。
また、本実施形態では、第２期間として５秒を適用しているが、これに限るものではない。例えば、４．８秒、５．５秒等といった５秒以外の期間を第２期間として適用する形態としてもよい。ここで、第２期間として５秒を適用しているのは、本発明の発明者らの試行錯誤の結果、第２期間が５秒前後であれば、心房細動区間及び非解析区間を判定するのに十分な情報が得られ、かつ、心房細動区間及び非解析区間が混在することも抑制することができるとの結果が得られたためである。
そして、本実施形態に係るピーク推定モデル１３Ｃは、学習用波形切出部１１Ｂによって切り出された第１学習用区分波形データを入力情報とし、当該第１学習用区分波形データに対応する上記ピーク情報を出力情報として機械学習される。また、本実施形態に係る区間推定モデル１３Ｄは、学習用波形切出部１１Ｂによって切り出された第２学習用区分波形データを入力情報とし、当該第２学習用区分波形データに対応する上記区間種類情報を出力情報として機械学習される。
次に、図４を参照して、本実施形態に係る心電図解析支援装置１０のピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの運用時における機能的な構成について説明する。
図４に示すように、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの運用時における心電図解析支援装置１０は、解析用波形取得部１１Ｃ、解析用波形切出部１１Ｄ、導出部１１Ｅ、第２解析用波形切出部１１Ｆ、第２導出部１１Ｇ、推定部１１Ｈ、中間情報取得部１１Ｉ、及び分類部１１Ｊを含む。心電図解析支援装置１０のＣＰＵ１１が心電図解析支援プログラム１３Ｂを実行することで、解析用波形取得部１１Ｃ、解析用波形切出部１１Ｄ、導出部１１Ｅ、第２解析用波形切出部１１Ｆ、第２導出部１１Ｇ、推定部１１Ｈ、中間情報取得部１１Ｉ、及び分類部１１Ｊとして機能する。
本実施形態に係る解析用波形取得部１１Ｃは、解析対象とする心電図における波形データ（以下、「解析用波形データ」という。）を取得する。なお、本実施形態では、解析用波形データを心電計から通信Ｉ／Ｆ部１８等を介して直接取得する形態としている。但し、この形態に限るものではなく、解析対象とする心電図の波形データをデータベース化しておき、当該データベースから読み出すことで、解析用波形データを取得する形態としてもよい。
また、本実施形態に係る解析用波形切出部１１Ｄは、解析用波形取得部１１Ｃによって取得された解析用波形データから、第１期間の波形データを、当該第１期間より短い期間として予め定められた移動期間（以下、単に「移動期間」という。）ずつ移動させながら第１解析用区分波形データとして切り出す。
なお、本実施形態では、移動期間として０．１秒を適用しているが、これに限るものではない。例えば、０．０５秒、０．２秒等の第１期間より短い他の期間を移動期間として適用する形態としてもよい。ここで、移動期間として０．１秒を適用しているのは、本発明の発明者らの試行錯誤の結果、移動期間が０．１秒前後であれば、心電図のピークの未検出が防止でき、かつ、演算時間の長時間化を防止できるとの結果が得られたためである。
そして、本実施形態に係る導出部１１Ｅは、解析用波形切出部１１Ｄによって切り出された第１解析用区分波形データをピーク推定モデル１３Ｃに入力することで、ピーク推定モデル１３Ｃに上記ピーク情報を導出させる。
一方、本実施形態に係る第２解析用波形切出部１１Ｆは、解析用波形取得部１１Ｃによって取得された解析用波形データから、第２期間の波形データを第２解析用区分波形データとして切り出す。また、本実施形態に係る第２導出部１１Ｇは、第２解析用波形切出部１１Ｆによって切り出された第２解析用区分波形データを区間推定モデル１３Ｄに入力することで、区間推定モデル１３Ｄに上記区間種類情報を導出させる。
そして、本実施形態に係る推定部１１Ｈは、導出部１１Ｅによる第１解析用区分波形データの入力によってピーク推定モデル１３Ｃにより導出されたピーク情報、及び第２導出部１１Ｇによる第２解析用区分波形データの入力によって区間推定モデル１３Ｄにより導出された区間種類情報を合成することで、解析対象とする心電図が示す状況を推定する。
一方、本実施形態に係る中間情報取得部１１Ｉは、解析用波形切出部１１Ｄによって切り出された第１解析用区分波形データがピーク推定モデル１３Ｃに入力されることで当該ピーク推定モデル１３Ｃの中間層で生成される、当該第１解析用区分波形データに含まれるピークの形状の特徴を示す中間情報（以下、単に「中間情報」という。）を取得する。
そして、本実施形態に係る分類部１１Ｊは、中間情報取得部１１Ｉによって取得された中間情報を用いて、解析対象とする心電図の波形のタイプを分類分けする。
なお、本実施形態では、上記波形のタイプとして、標準的なタイプ、当該標準的なタイプよりＴ波が大きなタイプ、上記標準的なタイプよりＱＲＳ波の幅が広いタイプ、及びその他のタイプの全てのタイプを含むものとしているが、これに限るものではない。例えば、これらの４種類のタイプのうちの２種類又は３種類の組み合わせを上記波形のタイプとして含むものとしてもよいし、上記４種類に他のタイプを加えて、上記波形のタイプとして含むものとしてもよい。
また、本実施形態に係る分類部１１Ｊでは、中間情報をクラスタリングすることで上記分類分けを行う形態とされている。
なお、本実施形態では、上記クラスタリングとして、一例として図５に示すように、混合ガウスモデル（Gaussian Mixture Model, GMM）を用いたクラスタリングを適用している。混合ガウスモデルによるクラスタリングは、複数のガウス分布を足し合わせることで任意の連続関数を近似する手法であり、ガウス分布の数が分類数となる。但し、上記クラスタリングは混合ガウスモデルによるクラスタリングに限るものではなく、例えば、スペクトラル・クラスタリング（Spectral Clustering）等の他のクラスタリングの手法を用いて上記分類分けを行う形態としてもよい。
一例として図６に示すように、本実施形態に係る心電図解析支援装置１０では、ピーク推定モデル１３Ｃにおける１層目のＤｅｎｓｅ層によって生成されたデータを中間情報として適用し、当該データをクラスタリングの対象として用いる。
次に、図７を参照して、本実施形態に係る第１学習用波形データデータベース１３Ｅについて説明する。図７は、一実施形態に係る第１学習用波形データデータベース１３Ｅの構成の一例を示す模式図である。
本実施形態に係る第１学習用波形データデータベース１３Ｅは、上述したように、ピーク推定モデル１３Ｃの学習に用いる第１学習用波形データに関する情報を記憶するためのものである。
