JP2023524871A - 機械学習モデルへの適用のための時系列データの変換 - Google Patents

機械学習モデルへの適用のための時系列データの変換 Download PDF

Info

Publication number
JP2023524871A
JP2023524871A JP2022568529A JP2022568529A JP2023524871A JP 2023524871 A JP2023524871 A JP 2023524871A JP 2022568529 A JP2022568529 A JP 2022568529A JP 2022568529 A JP2022568529 A JP 2022568529A JP 2023524871 A JP2023524871 A JP 2023524871A
Authority
JP
Japan
Prior art keywords
vcg
data
ecg
beats
machine learning
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
JP2022568529A
Other languages
English (en)
Other versions
JPWO2021228672A5 (ja
Inventor
サイード ババエイザデ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2023524871A publication Critical patent/JP2023524871A/ja
Publication of JPWO2021228672A5 publication Critical patent/JPWO2021228672A5/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/339—Displays specially adapted therefor
    • A61B5/341—Vectorcardiography [VCG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—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
    • A61B5/72—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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

心電図（ＥＣＧ）データなどの時系列データを機械学習モデルへの適用に適した形式に変換し、変換したデータを機械学習モデルへの入力として適用して、被検体の健康状態を決定する手法が説明される。様々な実施形態では、ベクトル心電図（ＶＣＧ）データに基づいて２次元画像が生成される（６０１）。ＶＣＧデータは、直接測定されるか又は被検体から測定された心電図（ＥＣＧ）データに基づいている。２次元画像が機械学習モデルへの入力として適用されて出力が生成される（６１２）。機械学習モデルは２次元画像の処理における使用のために構成されている。出力に基づいて被検体の健康状態が決定される（６１４）。

