JP2022534879A - 振動性心電図における心肺持久力のマルチパラメータ推定 - Google Patents

振動性心電図における心肺持久力のマルチパラメータ推定 Download PDF

Info

Publication number
JP2022534879A
JP2022534879A JP2021569208A JP2021569208A JP2022534879A JP 2022534879 A JP2022534879 A JP 2022534879A JP 2021569208 A JP2021569208 A JP 2021569208A JP 2021569208 A JP2021569208 A JP 2021569208A JP 2022534879 A JP2022534879 A JP 2022534879A
Authority
JP
Japan
Prior art keywords
determining
signal feature
window
scg
electrocardiogram
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
JP2021569208A
Other languages
English (en)
Inventor
エミール シュミッド、サミュエル
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.)
Aalborg Universitet AAU
Original Assignee
Aalborg Universitet AAU
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 Aalborg Universitet AAU filed Critical Aalborg Universitet AAU
Publication of JP2022534879A publication Critical patent/JP2022534879A/ja
Pending legal-status Critical Current

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
    • A61B5/72—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
    • 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
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H40/63—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 local 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Vascular Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

提案される手法は、心肺持久力の定量化に関する。当該手法は、心筋の運動によって引き起こされる、人の胸壁の加速度および振動を測定するように構成される加速度計によって記録される振動性心電図（ＳＣＧ）を取得するステップを含む。振動性心電図（ＳＣＧ）における第１の信号特徴（ＡＣ）の特性が判定され、第１の信号特徴（ＡＣ）は、心拍動の大動脈弁閉鎖（ＡＣ）に対応する。そして、心肺持久力（ＶＯ２ｍａｘ）を示す計測値が、第１の信号特徴（ＡＣ）の特性に基づいて判定される。

