JP5207172B2 - 波形解析装置及び波形解析プログラム - Google Patents

Description

本発明は、生体信号の波形解析に用いられる波形解析装置及び波形解析プログラムに関する。

波形解析装置は、生体信号の計測装置により被検者から計測された生体信号を示すデータを取り込み、その生体信号の波形を解析する。波形解析の手法としては様々なものが挙げられるが、例えば生体信号が心電図である場合には、心電図波形のモフォロジ分類が一例として挙げられる。

モフォロジ分類では、例えば数十分から数十時間にわたって連続計測された心電図を示す心電図データが解析装置に取り込まれ、解析装置により、当該心電図の心拍毎の波形形態を、所定のモフォロジ群にクラスタリングする（例えば特許文献１参照）。
特開２００６−１１６２０７号公報

モフォロジ分類においては、高精度で波形形態の類否判断を行うことが求められる。例えば、ある心拍における波形（以下「心拍波形」という。）が他の心拍波形と全体的に類似していても、一方の心拍波形にのみ心疾患の存在を示す成分が局部的に現れている場合には、それらの２つの心拍波形は別々のモフォロジ群に含まれるのが望ましい。

モフォロジ分類に用いられる主たる類否判断基準は、２つの心拍波形における相互相関値であり、これは、２つの心拍波形の全体的な類似度合いを示すものである。相互相関値に基づくモフォロジ分類では、閾値以上の相互相関値を有する２つの心拍波形は、同じモフォロジ群に含まれ、閾値未満の相互相関値を有する２つの心拍波形は、異なるモフォロジ群に含まれる。ところが、解析対象の全心拍波形について相互相関値に基づいてモフォロジ分類を行う際には、閾値を画一的に設定する必要があるため、相互相関値が閾値に満たない心拍波形のペアが多数存在すると、モフォロジ群の個数が多数となる。この場合、クラスタリングの精度を視認する検査者の負担が大きくなる。一方で、モフォロジ群の個数の増加を抑えるために閾値を低下させれば、先に例示したような別々のモフォロジ群に含まれるべき心拍波形が同じモフォロジ群に含まれるおそれが生じる。

本発明は、かかる点に鑑みてなされたもので、モフォロジ群の個数を所望の個数に抑えながら、高精度でモフォロジ分類を行うことができる波形解析装置及び波形解析プログラムを提供することを目的とする。

本発明の波形解析装置は、生体信号の波形から生体信号の周期ごとに波形を抽出して抽出波形を得る抽出手段と、複数の周期内で抽出された複数の抽出波形の各々を分割して複数の区分波形を得る分割手段と、前記複数の区分波形における特徴を区分波形ごとに測定する測定手段と、区分波形ごとの特徴の測定結果に基づいて、区分波形ごとにパターンを識別する第１識別手段と、区分波形ごとのパターンの識別結果に基づいて、抽出波形ごとにパターンを識別する第２識別手段と、を有する構成を採る。

本発明の波形解析プログラムは、コンピュータに、生体信号の波形から生体信号の周期ごとに波形を抽出して抽出波形を得る抽出機能と、複数の周期内で抽出された複数の抽出波形の各々を分割して複数の区分波形を得る分割機能と、前記複数の区分波形における特徴を区分波形ごとに測定する測定機能と、区分波形ごとの特徴の測定結果に基づいて、区分波形ごとにパターンを識別する第１識別機能と、区分波形ごとのパターンの識別結果に基づいて、抽出波形ごとにパターンを識別する第２識別機能と、を実現させるようにした。

本発明によれば、モフォロジ群の個数を所望の個数に抑えながら、高精度でモフォロジ分類を行うことができる。

以下、本発明の実施の形態について、図面を用いて詳細に説明する。

図１は、本発明の一実施の形態に係る波形解析装置の構成を示すブロック図である。

図１において、波形解析装置１００は、制御部１０１、記憶部１０２、ディスプレイインタフェース（以下「Ｉ／Ｆ」と略記する）１０３、プリンタＩ／Ｆ１０４、測定機器Ｉ／Ｆ１０５、ネットワークＩ／Ｆ１０６、リムーバブルメディアドライブ１０７及び入力機器Ｉ／Ｆ１０８を有する。

本発明の抽出手段、分割手段、測定手段、パラメータ生成手段、第１識別手段及び第２識別手段としての制御部１０１は、ＣＰＵ（Central Processing Unit）と、ＣＰＵにより実行する波形解析プログラムを記憶する記憶装置とを有する。制御部１０１は、波形解析プログラムを実行することにより、例えば後述するモフォロジ分類処理における各ステップを実行する機能を、波形解析装置１００において実現する。