図７に示すように、本実施形態に係る第１学習用波形データデータベース１３Ｅは、波形ＩＤ（Identification）、波形データ、及びピーク情報の各情報が記憶される。
上記波形ＩＤは、対応する波形データを識別するために、波形データの各々毎に異なるものとして予め付与された情報である。また、上記波形データは、第１学習用波形データそのものを示す情報であり、上記ピーク情報は、対応する波形データが入力された場合にピーク推定モデル１３Ｃから出力されるべき正しいピーク情報（正解情報）を示す情報である。
次に、図８を参照して、本実施形態に係る第２学習用波形データデータベース１３Ｆについて説明する。図８は、一実施形態に係る第２学習用波形データデータベース１３Ｆの構成の一例を示す模式図である。
本実施形態に係る第２学習用波形データデータベース１３Ｆは、上述したように、区間推定モデル１３Ｄの学習に用いる第２学習用波形データに関する情報を記憶するためのものである。
図８に示すように、本実施形態に係る第２学習用波形データデータベース１３Ｆは、波形ＩＤ、波形データ、及び区間種類情報の各情報が記憶される。
上記波形ＩＤは、対応する波形データを識別するために、波形データの各々毎に異なるものとして予め付与された情報である。また、上記波形データは、第２学習用波形データそのものを示す情報であり、上記区間種類情報は、対応する波形データが入力された場合に区間推定モデル１３Ｄから出力されるべき正しい区間種類情報（正解情報）を示す情報である。
次に、図９～図１８を参照して、本実施形態に係る心電図解析支援装置１０の作用を説明する。まず、図９を参照して、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄを学習させる場合における心電図解析支援装置１０の作用を説明する。図９は、一実施形態に係る学習処理の一例を示すフローチャートである。
心電図解析支援装置１０のＣＰＵ１１が学習プログラム１３Ａを実行することによって、図９に示す学習処理が実行される。図９に示す学習処理は、ユーザにより、学習プログラム１３Ａの実行を開始する指示入力が入力部１４を介して行われた場合に実行される。なお、錯綜を回避するために、以下では、第１学習用波形データデータベース１３Ｅ及び第２学習用波形データデータベース１３Ｆが既に構築済みである場合について説明する。
図９のステップ１００で、ＣＰＵ１１は、第１学習用波形データデータベース１３Ｅから一組の波形データ（第１学習用波形データ）及びピーク情報を読み出す。ステップ１０２で、ＣＰＵ１１は、読み出した第１学習用波形データから第１学習用区分波形データを上述したように切り出す。
ステップ１０４で、ＣＰＵ１１は、切り出した第１学習用区分波形データを入力情報とし、読み出したピーク情報を出力情報（正解情報）として、ピーク推定モデル１３Ｃを機械学習する。ステップ１０６で、ＣＰＵ１１は、第１学習用波形データデータベース１３Ｅに記憶されている全ての波形データについてステップ１０４による機械学習が終了したか否かを判定し、否定判定となった場合はステップ１００に戻る一方、肯定判定となった場合はステップ１０８に移行する。なお、ステップ１００～ステップ１０６の処理を繰り返し実行する場合にＣＰＵ１１は、それまでに処理対象としなかった第１学習用波形データを処理対象とするようにする。
ステップ１０８で、ＣＰＵ１１は、第２学習用波形データデータベース１３Ｆから一組の波形データ（第２学習用波形データ）及び区間種類情報を読み出す。ステップ１１０で、ＣＰＵ１１は、読み出した第２学習用波形データから第２学習用区分波形データを上述したように切り出す。
ステップ１１２で、ＣＰＵ１１は、切り出した第２学習用区分波形データを入力情報とし、読み出した区間種類情報を出力情報（正解情報）として、区間推定モデル１３Ｄを機械学習する。ステップ１１４で、ＣＰＵ１１は、第２学習用波形データデータベース１３Ｆに記憶されている全ての波形データについてステップ１１２による機械学習が終了したか否かを判定し、否定判定となった場合はステップ１０８に戻る一方、肯定判定となった場合は本学習処理を終了する。なお、ステップ１０８～ステップ１１４の処理を繰り返し実行する場合にＣＰＵ１１は、それまでに処理対象としなかった第２学習用波形データを処理対象とするようにする。
以上の学習処理により、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄが学習されることになる。なお、以上の学習処理によって得られるピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの推定精度が十分でない場合等には、同様の学習処理を繰り返し実行する形態としてもよい。
次に、図１０～図１８を参照して、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄを運用する場合における心電図解析支援装置１０の作用を説明する。図１０は、一実施形態に係る心電図解析支援処理の一例を示すフローチャートである。また、図１１は、一実施形態に係る心電図解析支援処理の説明に供する図であり、第１解析用区分波形データの切り出し状態の一例を示す波形図である。更に、図１２は、一実施形態に係る心電図解析支援処理の説明に供する図であり、第２解析用区分波形データの切り出し状態の一例を示す波形図である。
心電図解析支援装置１０のＣＰＵ１１が心電図解析支援プログラム１３Ｂを実行することによって、図１０に示す心電図解析支援処理が実行される。図１０に示す心電図解析支援処理は、ユーザにより、心電図解析支援プログラム１３Ｂの実行を開始する指示入力が入力部１４を介して行われた場合に実行される。なお、錯綜を回避するために、以下では、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの学習が終了している場合について説明する。また、以下では、心電図の解析対象とする人に装着された図示しない心電計が心電図解析支援装置１０の通信Ｉ／Ｆ部１８に接続されており、当該心電計からの心電図の波形データが心電図解析支援装置１０によって受信可能な状態となっている場合について説明する。
