JP2024506633A - 電位図をリアルタイム解析するコンピュータ装置 - Google Patents

Abstract

電位図をリアルタイムで解析するためのコンピュータ装置に関する。該装置は、複数の電極からそれぞれ発信されるリアルタイム電位図信号を受信するように配置されたメモリと、抽出器、および勾配ブースティングに基づく機械学習モジュールを含む第１の評価器と、を備える。抽出器は、電位図信号のセット内の各電位図信号から、少なくとも１つの時間的解析特徴および少なくとも１つの形態学的特徴を含む特徴のセットを抽出するように、および得られた特徴のセットを前記勾配ブースティングに基づく機械学習モジュールに供給するように配置される。機械学習モジュールは、関連する電位図信号が分散を示すかどうかを示す値でラベル付けされた特徴のセットを含むデータに基づいて訓練され、前記電位図信号のセットごとに出力を行うように配置される。【選択図】図１

Description

本発明は、電位図をリアルタイム解析するコンピュータ装置に関する。

心房細動の分野は、この５年の間に急速に発展してきた。

心房細動を促進する心臓部位の検出には、ＴｏｐｅｒａやＣａｒｄｉｏｌｎｓｉｇｈｔなどのソフトウェアを使用するオフラインのコンピューティング装置によるものと、ＣＡＲＴＯなどのソフトウェアを使用するリアルタイムのコンピューティング装置によるものが含まれる。

Ｔｏｐｅｒａソフトウェアは、心臓の心房の電気的活性化を再構築することを目的としている。信号の取得は、「バスケットカテーテル」（心房全体上に展開されるカテーテル）を用いて行われる。解析は、取得開始から２分以上経過した遅延時間で行われる。このタイプのカテーテルは挿入が難しく、電極の接触が保証されないので、この解決策は不便である。解析時間が非常に長く、再構築では高精細なマップが得られず、複雑な電気的活性化（心房細動の７０％を占める）の場合には単純すぎる再構築のために失敗することもある。

Ｃａｒｄｉｏｌｎｓｉｇｈｔソフトウェアは、患者の皮膚に装着する多電極心電図測定ベストを使用して、心臓の電気活動を再構築することを目的としている。患者は手術前にベストを着用し、データは手術中に解析され、且つアクセス可能である。解析は、取得開始後、遅延時間（１５分以上）で行われる。この解決策には計算時間が非常に長いという欠点があり、延期時間を生じさせてセットアップが困難になり（手術前にデータを抽出できるように、患者は数日前に来てベストを着用する必要がある）、コストがかなりかかる。また、再構築では、測定のセットアップが離れすぎているため高精細なマップが得られず、複雑な電気的活性化の場合には単純すぎる再構築のために失敗する。

Ｂｉｏｓｅｎｓｅ＆Ｗｅｂｓｔｅｒ社によるＣＡＲＴＯソフトウェアは、心臓不整脈を検出するアルゴリズムを実現することができる。

ＣＦＡＥ（複雑性分裂心房電位）アルゴリズムは、信号中の偏位点の数（導関数の符号の変化）を計算し、リアルタイムでカラーマップを作製する。医師は、これらの複雑なマップを解釈して、対象となる部位を決定する。このアルゴリズムはあまり特殊ではなく、比較的単純である。

Ａｂｂｏｔｔ Ｌａｂｏｒａｔｏｒｉｅｓ社によるＥｎｓｉｔｅソフトウェアは、心臓不整脈を検出するアルゴリズムを実現することができる。

Ｒｉｐｐｌｅアルゴリズム（Ｒｉｐｐｌｅマッピング）は、ＣＡＲＴＯソフトウェアのモジュールであり、最初のカテーテル通過後の心房の電気活動を再現することができる。このモジュールにより、電気波の振幅と伝播の両方が可視化される。その結果、医師が理解するには非常に複雑なマップが作製される。これは単純なケースでは有効かもしれないが、複雑な電気的活性化の場合にはマップの解釈が難しすぎるため、解析は失敗する。