Description

[0001] 本明細書に説明する様々な実施形態は概して医療及び／又は人工知能を対象とする。より具体的には、ただし、排他的ではないが、本明細書に開示する様々な方法及び装置は、心電図（ＥＣＧ）波形などの時系列データを、機械学習モデルへの適用に適した異なる形式に変換することに関連する。
[0002] 深層学習などの最新の人工知能手法には多くの応用がある。画像処理は最も開発されたものの１つである。セグメンテーション、オブジェクト認識、手書き認識、顔認識などのタスクを実行するために、デジタル画像に画像処理を実行する機械学習モデル（畳み込みニューラルネットワークなど）が既に多く存在している。これらのモデルの多くは、最も基本的及び／又は一般的な形式では、時系列データ、即ち、ある時点に各々対応する入力のシーケンスを処理対象としない。そのため、これらは様々な分野間での使用に適応性がある。
[0003] 臨床的意思決定、診断、解釈、医療ミスの低減、患者ケアの工程促進などのタスクを実行するために、心電図（ＥＣＧ）波形などの時系列データを処理する手法はある。しかしながら、リカレント型ニューラルネットワークなどの時系列データを処理対象とする人工知能モデルは、フィードフォワード型ニューラルネットワークなどの単発データを処理対象とするモデルよりも複雑である。このように複雑さが増すと、トレーニングが難しくなり、分野間での適応性が低くなる。
[0004] 本開示は、心電図（ＥＣＧ）データなどの時系列データを、機械学習モデルへの適用に適した形式に変換する方法及び装置を対象とする。
例えば様々な実施形態では、ＥＣＧデータは、様々な数のリード（１２リード又は別の数のリード）を使用して被検体から取得される。このＥＣＧデータは、本明細書に説明する手法を使用して、畳み込みニューラルネットワーク（「ＣＮＮ」）などの機械学習モデルへの応用に適した形式に変換される。この形式では、ＥＣＧデータに含まれる時間的情報と空間的情報との両方が保持される。つまり、変換後の形式ではＥＣＧ波形の調律と形態との両方が保持される。
[0005] 例えばＥＣＧデータ（波形など）を使用して、ＥＣＧデータの調律と形態との両方を保持する２次元デジタル画像が生成される。場合によっては、この２次元画像に、例えば異なる色に対応する複数の層又はチャネルが含まれることがある。例えば１種類のデジタル画像には、ピクセルごとに赤のチャンネル、緑のチャンネル、青のチャンネル（ＲＧＢ）が含まれている。チャネルの他の組み合わせも企図されている。本明細書でより詳細に説明するように、ＥＣＧデータの様々な空間的及び／又は時間的な側面を、２次元データのこれらの異なるチャネルにエンコードできる。その後、２次元デジタル画像を、適切にトレーニングされた機械学習モデル（ＣＮＮなど）への入力として適用して、ＥＣＧデータの取得元となった被検体の健康状態を示す出力を生成できる。さらに、機械学習モデルがトレーニングされる前に、医療従事者によってラベル付けされた同様の２次元データを使用して、機械学習モデルをトレーニングできる。
[0006] いくつかの実装形態では、転移学習を使用して、既存の、事前にトレーニングされた機械学習モデルの少なくとも一部を活用することによって機械学習モデルのトレーニングプロセスを促進する。画像及び／又はオブジェクトの分類などのタスクのために、様々な事前トレーニングされた機械学習モデルが幅広く利用可能である。例えば既存のモデルの中には、動物、家具、工具、車両などの様々なタイプのオブジェクトを識別及び／又は分類するようにトレーニングされているものもあれば、手書き認識などのタスクを実行するようにトレーニングされているものもある。いくつかの実施形態では、これらの既存のモデル、特に比較的抽象的な視覚的特徴を識別／分類する、それらの「上流」の隠れ層を活用して、本明細書に説明する手法を使用して、時系列データから生成された２次元デジタル画像の側面を識別する追加の下流の隠れ層をトレーニングできる。
[0007] 様々な手法を使用して、ＥＣＧデータなどの時系列データを２次元画像データに変換できる。例えばいくつかの実施形態では、ＥＣＧデータは、１２リードＥＣＧデータの各々に対応する１２波形の形式になる。ベクトル心電図（ＶＣＧ）データは、これらのＥＣＧデータから又はこれらのデータの中間形式から生成できる。標準ＥＣＧリードシステムからＶＣＧリードを計算すること以外に、ＶＣＧリードを直接記録することもできる。標準の１２リードＥＣＧでは、４波形が他の８波形から得られる場合があるため、いくつかの実施形態では、ＶＣＧリードは８波形のみを使用して得られる。また、８リードよりも少ない又は多い他のＥＣＧリードシステムからＶＣＧを得ることもできる。いくつかの実施形態では、１２波形の各々は、まず、それぞれの単一の代表拍動（例えばアベレージ又は平均）に変換される。１２の代表拍動は、次に３つのＶＣＧ拍動に変換され、各ＶＣＧ拍動は、３次元（３Ｄ）空間の１次元における心臓ベクトルに対応する。その後、３つのＶＣＧ投影が決定され、各ＶＣＧ投影は空間面上の３つのＶＣＧ拍動のうちの対応する１つを表している。これらの投影は、２次元画像に合成される。例えば各ＶＣＧ投影は、２次元画像の対応するチャネル（ＲＧＢなど）に保存される。
[0008] 概して、一態様では、１つ以上のプロセッサを使用して実施される方法は、ＶＣＧデータに基づいて２次元画像を生成するステップであって、ＶＣＧデータは直接記録されるか、又は被検体から測定されたＥＣＧデータに基づいている、生成するステップと、出力を生成するために、２次元画像を機械学習モデルへの入力として適用するステップであって、機械学習モデルは２次元画像の処理における使用のために構成されている、適用するステップと、出力に基づいて、被検体の健康状態を決定するステップとを含む。
[0009] 様々な実施形態では、ＥＣＧデータは、複数のＥＣＧリードに対応する複数の波形を含む。様々な実施形態では、上記の方法はさらに、複数の波形の各々を対応する１つの代表拍動に変換するステップを含む。様々な実施形態では、上記の方法はさらに、複数の代表拍動を３つのＶＣＧ拍動に変換するステップを含み、各ＶＣＧ拍動は３Ｄ空間の１次元における心臓ベクトルに対応している。様々な実施形態では、上記の方法はさらに、３つのＶＣＧ拍動をアップサンプリングするステップを含む。
[0010] 様々な実施形態では、上記の方法はさらに、３つのＶＣＧ投影を決定するステップを含み、各ＶＣＧ投影は、３Ｄ空間の対応する次元に対応する空間平面上の３つのＶＣＧ拍動のうちの対応する１つを表している。様々な実施形態では、上記の方法はさらに、３つのＶＣＧ投影を２次元画像の３つの対応する層にエンコードするステップを含む。様々な実施形態では、３つの対応する層は、赤、緑、及び青を含む。様々な実施形態では、ＥＣＧデータは、被検体によって着用されるウェアラブルデバイスから得られるシングルリードデータを含む。
[0011] さらに、いくつかの実装形態は、１つ以上のコンピューティングデバイスの１つ以上のプロセッサを含み、１つ以上のプロセッサは、関連のメモリに格納された命令を実行するように動作可能であり、命令は、上記の方法のいずれかを実行させる。いくつかの実装形態はまた、上記の方法のいずれかを実行するように１つ以上のプロセッサによって実行可能であるコンピュータ命令を格納した１つ以上の非一時的コンピュータ可読記憶媒体を含む。
[0012] 前述の概念と、後述する追加の概念とのすべての組み合わせ（これらの概念が相互に矛盾していない場合）は、本明細書に開示されている発明の主題の一部と考えられることを理解しておく必要がある。特に、本開示の最後に記載されている背特許請求に係る主題のすべての組み合わせは、本明細書に開示されている発明の主題の一部であると考えられる。また、本明細書で明示的に使用されている用語のうち、参照によって組み込まれた開示にも含まれている用語は、本明細書に開示されている特定の概念と最も一致する意味を持つことを理解しておく必要がある。
[0013] 図面では、同様の参照文字は、概して、異なる図全体を通して同じ部分を指す。また、図面は必ずしも縮尺通りではなく、概して、本明細書に説明する実施形態の様々な原理を示すことに重点が置かれている。