図１０のステップ２００で、ＣＰＵ１１は、上記心電図から受信している波形データ（上述した解析用波形データに相当し、以下、「解析用波形データ」という。）の記憶部１３への記憶を開始する。ステップ２０２で、ＣＰＵ１１は、ピーク推定モデル１３Ｃによる推定を行うタイミングとして予め定められたタイミング（以下、「第１タイミング」という。）が到来したか否かを判定し、否定判定となった場合はステップ２１２に移行する。また、ＣＰＵ１１は、ステップ２０２で肯定判定となった場合はステップ２０４に移行する。なお、本実施形態では、上記第１タイミングとして、予め定められた基準時間（本実施形態では、本心電図解析支援処理の実行が開始された時刻）を起点として第１期間が終了し、かつ、移動期間が終了したタイミングを適用している。
ステップ２０４で、ＣＰＵ１１は、記憶部１３から第１期間分の解析用波形データを読み出すことにより、第１解析用区分波形データを切り出す。ステップ２０６で、ＣＰＵ１１は、切り出した第１解析用区分波形データをピーク推定モデル１３Ｃに入力し、ステップ２０８で、ＣＰＵ１１は、当該第１解析用区分波形データの入力に応じてピーク推定モデル１３Ｃから出力されるピーク情報を取得する。ステップ２１０で、ＣＰＵ１１は、取得したピーク情報を記憶部１３に記憶する。
以上のステップ２０２～ステップ２１０の処理が繰り返し実行されることで、一例として図１１に示すように、第１期間（本実施形態では、２秒）の幅とされた第１解析用区分波形データが、移動期間（本実施形態では、０．１秒）の刻み幅で、ピーク推定モデル１３Ｃに入力され、これに応じてピーク推定モデル１３Ｃから出力されたピーク情報が記憶部１３に記憶されることになる。
ステップ２１２で、ＣＰＵ１１は、区間推定モデル１３Ｄによる推定を行うタイミングとして予め定められたタイミング（以下、「第２タイミング」という。）が到来したか否かを判定し、否定判定となった場合はステップ２２２に移行する。また、ＣＰＵ１１は、ステップ２１２で肯定判定となった場合はステップ２１４に移行する。なお、本実施形態では、上記第２タイミングとして、上記基準時間を起点として第２期間が終了したタイミングを適用している。
ステップ２１４で、ＣＰＵ１１は、記憶部１３から第２期間分の解析用波形データを読み出すことにより、第２解析用区分波形データを切り出す。ステップ２１６で、ＣＰＵ１１は、切り出した第２解析用区分波形データを区間推定モデル１３Ｄに入力し、ステップ２１８で、ＣＰＵ１１は、当該第２解析用区分波形データの入力に応じて区間推定モデル１３Ｄから出力される区間種類情報を取得する。ステップ２２０で、ＣＰＵ１１は、取得した区間種類情報を記憶部１３に記憶する。
以上のステップ２１２～ステップ２２０の処理が繰り返し実行されることで、一例として図１２に示すように、第２期間（本実施形態では、５秒）の幅とされた第２解析用区分波形データが区間推定モデル１３Ｄに入力され、これに応じて区間推定モデル１３Ｄから出力された区間種類情報が記憶部１３に記憶されることになる。
ステップ２２２で、ＣＰＵ１１は、分類部１１Ｊによるクラスタリングの対象とする中間情報を取得するタイミングとして予め定められたタイミング（以下、「第３タイミング」という。）が到来したか否かを判定し、否定判定となった場合はステップ２３２に移行する。また、ＣＰＵ１１は、ステップ２２２で肯定判定となった場合はステップ２２４に移行する。なお、本実施形態では、上記第３タイミングとして、ステップ２１０の処理によって記憶したピーク情報が「ＦＡＬＳＥ」以外であったタイミング、即ち、解析用波形データにおいて何らかのピークが検出されたタイミングを適用している。
ステップ２２４で、ＣＰＵ１１は、記憶部１３から第１期間分の解析用波形データを読み出すことにより、解析用区分波形データを切り出す。ステップ２２６で、ＣＰＵ１１は、切り出した解析用区分波形データをピーク推定モデル１３Ｃに入力し、ステップ２２８で、ＣＰＵ１１は、当該解析用区分波形データの入力に応じてピーク推定モデル１３Ｃの中間層（本実施形態では、１層目のＤｅｎｓｅ層）で生成される中間情報を取得する。ステップ２３０で、ＣＰＵ１１は、取得した中間情報を記憶部１３に記憶する。
ステップ２３２で、ＣＰＵ１１は、予め定められた計測を終了するタイミング（以下、「終了タイミング」という。）が到来したか否かを判定し、否定判定となった場合はステップ２０２に戻る一方、肯定判定となった場合はステップ２３４に移行する。なお、本実施形態では、上記終了タイミングとして、上記基準時間からの解析用波形データにおけるピークの発生数が予め定められた閾値（本実施形態では、６０）に達したタイミングを適用しているが、これに限るものではない。例えば、上記基準時間から予め定められた時間（本実施形態では、６０秒）が経過したタイミングを上記終了タイミングとして適用する形態としてもよい。
ステップ２３４で、ＣＰＵ１１は、ステップ２００の処理によって開始した解析用波形データの記憶部１３への記憶を停止する。ステップ２３６で、ＣＰＵ１１は、以上の処理によって記憶されたピーク情報、区間種類情報、及び中間情報を全て記憶部１３から読み出す。
ステップ２３８で、ＣＰＵ１１は、読み出したピーク情報及び区間種類情報を用いて、解析対象とする心電図が示す状況を推定する。以下、図１３～図１６を参照して、当該推定について説明する。なお、図１３は、一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルからの出力の縮約状況の一例を示す模式図である。また、図１４は、一実施形態に係る心電図解析支援処理の説明に供する図であり、区間推定モデルからの出力の一例を示す模式図である。また、図１５は、一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルの出力と区間推定モデルの出力との合成状態の一例を示す模式図である。更に、図１６は、一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルの出力と区間推定モデルの出力との合成結果の修正状態の一例を示す模式図である。
また、図１３～図１６における各２列構成の図の上段が経過時間を表し、下段が対応するモデルからの出力情報を表す。また、図１３～図１６におけるピーク推定モデル１３Ｃから出力されたピーク情報では、「ＦＡＬＳＥ」を「Ｆ」と表し、「Ｎ ｏｒ Ｓ」を「Ｎ」と表し、「ＰＶＣ」を「Ｖ」と表し、「ｓｍａｌｌ＿ｎ」を「ｎ」と表す。更に、図１４～図１６における区間推定モデル１３Ｄから出力された区間種類情報では、通常区間を「Ｎ」と表し、心房細動区間を「ｎ」と表し、非解析区間を「Ｎ／Ａ」（No Analyze）と表す。
まず、ＣＰＵ１１は、読み出したピーク情報を、予め定められたルールに従ってピークの位置及びピークの種類を示す情報のみに縮約する。なお、本実施形態では、上記ルールとして、次のルールを適用する。