本出願人は、改良されたシステムを発明し、心房細動を促進する心臓部位をリアルタイムで検出するために、連動する２つの方法を使用することを記載したフランス共和国特許出願第１８５２８５０号を提出した。より詳細には、この発明には、電位図データに２つの分類モデルを適用するように配置された分類器の使用が記載されている。一方のモデルは他方のモデルよりも適用が速く、精度が低いので、これは、心臓領域の潜在的な対象部位を医師に警告するために使用される。

本出願人のさらなる研究により、心房細動を促進する心臓部位をリアルタイムで検出するための改良されたコンピュータ装置を決定することが可能になった。この装置は、複数の電極からそれぞれ発信されるリアルタイム電位図信号を受信するように配置されたメモリと、抽出器、および勾配ブースティングに基づく機械学習モジュールを含む第１の評価器と、を備える。抽出器は、電位図信号のセット内の各電位図信号から、少なくとも１つの時間的解析特徴および少なくとも１つの形態学的特徴を含む特徴のセットを抽出するように、および得られた特徴のセットを勾配ブースティングに基づく機械学習モジュールに供給するように配置される。機械学習モジュールは、関連する電位図信号が分散を示すかどうかを示す値でラベル付けされた特徴のセットを含むデータに基づいて訓練され、電位図信号のセットごとに、電位図信号のセットのそれぞれの電位図信号が分散を示すかどうかを示す第１の確率配列を出力するように配置される。また、該装置は、第２の評価器を備える。第２の評価器は、畳み込みニューラルネットワークを含む。畳み込みニューラルネットワークは、リアルタイム電位図信号のセットを受信し、入力されたリアルタイム電位図信号が分散を示す第２の確率配列を出力する。畳み込みニューラルネットワークは、それぞれの電位図信号が分散を示すかどうかを示す値でそれぞれラベル付けされた電位図信号のデータベースに基づいて訓練される。また、該装置は、予測器を備える。予測器は、電位図信号の所与のセットに対して決定された第１の確率配列および第２の確率配列に基づいて、第１の確率配列および第２の確率配列の値の加重平均に少なくとも部分的に基づく第３の確率配列を返す。

このコンピュータ装置が特に興味深いのは、本出願人がリアルタイムで患者の分散マップを構築し、患者らの心房細動の終結率が８８％に達するようにこれらのマップを使用することができたからである。これは、分散マップを構築して心房細動を治療するために、リアルタイムで医師を支援するように本出願人の発明を確実に使用することができることを意味する。

様々な実施形態において、コンピュータ装置は、以下の特徴のうちの１つまたは複数を含んでもよい。
・ 抽出器は、第１の周期長推定値、第２の周期長推定値、および最大振幅を有する電位図信号の高速フーリエ変換内の周波数からなるグループの中から少なくとも１つの時間的解析特徴を抽出するように配置され、
・ 抽出器は、電位図信号のユークリッドノルム、および電位図信号の積分された絶対導関数からなるグループの中から少なくとも１つの形態学的特徴を抽出するように配置され、
・ さらに、該装置は、リアルタイム電位図信号を、選択された持続時間を有する一連の電位図信号に分割するように配置され、
・ さらに、該装置は、同じ選択された持続時間を有する電位図信号のセットを提供するように配置され、
・ さらに、該装置は、リアルタイム電位図信号を、選択された持続時間を有する一連の電位図信号に分割するように配置され、
・ さらに、予測器は、同じ電位図信号に対応する、第１の確率配列中の確率と第２の確率配列中の確率との差の絶対値がしきい値を超えたときに、第３の確率配列において第１の確率配列中の確率を使用するように配置され、
・ さらに、該装置は、第３の配列中の値に関連する色を決定するように配置されており、電極ごとに、第３の確率配列における対応する電位図信号について決定された確率に関連する色を出力するように配置されたディスプレイをさらに備える。

また、本発明は、第１の評価器、第２の評価器、および予測器を実現するための命令を含むコンピュータプログラムと、このコンピュータプログラムを記録したデータ記憶媒体と、リアルタイム電位図信号を受信し、本発明による第１の評価器、第２の評価器、および予測器を実行し、第３の確率配列を返す、コンピュータで実現される方法に関する。