記憶部１０２は、磁気記録媒体及びその駆動装置、又は半導体記憶装置を有し、波形解析装置１００の外部から取得したデータを記憶する。

ディスプレイＩ／Ｆ１０３は、ＬＣＤ（Liquid Crystal Display）やＣＲＴ（Cathode Ray Tube）表示装置等のディスプレイ１１０と波形解析装置１００とを通信可能に接続するＩ／Ｆであり、ディスプレイ１１０と波形解析装置１００との間で入出力されるデータは、ディスプレイＩ／Ｆ１０３を経由する。

プリンタＩ／Ｆ１０４は、レーザ式やサーマルヘッド式等のプリンタ１２０と波形解析装置１００とを通信可能に接続するＩ／Ｆであり、プリンタ１２０と波形解析装置１００との間で入出力されるデータは、プリンタＩ／Ｆ１０４を経由する。

測定機器Ｉ／Ｆ１０５は、例えばホルター心電計やベッドサイドモニタ等の生体情報測定機器１３０と波形解析装置１００とを通信可能に接続するＩ／Ｆであり、生体情報測定機器１３０と波形解析装置１００との間で送受信されるデータは、測定機器Ｉ／Ｆ１０５を経由する。

ネットワークＩ／Ｆ１０６は、波形解析装置１００が使用される施設に設置されたＬＡＮ（Local Area Network）等のネットワーク内のデータサーバ１４０と波形解析装置１００とを通信可能に接続するＩ／Ｆであり、データサーバ１４０と波形解析装置１００との間で送受信されるデータはネットワークＩ／Ｆ１０６を経由する。なお、ネットワークＩ／Ｆ１０６により波形解析装置１００に接続される外部機器はデータサーバ１４０でなくともよく、パソコン等の端末装置であってもよい。

リムーバブルメディアドライブ１０７は、トレイ等に装填されたリムーバブルメディア１５０からのデータ読み取りを行う。なお、データ読み取りの方式は、上記のものに限定されない。例えば、カードスロットが波形解析装置１００に設けられている場合には、カード型のリムーバブルメディアからのデータ読み取りも可能である。

入力機器Ｉ／Ｆ１０８は、キーボードやマウス、タッチパネル等の入力機器１６０と波形解析装置１００とを通信可能に接続するＩ／Ｆであり、入力機器１６０から波形解析装置１００に入力されるデータは、入力機器Ｉ／Ｆ１０８を経由する。

以上、波形解析装置１００の構成について説明した。

図２は、波形解析装置１００の制御部１０１により実行されるモフォロジ分類処理を説明するためのフロー図である。ここでは、心電図波形についてのモフォロジ分類処理を、ニューラルネットワークによるクラスタリング手法の一種であるＳＯＭ（Self-Organizing Map：自己組織化マッピング）を用いて行う場合を例として挙げる。

ここで、モフォロジ分類処理の詳細説明に先立ち、本実施の形態において適用される２次元ＳＯＭについて簡単に説明する。

２次元ＳＯＭが用いられるクラスタリング機構は、図３に示すように、２次元に配置された複数の出力層（競合層）ユニットを有するものとして表現される。図３の構造では、９個の出力層ユニットが３×３に配置されているため、このような２次元ＳＯＭを３×３ＳＯＭという。これらの出力層ユニットは、３つの入力層ユニットに入力された入力ベクトルｘにおけるデータｘ_ａ，ｘ_ｂ，ｘ_ｃを、入力ベクトルと同次元（図３では、入力ベクトルｘは３次元ベクトルであるため、３次元）の重みベクトルｗ_１〜ｗ_９によって結合する。そして、入力ベクトルｘと各出力層ユニットの重みベクトルｗ_１〜ｗ_９との差を算出し、最も差の小さい出力層ユニットを勝者ユニットに決定する。

また、このクラスタリング機構は、近傍学習を行う学習機構を有する。学習機構では、図４に示すように勝者ユニットｙ_ｃの近傍に位置する各出力層ユニット（近傍ユニット）の重みベクトルｗ_ｊが、図５に示すように入力ベクトルｘに近づくように更新される。ｊ番目の近傍ユニットの重みベクトルｗ_ｊｉをｉ番目の入力ベクトルに基づいて古いものｗ_ｊｉ ^ｏｌｄから新しいものｗ_ｊｉ ^ｎｅｗに更新するために、次の式が用いられる。なお、近傍ユニットの範囲Ｎは、学習の進展、つまり学習時間の進行につれて、縮小される。

近傍関数ｈ（ｊ，ｃ）は、近傍ユニットに対してどの程度入力ベクトルｘの影響を与えるかを決定するものであり、次の式により示される。この近傍関数において、近傍ユニットに与えられる影響は、学習の進展、つまり学習時間の進行につれて、漸減する。