（ルール１）ピークの位置：単独のピークについては当該ピークの位置を適用し、複数回連続するピークについては当該ピーク群の中心位置を適用する。
（ルール２）ピークの種類：単独のピークについては当該ピークの種類を適用し、複数回連続するピークについては当該ピーク群の種類の最も多い種類を適用する。この場合、最も多い種類が複数存在する場合があるが、この場合は、「ＰＶＣ」→「Ｎ ｏｒ Ｓ」→「ｓｍａｌｌ＿ｎ」の優先順位で決定する。
なお、上記優先順位としたのは、以下に示す理由からである。
即ち、心室性期外収縮Ｖ（ＰＶＣ）は、見逃しを可能な限り少なくする必要がある。このため、心室性期外収縮Ｖの可能性があれば当該心室性期外収縮Ｖと判定すべき、との考えに基づいて、心室性期外収縮Ｖの優先度を最も高く設定している。
一方、心房細動ｎ（ｓｍａｌｌ＿ｎ）かどうかは、最終的には区間推定モデル１３Ｄの結果に基づいて判定し、ピーク推定モデル１３Ｃの心房細動ｎの判定は補完的なものでしかない。このため、心房細動ｎの優先度を最も低く設定している。
この処理により、読み出したピーク情報が図１３の上図である場合の縮約結果は図１３の下図に示すものとなる。
次いで、ＣＰＵ１１は、縮約されたピーク情報と、読み出した区間種類情報とを合成する。この際、ＣＰＵ１１は、以下に示すようにピーク情報と区間種類情報との合成を行う。
第１に、ＣＰＵ１１は、区間推定モデル１３Ｄで通常区間Ｎと判定された区間内にある「ｓｍａｌｌ＿ｎ」のピークは「Ｎ ｏｒ Ｓ」に修正する。
第２に、ＣＰＵ１１は、区間推定モデル１３Ｄで心房細動区間ｎと判定された区間内にある「Ｎ ｏｒ Ｓ」のピークは「ｓｍａｌｌ＿ｎ」に修正する。
第３に、ＣＰＵ１１は、区間推定モデル１３Ｄで非解析区間Ｎ／Ａと判定された区間内にあるピークはノイズを誤検出したものと見なして、すべてピークから除外する。（但し、内部的には保持する。）
ピーク推定モデル１３Ｃから出力されて上記縮約が行われた情報が図１３に示すものであり、区間推定モデル１３Ｄから出力された区間種類情報が図１４に示すものである場合における上記合成が行われた結果は図１５に示すものとなる。
この場合、３．４５秒及び６．９秒のピークが「ｓｍａｌｌ＿ｎ」から「Ｎ ｏｒ Ｓ」に修正されている。また、１３．６秒及び１４．４５秒のピークが「Ｎ ｏｒ Ｓ」から「ｓｍａｌｌ＿ｎ」に修正されている。更に、１５．２５秒以降のピークがピークから除外されている。
一例として図１５の下図に示す合成後のデータが推定部１１Ｈによって得られる、解析対象とする心電図が示す状況を示すデータであり、当該データを以下では「心電図状況情報」という。
最後に、ＣＰＵ１１は、既存のルールベース型の解析と同様の短縮率ルールを用いて、ピーク推定モデル１３Ｃから出力された「Ｎ ｏｒ Ｓ」を正常Ｎと心房性期外収縮ＡＰＣに振り分ける判定を行い、心電図状況情報を修正する。以下、本実施形態に係る短縮率ルールについて説明する。
即ち、正常Ｎと心房性期外収縮ＡＰＣは波形自体に大きな差はないが、正常Ｎのピークが規則的に出現するのに対し、心房性期外収縮ＡＰＣのピークは通常より早いタイミングで出現する。このため、ルールベース型のアルゴリズムでは、直前のピークとの間隔が通常より短ければ心房性期外収縮ＡＰＣと判定する。具体的には、直前のピークとの間隔が移動平均の０．８倍以下なら、心房性期外収縮ＡＰＣと判定する。この０．８倍という閾値のことを「短縮率」と呼ぶ。
この修正により、一例として図１６に示すように、最終的な心電図状況情報が得られる。
ステップ２４０で、ＣＰＵ１１は、読み出した中間情報に対して、上述したようにクラスタリング（本実施形態では、ＧＭＭを用いたクラスタリング）を行うことで、解析対象とする心電図のタイプを分類分けした結果を示す分類結果情報を導出する。
ステップ２４２で、ＣＰＵ１１は、以上の処理によって導出された心電図状況情報及び分類結果情報を用いて、予め定められた構成とされた結果画面を表示するように表示部１５を制御し、ステップ２４４で、ＣＰＵ１１は、所定情報が入力されるまで待機する。
図１７には、本実施形態に係る結果画面の一例が示されている。図１７に示すように、本実施形態に係る結果画面では、解析対象とする心電図の各ピークの種別、各ピークの位置、及び分類結果を示す情報が表示される。従って、ユーザは、結果画面を参照することにより、これらの各情報を把握することができる。なお、図１８には、分類結果情報により示される各種タイプの心電図波形の一例を示す波形図が示されている。図１８における（Ａ）が標準的なタイプに属する波形の一例であり、（Ｂ）が標準的なタイプよりＴ波が大きなタイプに属する波形の一例である。また、図１８における（Ｃ）が標準的なタイプよりＱＲＳ波の幅が広いタイプに属する波形の一例であり、（Ｄ）がその他のタイプに属する波形の一例である。
一例として図１７に示す結果画面が表示部１５に表示されると、ユーザは、表示内容を把握した後、終了ボタン１５Ａを、入力部１４を介して指定する。ユーザによって終了ボタン１５Ａが指定されると、ステップ２４４が肯定判定となって本心電図解析支援処理が終了する。
以上説明したように、一実施形態によれば、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに当該心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデル１３Ｃと、解析対象とする心電図における波形データを取得する解析用波形取得部１１Ｃと、解析用波形取得部１１Ｃによって取得された波形データから、予め定められた第１期間の波形データを、当該第１期間より短い期間として予め定められた移動期間ずつ移動させながら解析用区分波形データとして切り出す解析用波形切出部１１Ｄと、解析用波形切出部１１Ｄによって切り出された解析用区分波形データをピーク推定モデル１３Ｃに入力することでピーク情報を導出する導出部１１Ｅと、を備えている。従って、ピーク推定モデル１３Ｃによって得られたピーク情報を用いることで、特定の種類の不整脈が生じているか否かの判断に寄与することができる。
また、一実施形態によれば、学習対象とする心電図における波形データを取得する学習用波形取得部１１Ａと、学習用波形取得部１１Ａによって取得された波形データから第１期間の波形データを学習用区分波形データとして切り出す学習用波形切出部１１Ｂと、を更に備え、ピーク推定モデル１３Ｃを、学習用波形切出部１１Ｂによって切り出された学習用区分波形データを入力情報とし、当該学習用区分波形データに対応するピーク情報を出力情報として機械学習されたものとしている。従って、ピーク推定モデル１３Ｃの運用時における波形データとは異なる期間で切り出された波形データを用いて機械学習する場合に比較して、より高精度な特定の種類の不整脈が生じているか否かの判断に寄与することができる。