[0014]図１は、本開示の選択した態様を実施できる環境の例を示す。 [0015]図２は、１２リードＥＣＧデータの例と、そこから生成される代表拍動とを示す。 [0016]図３は、図２からの代表拍動をどのようにいくつか（例えば３つ）のＶＣＧ拍動に変換できるかの一例を示す。 [0017]図４は、図３からのＶＣＧ拍動をどのように使用してマルチチャネル２次元画像を生成できるかの一例を示す。 [0018]図５は、転移学習をどのように使用して健康状態を検出するために既存の機械学習モデルの側面をトレーニングできるかの一例を示す。 [0019]図６は、本開示の選択した態様を実践する方法の例を示す。 [0020]図７は、コンピュータのアーキテクチャ例を示す。 [0021]図８は、本明細書に説明する手法を使用して得られる、正解率を明らかにする混同行列を示す。
[0022] 深層学習などの最新の人工知能（ＡＩ）手法には多数の応用があり、画像処理は最も開発されたものの１つである。これらの深層学習モデルは、分野間で比較的適応性があるが、心電図（ＥＣＧ）波形などの時系列データは処理しない場合がある。さらに、時系列データを処理するＡＩモデルは、より複雑で、すぐに利用可能ではなく、また、利用可能な場合でも、新しい分野には容易に適応できない。上記の観点から、本開示の様々な実施形態及び実装形態は、ＥＣＧ波形などの時系列データを、非時系列機械学習モデルへの適用に適した形式に変換することを対象としている。
[0023] 図１は、様々な実施形態による、本開示の選択した態様を実施できる環境の例を示している。図１に示すコンピューティングデバイスには、例えばデスクトップコンピューティングデバイス、ラップトップコンピューティングデバイス、タブレットコンピューティングデバイス、携帯電話コンピューティングデバイス、ユーザの車両のコンピューティングデバイス（車載通信システム、車載エンターテインメントシステム、車載ナビゲーションシステムなど）、スタンドアロンのインタラクティブスピーカ（場合によっては、ビジョンセンサを含む場合もある）、スマートテレビ（又は自動アシスタント機能を備えたネットワークドングルを装備した標準テレビ）などのスマートアプライアンス、及び／又はコンピューティングデバイスを含むユーザのウェアラブル機器（コンピューティングデバイスを持つユーザの腕時計、コンピューティングデバイスを持つユーザの眼鏡、仮想現実又は拡張現実コンピューティングデバイスなど）のうちの１つ以上が含まれる。追加及び／又は代替のコンピューティングデバイスが提供されてもよい。
[0024] 図１では、第１の被検体１００１が、例えば病院などのＥＣＧデバイス１０２でモニタリングされ、ＥＣＧデータの形の時系列データが取得されている。例えばこのＥＣＧデータには、図１に示すように１２リードＥＣＧデータが含まれている。このＥＣＧデータは、例えば第１の被検体１００１の電子カルテ（ＥＨＲ）の一部として、病院情報システム（ＨＩＳ）１０４又は別の同様の医療システムに提供及び／又は保存される。図１では、ＥＣＧデータはＨＩＳ１４０に直接提供されているが、これは限定を意図したものではない。様々な実施形態では、ＥＣＧデータは、１つ以上のネットワーク１０８を介してＨＩＳ１０４に提供されてもよい。このネットワーク１０８には、１つ以上のローカルエリアネットワーク、及び／又はインターネットなどの１つ以上のワイドエリアネットワークが含まれ得る。
[0025] 本明細書に説明する手法は、１２リードＥＣＧデータ（又はその点に関してはＥＣＧデータ）に限定されない。例えば第２の被検体１００２は、スマートウォッチ１１４の形のウェアラブルＥＣＧデバイスによってモニタリングされている。このスマートウォッチ１１４は、１リードなどの少ない数のリードのＥＣＧデータを、第２のユーザ１００２が操作するラップトップ型コンピュータ１１５などの中間コンピューティングデバイスに提供する。ラップトップ型コンピュータ１１５は、このＥＣＧデータをネットワーク１０８経由でＨＩＳ１０４に提供する（又は場合によってはスマートウォッチ１１４がＥＣＧデータをネットワーク１０８経由でＨＩＳ１０４に直接提供してもよい）。
[0026] 機械学習（「ＭＬ」）モデルデータベース１２２に保存されている機械学習モデルを作成、管理、及び／又は適用するために、トレーニングシステム１２０及び推論システム１２４が、ハードウェアとソフトウェアとの任意の組み合わせを使用して実装される。トレーニングシステム１２０は、本明細書における手法を使用して生成された２次元画像などのトレーニングデータを、データベース１２２内のモデルのうちの１つ以上のモデルへの入力として適用して、出力を生成する。モデルに関連付けられたエラーを判別するために、トレーニングデータを使用して生成された出力は、トレーニングデータに関連付けられたラベルと比較される。トレーニング例のラベルは、トレーニング例が生成された被検体の健康状態の有無及び／又は確率などを示す。例えばトレーニングシステム１２０はこれらの誤差を使用して、誤差逆伝搬及び勾配降下（確率的又はその他）などの手法を使用してモデルをトレーニングする。
[0027] 推論システム１２４は、データベース１２２内のトレーニングされた機械学習モデルを使用して、本明細書に説明する手法を使用して生成された２次元画像に基づいて被検体の健康状態を推論する。いくつかの実施形態では、トレーニングシステム１２０及び／又は推論システム１２４は、「クラウド」と呼ばれることもある分散型コンピューティングシステムの一部として実装され得るが、これは必須ではない。
[0028] 図１はまた、本明細書に説明するように、被検体（例えば１００１、１００２）の健康状態を推論するために、コンピューティングデバイス１１０を操作する医師１１２などの医療従事者も示している。特に、コンピューティングデバイス１１０はネットワーク１０８に接続され、本明細書に説明するように健康状態を推論するために、推論システム１２４と対話する。例えば医師１１２は、第１の被検体１００１から得た１２リードＥＣＧデータに基づいて、第１の被検体１００１の健康状態を推論できる。同様に、医師１１２は、スマートウォッチ１１４で得たシングルリードＥＣＧデータに基づいて、第２の被検体１００２について同様の推論を行える。
[0029] いくつかの実施形態では、これらの推論を行う機能は、臨床意思決定支援（ＣＤＳ）アプリケーションなど、医師１１２の診断を支援するソフトウェアアプリケーションの一部として提供される。このような実施形態のいくつかでは、医師１１２はこの推論を「セカンドオピニオン」として頼りにして、自身の医学的所見を強化したり、疑ったりすることができる。或いは、推論は、例えば健康であると推定される母集団（例えば学生、アスリート、兵士）において異常ＥＣＧ信号から正常ＥＣＧ信号を分けるＥＣＧスクリーニングテストとして使用することもでき、これにより、異常ＥＣＧデータ信号を有する被検体にさらなる調査を実行できる。さらに又は或いは、本明細書に説明する手法は、運動負荷テストマシン、除細動器、心電計、ベッドサイドモニタなど、ＥＣＧ信号を組み込んだ医療機器に組み込むこともできる。
[0030] いくつかの実施形態では、被検体１００１、１００２自身が、開示した手法を利用して、健康状態を有する尤度、例えば心臓の拍動が正常か異常かを決定できる。例えば第２の被検体１００２は、推論システム１２４とインターフェースで連結し、かつ推論システム１２４から変更状態推論を受信するために、ラップトップ型コンピュータ１１５を操作する。いくつかの実施形態では、例えばプライバシー保護やプライバシーに関する法律や規制を守るために、１つ以上のトレーニングされた機械学習モデルをデータベース１２２からリモートコンピューティングデバイス（ラップトップ型コンピュータ１１５など）に分散させる。これにより、リモートコンピューティングデバイスは、ローカルで取得した時系列データ（ＥＣＧデータなど）に、該ＥＣＧデータを「クラウド」などに転送することなく、本開示の選択した態様を実行できる。