以下、本発明の他の特徴および利点を、本発明による例示的な実施形態を示す添付の図面を参照して説明する。
本発明によるコンピュータ装置の一実施形態に関する全体図である。 図１の実施形態で使用される畳み込みニューラルネットワークの模式図である。

添付の図面および以下の説明には、主に、本発明の有効且つ良好に定義された特徴が含まれる。したがって、これらは、本発明をよりよく理解するのに役立つだけでなく、その定義に適宜貢献ためにも使用され得る。

持続性心房細動は、依然として治療上の課題を有する。カテーテルアブレーションの適応となる患者の数はますます増加しているが、持続性心房細動に対する最適なアブレーション戦略はいまだ不明である。ＳＴＡＲ－ＡＦ２（Ｖｅｒｍａ Ａ，Ｊｉａｎｇ Ｃ－ｙ，Ｂｅｔｔｓ ＴＲら、「Ａｐｐｒｏａｃｈｅｓ ｔｏ ｃａｔｈｅｔｅｒ ａｂｌａｔｉｏｎ ｆｏｒ ｐｅｒｓｉｓｔｅｎｔ ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ」、Ｎｅｗ Ｅｎｇｌａｎｄ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃｉｎｅ、２０１５；３７２：１８１２－１８２２）は、肺静脈隔離術（ＰＶＩ）を超えるアブレーション病変の追加処置は、長期予後の改善にはつながらないと結論付けている。

その一方で、いくつかの観察研究（Ｊａｄｉｄｉ ＡＳ，Ｌｅｈｒｍａｎｎ Ｈ，Ｋｅｙｌ Ｃら、「Ａｂｌａｔｉｏｎ ｏｆ ｐｅｒｓｉｓｔｅｎｔ ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ ｔａｒｇｅｔｉｎｇ ｌｏｗ－ｖｏｌｔａｇｅ ａｒｅａｓ ｗｉｔｈ ｓｅｌｅｃｔｉｖｅ ａｃｔｉｖａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ」、Ｃｉｒｃｕｌａｔｉｏｎ：Ａｒｒｈｙｔｈｍｉａ ａｎｄ Ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｙ、２０１６；９：ｅ００２９６２、およびＳｅｉｔｚ Ｊ，Ｂａｒｓ Ｃ，Ｔｈｅｏｄｏｒｅ Ｇら、「ＡＦ ａｂｌａｔｉｏｎ ｇｕｉｄｅｄ ｂｙ ｓｐａｔｉｏｔｅｍｐｏｒａｌ ｅｌｅｃｔｒｏｇｒａｍ ｄｉｓｐｅｒｓｉｏｎ ｗｉｔｈｏｕｔ ｐｕｌｍｏｎａｒｙ ｖｅｉｎ ｉｓｏｌａｔｉｏｎ：ａ ｗｈｏｌｌｙ ｐａｔｉｅｎｔ－ｔａｉｌｏｒｅｄ ａｐｐｒｏａｃｈ」、Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｃｏｌｌｅｇｅ ｏｆ Ｃａｒｄｉｏｌｏｇｙ、２０１７；６９：３０３－３２１参照）は、電位図異常を有する領域を標的とする非ＰＶＩ病変が持続性心房細動患者にとって有益であることを示唆している。