また、一実施形態によれば、上記予め定められた種類を、正常又は心房性期外収縮を示す第１種類、心房細動を示す第２種類、及び心室性期外収縮を示す第３種類のうちの少なくとも１種類を含むものとしている。従って、適用した種類の不整脈の発見に寄与することができる。
また、一実施形態によれば、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに対応する区間が、予め定められた種類の区間のうちの何れの区間であるかを示す区間種類情報が出力情報とされた区間推定モデル１３Ｄと、解析用波形取得部１１Ｃによって取得された波形データから、第１期間より長い期間である第２期間の波形データを第２解析用区分波形データとして切り出す第２解析用波形切出部１１Ｆと、第２解析用波形切出部１１Ｆによって切り出された第２解析用区分波形データを区間推定モデル１３Ｄに入力することで区間種類情報を導出する第２導出部１１Ｇと、導出部１１Ｅによって導出されたピーク情報及び第２導出部１１Ｇによって導出された区間種類情報を合成することで、解析対象とする心電図が示す状況を推定する推定部１１Ｈと、を更に備えている。従って、区間推定モデル１３Ｄを用いない場合に比較して、より高精度な特定の種類の不整脈が生じているか否かの判断に寄与することができる。
また、一実施形態によれば、上記予め定められた種類の区間を、通常の区間である通常区間、心房細動の区間である心房細動区間、及び解析の対象外とする区間である非解析区間のうちの少なくとも２つの区間を含むものとしている。従って、適用した区間の特定に寄与することができる。
また、一実施形態によれば、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに当該心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデル１３Ｃを用いた心電図解析支援装置であって、解析対象とする心電図における波形データを取得する解析用波形取得部１１Ｃと、解析用波形取得部１１Ｃによって取得された波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出す解析用波形切出部１１Ｄと、解析用波形切出部１１Ｄによって切り出された解析用区分波形データをピーク推定モデル１３Ｃに入力することで当該ピーク推定モデル１３Ｃの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得する中間情報取得部１１Ｉと、中間情報取得部１１Ｉによって取得された中間情報を用いて、解析対象とする心電図の波形のタイプを分類分けする分類部１１Ｊと、を備えている。従って、解析対象とする心電図の波形のタイプの特定に寄与することができる。
また、一実施形態によれば、上記波形のタイプを、標準的なタイプ、当該標準的なタイプよりＴ波が大きなタイプ、標準的なタイプよりＱＲＳ波の幅が広いタイプ、及びその他のタイプのうちの少なくとも２つのタイプを含むものとしている。従って、適用したタイプの特定に寄与することができる。なお、上記標準的なタイプよりＴ波が大きなタイプは、高カリウム血症に対応するタイプであり、当該タイプを上記波形のタイプに含めることで、血清電解質異常である可能性があることを把握することができる。また、上記標準的なタイプよりＱＲＳ波の幅が広いタイプは、脚ブロックに対応するタイプであり、当該タイプを上記波形のタイプに含めることで、重い心筋疾患等である可能性があることを把握することができる。
更に、一実施形態によれば、中間情報をクラスタリングすることで上記分類分けを行う。従って、中間情報をクラスタリングしない場合に比較して、より的確に解析対象とする心電図の波形のタイプの特定に寄与することができる。
なお、上記実施形態では、心電図状況情報及び分類結果情報を表示部による表示により提示する場合について説明したが、これに限定されない。例えば、音声出力部１９による音声によって心電図状況情報及び分類結果情報を提示する形態としてもよいし、プリンタ等の画像形成装置による印刷によって心電図状況情報及び分類結果情報を提示する形態としてもよい。
また、上記実施形態では、本発明の心電図解析支援装置を単体構成とされた装置により構成した場合について説明したが、これに限定されない。例えば、クラウドサーバ等のサーバ装置と端末装置との、複数の装置を用いたシステムによって本発明に係る心電図解析支援装置を構成する形態としてもよい。この場合、例えば、端末装置にてユーザの心電図を計測して当該計測により得られた波形データをサーバ装置に転送し、サーバ装置にて受信した波形データを解析対象として、一例として図１０に示した心電図解析支援処理を実行する。そして、これによって得られた心電図状況情報及び分類結果情報を端末装置に送信し、端末装置にて、これらの情報を提示する形態を例示することができる。
また、上記実施形態において、例えば、学習用波形取得部１１Ａ、学習用波形切出部１１Ｂ、解析用波形取得部１１Ｃ、解析用波形切出部１１Ｄ、導出部１１Ｅ、第２解析用波形切出部１１Ｆ、第２導出部１１Ｇ、推定部１１Ｈ、中間情報取得部１１Ｉ、及び分類部１１Ｊの各処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、処理部を１つのプロセッサで構成してもよい。
処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：SoC）等に代表されるように、処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。
１０ 心電図解析支援装置
１１ ＣＰＵ
１１Ａ 学習用波形取得部
１１Ｂ 学習用波形切出部
１１Ｃ 解析用波形取得部
１１Ｄ 解析用波形切出部
１１Ｅ 導出部
１１Ｆ 第２解析用波形切出部
１１Ｇ 第２導出部
１１Ｈ 推定部
１１Ｉ 中間情報取得部
１１Ｊ 分類部
１２ メモリ
１３ 記憶部
１３Ａ 学習プログラム
１３Ｂ 心電図解析支援プログラム
１３Ｃ ピーク推定モデル
１３Ｄ 区間推定モデル
１３Ｅ 第１学習用波形データデータベース
１３Ｆ 第２学習用波形データデータベース
１４ 入力部
１５ 表示部
１６ 媒体読み書き装置
１７ 記録媒体
１８ 通信Ｉ／Ｆ部
１９ 音声出力部