[0031] 図２～図４は、ＥＣＧデータ（例えば図１のＥＣＧデバイス１０２により生成）をどのようにＣＮＮといった画像処理機械学習モデルとの使用に適した形式、つまり、３チャネル（赤、緑、及び青など）を有する２次元デジタル画像に変換できるかの一例を示している。この例では、ＥＣＧデータは１２リードＥＣＧデータの形式であるが、これは限定を意図したものではない。スマートウォッチ１１４によって生成されたシングルリードＥＣＧデータなど、リード数が少ないＥＣＧもまたＶＣＧに変換され、その後に２次元画像に変換できる。
[0032] 図２では、１２リードＥＣＧデータ２４０が左側に示され、かつＩ、ＩＩ、ＩＩＩ、ａＶＲ、ａＶＬ、ａＶＦ、及びＶ１～Ｖ６を含んでいる。この例では、１０秒間のＥＣＧ波形が収集されるが、他の時間間隔も可能である。図２の右側の２４２では、各リード波形が１リードごとの１つの「代表」拍動に変換されている。代表拍動とは、例えばそのリードの波形の全拍動の平均である。このプロセスでは、ＥＣＧ信号のすべての詳細を保持しながら、筋音などによって発生するランダムな変動を緩和しようとする。
[0033] 図３では、１２の代表拍動２４２がいくつかのＶＣＧ拍動２４４に変換されている。図３では、３つのＶＣＧ拍動２４４、即ち、３Ｄ空間の次元ごとに１つずつ生成されているが、これは限定を意図したものではない。いくつかの実施形態では、行列の乗算を使用して１２リードＥＣＧ２４２から３次元ＶＣＧが合成される。直感的には、ＶＣＧ拍動２４４に変換するには、図３の右側の２４６に示すように、３次元空間の中心の周りに曲線を形成する連続した一連のベクトルを使用して、心臓の電気力の方向及び大きさを記録することが伴う。したがって、各ＶＣＧ拍動は、３つの次元のうちの１つにおける心臓のベクトルを表している。いくつかの実施形態では、ＶＣＧリードは直接記録される。いくつかの実施形態では、空間分解能を向上させるために、ＶＣＧ拍動は、例えば１０００サンプル／秒までアップサンプリングできるが、これは必須ではない。
[0034] 図４は、３次元空間２４６内のＶＣＧベクトルをどのように３チャネルを有する２次元デジタル画像２５０に変換できるかを示している。一例として、ＲＧＢ画像は、各ピクセルの赤、緑、及び青の色成分を定義するｍ×ｎ×３データ配列として保存される。各ピクセルの色は、各色平面においてそのピクセルの場所に保存されている赤、緑、及び青の強度の組み合わせによって決定される。いくつかの実施形態では、３つの次元のＶＣＧ信号を３つの空間平面に投影して、これにより、各投影をＲＧＢ画像の１つの層として使用できる。例えば、ＸＹ平面上の投影２４８Ｒを赤のチャネルとして使用し、ＸＺ平面上の投影２４８Ｇを緑のチャネルとして使用し、ＺＹ平面上の投影２４８Ｂを青のチャネルとして使用する。これらの投影をＲＧＢ層にエンコードする際に、いくつかの実施形態では、投影を回転させてデジタル画像２５０での重なりが低減される。異なる記録間での整合性を保つために、システムで解析されるすべての記録の回転角度が固定される。
[0035] さらに、いくつかの実施形態では、各投影２４８Ｒ～２４８Ｂの一部として示す矢印（２次元画像２５０において見て取れる）に示されるように、個々のＶＣＧ投影の方向が保持される。これらの方向は、被検体の医学的状況を推論するためにＣＮＮへの入力として提供される追加の特徴として利用される。
[0036] 図２～図４に示す変換を実施することで、ＥＣＧ信号のデータセット全体をＶＣＧ画像のデータセットに変換できる。この新しいデータセットを使用して、ＣＮＮなどの事前にトレーニングされたニューラルネットワークを微調整して、「転移学習」と呼ばれるプロセスで新しい画像の分類を実行できる。転移学習は、例えばランダムに初期化された重みを用いて機械学習モデルをゼロからトレーニングするよりも高速で簡単であることが多い。また、転移学習は、特に、ゼロからモデルをトレーニングするのに必要なトレーニングデータ量と比べて、モデルを許容可能な程度までトレーニングするのに必要なトレーニングデータが少なくて済む。
[0037] 例えば機械学習モデルの中には、例えば何百万枚もの画像で既にトレーニングされていて、画像を数千ものオブジェクトカテゴリ（キーボード、コーヒーマグ、鉛筆、様々な動物など）に分類できる。このようなネットワークでは、幅広い画像の豊富な特徴表現が学習されている。したがって、このようなネットワークを利用して、例えばＥＣＧ信号を「正常」又は「異常」に分類するように微調整できる。
[0038] この例を図５に示す。図５の上部では、トレーニングされたネットワーク５６０が、上流部分５６２Ａと下流部分５６２Ｂとの２つの部分に分割されている。上流部分５６２Ａには、比較的抽象的な視覚的特徴（曲線、線、パターンなど）を識別及び／又は分類するために事前にトレーニングされた、任意の数の隠れ層又は他の機械学習モデルコンポーネントが含まれている。下流部分５６２Ｂには、あまり抽象的ではない特徴及び／又は人間がすぐに理解する特徴（猫、犬、椅子、キーボード、手書きの文字（手書き認識のシナリオにおいて）など）を識別及び／又は分類する隠れ層又は他のコンポーネントが含まれている。
[0039] 図５の中央に示すように、下流層５６２Ｂは、新しい層５６４に置き換えられる場合がある。新しい層５６４は、最初は網掛けなしにされて、本明細書に説明する手法を使用して作成された２次元画像（ＥＣＧデータを表す）を分類するためにトレーニングされる予定であることを示している。様々な実施形態では、この時点で、被検体の母集団のＥＣＧ信号から作成されたトレーニングデータセットが作成及び／又は取得される。具体的には、本明細書に説明する手法を使用して、異常及び正常であることがわかっているＥＣＧ信号を、前述のように２次元画像に変換できる。これらの２次元画像には、例えば元のＥＣＧ信号の医療従事者による診断に基づいて、正常又は異常のラベルが付けられる。これらの２次元画像を使用して、トレーニングデータセットを使用して新しいネットワーク５６０（５６２Ａ＋５６４）をトレーニングして、画像を例えば正常又は異常として分類できる。図５の下部に示すように、新しい層５６４’は網掛されて、ＥＣＧトレーニングデータセットを使用してトレーニングされたことを示している。
[0040] 以下に、転移学習をどのように適用して既存のモデルを活用して、ＥＣＧデータ（本明細書に説明するように２次元画像に変換されている）を、例えば正常又は異常として分類するか、又は他の健康状態を推論できるかについて、１つの非限定的な例を示す。これらの他の健康状態には、例えば心房細動、心雑音、肥大などがある。
[0041] まず、事前にトレーニングされたニューラルネットワーク５６０が得られる。図５に示すように、この事前にトレーニングされたネットワーク５６０には、１０００種類の異なるオブジェクトクラスを識別するためにトレーニングされた最後の３つの層５６２Ｂが含まれている。この３つの層は、新たな分類問題（１２リード、１０秒間のＥＣＧ記録を「正常」又は「異常」の形態を有するものとして分類するなど）のために微調整及び／又は置き換えられる。最後の３つを除くすべての層は、事前にトレーニングされたネットワークから抽出される。これらの抽出された層は、図５の５６４に示すように、３つの新しい最後の層と組み合わされる。これらの新しい層５６４には、全結合層、ソフトマックス層、並びに正常及び異常に対応する２つのノードを持つ分類出力層が含まれる場合がある。
[0042] いくつかの実施形態では、新しい層５６４が、転移された層５６２Ａよりもはるかに高速に学習できるように、トレーニングオプション及び／又はパラメータが設定される。これは、例えば転移された層５６２Ａの初期学習レートを、新しく追加された最後の３つの層５６４と比較して小さい値に設定することによって実現できる。転移学習を実行する場合、同数のエポック（エポックは、トレーニングデータセット全体のフルトレーニングサイクルである）をトレーニングする必要はない。これは、ネットワークのほとんど（抽出された層５６２Ａ）が、はるかに大きなトレーニングデータセットを使用して既にトレーニングされているためである。
[0043] 図６は、本開示の選択した態様を実践する方法６００の例のフローチャートを示す。図６の操作は、本明細書に説明する様々なコンピューティングデバイス／システムの１つ以上のプロセッサなど、１つ以上のプロセッサによって実行される。便宜上、方法６００の操作は、本開示の選択した態様で構成されたシステムによって実行されているものとして説明する。他の実装形態では、図６に示す操作以外の追加の操作が含まれていても、図６のステップを異なる順序で及び／又は並行して実行しても、及び／又は図６の操作のうちの１つ以上を省略してもよい。