特に、後者の研究では、多極性電位図の分散を示す心房領域への高周波エネルギーの適用を支持する結果が示された。他の研究（Ｎａｒａｙａｎ ＳＭ，Ｋｒｕｍｍｅｎ ＤＥ，Ｓｈｉｖｋｕｍａｒ Ｋ，Ｃｌｏｐｔｏｎ Ｐ，Ｒａｐｐｅｌ Ｗ－Ｊ，Ｍｉｌｌｅｒ ＪＭ、「Ｔｒｅａｔｍｅｎｔ ｏｆ ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ ｂｙ ｔｈｅ ａｂｌａｔｉｏｎ ｏｆ ｌｏｃａｌｉｚｅｄ ｓｏｕｒｃｅｓ：ＣＯＮＦＩＲＭ（Ｃｏｎｖｅｎｔｉｏｎａｌ Ａｂｌａｔｉｏｎ ｆｏｒ Ａｔｒｉａｌ Ｆｉｂｒｉｌｌａｔｉｏｎ Ｗｉｔｈ ｏｒ Ｗｉｔｈｏｕｔ Ｆｏｃａｌ Ｉｍｐｕｌｓｅ ａｎｄ Ｒｏｔｏｒ Ｍｏｄｕｌａｔｉｏｎ）ｔｒｉａｌ」、Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｃｏｌｌｅｇｅ ｏｆ Ｃａｒｄｉｏｌｏｇｙ ２０１２；６０：６２８－６３６）では、その代わりに高度な信号解析が行われ、心房細動のドライバーを誘導するためのメカニズムに基づいた表示が行われた。

電位図の異常や解析にかかわらず、同様の電位図に基づくマッピングアプローチを実現しようとする施設間では、経験や学習曲線の段階に大きな差がある。

図１は、本発明によるコンピュータ装置の一実施形態に関する全体図である。

コンピュータ装置２は、メモリ４と、抽出器８および勾配ブースティングに基づく機械学習モジュール１０を含む第１の評価器６と、第２の評価器１２と、予測器１４と、を備える。

使用上の観点から、操作者は、患者の心臓に挿入された電極を使用する。電極は、参照符号１６によって示され、コンピュータ装置２のディスプレイ上に表示される。図１に示すように、１６個の様々なタイプの電極が設けられてもよい。

電極による感知結果は、メモリ４に供給されるリアルタイム電位図信号１８のセットである。これらの電位図信号が解析され、予測器１４が電極の修正図２０を返す。これにより、医師は、どの電極が分散に関連する可能性のある領域を感知したかを特定することができる。その見返りとして、医師は、患者の心臓上の対応する位置に印をつける（または関連する位置を自動的に返す）ことができる。これにより、ドットで示されている心房細動の観点から治療すべき領域を有する心臓のマップ２２が得られる。

メモリ４は、リアルタイム電位図信号（例えば、すべての電位図信号が同じ長さ、例えば３秒を有するように、一定時間間隔でデジタル化および分割された後）と、それらが分散を示すかどうか、すなわち、心房細動に関連するかどうかを示す値でラベル付けされた２７５０００以上の電位図信号のデータベースとを格納する。同一の持続時間を有する電位図信号は、連続していてもよいし、互いに重なっていてもよい。また、メモリ４は、本発明を実行する過程で生成され得る任意の一時的データを格納してもよい。また、メモリ４は、予測器１４の動作の結果として得られたマップを、場合によっては医師が作成した注釈およびカテーテル形状と組み合わせて格納してもよい。

本明細書に記載の実施例において、メモリ４は、ハードディスクドライブ、ソリッドステートドライブ、フラッシュメモリ、プロセッサに組み込まれたメモリ、またはクラウドでアクセス可能な遠隔ストレージなど、適切な方法で実現されてもよい。

本明細書に記載の実施例において、抽出器８および勾配ブースティングに基づく機械学習モジュール１０を含む第１の評価器６、第２の評価器１２、ならびに予測器１４は、１つまたは複数のプロセッサで実行されるコンピュータプログラムである。このようなプロセッサは、ＣＰＵ、ＧＰＵ、ＣＰＵおよび／またはＧＰＵグリッド、遠隔計算グリッド、特別に構成されたＦＰＧＡ、特別に構成されたＡＳＩＣ、ＳＯＣまたはＮＯＣなどの専用チップ、またはＡＩ専用チップなど、自動計算を実行するために知られている任意の手段を含む。

本明細書に記載の実施例において、第１の評価器６は、機械学習モジュールである。機械学習モジュールは、電位図信号から特徴を抽出し、分散確率を決定するために勾配ブースティング手法にそれらを通すように配置される。