Description

提案される手法は一般に、健康管理アプリケーション（fitness applications）に関し、特に、心肺持久力（cardiorespiratory fitness）の指標を判定する方法およびシステムに関する。
心肺持久力は、循環器および呼吸器系が筋肉へ酸素を供給する能力を表す。当該用語は、一般に、具体的には、持続的な身体活動中に骨格筋へ酸素を供給する能力であって、したがって、心血管機能適合性の部分集合とみなされ得る能力に使用される。
心肺持久力は、心拍数、一回心拍出量、心拍出量、および最大酸素消費量を含む生理学的パラメータによって影響を受ける。定期的な運動は、心筋を肥大化させ、より多くの血液が、各心拍によって拍出されることを可能にし、および、訓練後の骨格筋における小動脈の数を増加させることで、上述の系をより効率的にする。
心肺持久力の一般的な計測値（common measure）は、負荷が増加する運動中に測定される最大酸素消費速度に対応するＶＯ２ｍａｘである。場合によっては、上記計測値は、体重によって正規化される。
心肺持久力の指標、またはＶＯ２ｍａｘを示すことが可能な低コストの、およびポータブルな手法に対する臨床需要および消費者需要のいずれもが存在している。
振動性心電図は、鼓動する心臓によって引き起こされる、胸壁における可聴以下の低周波振動を示す振動性心電図（seismocardiogram：ＳＣＧ）の分析である。より一般的には、振動性心電図は、通常、心筋の運動によって生じる、胸壁における加速度の非侵襲的測定に関する。心音は、通常、４０～６０Ｈｚを超える、胸壁の可聴成分である一方、ＳＣＧの振動は、通常、２５Ｈｚ未満である。
振動性心電図（ＳＣＧ）は、通常、加速度計を使用して測定される。しかし、加速度計が使用される場合、低周波振動性心電図成分も可聴成分も同時にサンプリングされる。そして、加速度計からの信号は、通常、それがいずれの可聴成分も含まないようにフィルタリングされる。
ＳＣＧは、それらによって、心肺持久力を判定することが可能な、それらの異なる心血管機能を明らかにする。たとえば、振動性心電図は、通常、心周期における特徴間の時間間隔の推定に適している。
加速度計信号は、鼓動する心臓によって引き起こされる高負荷の低周波振動によって特徴付けられる。加速度計信号が、たとえば高域遮断周波数４０Ｈｚでローパスフィルタ処理される場合、心音の影響が除去される。フィルタリングされた信号またはＳＣＧ信号において、心周期の主要な特徴は、僧帽弁閉鎖（Mitral valve Closure：ＭＣ）、等容性運動（Isovolumic Movement：ＩＭ）、大動脈弁開口（Aortic valve Opening：ＡＯ）、等容性収縮（Isovolumic Contraction：ＩＣ）、急速駆出（Rapid Ejection：ＲＥ）、大動脈弁閉鎖（Aortic valve Closure：ＡＣ）、僧帽弁開放（Mitral valve Opening：ＭＯ）、および急速充満（Rapid Filling：ＲＦ）である。
本発明の目的は、心肺持久力の指標を示し得る手法、特に、この能力を有し、安価であり、ポータブルである手法に対して、上述の必要性を満たすことである。
提案される手法の第１の態様によれば、前述の目的は、心筋の運動によって引き起こされる、人の胸壁の加速度および振動を測定するように構成される加速度計（１４）によって記録される振動性心電図（ＳＣＧ）を取得するステップを含む方法によって実現される。上記方法は、振動性心電図（ＳＣＧ）において、第１の信号特徴（ＡＣ）の特性を判定するか、または、振動性心電図（ＳＣＧ）から、第１の信号特徴（ＡＣ）の特性を判定するステップを含み、第１の信号特徴（ＡＣ）は、心拍動の大動脈弁閉鎖（ＡＣ）に対応するか、または、心拍動の大動脈弁閉鎖（ＡＣ）に関連する。上記方法は、心肺持久力を定量化し、または上記心肺持久力の指標を判定するためのものであり得る。上記方法は、第１の信号特徴の特性に基づいて心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するか、または上記心肺持久力（ＶＯ２ｍａｘ）の指標を判定するステップをさらに含み得る。
ここで、振動性心電図を取得するステップは、振動性心電図が取得される入手元、または、振動性心電図が取得される方法を特定するものでない。たとえば、データストレージからの、または直接、加速度計からのダウンロード、および加速度計の活用のいずれをも包含すると理解される。振動性心電図を取得する具体的なステップの代わりに、提案される手法の第１の態様は、心筋の運動によって引き起こされる、人の胸壁の加速度および振動を測定するように構成される加速度計によって記録される振動性心電図（ＳＣＧ）から、心肺持久力を定量化し、または上記心肺持久力の指標を判定する方法に関し得る。
提案される手法は、大動脈弁閉鎖（ＡＣ）に対応する、振動性心電図（ＳＣＧ）における信号特徴が、心肺持久力を判定するために使用することが可能であるという認識を中心に置いている。振動性心電図は、複数の心拍動、単一の心拍動、または心拍動の拡張期セグメントなどの、心拍動の一部分を含み得る。第１の信号特徴が、単一の心拍動の、または複数の心拍動の平均の大動脈弁閉鎖（ＡＣ）に対応し得ると理解される。ここで、心拍動は、完全な心周期を包含すると理解される。信号特徴はさらに、結合特徴の集合体、たとえば、周囲の極小値につながった単一のピークであり得ると理解される。
ここでは、そして、本明細書全体を通して、心肺持久力を示す計測値を判定するか、または定量化するステップは、異常な心血管または心肺機能、状態、または構造、心血管または心肺機能の障害もしくは疾患を明確かつ一義的に示す訳でないと理解される。しかし、心肺持久力を示す計測値を判定するステップは、最大酸素消費量または摂取量（ＶＯ２ｍａｘ）などの、有酸素性能力の指標を判定するステップを含むと理解される。当然に、この計測値は、障害または疾患などの、心臓の一部の異常機能によって間接的に影響を受け得る。しかし、心肺持久力（ＶＯ２ｍａｘ）を示す計測値は、特定の異常機能を指し示すものでなく、そういうものとして、診断計測値を構成するものでない。
加速度計は、圧電素子を備え得る。信号は、圧電素子によって生成される電圧を表し得る。したがって、時間的特徴の信号強度または振幅は、時間的特徴の電圧値を表し得る。加速度計からの出力は、いずれの可聴成分も含まないと理解される。たとえば、記録される信号は、１００Ｈｚ、６０Ｈｚ、４０Ｈｚ、２０Ｈｚ、１０Ｈｚ、または５Ｈｚ未満である高域遮断周波数を有するローパスフィルタでフィルタリングされることがある。
提案される手法の第２の態様では、心筋の運動によって引き起こされる、人の胸壁の加速度および振動を測定するために、人の胸部に配置されるように構成される加速度計を備えるシステムが提供される。上記システムはさらに、加速度計に動作可能に接続されるプロセッサであって、プロセッサが、提案される手法の第１の態様による方法のステップのいずれかを行うように構成されるプロセッサを備える。上記システムは、心肺持久力を定量化し、または上記心肺持久力の指標を判定するためのものであり得る。
提案される手法の第３の態様では、心筋の運動によって引き起こされる、人の胸壁の加速度および振動を測定し、振動性心電図（ＳＣＧ）を取得するために、人の胸部に配置されるように構成される加速度計を備えるシステムが提供される。上記システムは、振動性心電図（ＳＣＧ）における第１の信号特徴の特性を判定するか、または振動性心電図（ＳＣＧ）からの第１の信号特徴の特性を判定する第１の判定モジュールさらに備え、第１の信号特徴は、心拍動の大動脈弁閉鎖（ＡＣ）に対応するか、または、心拍動の大動脈弁閉鎖（ＡＣ）に関連する。上記システムは、心肺持久力を定量化するか、または上記心肺持久力の指標を判定するためのものであり得る。上記システムは、第１の信号特徴の特性に基づいて、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するか、または上記心肺持久力（ＶＯ２ｍａｘ）の指標を判定する第２の判定モジュールをさらに備え得る。
提案される手法の第４の態様では、システムにおいて使用されるために、コンピュータプログラム製品が提供される。上記システムは、心肺持久力を定量化するか、または上記心肺持久力の指標を判定するためのものであり得る。上記システムは、心筋の運動によって引き起こされる、人の胸壁の加速度および振動を測定するために、人の胸部に配置されるように構成される加速度計と、加速度計に動作可能に接続されるプロセッサとを備える。上記コンピュータプログラム製品は、システムのプロセッサによって実行されると、提案される手法の第１の態様による方法のステップのいずれかを行うように構成されるプログラムコード命令を備える。
第５の態様では、提案される第４の態様によるコンピュータプログラム製品が記憶される、非一時メモリが提供される。
提案される手法のさらなる任意の詳細は、以下に説明される。