[0044] ６０１（ステップ６０２～６１０を含む）において、システムは、被検体から測定したＥＣＧデータに基づいて２次元画像を生成する。いくつかの実施形態では、ステップ６０１の操作は、状況に応じて推論システム１２４又はトレーニングシステム１２０によって実行される。他の実施形態では、変換システムなど、図１に図示していない別のコンポーネントによって実行されてもよい。
[0045] ステップ６０２において、システムは、図２に示すように、マルチリードＥＣＧデータのいくつかの波形の各々を、対応する１つの代表拍動に変換する。前述のように、この変換は、各リードについて１０秒の時間間隔の拍動の平均化など、様々なやり方で実行できる。ステップ６０４において、システムは、ステップ６０２において変換された（例えば１２の）代表拍動を、いくつか（例えば３つ）のＶＣＧ拍動に変換する。様々な実施形態では、各ＶＣＧ拍動は、図３に示すように、３Ｄ空間の１次元の心臓ベクトルに対応している。
[0046] いくつかの実施形態では、ステップ６０６において、システムは、例えば空間分解能を向上させるために、ステップ６０４において変換された（例えば３つの）ＶＣＧ拍動をアップサンプリングする。他の実施形態では、このアップサンプリングは省略されてもよい。ステップ６０８において、システムは、ＶＣＧ拍動に基づいていくつか（例えば３つの）ＶＣＧ投影を決定する。各ＶＣＧ投影は、３Ｄ空間の対応する次元に対応する空間平面上のＶＣＧ拍動のうちの対応する１つを表している。これは、図４で例示した。
[0047] ステップ６１０において、システムは、３つのＶＣＧ投影を、２次元画像の対応する３つの層又はチャネルにエンコードする。例えば１つの空間平面における１つのＶＣＧ投影がＲＧＢデジタル画像の赤のチャネルにエンコードされ、別のＶＣＧ投影がＲＧＢ画像の緑のチャネルにエンコードされ、別のＶＣＧ投影がＲＧＢ画像の青のチャネルにエンコードされる。
[0048] ステップ６０２～６１０の後、システムは、生成された多層２次元画像を使用して推論を行うか（モデルが既にトレーニングされている場合）、モデルをトレーニングする準備ができている。例えばステップ６１２において、システムは、例えば推論システム１２４又はトレーニングシステム１２０を使用して、多層２次元画像を機械学習モデルへの入力として適用して、出力を生成する。図６のステップ６１４において、システムは、出力に基づいて、被検体の健康状態を決定する。例えば健康状態とは、例えばシステムが健康であると推定される母集団に対してスクリーニングを実行する場合に「正常」又は「異常」な心拍である。
[0049] 或いは、機械学習は、バイナリ出力よりも多くの出力を提供する場合がある。例えばいくつかの実施形態では、機械学習モデルは、出力として、各々異なる健康状態に関連付けられた複数の確率を生成する。このような実施形態のいくつかでは、最も高い確率を有するｎ（ｎ＞１）の健康状態が医療関係者に、例えばグラフィカルユーザインターフェースの一部として、スピーカを介して出力される自然言語として、被検体に関するレポートの一部として、提示される。
[0050] 機械学習モデルがトレーニングされる他の実施形態では、ステップ６１２において生成された出力は、入力データに関連付けられたラベルと比較される。例えば入力データは、例えば「正常」、「異常」、又は１つ以上の健康状態を示すものとして医療従事者によって事前にラベル付けされたＥＣＧデータである。機械学習モデルを使用して生成された出力とラベルとの相違点、即ち、誤差が、例えばトレーニングシステム１２０によって機械学習モデルをトレーニングするために使用される。
[0051] 図７は、本明細書に説明する手法の１つ以上の態様を実行するように任意選択で使用されるコンピューティングデバイス７１０の例のブロック図である。コンピューティングデバイス７１０は、通常、バスサブシステム７１２を介していくつかの周辺デバイスと通信する少なくとも１つのプロセッサ７１４を含む。これらの周辺デバイスには、メモリサブシステム７２５及びファイルストレージサブシステム７２６を含むストレージサブシステム７２４、ユーザインターフェース出力デバイス７２０、ユーザインターフェース入力デバイス７２２、及びネットワークインターフェースサブシステム７１６が含まれ得る。入力デバイス及び出力デバイスによって、ユーザはコンピューティングデバイス７１０と対話できる。ネットワークインターフェースサブシステム７１６は、外部ネットワークへのインターフェースを提供し、他のコンピューティングデバイスの対応するインターフェースデバイスに結合される。
[0052] ユーザインターフェース入力デバイス７２２には、キーボード、ポインティングデバイス（マウス、トラックボール、タッチパッド、又はグラフィックタブレットなど）、スキャナ、ディスプレイに組み込まれたタッチスクリーン、音声認識システム、マイクなどのオーディオ入力デバイス、及び／又は他のタイプの入力デバイスが含まれ得る。一般的に、「入力デバイス」という用語の使用は、すべての可能なタイプのデバイスと、コンピューティングデバイス７１０又は通信ネットワークに情報を入力するやり方とを含めることを意図している。
[0053] ユーザインターフェース出力デバイス７２０には、ディスプレイサブシステム、プリンタ、ファックス機、又はオーディオ出力デバイスなどの非視覚的なディスプレイが含まれ得る。ディスプレイサブシステムには、陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）などのフラットパネルデバイス、プロジェクションデバイス、又は可視画像を作成する他のメカニズムが含まれ得る。ディスプレイサブシステムはまた、オーディオ出力デバイスなど、非視覚的なディスプレイも提供する。一般的に、「出力デバイス」という用語の使用は、すべての可能なタイプのデバイスと、コンピューティングデバイス７１０からの情報をユーザ又は別のマシン若しくはコンピューティングデバイスに出力するやり方とを含めることを意図している。
[0054] ストレージサブシステム７２４には、本明細書に説明するモジュールの一部又はすべての機能を提供するプログラミング及びデータ構造が格納されている。例えばストレージサブシステム７２４には、図６の方法の選択した態様を実行したり、図１に示す様々なコンポーネントを実施したりするためのロジックが含まれている。
[0055] これらのソフトウェアモジュールは通常、プロセッサ７１４単独で実行されるか、又は他のプロセッサと組み合わせて実行される。ストレージサブシステム７２４内で使用されるメモリ７２５には、プログラム実行中の命令及びデータの保存に使用されるメインランダムアクセスメモリ（ＲＡＭ）７３０や、固定命令が保存される読み取り専用メモリ（ＲＯＭ）７３２を含む多数のメモリが含まれ得る。ファイルストレージサブシステム７２６は、プログラム及びデータファイル用の永続的なストレージを提供し、また、ハードディスクドライブ、関連するリムーバブルメディアを伴うフロッピー（登録商標）ディスクドライブ、ＣＤ－ＲＯＭドライブ、光学式ドライブ、又はリムーバブルメディアカートリッジが含まれ得る。特定の実装形態の機能を実施するモジュールは、ファイルストレージサブシステム７２６によってストレージサブシステム７２４に保存されるか、プロセッサ７１４からアクセス可能な他のマシンに保存され得る。
[0056] バスサブシステム７１２は、コンピューティングデバイス７１０の様々なコンポーネント及びサブシステムが意図したとおりに相互に通信できるようにするメカニズムを提供する。バスサブシステム７１２は、１つのバスとして概略的に示されているが、バスサブシステムの代替実装形態では、複数のバスを使用してもよい。
[0057] コンピューティングデバイス７１０は、ワークステーション、サーバ、コンピューティングクラスタ、ブレードサーバ、サーバファーム、又は任意の他のデータ処理システム若しくはコンピューティングデバイスなど、様々なタイプであり得る。コンピュータ及びネットワークの性質が常に変化するため、図７に示すコンピューティングデバイス７１０の説明は、いくつかの実装形態を説明するための具体例に過ぎないことを意図している。図７に示すコンピューティングデバイスよりも多く又は少ないコンポーネントを有するコンピューティングデバイス７１０の多くの他の構成も可能である。