抽出器８は、リアルタイム電位図信号のそれぞれの特徴のセットを決定するように配置される。これは、機械学習手法を適用した場合に優れた分散検出を達成することができることを本出願人が特定した。これらの特徴は、２つの主要な特徴カテゴリに分類されてもよい。

第１のカテゴリは、電位図信号の時間的解析、すなわち、電位図信号の時間領域または周波数領域の解析に本質的に関連する特徴に関する。本明細書に記載の実施例において、抽出器８は、第１の周期長推定値、第２の周期長推定値、および／または最も高い振幅を有する電位図信号の高速フーリエ変換内の周波数を抽出してもよい。後者の場合、振幅も特徴として保持されてもよい。

第１の周期長推定値および第２の周期長推定値は、以下のように決定されてもよい。

リアルタイム電位図信号データは、ベクトルに格納され、その各要素は、そのサンプルに対応する。次に、自己相関パラメータＴを使用して、最初のＴ個のベクトルサンプルを含む第１のベクトル、および最後のＴ個のベクトルサンプルを含む第２のベクトルを含む、サイズＴを有する２つのベクトルを画定する。

本明細書に記載の実施例において、第１の推定値は、第１のベクトルと第２のベクトルのスカラー積を、第１のベクトルと第２のベクトルのユークリッドノルムの積で割って正規化自己相関を測定することによって算出される。Ｔを変化させることにより、第１の推定値の最大値と最小値が決定され、このＴ値で計算された第１の推定値が、第１の推定値の最大値から、第１の推定値の最大値と最小値の差の０．３倍を引いた値よりも大きくなる第１の局所極値をＴ値が提供する値として、第１の推定値に選択される値が選択される。

代替的に、例えば０．３の係数を変更することによって、あるいは経験的、網羅的、あるいはその他の方法で推定値を最適化するＴ値を探すことによって、第１の推定値を決定することもできる。

本明細書に記載の実施例において、第２の推定値は、各Ｔ値について、第１のベクトルと第２のベクトルとの差のユークリッドノルムの２乗を、第１のベクトルの絶対値が最大となるサンプルと第２のベクトルの絶対値が最大となるサンプルとの積で割った値を計算することによって算出される。第１の推定値と同様に、第２の推定値の最大値と最小値が決定され、このＴ値で計算された第２の推定値が、第２の推定値の最小値に第２の推定値の最大値と最小値の差の０．２倍を加算した値よりも小さくなる第１の局所極値をＴ値が提供する値として、第２の推定値に選択される値が選択される。代替的に、例えば０．２の係数を変更することによって、あるいは経験的、網羅的、あるいはその他の方法で推定値を最適化するＴ値を探すことによって、第１の推定値を決定することもできる。

第２のカテゴリは、信号の形態学的解析、すなわち、数学的形態学に基づく、またはそれに関連する解析に関する。本明細書に記載の実施例において、抽出器８は、電位図信号のユークリッドノルムおよび電位図信号の積分された絶対導関数を抽出してもよい。

上述したすべての特徴を使用することで、勾配ブースティングに基づく機械学習モジュール１０は、リアルタイム電位図信号ごとに、最大６つの異なる特徴を使用することができる。言うまでもなく、他の実施形態において、抽出器８は、より多くの特徴を抽出してもよい。これらの特徴は、同一のタイムコードを共有することによって、異なる電極に関連する電位図信号の組み合わせまたは比較に関連することができる。一部の態様において、本出願人は、勾配ブースティングに基づく機械学習モジュール１０で最大７０個の特徴を利用した。

勾配ブースティングに基づく機械学習モジュール１０の訓練は、分散を示すかどうかを示す値でラベル付けされた２７５０００個の電位図信号を用いて行われる。まず、これらの電位図信号ごとに特徴が抽出され、次に、勾配ブースティングに基づく機械学習モジュール１０が、本明細書に記載の実施例では対数損失を用いて訓練される。訓練後、電位図信号のセットから抽出された特徴のセットを入力として受信するため、および電位図信号のセットのうちの対応する１つの電位図信号が分散を示す確率をそれぞれ示す値の配列を返すために、勾配ブースティングに基づく機械学習モジュール１０が使用され得る。任意選択で、訓練データは、カテーテル形状情報および／またはそれに関連する３Ｄ情報を含んでもよい。