心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、第１の訓練済みの機械学習モデルに基づき得る。心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップは、第１の機械学習モデルを供給するか、または第１の機械学習モデルを読み込むステップを含み得る。第１の機械学習モデルは、第１の信号特徴（ＡＣ）の特性と動作的に同様な、信号特徴の特性に対して訓練され得る。ステップは、第１の信号特徴（ＡＣ）の特性を第１の機械学習モデルに適用するか、または入力することで、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップをさらに含み得る。「動作的に同様」との語により、訓練において使用される信号特徴の特性が同様に定義され、もしくは生成され、または、第１の信号特徴（ＡＣ）の特性と同じ一般的特性を有すると理解される。
より一般的に言えば、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップは、第１の信号特徴（ＡＣ）の特性に基づいて心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するように訓練される第１の機械学習モデルを供給するステップ、および、第１の機械学習モデルに第１の信号特徴（ＡＣ）の特性を適用するか、または入力するステップを含むか、または、第１の信号特徴（ＡＣ）の特性に基づいて心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するように訓練される第１の機械学習モデルを供給するステップ、および、第１の機械学習モデルに第１の信号特徴（ＡＣ）の特性を適用するか、または入力するステップで構成され得る。さらに一般的に言えば、肺機能適合性（ＶＯ２ｍａｘ）を示す計測値を判定するステップは、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を、訓練済みの第１の機械学習モデルに第１の信号特徴（ＡＣ）の特性を適用することで、判定するステップを含み得る。
第１の信号特徴の特性を判定するステップは、振動性心電図（ＳＣＧ）の複数のセグメントを判定するステップと、複数のセグメントのうちの、ノイズの多い１つまたは複数のセグメントを判定するステップと、ノイズの多いセグメントを廃棄するステップとを含み得る。廃棄されないセグメントは、第１の信号特徴を含み、第１の信号特徴は、廃棄されないセグメントにおいて判定される。セグメントは、拡張期および／または収縮期セグメントを含み得る。拡張期セグメントは、心周期の拡張期の部分に対応する、振動性心電図（ＳＣＧ）のセグメントと理解される。同様に、収縮期セグメントは、心周期の収縮期の部分に対応する、振動性心電図（ＳＣＧ）のセグメントと理解される。
第１の信号特徴の特性を判定するステップは、第１の信号特徴の１つまたは複数の（第１の）基準点もしくは参照点を識別するステップを含み得る。心肺持久力を示す計測値はさらに、１つまたは複数の（第１の）基準点に基づいて判定され得る。基準点は、第１の信号特徴の極大値（ＡＣｍａｘ）、および／または、極大値（ＡＣｍａｘ）の直前の第１の極小値（ＡＣｍｉｎ）を含み得る。第１の極小値および第２の極小値が、心周期における具体的な状態に対応し得ると理解される。たとえば、第２の極小値は、僧帽弁開放（ＭＯ）に対応し得る。
第１の信号特徴のいくつかの特性、またはサブ特徴が、以下に説明される。当該特性は、心肺持久力を示す計測値を判定する際に使用される。特性のそれぞれが定量化に寄与することが見出されており、当該特性は、個別に、または互いに組み合わせて使用することが可能であると理解される。好ましくは、後述するサブ特徴のすべてが、同じ方法において使用される。
たとえば、第１の信号特徴の特性を判定するステップは、第１の信号特徴の、極大値（ＡＣｍａｘ）と、極大値（ＡＣｍａｘ）の直前の第１の極小値（ＡＣｍｉｎ）との間の振幅差（ＡＣＰｅａｋＴｏＰｅａｋ）を判定するステップをさらに含み得る。そして、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、振幅差（ＡＣＰｅａｋＴｏＰｅａｋ）に基づくことがあり、または振幅差（ＡＣＰｅａｋＴｏＰｅａｋ）は、第１の信号特徴（ＡＣ）の特性を構成することがあり、もしくは第１の信号特徴（ＡＣ）の特性の部分を形成し得る。
代替的または付加的に、第１の信号特徴の特性を判定するステップは、第１の信号特徴の極大値（ＡＣｍａｘ）と、第１の信号特徴の極大値（ＡＣｍａｘ）の直前の第１の極小値（ＡＣｍｉｎ）との間の第１の時間間隔（ＡＣＴｉｍｅＰｅａｋＴｏＰｅａｋ）を判定するステップをさらに含み得る。そして、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、第１の時間間隔（ＡＣＴｉｍｅＰｅａｋＴｏＰｅａｋ）に基づき得るか、または、第１の時間間隔（ＡＣＴｉｍｅＰｅａｋＴｏＰｅａｋ）は、第１の信号特徴（ＡＣ）の特性を構成するか、または、第１の信号特徴（ＡＣ）の特性の部分を形成し得る。
代替的または付加的に、第１の信号特徴の特性を判定するステップは、第１の信号特徴の形態計測値（morphology measure：ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップをさらに含み得る。そして、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）に基づき得るか、または、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）は、第１の信号特徴（ＡＣ）の特性を構成し、もしくは、第１の信号特徴（ＡＣ）の特性の一部を形成し得る。形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）は、振動性心電図（ＳＣＧ）の時間領域において判定されると理解される。形態計測値は、第１の信号特徴の形状、輪郭、および／もしくは概形を表し、または示すと理解される。
形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップは、振動性心電図（ＳＣＧ）の第１のウィンドウを判定するステップを含むことがあり、ここで、第１のウィンドウは、第１の信号特徴を含む。そして、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップは、第１のウィンドウの時間領域に基づき得る。
第１のウィンドウは、平均拡張期セグメントから判定され得ると理解される。あるいは、第１のウィンドウは、振動性心電図（ＳＣＧ）の拡張期セグメント毎に判定され得る。そして、平均の第１のウィンドウは、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定する前に判定され得る。
好ましい実施形態では、個々の形態計測値は、第１のウィンドウ毎か、または拡張期セグメント毎に判定され、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）は、個々の形態計測値の平均として判定される。
第１のウィンドウの幅は、予め定められ得る。第１のウィンドウの時間領域に基づくことは、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）が第１のウィンドウにおける、信号値または振幅の経時的な変化に基づくことを包含すると理解される。第１のウィンドウは、２００ｍｓ～５００ｍｓ、２５０ｍｓ～４５０ｍｓ、または３００ｍｓ～４００ｍｓの範囲の幅を有し得る。これは、当該手法が、最大毎分約１００回の心拍数において適用され得ることを意味する。第１のウィンドウを判定するステップは、第１の信号特徴の基準点形成部分を識別するステップ、および、基準点に対して第１のウィンドウを位置決めするステップを含み得る。基準点は、第１の信号特徴の極大値（ＡＣｍａｘ）であり得る。第１の信号特徴の極大値（ＡＣｍａｘ）が、第１の信号特徴を含む拡張期セグメントの極大値（ＡＣｍａｘ）であり得ると理解される。第１のウィンドウは、基準点前の、４０ｍｓ～６０ｍｓの範囲内で、または５０ｍｓにおいて開始し、基準点後の、２００ｍｓ～５００ｍｓ、３００ｍｓ～４００ｍｓの範囲内で、または３５０ｍｓにおいて終了し得る。
形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップは、第２の機械学習モデルを供給するか、または第２の機械学習モデルを読み込むステップを含み得る。第２の機械学習モデルは、（形態計測値を判定するために）振動性心電図（ＳＣＧ）の第１のウィンドウと動作的に同様なウィンドウに対して訓練され得る。それはさらに、第２の機械学習モデルにおいて第１のウィンドウを適用し、または入力することで、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップを含み得る。「動作的に同様な」との語は、第２のモデルがそれらに対して訓練されるそれらのウィンドウそれぞれが、振動性心電図（ＳＣＧ）の第１のウィンドウと、同様に定義され、もしくは生成され、または、同様な特徴を含むことを包含すると理解される。
より一般的に言えば、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップは、第１のウィンドウに基づいて形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するように訓練される第２の機械学習モデルを供給するステップ、および、第１のウィンドウを第２の機械学習モデルに適用するステップを含み得る。より一般的には、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップは、第１のウィンドウを、訓練済みの第２の機械学習モデルに適用することで、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップを含み得る。ここでは、第１のウィンドウは、時間領域において表されると理解される。