[0058] 図８は、本明細書に説明する手法を使用してトレーニングされた「正常」対「異常」分類子の混同行列を示している。この行列では、行は予測されるクラスに対応し、列は真のクラス（グランドトゥルースラベルなど）に対応している。対角セルは正しく分類された観察に対応している。非対角セルは正しく分類されていない観察に対応している。各セルには観察数と観察総数の割合との両方が示されている。
[0059] 行列の右端の列には、各クラスに属すると予測されたすべての例のうち、正しく分類されたものの割合（太字）と、正しく分類されていないものの割合（斜体）とが示されている。これらの評価指標は、しばしば適合率（又は陽性予測値）及び偽発見率と呼ばれる。プロットの下部の行には、各クラスに属するすべての例のうち、正しく分類されたものの割合と、正しく分類されなかったものの割合とが示されている。これらの評価指標は、しばしば再現率（又は真の陽性率若しくは感度）及び偽陰性率と呼ばれる。プロットの右下のセルには、全体正解率が示されている。
[0060] 図８の混同行列は、本明細書に説明する手法を実環境データに適用すると、正常なＥＣＧを検出するために８２．４％の感度と９３．７％の陽性予測値とが達成されたことを明らかにしている。このデータセットの異常なケースには、ＥＣＧの形態における様々な異常が含まれている。即ち、異常Ｔ波、脚ブロック、ＰＲ間隔の短縮又は延長、左室肥大又は右室肥大、軸偏位、ＳＴ低下又は上昇、低電圧、異常Ｐ波又はＰ波消失、梗塞、左房拡大、房室ブロック、伝導遅延、ＱＴ間隔の短縮又は延長、Ｒ波増高不良、心室早期興奮、及び他の異常形態が含まれている。この正解率は、信号処理、又は臨床ルールの実施を使用せずに達成された。
[0061] 本明細書では、いくつかの発明実施形態について説明し、示しているが、当業者であれば、本明細書に説明する機能を行ったり、結果や１つ以上の利点を得たりするための様々な他の手段や構造を容易に想像できよう。また、これらの変形や変更の各々は、本明細書に説明する発明実施形態の範囲内であるとみなされる。より一般的には、当業者であれば、本明細書に説明するすべてのパラメータ、寸法、材料、及び構成が模範的であること、また、実際のパラメータ、寸法、材料、及び／又は構成は、本発明の教示内容が使用されている特定の用途に依存することを容易に理解できよう。当業者であれば、本明細書に説明する特定の発明実施形態に相当する多くの均等物を、日常の実験以上のものを使用することなく認識するか、又は確認することができよう。したがって、前述の実施形態は、例としてのみ提示され、添付の特許請求の範囲及び均等物の範囲内で、発明実施形態を、特に説明され請求されているものとは別の方法で実践し得ることを理解されるべきである。本開示の発明実施形態は、本明細書で説明される個々の特徴、システム、品物、材料、キット、及び／又は方法の各々を対象としている。さらに、２つ以上のそのような特徴、システム、品物、材料、キット、及び／又は方法の任意の組み合わせは、そのような特徴、システム、品物、材料、キット、及び／又は方法は、相互に矛盾していなければ、本開示の発明範囲に含まれる。
[0062] 本明細書で定義及び使用されるすべての定義は、辞書の定義、参照によって組み込まれる文書内の定義、及び／又は定義された用語の通常の意味に優先されることを理解されるべきである。単数形の表記は、本明細書及び特許請求の範囲で使用される場合、「少なくとも１つ」を意味するものとして理解されるべきである。
[0063] 本明細書及び特許請求の範囲で使用される語句「及び／又は」は、そのように等位接続されている要素（つまり、接続的に存在する場合もあれば、離接的に存在する場合もある要素）の「いずれか又は両方」を意味するものとして理解されるべきである。「及び／又は」を用いてリストされた複数の要素は、同じように、つまり、そのように等位接続されている要素のうちの「１つ以上」と解釈されるべきである。「及び／又は」句によって特に特定された要素以外の他の要素も、特に特定された要素に関連するかどうかにかかわらず、任意選択で存在していてもよい。したがって、非限定的な例として、「含む」などのオープンエンド言語と組み合わせて使用する場合、「Ａ及び／又はＢ」への参照は、１つの実施形態ではＡのみ（任意選択でＢ以外の要素を含む）を指し、別の実施形態ではＢのみ（任意選択でＡ以外の要素を含む）を指し、さらに別の実施形態ではＡ及びＢの両方（任意選択で他の要素を含む）を指すことなどが可能である。
[0064] 本明細書及び特許請求の範囲で使用される場合、「又は」は、上記で定義されている「及び／又は」と同じ意味を有するとして理解されるべきである。例えば、リスト内のアイテムを分離するとき、「又は」又は「及び／又は」は、包含的であると解釈される。つまり、いくつかの要素又は要素のリストのうちの少なくとも１つの包含であるが、２つ以上の要素、また、任意選択で、追加のリストされていないアイテムも含まれている。その反対を明確に示す用語のみ（例えば、「～のうちの１つのみ」若しくは「～のうちのちょうど１つ」、又は、特許請求の範囲で使用されたときに、「～からなる」）が、いくつかの要素又は要素のリストのうちの厳密に１つの要素を含むことを意味する。一般に、本明細書で使用される場合、用語「又は」は、排他性の用語（例えば、「どちらか一方」、「～のうちの１つ」、「～のうちの１つのみ」、又は「～のうちのちょうど１つ」）が先行するときに、排他的な代替手段（即ち、「～のどれか一方であるが両方ではない」）を示すものとしてのみ解釈されるべきである。「本質的に～からなる」は、特許請求の範囲で使用される場合、特許法の分野で使用される通常の意味を有する。
[0065] 本明細書及び特許請求の範囲で使用される場合、１つ又は複数の要素のリストを参照しての語句「少なくとも１つ」は、要素リスト内の要素のいずれか１つ又は複数から選択された少なくとも１つの要素を意味するものとして理解されるべきである。ただし、要素のリスト内に具体的にリストされている各要素の少なくとも１つを含める必要はなく、また、要素のリスト内の要素の任意の組み合わせを除外しない。この定義では、語句「少なくとも１つ」が参照する要素のリスト内で特定された要素以外の要素が、特定された要素に関連するかどうかに関係なく、任意選択で存在していてもよい。したがって、非限定的な例として、「Ａ及びＢのうちの少なくとも１つ」（又は同等に「Ａ又はＢのうちの少なくとも１つ」、又は同等に「Ａ及び／又はＢのうちの少なくとも１つ」）は、１つの実施形態では、Ｂがない状態で、少なくとも１つのＡ（任意選択で２以上のＡを含む）（任意選択でＢ以外の要素を含む）を指し、別の実施形態では、Ａがない状態で、少なくとも１つのＢ（任意選択で２以上のＢを含む）（任意選択でＡ以外の要素を含む）を指し、さらに別の実施形態では、少なくとも１つのＡ（任意選択で２つ以上のＡを含む）、及び少なくとも１つのＢ（任意選択で２つ以上のＢを含む）（任意選択で他の要素を含む）を指すことなどが可能である。
[0066] また、特に明記のない限り、２つ以上のステップ又は行為を含む、本明細書で請求されている任意の方法では、方法のステップ又は行為の順序は、方法のステップ又は行為が記載された順序に必ずしも限定されるわけではないことも理解されるべきである。
[0067] 特許請求の範囲だけでなく、上記の明細書においても、「有する」、「含む」、「担持する」、「持つ」、「収容する」、「伴う」、「保持する」、「～で構成される」などのすべての移行句は、オープンエンドであることを理解されるべきである。つまり、含むが限定されないことを意味する。米国特許局の特許審査手続便覧のセクション２１１１．０３に記載されているように、移行句「～からなる」及び「本質的に～からなる」のみが、閉鎖型又は半閉鎖型の移行句である。特許協力条約（「ＰＣＴ」）の規則６．２（ｂ）に従って特許請求の範囲に使用される特定の表現及び参照符号は、範囲を限定しないことが理解されるべきである。