本明細書に記載の実施例において、第２の評価器１２は、畳み込みニューラルネットワークである。畳み込みニューラルネットワークは、電位図信号のセットを受信し、電位図信号のセットのうちの対応する１つの電位図信号が分散を示す確率をそれぞれ示す値の配列を出力する。

図２は、第２の評価器１２の畳み込みニューラルネットワークのための例示的な構造を示す。

本明細書に記載の実施例において、ニューラルネットワークは、５つの畳み込み層を有する畳み込みニューラルネットワークである。したがって、電位図信号のセット１００（例えば１６個の電位図信号を含む）は、２００個の特徴を抽出する第１の畳み込み層１１０によって処理され、次に、層１１０から３０００個の特徴を抽出する第２の畳み込み層１２０、層１２０から２００００個の特徴を抽出する第３の畳み込み層１３０、層１３０の最大プーリングから８０００個の特徴を抽出する第４の畳み込み層１４０、および層１４０から１０００個の特徴を抽出する第５の畳み込み層１５０によって処理される。

第５の畳み込み層１５０は、ニューラルネットワークの完全接続層１６０にリンクされている。完全接続層１６０は、それぞれ５０ニューロンおよび１０ニューロンを含む２層のニューロンの連鎖を含む。完全接続層１６０は、出力層に確率配列１７０を返す。

この畳み込みニューラルネットワークの訓練は、分散を示すかどうかを示す値でラベル付けされた２７５０００個の電位図信号を用いて行われる。電位図信号は、１６個ずつのグループごとに使用される。各電位図信号は、分散の有無を示す０または１の対応する値を有する。本明細書に記載の実施例において、訓練は、アダムオプティマイザとバイナリクロスエントロピー損失を用いて行われる。他のオプティマイザと損失を使用してもよく、オプティマイザをバイパスしてもよい。

予測器１４は、第１の評価器６の予測値と第２の評価器１２の予測値を整合させるために使用される。より詳細には、多くの場合、第２の評価器１２は、第１の評価器６よりも過学習に対してより堅牢であり、その結果、第１の評価器６は、通常よりも正確である。そのため、予測器１４は、第１の評価器６および第２の評価器１２によってそれぞれ出力された確率配列の値の加重平均を実行することができる。一実施形態において、重みは、第１の評価器６に対して０．７、第２の評価器１２に対して０．３とすることができる。畳み込みニューラルネットワークが勾配ブースティングに基づく機械学習手法よりもドリフトしやすいので、第１の評価器６と第２の評価器１２による予測値の差が大きすぎる場合、予測器１４は、任意選択で、第１の評価器６の値のみを保持するように構成されてもよい。したがって、予測器１４の出力は、所与のリアルタイム電位図信号が分散を示す別の確率配列である。

さらに、コンピュータ１４は、予測配列に基づいて色を決定してもよい。より詳細には、この決定は、連続するタイムコードに関連する予測配列に基づいて行われ得る。患者の心房細動が遅いと判定された場合、連続するタイムコードに対応する２つの予測配列を平均化することができる。この配列の値は、次のように関連付けることができる：値が０．３５未満の場合は青色、値が０．３５以上、０．６５以下の場合はオレンジ色、それ以外の場合は赤色。患者の心房細動が速いと判定された場合、連続するタイムコードに対応する４つの予測配列を平均化することができる。この配列の値は、次のように関連付けることができる：値が０．５未満の場合は青色、値が０．５以上、０．８以下の場合はオレンジ色、それ以外の場合は赤色。心房細動が速いか遅いかの判断は医師が行い、医師が装置に入力する。これにより、（図１の参照符号２０で示すように）ディスプレイ上に視覚的な反応を提供することができる。これは、図１の参照符号２２のドットで示す分散領域をもたらす心臓領域を自動的に、手動で、または半手動でタグ付けするために医師が使用することができる。