第２の機械学習モデルは、第１のウィンドウの次元削減、またはその時間領域を表す第１の次元計測値を判定するステップを含むことがあり、第２の機械学習モデルは、第１の次元計測値に基づいて形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するように訓練され得る。そして、第２の機械学習モデルは、動作的に同様な次元計測値に対して訓練される。第１の次元計測値は、主成分分析の主成分、または、第１のウィンドウを圧縮するように構成される自己符号化器から獲得されるノードであり得る。
第１の信号特徴の特性を判定するステップは、第１の信号特徴の周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップをさらに含み得る。心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）に基づくことがあり、または、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）は、第１の信号特徴（ＡＣ）の特性を構成するか、もしくは、第１の信号特徴（ＡＣ）の特性の一部を形成し得る。周波数計測値（frequency measure：ＡＣＦｒｅｑｕｅｎｃｙ）は、振動性心電図（ＳＣＧ）の周波数領域において判定され得る。
周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップは、振動性心電図（ＳＣＧ）の第２のウィンドウを判定するステップを含むことがあり、ここで、第２のウィンドウは、第１の信号特徴を含む。そして、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップは、第２のウィンドウの周波数領域に基づき得る。
周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップはさらに、第２のウィンドウのパワースペクトル密度またはスペクトル密度を判定するステップを含み得る。そして、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップは、パワースペクトル密度に基づき得る。
第１のウィンドウと同様に、第２のウィンドウまたはパワースペクトル密度は、平均拡張期セグメントについて判定され得ると理解される。あるいは、第２のウィンドウまたはパワースペクトル密度は、振動性心電図（ＳＣＧ）の各拡張期セグメントまたは第２のウィンドウについて判定され得る。好ましい実施形態では、個々のパワースペクトル密度は、第１のウィンドウ毎に、または拡張期セグメント毎に判定され、個々の周波数計測値が個々のパワースペクトル密度それぞれから判定され、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）が個々の周波数計測値の平均として判定される。
第２のウィンドウは、上記第１のウィンドウの特徴のいずれかを有し得る。第１のウィンドウおよび第２のウィンドウは、同じであるか、または同じ特徴もしくは特性を有し得る。上記では、第２のウィンドウの周波数領域に基づくことは、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）が、第１のウィンドウにおける、周波数にわたる、信号値または振幅の変化に基づくことを包含すると理解される。
周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップは、第３の機械学習モデルを供給するか、または第３の機械学習モデルを読み込むステップを含み得る。第３の機械学習モデルは、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するために、振動性心電図（ＳＣＧ）の第２のウィンドウの周波数領域またはパワースペクトル密度と動作的に同様なウィンドウの周波数領域またはパワースペクトル密度に対して訓練され得る。それはさらに、第２のウィンドウ、またはその周波数領域もしくはパワースペクトル密度を第２の機械学習モデルに適用するか、または入力することで、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップを含み得る。「動作的に同様」との語により、訓練において使用される各振動性心電図（ＳＣＧ）ウィンドウの周波数領域またはパワースペクトル密度が、第２のウィンドウの周波数領域またはパワースペクトル密度と、同様に定義され、もしくは生成され、または、同じ一般的特性を有する。
より一般的に言えば、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップは、第２のウィンドウ、またはその周波数領域もしくはパワースペクトル密度に基づいて、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するように訓練される第３の機械学習モデルを供給するステップ、および、第２のウィンドウ、またはその周波数領域もしくはパワースペクトル密度を第３の機械学習モデルに適用するステップを含み得る。より一般的には、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップは、第２のウィンドウ、またはその周波数領域もしくはパワースペクトル密度を、訓練済みの第３の機械学習モデルに適用することで、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップを含み得る。
第３の機械学習モデルは、第２のウィンドウの次元削減、またはその周波数領域もしくはパワースペクトル密度を表す第２の次元計測値を判定するステップを含むことがあり、および、第３の機械学習モデルは、第２の次元計測値に基づいて周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するように訓練され得る。そして、第３の機械学習モデルは、動作的に同様な次元計測値に対して訓練される。測定される第２の次元は、主成分分析の主成分、または、第１のウィンドウ、もしくはパワースペクトル密度を圧縮するように構成される自己符号化器から獲得されるノードであり得る。
心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、性別、年齢、身長、体重、およびボディマス指数（ＢＭＩ）などの人口統計データに基づき得る。第１の機械学習モデルは、人口統計データに基づいて、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するように訓練されることがあり、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップは、人口統計モデルを第１の機械学習モデルに適用するステップをさらに含み得る。より一般的に言えば、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップは、人口統計データを、訓練済みの第１の機械学習モデルに適用するステップを含み得る。
提案される手法の第１の態様による方法は、心拍変動（heart rate variability：ＨＲＶ）を判定するステップをさらに含み得る。その上に、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、心拍変動（ＨＲＶ）に基づき得る。心拍変動（ＨＲＶ）は、振動性心電図（ＳＣＧ）からか、または、振動性心電図（ＳＣＧ）と同時に、もしくは上記振動性心電図（ＳＣＧ）に関連して取得される心電図（ＥＣＧ）から判定され得る。
心拍変動（ＨＲＶ）を判定するステップはさらに、後続する心拍動における、同じ種類の基準点間の複数の時間間隔を判定するステップと、複数の時間間隔の標準偏差として、または上記標準偏差に基づいて心拍変動（ＨＲＶ）を判定するステップとを含み得る。
心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップは、心拍変動（ＨＲＶ）と動作的に同様な心拍変動計測値に対して訓練される第１の機械学習モデルを供給するか、または第１の機械学習モデルを読み込むステップを含み得る。それは、心拍変動（ＨＲＶ）を第１の機械学習モデルに適用するか、または入力することで、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップをさらに含み得る。「動作的に同様」との語により、訓練において使用される心拍変動計測値が、心拍変動（ＨＲＶ）と、同様に定義され、もしくは生成され、または、同じ一般的特性を有すると理解される。
より一般的に言えば、第１の機械学習モデルはさらに、心拍変動（ＨＲＶ）に基づいて、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するように訓練されることがあり、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップは、心拍変動（ＨＲＶ）を第１の機械学習モデルに適用するステップをさらに含み得る。より一般的には、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップは、心拍変動（ＨＲＶ）を、訓練された第１の機械学習モデルに適用するステップを含み得る。