Claims (6)

  1. 心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いた心電図解析支援装置であって、
    解析対象とする心電図における波形データを取得する解析用波形取得部と、
    前記解析用波形取得部によって取得された波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出す解析用波形切出部と、
    前記解析用波形切出部によって切り出された解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得する中間情報取得部と、
    前記中間情報取得部によって取得された中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする分類部と、
    を備えた心電図解析支援装置。
  2. 前記波形のタイプは、標準的なタイプ、当該標準的なタイプよりＴ波が大きなタイプ、前記標準的なタイプよりＱＲＳ波の幅が広いタイプ、及びその他のタイプのうちの少なくとも２つのタイプを含む、
    請求項１に記載の心電図解析支援装置。
  3. 前記分類部は、前記中間情報をクラスタリングすることで前記分類分けを行う、
    請求項１又は請求項２に記載の心電図解析支援装置。
  4. 心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いたプログラムであって、
    解析対象とする心電図における波形データを取得し、
    取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、
    切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、
    取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、
    処理をコンピュータに実行させるためのプログラム。
  5. 心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いた心電図解析支援方法であって、
    解析対象とする心電図における波形データを取得し、
    取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、
    切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、
    取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、
    心電図解析支援方法。
  6. 請求項１～請求項３の何れか１項に記載の心電図解析支援装置と、
    前記心電図解析支援装置に対して解析対象とする心電図における波形データを転送し、当該波形データの転送に応じて前記心電図解析支援装置によって得られた情報を受信して提示する端末装置と、
    を含む心電図解析支援システム。
JP2021050382A 2021-03-24 2021-03-24 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム Active JP6931880B1 (ja)