以上、２つの評価器を使用する場合について説明したが、本発明による第１の評価器および第２の評価器を含む２つ以上の評価器を使用する装置または方法も、添付の特許請求の範囲に含まれるものとする。

Claims (10)

1. 電位図をリアルタイムで解析するためのコンピュータ装置であって、
   複数の電極からそれぞれ発信される複数のリアルタイム電位図信号を受信するように配置されたメモリ（４）と、
   抽出器（８）、および勾配ブースティングに基づく機械学習モジュール（１０）を含む第１の評価器（６）であって、前記抽出器（８）は、前記電位図信号のセット内の各電位図信号から、少なくとも１つの時間的解析特徴および少なくとも１つの形態学的特徴を含む特徴のセットを抽出するように、および得られた前記特徴のセットを前記勾配ブースティングに基づく機械学習モジュール（１０）に供給するように配置され、前記機械学習モジュール（１０）は、関連する前記電位図信号が分散を示すかどうかを示す値でラベル付けされた特徴のセットを含むデータに基づいて訓練され、前記電位図信号のセットごとに、前記電位図信号のセットのそれぞれの電位図信号が分散を示すかどうかを示す第１の確率配列を出力するように配置される、第１の評価器（６）と、
   畳み込みニューラルネットワークを含む第２の評価器（１２）であって、前記畳み込みニューラルネットワークは、リアルタイム電位図信号のセットを受信し、入力されたリアルタイム電位図信号が分散を示す第２の確率配列を出力し、前記畳み込みニューラルネットワークは、それぞれの前記電位図信号が分散を示すかどうかを示す値でそれぞれラベル付けされた前記電位図信号のデータベースに基づいて訓練される、第２の評価器（１２）と、
   予測器（１４）であって、前記電位図信号の所与のセットに対して決定された前記第１の確率配列および前記第２の確率配列に基づいて、前記第１の確率配列および前記第２の確率配列の値の加重平均に少なくとも部分的に基づく第３の確率配列を返す、予測器（１４）と、
   を備えるコンピュータ装置。
2. 前記抽出器（８）は、第１の周期長推定値、第２の周期長推定値、および最大振幅を有する前記電位図信号の高速フーリエ変換内の周波数からなるグループの中から少なくとも１つの時間的解析特徴を抽出するように配置される、請求項１に記載のコンピュータ装置。
3. 前記抽出器（８）は、前記電位図信号のユークリッドノルム、および前記電位図信号の積分された絶対導関数からなるグループの中から少なくとも１つの形態学的特徴を抽出するように配置される、請求項１または２に記載のコンピュータ装置。
4. リアルタイム電位図信号を、選択された持続時間を有する一連の電位図信号に分割するように配置される、請求項１～３のいずれか１項に記載のコンピュータ装置。
5. 同じ前記選択された持続時間を有する電位図信号のセットを提供するように配置される、請求項４に記載のコンピュータ装置。
6. 前記予測器（１４）は、同じ前記電位図信号に対応する、前記第１の確率配列中の確率と前記第２の確率配列中の確率との差の絶対値がしきい値を超えたときに、前記第３の確率配列において前記第１の確率配列中の確率を使用するように配置される、請求項１～５のいずれか１項に記載のコンピュータ装置。
7. 前記コンピュータ装置は、前記第３の確率配列中の値に関連する色を決定するように配置され、
   前記電極ごとに、前記第３の確率配列における対応する前記電位図信号について決定された確率に関連する色を出力するように配置されたディスプレイをさらに備える、
   請求項１～６のいずれか１項に記載のコンピュータ装置。
8. 請求項１～７のいずれか１項に記載の第１の評価器（６）、第２の評価器（１２）、および予測器（１４）を実現するための命令を含むコンピュータプログラム。
9. 請求項８に記載のコンピュータプログラムを記録するデータ記憶媒体。
10. リアルタイム電位図信号を受信し、請求項１～７のいずれか１項に記載の第１の評価器（６）、第２の評価器（１２）、および予測器（１４）を実行し、第３の確率配列を返す、コンピュータで実現される方法。

Images