提案される手法の第１の態様による方法は、振動性心電図（ＳＣＧ）における第２の信号特徴の特性を判定するステップをさらに含むことがあり、ここで、第２の信号特徴は、第１の信号特徴と異なる。そして、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、第２の信号特徴の特性に基づき得る。第２の信号特徴は、第１の信号特徴について上述したように、単一の心拍動からのものであるか、または、いくつかの心拍動の平均を構成することがあると理解される。
第２の信号特徴の特性を判定するステップは、振動性心電図（ＳＣＧ）の複数の収縮期セグメントを判定するステップと、ノイズの多い収縮期セグメントを廃棄するステップとを含み、廃棄されない拡張期セグメントは、第２の信号特徴を含み得る。収縮期セグメントは、心周期の収縮期部分に対応する振動性心電図（ＳＣＧ）のセグメントと理解される。
第２の信号特徴は、心周期の僧帽弁閉鎖（ＭＣ）および／または大動脈弁開口（ＡＯ）に対応し得る。第２の信号特徴の特性を判定するステップは、第２の信号特徴の１つまたは複数の（第２の）基準点もしくは参照点を識別するステップを含み得る。心肺持久力を示す計測値はさらに、１つまたは複数の（第２の）基準点に基づいて判定され得る。基準点は、僧帽弁閉鎖（ＭＣ）のゼロ交差、および、僧帽弁閉鎖（ＭＣ）後の大動脈弁開口（ＡＯ）の第１の極大値（Ａ０ｍａｘ）を含み得る。
そして、第２の信号特徴の特性を判定するステップは、僧帽弁閉鎖（ＭＣ）のゼロ交差と、僧帽弁閉鎖（ＭＣ）後の大動脈弁開口（ＡＯ）の第１の極大値（Ａ０ｍａｘ）との間の第２の時間間隔（ＳｙｓＴｉｍｅＭＣＴｏＡＯ）を判定するステップを含み得る。そして、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、第２の時間間隔（ＳｙｓＴｉｍｅＭＣＴｏＡＯ）に基づき得る。
提案される方法では、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップはさらに、第１の訓練済みの機械学習モデルに基づき得る。好ましくは、当該方法は、少なくとも３つの機械学習モデル、すなわち、そういうものとして心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するための第１のモデル、形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するための第２のモデル、および周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するための第３のモデルに基づく。これは、第１のモデルが、第２のモデルおよび第３のモデルの結果を含み得ることを意味している。たとえば、機械学習モデルは、線形回帰、ニューラルネットワーク回帰、畳み込みニューラルネットワーク回帰、またはサポートベクターマシン回帰に基づき得る。
本発明の上述の、ならびに他の特徴および利点のより完全な理解は、図面の以下の詳細な説明から明らかになるであろう。
心肺持久力の指標を判定するシステムの一実施形態の概略図である。 図１に関して説明されるシステムにおいて使用される方法の基本ステップを示すフローチャートである。 形態計測値を判定するための別の実施形態を示すフローチャートである。 形態計測値を判定するための別の実施形態を示すフローチャートである。 周波数計測値を判定するための別の実施形態を示すフローチャートである。 周波数計測値を判定するための別の実施形態を示すフローチャートである。 心周期の心電図を示すグラフである。 図５の心電図と同時に記録される、心周期の振動性心電図を示すグラフである。 図６の振動性心電図上に重ね合わせられたウィンドウを示すグラフである。
図１は、心肺持久力を定量化するシステム１２の一実施形態を概略的に示している。当該システム１２は、人１８の胸部に配置することができ、心臓の運動によって引き起こされる、胸壁の振動を測定するための、圧電素子の形態における加速度計１４を有する。プロセッサ２０は、加速度計１４に接続される。プロセッサ２０は、加速度１４から受信する信号を記憶することが可能であり、それによって、プログラムコード命令を実行することが可能なその一時メモリ２２を有する。システム１２は、加速度計１４を支持する支持体２６と、プロセッサ２０を収容するハウジング２８とを備える。システム１２はまた、プロセッサ２０用のプログラムコード命令を記憶する非一時メモリ２４を有する。たとえば、全体としてのシステム１２は、スマートフォンの一体的な部分であることがあるか、または、加速度計２０および支持体２６を除く部分すべてが、スマートフォンの一部を形成することがある。一実施形態では、加速度計１４は、スマートフォンの一体化された加速度計である。
システム１２の一実施形態では、システム１２は、付加的に、プロセッサ２０と動作可能に接続されるインジケータ３０を有する。インジケータ３０は、たとえば、心肺持久力の計測値を示す数字などの、プロセッサ２０からの出力情報を表示することが可能なＬＣＤディスプレイ等を有し得る。
システムはまた、支持体２６によって支持される心電図電極３２（２本のリード、および接地）を備える。電極３２は、プロセッサ２０に接続される。
加速度計１４の主要機能は、さらなる分析のために振動性心電図（ＳＣＧ）をサンプリングすることである。電極３２の主要機能は、振動性心電図（ＳＣＧ）のセグメント化に使用される心電図（ＥＣＧ）をサンプリングすることである。
非一時メモリ２４内のプログラムコード命令は、図２に示される方法をプロセッサ２０に実行させる。振動性心電図（ＳＣＧ）は、人１８の胸部に配置される加速度計１４によって取得される（１０２）。代替的な実施形態では、前もってアップロードされているサーバからＳＣＧがダウンロードされる。２つの信号特徴の特性は、振動性心電図（ＳＣＧ）において判定される（１０４）。どのようにしてこれを実現する方法を以下に詳細に説明する。そして、心肺持久力（ＶＯ２ｍａｘ）を示す計測値は、第１の信号特徴の特性に基づいて判定される（１０６）。
複数の収縮期および拡張期セグメントは、ＳＣＧにおいて判定される（１０８）。これは、参照として電極３２によって同時に獲得される心電図（ＥＣＧ）を使用する自動セグメント化方法によって実現される。代替的な実施形態では、セグメント化は、そういうものとして（たとえば、米国特許第８２３５９１２号明細書に開示される手法と同様）、ＳＣＧに基づく。そして、ノイズの多いセグメントは、たとえば、国際公開第２０１７／２１６３７５号に開示されるように、廃棄される（１１０）。
図５は、単位がボルト（ｍＶ）の電極３２からの信号を時間（ｍｓ）の関数として心電図（ＥＣＧ）を示している。時間は、Ｒ波のピークに対してリセットされている。図６は、単位が同等の重力（ｇ）の加速度計信号を、心電図（ＥＣＧ）と同様にリセットされた時間（ｍｓ）の関数として、同時に記録される振動性心電図（ＳＣＧ）を示している。
結果として生じる拡張期セグメントのそれぞれは、単一の心拍動の大動脈弁閉鎖（ＡＣ）に対応する第１の信号特徴を含むか、または備える。同様に、結果として生じる収縮期セグメントのそれぞれは、心周期の僧帽弁閉鎖（ＭＣ）および大動脈弁開口（ＡＯ）の組み合わせに対応する第２の信号特徴を含む。
そして、国際公開第２０１７／２１６３７５号に記載される識別と同様に、収縮期および拡張期セグメントにおけるそれぞれの信号特徴について、基準点が、識別される（１１２）。以下の基準点は、各拡張期セグメントか、または第１の信号特徴毎に判定される。
・大動脈弁閉鎖（ＡＣ）の極大値（ＡＣmax）
・極大値（ＡＣmax）の直前の第１の極小値（ＡＣmin）
以下の基準点は、各収縮期セグメントにおいて、または第２の信号特徴毎に判定される。
・僧帽弁閉鎖（ＭＣ）のゼロ交差
・僧帽弁閉鎖（ＭＣ）後の大動脈弁開口（ＡＯ）の第１の極大値（ＡＯｍａｘ）
上述の基準点は、図６に示されている。そして、信号特徴の特性は、少なくとも部分的に、基準点少なくとも部分的に基づいて判定される（１１４）。
大動脈弁閉鎖（ＡＣ）に対応する第１の信号特徴の第１の特性は、極大値（ＡＣｍａｘ）と、第１の極小値（ＡＣｍｉｎ）との間の振幅差（ＡＣＰｅａｋＴｏＰｅａｋ）である。この特性を表す計測値（ＡＣＰｅａｋＴｏＰｅａｋ）は、拡張期セグメントの平均から判定される。同じ信号特徴の第２の特性は、極大値（ＡＣｍａｘ）と、極大値（ＡＣｍａｘ）の直前の第１の極小値（ＡＣｍｉｎ）との間の（第１の）時間間隔（ＡＣＴｉｍｅＰｅａｋＴｏＰｅａｋ）である。この特性を表す計測値（ＡＣＴｉｍｅＰｅａｋＴｏＰｅａｋ）は、標準偏差１に正規化される、拡張期セグメントの平均から判定される。第３の特性は、形態計測値（ＡＣMorphology）によって表される第１の信号特徴の形態学である。第４の特性は、第１の信号特徴の周波数計測値（ＡＣFrequency）である。後者の２つの特性の判定が、以下にさらに説明される。
形態計測値（ＡＣMorphology）を判定する場合、（第１の）ウィンドウ３４は、振動性心電図（ＳＣＧ）において識別される。ウィンドウ３４は、極大値（ＡＣｍａｘ）の５０ｍｓ前に開始し、および、極大値（ＡＣｍａｘ）の２５０ｍｓ後に終了する。対応するウィンドウ３４は、図６の振動性心電図（ＳＣＧ）を示す図７に示されている。