以下、モフォロジ分類処理の詳細説明をする。

ステップＳ１０では、解析対象の心電図データを取得する。心電図データの取得は、例えば、心電計を波形解析装置１００に接続した場合には測定機器Ｉ／Ｆ１０５経由で、他の端末装置から転送されるデータを受信する場合にはネットワークＩ／Ｆ１０６経由で、リムーバブルメディア１５０に格納された当該データを読み出す場合にはリムーバブルメディアドライブ１０７を駆動させることにより、記憶部１０２に予め当該データが格納されている場合には記憶部１０２から読み出すことにより、行うことができる。

取得される心電図データに示される心電図波形は、図６に示すような連続波形であり、例えばホルター心電計により被検者から数十分から数十時間にわたって連続測定され、例えば３千拍分或いは１０万拍分の波形が含まれる。

ステップＳ２０では、取得された連続波形から心拍ごとに心拍波形を抽出する。具体的には、図７に示すように、Ｒ波のピークの１００ｍｓ前方の位置からＲ波のピークの３００ｍｓ後方の位置までの区間における波形を、心拍波形Ｓ_ｋとして抽出する。よって、例えば１０万拍分の連続波形があれば、１０万個の心拍波形が得られる。なお、本実施の形態では、区間の長さを前述の４００ｍｓに設定することにより、Ｑ波からＴ波までを含む波形を心拍波形Ｓ_ｋとして抽出するが、区間の長さは４００ｍｓより長くても短くてもよい。

ステップＳ３０では、各心拍波形を４０ｍｓごとにスライスする。よって、図８に示すように、１個の心拍波形Ｓ_ｋから１０個の区分波形としてスライス波形Ｓ_ｋ（１）〜Ｓ_{ｋ（１０）}が得られる。なお、各スライス波形の長さは４０ｍｓより長くても短くてもよく、また、均等でなくてもよい。また、１個の心拍波形から得るスライス波形の個数は１０個より多くても少なくてもよい。また、各心拍波形を所定時間ごとにスライスする代わりに、各心拍波形において複数の特徴点を検出し、各心拍波形をその特徴点でスライスしてもよい。また、各心拍波形の分割手法は、必ずしも、スライス、つまり時間的な分割でなくてもよく、他の分割手法を採用してもよい。

ステップＳ４０では、各スライス波形の特徴を測定する。測定される特徴は、例えば、以下のものが挙げられる。
・ 平均レベル（スライス波形におけるレベルの平均値）
・ 振幅（スライス波形のレベルの最大値と最小値との差）
・ 山の個数（スライス波形においてレベルが上昇から下降に転じる回数）
・ 谷の個数（スライス波形においてレベルが下降から上昇に転じる回数）
・ 傾き（スライス波形におけるレベルの変動を近似する直線の傾き）

ステップＳ５０では、各スライス波形について、上記特徴の測定結果に基づいて、特徴パラメータを生成する。特徴パラメータには、観点の異なる５個のパラメータ、すなわち、平均レベルを示すパラメータと、振幅を示すパラメータと、山の個数を示すパラメータと、谷の個数を示すパラメータと、傾きを示すパラメータとが含まれる。よって、特徴パラメータは、５次元のベクトルとして表される。なお、特徴パラメータのサイズは、５次元に制限されるものではない。また、特徴パラメータに含まれる個々のパラメータについて、例えばその重要度に応じた重み付けをしてもよい。重み付けを行うことにより、モフォロジ分類の精度を一層向上させることができる。

ステップＳ６０では、５個の入力層ユニットと５×５に配置された２５個の出力層ユニットとを有するクラスタリング機構（第１層の学習機構を有するクラスタリング機構）においてＳＯＭを用いる。ここで、入力層ユニットの個数は、特徴パラメータのサイズに依存するものであり、５個には限定されない。また、出力層ユニットの２次元配置は、５×５に限定されるものではなく、任意の配置、つまりＮ_１×Ｎ_２配置（Ｎ_１及びＮ_２は２以上の整数）が可能である。Ｎ_１及びＮ_２は、互いに同じ値でも異なる値でもよい。

ステップＳ６０では、まず、入力層ユニットに、個々のスライス波形について生成した特徴パラメータを順次入力する。また、この入力を複数回にわたって繰り返すことにより、５×５ＳＯＭを学習させる。ここでのＳＯＭの学習においては、入力と重みとの距離の計算を一般的なユークリッド距離を用いて行い、その計算結果に基づいて既述の勝者ユニット決定及び近傍学習を行う。そして、学習完了後、入力層ユニットに、個々のスライス波形について生成した特徴パラメータをさらに１回だけ順次入力することにより、各スライス波形を、類似パターンごとにクラスタリングする。図９は、スライス波形クラスタリングの結果を示す図である。