Priority Applications (10)

Application Number Priority Date Filing Date Title
JP2021050382A JP6931880B1 (ja) 2021-03-24 2021-03-24 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム
IL307211A IL307211A (en) 2021-03-24 2022-03-23 Device, software, method and system for assisting in electrocardiogram analysis
EP22775725.9A EP4316375A1 (en) 2021-03-24 2022-03-23 Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, and electrocardiogram analysis assistance system
KR1020237036148A KR20230159567A (ko) 2021-03-24 2022-03-23 심전도 해석 지원 장치, 프로그램, 심전도 해석 지원 방법, 및 심전도 해석 지원 시스템
PCT/JP2022/013744 WO2022202943A1 (ja) 2021-03-24 2022-03-23 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム
CN202280024488.4A CN117425431A (zh) 2021-03-24 2022-03-23 心电图解析辅助装置、程序、心电图解析辅助方法、以及心电图解析辅助系统
BR112023019428A BR112023019428A2 (pt) 2021-03-24 2022-03-23 Dispositivo de assistência à análise de eletrocardiograma, programa, método de assistência à análise de eletrocardiograma e sistema de assistência à análise de eletrocardiograma
AU2022243341A AU2022243341A1 (en) 2021-03-24 2022-03-23 Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, and electrocardiogram analysis assistance system
US18/283,483 US20240164691A1 (en) 2021-03-24 2022-03-23 Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, and electrocardiogram analysis assistance system
CA3213194A CA3213194A1 (en) 2021-03-24 2022-03-23 Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, and electrocardiogram analysis assistance system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021050382A JP6931880B1 (ja) 2021-03-24 2021-03-24 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム

Publications (2)

Publication Number Publication Date
JP6931880B1 JP6931880B1 (ja) 2021-09-08
JP2022148632A true JP2022148632A (ja) 2022-10-06

Family

ID=77549900

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021050382A Active JP6931880B1 (ja) 2021-03-24 2021-03-24 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム

Country Status (10)

Country Link
US (1) US20240164691A1 (ja)
EP (1) EP4316375A1 (ja)
JP (1) JP6931880B1 (ja)
KR (1) KR20230159567A (ja)
CN (1) CN117425431A (ja)
AU (1) AU2022243341A1 (ja)
BR (1) BR112023019428A2 (ja)
CA (1) CA3213194A1 (ja)
IL (1) IL307211A (ja)
WO (1) WO2022202943A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023218788A1 (ja) * 2022-05-10 2023-11-16 国立大学法人東海国立大学機構 不整脈重症度分類装置
WO2023248308A1 (ja) * 2022-06-20 2023-12-28 日本電信電話株式会社 学習装置、情報提供装置、学習方法、情報提供方法及びプログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012183168A (ja) * 2011-03-04 2012-09-27 Olympus Corp 体内埋込型装置
US20190059763A1 (en) * 2017-08-25 2019-02-28 Cambridge Heartwear Limited Method of detecting abnormalities in ecg signals
CN109864714A (zh) * 2019-04-04 2019-06-11 北京邮电大学 一种基于深度学习的心电信号分析方法
CN110367969A (zh) * 2019-07-05 2019-10-25 复旦大学 一种改进的心电信号快速聚类分析方法
US20190379589A1 (en) * 2018-06-12 2019-12-12 Ciena Corporation Pattern detection in time-series data
CN111714111A (zh) * 2019-03-22 2020-09-29 安徽华米信息科技有限公司 心电数据处理方法、装置、可穿戴设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3231362A4 (en) 2014-12-12 2017-12-06 Fujitsu Limited Meal intake estimation program, meal intake estimation method, and meal intake estimation device
KR102171236B1 (ko) 2019-03-14 2020-10-28 서울시립대학교 산학협력단 심장 박동의 타입을 분류하는 방법 및 이를 이용한 장치
JP7202274B2 (ja) 2019-09-25 2023-01-11 芝浦機械株式会社 表面処理装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012183168A (ja) * 2011-03-04 2012-09-27 Olympus Corp 体内埋込型装置
US20190059763A1 (en) * 2017-08-25 2019-02-28 Cambridge Heartwear Limited Method of detecting abnormalities in ecg signals
US20190379589A1 (en) * 2018-06-12 2019-12-12 Ciena Corporation Pattern detection in time-series data
CN111714111A (zh) * 2019-03-22 2020-09-29 安徽华米信息科技有限公司 心电数据处理方法、装置、可穿戴设备及存储介质
CN109864714A (zh) * 2019-04-04 2019-06-11 北京邮电大学 一种基于深度学习的心电信号分析方法
CN110367969A (zh) * 2019-07-05 2019-10-25 复旦大学 一种改进的心电信号快速聚类分析方法

Also Published As

Publication number Publication date
WO2022202943A1 (ja) 2022-09-29
EP4316375A1 (en) 2024-02-07
BR112023019428A2 (pt) 2023-10-24
US20240164691A1 (en) 2024-05-23
JP6931880B1 (ja) 2021-09-08
CN117425431A (zh) 2024-01-19
CA3213194A1 (en) 2022-09-29
AU2022243341A1 (en) 2023-11-09
KR20230159567A (ko) 2023-11-21
IL307211A (en) 2023-11-01

Similar Documents

Publication Publication Date Title
KR102451795B1 (ko) 심전도 신호의 검출 방법
WO2022202943A1 (ja) 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム
WO2022202942A1 (ja) 心電図解析支援装置、プログラム、心電図解析支援方法、心電図解析支援システム、ピーク推定モデル生成方法、及び区間推定モデル生成方法
CN113613559A (zh) 用于描绘和分类的心电图处理系统
US20200074281A1 (en) Computer-readable recording medium, abnormality determination method, and abnormality determination device
US20210204858A1 (en) Automatic sensing of features within an electrocardiogram
CN110464333B (zh) 一种心电图数据的存储方法及装置
US11051741B2 (en) Non-invasive detection of coronary heart disease from short single-lead ECG
CN110664395B (zh) 图像处理方法、图像处理装置以及存储介质
US11354339B2 (en) Method and system for clustering users using cognitive stress report for classifying stress levels
CN111657925A (zh) 基于机器学习的心电信号分类方法、系统、终端以及存储介质
CN112270212A (zh) 基于多导联心电信号生成心搏标签数据序列的方法和装置
CN111631704B (zh) 基于心电与脑电信息结合的糖尿病前期检测系统和方法
CN116322479A (zh) 用于检测和/或预测心脏事件的心电图处理系统
CN110432894B (zh) 心电图关键点标注方法及电子设备
JP7119012B2 (ja) 不整脈に関係する心拍を分類するためのシステム
JP2009225976A (ja) 波形解析装置、波形解析方法及び波形解析プログラム
CN111493856B (zh) 心搏分类的修正方法、装置、心电图检查系统及存储介质
WO2022064708A1 (ja) 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体
CN114469126B (zh) 心电数据的分类处理方法、装置、存储介质及计算机设备
CN115919324A (zh) 心电图的分类方法、训练方法、装置、设备和存储介质
KR20220143547A (ko) 심전도 이미지에 기반한 환자 평가 시스템 및 방법
CN112353400A (zh) 心拍分类方法、装置、计算机设备和存储介质
WO2023248163A1 (en) Smart annotation for recorded waveforms representing physiological characteristics
JP2023075342A (ja) プログラム、出力装置及びデータ処理方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210517

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210517

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210706

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210803

R150 Certificate of patent or registration of utility model

Ref document number: 6931880

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150