形態計測値（ＡＣMorphology）は、初期平均化（early averaging）を使用して判定される。初期平均化に関するステップは、図３ａに示されている。平均拡張期セグメントが判定され、そして、ウィンドウ３４が平均拡張期セグメントにおいて識別される（２０２）。ウィンドウ３４内の振幅は、振幅変動の影響を低減するために、標準偏差１に正規化される。そして、次元削減２０４は、主成分を識別するために、平均拡張期セグメントのウィンドウ３４に対して行われる主成分分析（ＰＣＡ）を使用して行われる。代替的な実施形態では、次元削減２０４は、拡張期セグメントのウィンドウ３４を入力として、自己符号化器（ＡＥ）を使用して行われ、自己符号化器（ＡＥ）は、ウィンドウをニューラルネットワークにおける数ノード、たとえば１０ノードに圧縮するように構成される。そして、回帰２０６が、主成分またはノードを入力として線形回帰を使用して行われる。代替的な実施形態では、回帰関数は、ニューラルネットワーク回帰、畳み込みニューラルネットワーク回帰、またはサポートベクターマシン回帰に基づく。回帰２０６は、第１の信号特徴または大動脈弁閉鎖（ＡＣ）に関する振動性心電図（ＳＣＧ）の集合体の形状を表し、または定量化する形態計測値（ＡＣMorphology）２１０をもたらす。
代替的な実施形態では、形態計測値（ＡＣMorphology）は、末期平均化（late averaging）を使用して判定される。末期平均化に関するステップは、図３ｂに示されている。ウィンドウ３４が、各拡張期セグメントにおいて識別される（２０２’）。各ウィンドウ３４における振幅は、振幅変動の影響を低減するために標準偏差１に正規化される。そして、次元削減２０４’は、主成分を識別するために、ウィンドウ３４のマトリクスに対して行われる主成分分析（ＰＣＡ）を使用して行われる。代替的な実施形態では、次元削減２０４’は、ニューラルネットワークにおいて、ウィンドウ３４のマトリクスを、１０などの、ノード数にそれらを圧縮する入力として自己符号化器（ＡＥ）を使用して行われる。そして、回帰２０６は、主成分またはノードを入力として線形回帰関数を使用して行われる。代替的な実施形態では、回帰関数は、ニューラルネットワーク回帰、畳み込みニューラルネットワーク回帰、またはサポートベクターマシン回帰に基づく。回帰２０６’は、拡張期セグメントのウィンドウ毎の個々の計測値をもたらす。個々の計測値にわたる平均が算出され（２０８’）、形態計測値（ＡＣMorphology）２１０’がもたらされる。
周波数計測値（ＡＣFrequency）を判定する場合、拡張期セグメントにおける、形態計測値（ＡＣMorphology）を判定する場合と同じウィンドウ３４が使用される。
周波数計測値（ＡＣFrequency）は、初期平均化を使用して判定される。初期平均化に関するステップは、図４ａに示されている。ウィンドウ３４は、各平均拡張期セグメントにおいて識別される（３０２’）。ウィンドウ３４における振幅は、振幅変動の影響を低減するために標準偏差１に正規化される。そして、パワースペクトル密度（ＰＳＤ）は、各ウィンドウ３４において判定される（３０４）。パワースペクトル密度（ＰＳＤ）が判定され（３０６）、これは、形態計測値（ＡＣMorphology）を判定するための初期平均化アプローチに関して、上述の次元削減２０４と同様な次元削減３０８において使用される。そして、回帰３１０が、上述の初期平均化アプローチに関して上述の回帰２０６と同様に、入力として、結果として生じる主成分またはノードを使用して行われる。回帰３１０は、平均ウィンドウの周波数領域における特性を表すか、または定量化する、第１の信号特徴の拡張における周波数計測値（ＡＣFrequency）３１４をもたらす。
代替的な実施形態では、周波数計測値（ＡＣFrequency）は、末期平均化を使用して判定される。末期平均化に関するステップは、図４ｂに示されている。ウィンドウ３４は、各拡張期セグメントにおいて識別される（３０２’）。各ウィンドウ３４における振幅は、振幅変動の影響を低減するために標準偏差１に正規化される。パワースペクトル密度（ＰＳＤ）は、各ウィンドウ３４において判定される。平均パワースペクトル密度（ＰＳＤ）を算出する代わりに、形態計測値（ＡＣMorphology）を判定するための末期平均化アプローチに関して上述の次元削減２０４’と同様な次元削減３０８’が、判定されたパワースペクトル密度のマトリクスに対して行われる。そして、回帰３１０’が、上述の末期平均化アプローチに関して説明される回帰２０６’と同様に、ウィンドウ毎の主成分またはノードを入力として使用して行われる。回帰３１０’は、拡張期セグメントのウィンドウにそれぞれが対応する、いくつかの個々の計測値をもたらす。そして、周波数計測値（ＡＣFrequency）３１４’は、個々の計測値の、平均３１２、または、代替的な実施形態においては、メジアンとして判定される。
上述の第１の信号特徴の４つの特性は、心肺持久力（Ｖ０２ｍａｘ）を示す計測値を判定する（１０６）ための入力において使用される。付加的に、心拍変動（ＨＲＶ）、ならびに、心周期の僧帽弁閉鎖（ＭＣ）および大動脈弁開口（ＡＯ）に対応する第２の信号特徴の特性は、入力として使用される。
心拍変動（ＨＲＶ）は、まず、振動性心電図（ＳＣＧ）における、後続する心拍動を識別し、そして、後続する心拍動における、大動脈弁閉鎖（ＡＣ）の極大値（ＡＣｍａｘ）などの同じ基準点間の時間間隔の長さとして算出することによって判定される。
第２の信号特徴の特性は、僧帽弁閉鎖（ＭＣ）のゼロ交差と、僧帽弁閉鎖（ＭＣ）後の大動脈弁開口（ＡＯ）の第１の極大値（Ａ０ｍａｘ）との間の時間間隔（ＳｙｓＴｉｍｅＭＣＴｏＡＯ）である。特性を表す計測値は、標準偏差１に正規化される、拡張期セグメントの平均から判定される。
人の年齢、性別、およびボディマス指数を表す人口統計的計測値１１６もまた、提供される。
上述のすべての計測値は、心肺持久力（Ｖ０２ｍａｘ）１２０を示す計測値を判定する（１０６）ために、マルチパラメータ回帰１１８において、入力として使用される。実際には、好ましい実施形態では、当該回帰は、以下のように表される。
Ｖ０２ｍａｘＰｒＫＧ ＝ ω１ ＡＣＰｅａｋＴｏＰｅａｋ ＋ ω２ ＡＣＴｉｍｅＰｅａｋＴｏＰｅａｋ ＋ ω３ ＡＣＦｒｅｑｕｅｎｃｙ ＋ ω４ ＡＣＭｏｒｐｈｏｌｏｇｙ ＋ ω５ ＨＲＶ ＋ ω６ ＳｙｓＴｉｍｅＭＣＴｏＡＯ ＋ ω７ Ａｇｅ ＋ ω８ Ｇｅｎｄｅｒ ＋ ω９ ＢＭＩ
代替的な実施形態では、より少ない計測値が回帰１１８において使用される。ここで、心肺持久力（Ｖ０２ｍａｘＰｒＫＧ）を示す計測値は、体重に対して正規化される。
［概念実証］
提案される手法は、１３３の被験者からの１４５の測定において検証されている。各測定では、振動性心電図が記録され、直後に、被験者が通常のＶ０２ｍａｘ試験を受けている。後者は、至適基準（golden standard）とみなされており、性能計測値は、提案される手法によって予測されるＶ０２ｍａｘと、至適基準Ｖ０２ｍａｘとの間の相関として判定されている。最終的な検証では、標準推定誤差（standard error of estimate：ＳＥＥ）が、予測および至適基準Ｖ０２ｍａｘ間の誤差を評価するために使用されている。
個々の特徴の検証は、５倍交差検証を使用して行われ、３倍が訓練に使用され、１倍が検証に使用され、および１倍が試験に使用されている。最終的なスコアの検証は、１０倍交差検証の５回繰り返しを使用して行われている。
周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）の場合、最高性能の特徴抽出方法は、初期平均化を使用したＰＣＡ後の線形回帰であった（表１参照）。形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）の場合、最高性能の特徴抽出方法は、末期平均化を使用したＰＣＡ後の線形回帰であった（表２参照）。
表３に、参照または至適基準Ｖ０２ｍａｘと、予測Ｖ０２ｍａｘ、または心肺持久力（Ｖ０２ｍａｘ）を示す、判定された計測値との間の相関を示す。周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）および形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を含む結果と、周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）および形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を除く結果が示されている。表３から、これらの計測値がいずれも、参照Ｖ０２ｍａｘと予測Ｖ０２ｍａｘとの相関を増加させることを表３から結論付けることができる。周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）および形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）のいずれの追加も、心肺持久力またはＶ０２ｍａｘを示す計測値（Ｖ０２ｍａｘ）を判定するための、提案される方法の性能を向上させることを結論付けることができる。
Figure 2022534879000002
Figure 2022534879000003
Figure 2022534879000004