Claims (15)

  1. １つ以上のプロセッサを使用して実施される方法であって、前記方法は、
    ベクトル心電図（ＶＣＧ）データに基づいて２次元画像を生成するステップであって、前記ＶＣＧデータは直接記録されるか、又は被検体から測定された心電図（ＥＣＧ）データに基づいている、生成するステップと、
    出力を生成するために、前記２次元画像を機械学習モデルへの入力として適用するステップであって、前記機械学習モデルは２次元画像の処理における使用のために構成されている、適用するステップと、
    前記出力に基づいて、前記被検体の健康状態を決定するステップと、
    を含む、方法。
  2. 前記ＥＣＧデータは、複数のＥＣＧリードに対応する複数の波形を含む、請求項１に記載の方法。
  3. 前記複数の波形の各々を対応する１つの代表拍動に変換するステップをさらに含む、請求項２に記載の方法。
  4. 前記複数の代表拍動を３つのＶＣＧ拍動に変換するステップであって、各ＶＣＧ拍動は３次元（３Ｄ）空間の１次元における心臓ベクトルに対応している、変換するステップをさらに含む、請求項３に記載の方法。
  5. 前記３つのＶＣＧ拍動をアップサンプリングするステップをさらに含む、請求項４に記載の方法。
  6. ３つのＶＣＧ投影を決定するステップであって、各ＶＣＧ投影は、前記３Ｄ空間の対応する次元に対応する空間平面上の前記３つのＶＣＧ拍動のうちの対応する１つを表している、決定するステップをさらに含む、請求項４に記載の方法。
  7. 前記３つのＶＣＧ投影を前記２次元画像の３つの対応する層にエンコードするステップをさらに含む、請求項６に記載の方法。
  8. 前記３つの対応する層は、赤、緑、及び青を含む、請求項７に記載の方法。
  9. 前記ＥＣＧデータは、前記被検体によって着用されるウェアラブルデバイスから得られるシングルリードデータを含む、請求項１に記載の方法。
  10. プロセッサとメモリとを含むデバイスであって、前記メモリは命令を格納し、前記プロセッサによる前記命令の実行に応じて、前記命令は、前記デバイスに、
    ベクトル心電図（ＶＣＧ）データに基づいて２次元画像を生成することであって、前記ＶＣＧデータは直接測定されるか、又は被検体から測定された心電図（ＥＣＧ）データに基づいている、生成することと、
    出力を生成するために、前記多層２次元画像を機械学習モデルへの入力として適用することであって、前記機械学習モデルは２次元画像の処理における使用のために構成されている、適用することと、
    前記出力に基づいて、前記被検体の健康状態を決定することと、
    を実行させる、デバイス。
  11. 前記被検体によって着用されるウェアラブルデバイスを含む、請求項１０に記載のデバイス。
  12. 前記ＥＣＧデータは、複数のＥＣＧリードに対応する複数の波形を含む、請求項１０に記載のデバイス。
  13. 前記複数の波形の各々を対応する１つの代表拍動に変換することと、
    前記複数の代表拍動を複数のＶＣＧ拍動に変換することであって、各ＶＣＧ拍動は多次元空間の１次元における心臓ベクトルに対応している、変換することと、
    複数のＶＣＧ投影を決定することであって、各ＶＣＧ投影は、前記多次元空間の対応する次元に対応する空間平面上の前記複数のＶＣＧ拍動のうちの対応する１つを表している、決定することと、
    を実行する命令をさらに含む、請求項１２に記載のデバイス。
  14. 前記複数のＶＣＧ拍動をアップサンプリングする命令をさらに含む、請求項１３に記載のデバイス。
  15. 命令を含む少なくとも１つの非一時的コンピュータ可読媒体であって、１つ以上のプロセッサによる前記命令の実行に応じて、前記１つ以上のプロセッサが請求項１に記載の方法を実行する、非一時的コンピュータ可読媒体。
JP2022568529A 2020-05-11 2021-05-06 機械学習モデルへの適用のための時系列データの変換 Pending JP2023524871A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063022752P 2020-05-11 2020-05-11
US63/022,752 2020-05-11
PCT/EP2021/061962 WO2021228672A1 (en) 2020-05-11 2021-05-06 Time series data conversion for machine learning model application