Claims (15)

  1. 心肺持久力を定量化する方法（１００）であって、
    心筋の運動によって引き起こされる、人（１８）の胸壁の加速度および振動を測定するように構成される加速度計（１４）によって記録される振動性心電図（ＳＣＧ）を取得するステップ（１０２）と、
    前記振動性心電図（ＳＣＧ）において、第１の信号特徴（ＡＣ）であって、前記第１の信号特徴（ＡＣ）が心拍動の大動脈弁閉鎖（ＡＣ）に対応する、第１の信号特徴（ＡＣ）の特性を判定するステップ（１０４）と
    を含み、
    前記第１の信号特徴（ＡＣ）の特性を判定するステップ（１０４）は、
    前記第１の信号特徴（ＡＣ）の周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップ（１１４）と、
    前記第１の信号特徴（ＡＣ）の形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップ（１１４）と
    を含み、
    前記周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）および前記形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）は、前記第１の信号特徴（ＡＣ）の特性の一部を形成し、
    前記方法は、
    前記第１の信号特徴（ＡＣ）の特性に基づいて、前記第１の信号特徴（ＡＣ）の特性を訓練済みの第１の機械学習モデルに適用することで、心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップ（１０６）
    をさらに含む、方法。
  2. 前記第１の信号特徴（ＡＣ）の特性を判定するステップ（１０４）は、
    前記振動性心電図（ＳＣＧ）の複数の拡張期セグメントを判定するステップ（１０８）と、
    ノイズの多い拡張期セグメントを廃棄するステップ（１１０）と
    を含み、
    廃棄されない拡張期セグメントは、前記第１の信号特徴（ＡＣ）を含む、請求項１に記載の方法。
  3. 前記第１の信号特徴（ＡＣ）の特性を判定するステップ（１０４）は、
    前記第１の信号特徴（ＡＣ）の１つまたは複数の基準点を識別するステップ（１１２）
    を含み、
    前記心肺持久力を示す計測値はさらに、前記１つまたは複数の基準点に基づいて判定され、
    前記基準点は、前記第１の信号特徴（ＡＣ）の極大値（ＡＣｍａｘ）、および／または、前記極大値（ＡＣｍａｘ）の直前の第１の極小値（ＡＣｍｉｎ）を含む、請求項２に記載の方法。
  4. 前記第１の信号特徴（ＡＣ）の特性を判定するステップ（１０４）は、
    前記第１の信号特徴（ＡＣ）の、極大値（ＡＣｍａｘ）と、前記極大値（ＡＣｍａｘ）の直前の第１の極小値（ＡＣｍｉｎ）との間の振幅差（ＡＣＰｅａｋＴｏＰｅａｋ）を判定するステップ（１１４）
    を含み、
    前記心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップ（１０６）はさらに、前記振幅差（ＡＣＰｅａｋＴｏＰｅａｋ）に基づく、請求項１～３のいずれか１項に記載の方法。
  5. 前記第１の信号特徴（ＡＣ）の特性を判定するステップ（１０４）は、
    前記第１の信号特徴（ＡＣ）の、極大値（ＡＣｍａｘ）と、前記極大値（ＡＣｍａｘ）の直前の第１の極小値（ＡＣｍｉｎ）との間の第１の時間間隔（ＡＣＴｉｍｅＰｅａｋＴｏＰｅａｋ）を判定するステップ（１１４）と、
    前記第１の時間間隔（ＡＣＴｉｍｅＰｅａｋＴｏＰｅａｋ）に基づいて、前記心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップ（１０６）と
    を含む、請求項１～４のいずれか１項に記載の方法。
  6. 前記形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップ（１１４）は、
    前記振動性心電図（ＳＣＧ）の第１のウィンドウ（３４）であって、前記第１のウィンドウ（３４）が前記第１の信号特徴（ＡＣ）を含むか、または包含する、前記振動性心電図（ＳＣＧ）の第１のウィンドウ（３４）を判定するステップ（２０２，２０２’）と、
    前記第１のウィンドウ（３４）の時間領域に基づいて、前記形態計測値（ＡＣＭｏｒｐｈｏｌｏｇｙ）を判定するステップ（２１０，２１０’）と
    を含む、請求項１～５のいずれか１項に記載の方法。
  7. 前記第１のウィンドウ（３４）は、２００ｍｓ～５００ｍｓ、２５０ｍｓ～４５０ｍｓ、または３００ｍｓ～４００ｍｓの範囲の幅を有する、請求項６に記載の方法。
  8. 前記周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップ（１０４）は、
    前記振動性心電図（ＳＣＧ）の第２のウィンドウ（３４）であって、前記第２のウィンドウ（３４）が前記第１の信号特徴（ＡＣ）を含むか、または包含する、前記振動性心電図（ＳＣＧ）の第２のウィンドウ（３４）を判定するステップ（３０２，３０２’）と、
    前記第２のウィンドウ（３４）の周波数領域に基づいて、前記周波数計測値（ＡＣＦｒｅｑｕｅｎｃｙ）を判定するステップ（３１４，３１４’）と
    を含む、請求項１～７のいずれか１項に記載の方法。
  9. 心拍変動（ＨＲＶ）を判定するステップ（１１４）をさらに含み、
    前記心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップ（１０６）はさらに、前記心拍変動（ＨＲＶ）に基づく、請求項１～８のいずれか１項に記載の方法。
  10. 前記振動性心電図（ＳＣＧ）において、第２の信号特徴（ＭＣ＋ＡＣ）の特性であって、前記第２の信号特徴（ＭＣ＋ＡＣ）が前記第１の信号特徴（ＡＣ）と異なるか、または互いに素である、第２の信号特徴（ＭＣ＋ＡＣ）の特性を判定するステップ（１０４）をさらに含み、
    前記心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップ（１０６）はさらに、前記第２の信号特徴（ＭＣ＋ＡＣ）の特性に基づき、
    前記第２の信号特徴（ＭＣ＋ＡＣ）は、心周期の僧帽弁閉鎖（ＭＣ）および／または大動脈弁開口（ＡＯ）に対応する、請求項１～９のいずれか１項に記載の方法。
  11. 前記第２の信号特徴（ＭＣ＋ＡＣ）の特性を判定するステップ（１０４）は、
    前記僧帽弁閉鎖（ＭＣ）のゼロ交差と、前記僧帽弁閉鎖（ＭＣ）の後の前記大動脈弁開口（ＡＯ）の第１の極大値（Ａ０ｍａｘ）との間の第２の時間間隔（ＳｙｓＴｉｍｅＭＣＴｏＡＯ）を判定するステップ（１１４）
    を含み、
    前記心肺持久力（ＶＯ２ｍａｘ）を示す計測値を判定するステップ（１０６）はさらに、前記第２の時間間隔（ＳｙｓＴｉｍｅＭＣＴｏＡＯ）を判定するステップ（１１４）に基づく、請求項１０に記載の方法。
  12. 前記第１の機械学習モデルは、前記第１の信号特徴（ＡＣ）の特性と動作的に同様な、信号特徴の特性に対して訓練される、請求項１～１１のいずれか１項に記載の方法。
  13. 心肺持久力を定量化し、または前記心肺持久力の指標を判定するシステム（１２）であって、
    （Ａ）人（１８）の胸部に配置されるように構成される加速度計（１４）であって、心筋の運動によって引き起こされる、前記人（１８）の胸壁の加速度および振動を測定するための、加速度計（１４）と、
    （Ｂ）前記加速度計（１４）に動作可能に接続されるプロセッサ（２０）であって、前記プロセッサ（２０）が、請求項１～１２のいずれか１項に記載の方法のステップのいずれかを行うように構成される、プロセッサ（２０）と
    を備える、システム。
  14. 心肺持久力を定量化し、または前記心肺持久力の指標を判定するシステム（１２）において使用されるコンピュータプログラム製品であって、
    前記システムは、
    （Ａ）人（１８）の胸部に配置されるように構成される加速度計（１４）であって、心筋の運動によって引き起こされる、前記人（１８）の胸壁の加速度および振動を測定するための、加速度計（１４）と、
    （Ｂ）前記加速度計に動作可能に接続されるプロセッサ（２０）と
    を備え、
    前記コンピュータプログラム製品は、前記システム（１２）の前記プロセッサ（２０）によって実行されると、請求項１～１２のいずれか１項に記載の方法のステップのいずれかを行うように構成されるプログラムコード命令を備える、コンピュータプログラム製品。
  15. 請求項１４に記載のコンピュータプログラム製品が記憶される、非一時メモリ（２４）。
JP2021569208A 2019-06-05 2020-06-05 振動性心電図における心肺持久力のマルチパラメータ推定 Pending JP2022534879A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19178424.8 2019-06-05
EP19178424.8A EP3748641A1 (en) 2019-06-05 2019-06-05 Multiparameteric estimation of cardiorespiratory fitness in seismocardiography
PCT/EP2020/065601 WO2020245340A1 (en) 2019-06-05 2020-06-05 Multiparameteric estimation of cardiorespiratory fitness in seismocardiography

Publications (1)

Publication Number Publication Date
JP2022534879A true JP2022534879A (ja) 2022-08-04

Family

ID=66857628

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021569208A Pending JP2022534879A (ja) 2019-06-05 2020-06-05 振動性心電図における心肺持久力のマルチパラメータ推定

Country Status (7)

Country Link
US (1) US20220296173A1 (ja)
EP (2) EP3748641A1 (ja)
JP (1) JP2022534879A (ja)
CN (1) CN113966193A (ja)
AU (1) AU2020286758A1 (ja)
CA (1) CA3138830A1 (ja)
WO (1) WO2020245340A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220125330A1 (en) * 2020-10-27 2022-04-28 LLA Technologies Inc. Tri-axial seismocardiography devices and methods
AU2023217909A1 (en) * 2022-02-10 2024-09-12 Université Libre de Bruxelles System and method for measurement of cardiorespiratory fitness of a subject
EP4306048A1 (en) * 2022-07-13 2024-01-17 Acarix A/S Autoencoders in quantitative seismocardiography
WO2024097390A1 (en) * 2022-11-04 2024-05-10 The General Hospital Corporation Method and device to predict exercise peak vo2, cardiovascular outcomes and future death using ecg deep learning models
CN117281494B (zh) * 2023-11-27 2024-03-12 安徽通灵仿生科技有限公司 一种动脉血压信号的信号特征点识别方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8235912B2 (en) 2009-03-18 2012-08-07 Acarix A/S Segmenting a cardiac acoustic signal
US20140288442A1 (en) * 2010-02-25 2014-09-25 Tonino Bombardini Method and apparatus for quantification and monitoring of cardiovascular function during induced stress or physical activity and at rest
WO2014036436A1 (en) * 2012-08-30 2014-03-06 Alivecor, Inc. Cardiac performance monitoring system for use with mobile communications devices
EP3399907A4 (en) * 2016-01-04 2019-08-28 Aventusoft, LLC SYSTEM AND METHOD FOR MEASURING HEMODYNAMIC PARAMETERS FROM CARDIAC VALVE SIGNALS
EP3257441A1 (en) * 2016-06-16 2017-12-20 Acarix A/S Quantitative seismocardiography
US11504047B2 (en) * 2017-12-28 2022-11-22 Heart Force Medical Inc. Sensor apparatuses, methods of operating same, and systems including same, and methods and systems for sensing and analyzing electromechanical characteristics of a heart

Also Published As

Publication number Publication date
US20220296173A1 (en) 2022-09-22
CA3138830A1 (en) 2020-12-10
CN113966193A (zh) 2022-01-21
AU2020286758A1 (en) 2022-01-20
EP3981006A1 (en) 2022-04-13
WO2020245340A1 (en) 2020-12-10
EP3748641A1 (en) 2020-12-09

Similar Documents

Publication Publication Date Title
JP2022534879A (ja) 振動性心電図における心肺持久力のマルチパラメータ推定
JP6502361B2 (ja) 人の心血管フィットネスを推定するためのシステムと方法
JP2021519168A (ja) 訓練された予測モデルに基づく血圧降下の非侵襲的決定のためのシステム及び方法
JP5696501B2 (ja) 覚醒時データ生成装置、覚醒時データ生成方法、覚醒時データ生成プログラム及び覚醒度判定装置
US20110190643A1 (en) System for Cardiac Status Determination
US20140207005A1 (en) System and method for real-time three dimensional modeling of cardiovascular dynamics and the heart using electrocardiogram signals
US11075009B2 (en) System and method for sympathetic and parasympathetic activity monitoring by heartbeat
JP6547054B1 (ja) 医療機器及びプログラム
US10470717B2 (en) Pulse validation
US20220031220A1 (en) Model-based sensor technology for detection of cardiovascular status
EP3731746A1 (en) Sensor apparatuses, methods of operating same, and systems including same, and methods and systems for sensing and analyzing electromechanical characteristics of a heart
WO2020126576A1 (en) Control unit for deriving a measure of arterial compliance
EP3203900A1 (en) Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis
Surrel et al. Low-power wearable system for real-time screening of obstructive sleep apnea
US20210219924A1 (en) Noninvasive Diagnostics of Proximal Heart Health Biomarkers
JP3637916B2 (ja) 生体状態測定装置
Prabhu et al. A novel approach for non-invasive measurement of mean arterial pressure using pulse transit time
KR102149748B1 (ko) 심폐음 신호 획득 방법 및 장치
AU2023231510A1 (en) Heart failure diagnostic tools and methods using signal trace analysis
WO2011132117A1 (en) Method and system for monitoring or assessing the cardiovascular system of a subject
KR102149753B1 (ko) 심폐음 신호 획득 방법 및 장치
Kizir et al. Unveiling the Temporal and Spectral Relationships between Seismocardiogram Signals, Systolic Time Intervals and Thorax Characteristics
JP7390716B2 (ja) 交感神経活動推定装置、交感神経活動推定方法及びプログラム
JP7097111B2 (ja) 情報処理システム、サーバ、情報処理方法及びプログラム
WO2021246346A1 (ja) 情報処理システム、サーバ、情報処理方法及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230509

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240220

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240312

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240604

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240805