Publications (2)

Publication Number Publication Date
JP2023524871A true JP2023524871A (ja) 2023-06-13
JPWO2021228672A5 JPWO2021228672A5 (ja) 2024-05-17

Family

ID=75888025

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022568529A Pending JP2023524871A (ja) 2020-05-11 2021-05-06 機械学習モデルへの適用のための時系列データの変換

Country Status (5)

Country Link
US (1) US20230165505A1 (ja)
EP (1) EP4150632A1 (ja)
JP (1) JP2023524871A (ja)
CN (1) CN115552543A (ja)
WO (1) WO2021228672A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024072849A1 (en) * 2022-09-27 2024-04-04 The General Hospital Corporation Artificial intelligence enabled discrimination of disease and disease etiology

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3379998A4 (en) * 2015-11-23 2019-07-31 Mayo Foundation for Medical Education and Research PROCESSING PHYSIOLOGICAL ELECTRICAL DATA FOR ANALYTICAL ASSESSMENTS

Also Published As

Publication number Publication date
WO2021228672A1 (en) 2021-11-18
CN115552543A (zh) 2022-12-30
US20230165505A1 (en) 2023-06-01
EP4150632A1 (en) 2023-03-22

Similar Documents

Publication Publication Date Title
Al’Aref et al. Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging
US11957507B2 (en) Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart
CN106725426A (zh) 一种心电信号分类的方法及系统
EP4272645A1 (en) Method and apparatus for converting electrical biosignal data into numerical vectors, and method and apparatus for analyzing disease by using same
CN111523502A (zh) 一种心电图图像处理方法、设备、介质和心电图仪
JP7299636B2 (ja) 心電図信号の分類データを提供する方法及びその電子装置
Schuuring et al. Routine echocardiography and artificial intelligence solutions
Ullah et al. An End‐to‐End Cardiac Arrhythmia Recognition Method with an Effective DenseNet Model on Imbalanced Datasets Using ECG Signal
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Loncaric et al. Integration of artificial intelligence into clinical patient management: focus on cardiac imaging
Wessler et al. Automated detection of aortic stenosis using machine learning
JP2023524871A (ja) 機械学習モデルへの適用のための時系列データの変換
Vázquez et al. Label noise and self-learning label correction in cardiac abnormalities classification
Das et al. Interpretation of EKG with image recognition and convolutional neural networks
JP2019517839A (ja) Ｅｃｇトレーニング及びスキル向上
Liu et al. Accurate detection of arrhythmias on raw electrocardiogram images: An aggregation attention multi-label model for diagnostic assistance
Rudnicka et al. Advancements in artificial intelligence-driven techniques for interventional cardiology
Yang et al. Sensing, Modeling and Optimization of Cardiac Systems: A New Generation of Digital Twin for Heart Health Informatics
EP3788638A1 (en) Method and apparatus for classifying subjects based on time series phenotypic data
Heinen Using lightweight image classifiers for electrocardiogram classification on embedded devices
Liu et al. Analysis of patient outcome using ECG and extreme learning machine ensemble
EP4384077A1 (en) Machine-learning for processing lead-invariant electrocardiogram inputs
US20210106248A1 (en) ECG Analysis System
Khudair Detection of Heart Attack (Myocardial Infarction) Based on the LSTM Recursive Deep Learning and Clinical Features
Cheng et al. Multi-label classification of arrhythmia using dynamic graph convolutional network based on encoder-decoder framework

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240502

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240502