ここで、５×５配置で出力された２５個のクラスタ（第１類似パターン群）には、予め２次元座標（ｘ，ｙ）が付与されている。例えば山形のパターンを有するスライス波形は、座標（１，５）のクラスタに分類され、例えば上向きスロープ形のパターンを有するスライス波形は、座標（５，４）のクラスタに分類される。図９において座標（５，４）を付与されているクラスタには、図１０に示すように多数のスライス波形が分類される。また、図９において座標（１，５）を付与されているクラスタにも、図１１に示すように多数のスライス波形が分類される。

ステップＳ７０では、スライス波形クラスタリング結果に基づいて、各心拍波形の座標パラメータを生成する。スライス波形Ｓ_ｋ（１）〜Ｓ_{ｋ（１０）}がそれぞれ分類されたクラスタの座標をｐ_ｋｌ〜ｐ_ｋ１０とすると、生成される心拍波形Ｓ_ｋの座標ベクトルｖ_ｋは、下記のように示される。
v_k = (p_k1, p_k2, p_k3, p_k4, p_k5, p_k6, p_k7, p_k8, p_k9, p_k10)

例えば、図１２（ａ）に示す心拍波形については、「平−平−山−谷山−平−平−上−上−山−下」というパターンの組合せを示す座標パラメータが生成される。具体的には、この座標パラメータには、異なるスライス波形に対応する１０個のパラメータ、すなわち、スライス波形Ｓ_ｋ（１）のパターンが「平」であることを座標ｐ_ｋｌで示すパラメータと、スライス波形Ｓ_ｋ（２）のパターンが「平」であることを座標ｐ_ｋ２で示すパラメータと、スライス波形Ｓ_ｋ（３）のパターンが「山」であることを座標ｐ_ｋ３で示すパラメータと、スライス波形Ｓ_ｋ（４）のパターンが「谷山」であることを座標ｐ_ｋ４で示すパラメータと、スライス波形Ｓ_ｋ（５）のパターンが「平」であることを座標ｐ_ｋ５で示すパラメータと、スライス波形Ｓ_ｋ（６）のパターンが「平」であることを座標ｐ_ｋ６で示すパラメータと、スライス波形Ｓ_ｋ（７）のパターンが「上」であることを座標ｐ_ｋ７で示すパラメータと、スライス波形Ｓ_ｋ（８）のパターンが「上」であることを座標ｐ_ｋ８で示すパラメータと、スライス波形Ｓ_ｋ（９）のパターンが「山」であることを座標ｐ_ｋ９で示すパラメータと、スライス波形Ｓ_{ｋ（１０）}のパターンが「下」であることを座標ｐ_ｋｌ０で示すパラメータとが含まれる。一方、図１２（ｂ）に示す心拍波形については、「上−上−山−谷山−下−下−下−谷−上−上」というパターンの組合せを示す座標パラメータが生成される。図１２（ａ）の波形と図１２（ｂ）の波形とは、全体としては類似しているが、前者は正常な波形である一方、後者はＶＰＣ（心室性期外収縮）の波形である。このように、全体として類似する心拍波形であっても、スライス波形ごとのパターンの識別を行った後で心拍波形ごとにそのパターン識別結果を組み合わせるため、全く異なるパラメータを生成することができる。また、座標パラメータに含まれる個々のパラメータについて、例えばその重要度に応じた重み付けをしてもよい。本実施の形態のモフォロジ分類処理では、ＱＲＳ波を対象としていることから、ＱＲＳ波の出現区間のスライス波形（例えば、スライス波形Ｓ_ｋ（２）、Ｓ_ｋ（３）、Ｓ_ｋ（４））のパラメータについて、比較的大きな重みを付加する。この重み付けを行うことにより、モフォロジ分類の精度を一層向上させることができる。

ステップＳ８０では、１０個の入力層ユニットと６×６に配置された３６個の出力層ユニットとを有するクラスタリング機構（第２層の学習機構を有するクラスタリング機構）においてＳＯＭを用いる。ここで、入力層ユニットの個数は、１つの心拍波形から生成されるスライス波形の個数に依存するものであり、１０個には限定されない。また、出力層ユニットの２次元配置は、６×６に限定されるものではなく、任意の配置、つまりＭ_１×Ｍ_２配置（Ｍ_１及びＭ_２は２以上の整数）が可能である。Ｍ_１及びＭ_２は、互いに同じ値でも異なる値でもよく、Ｎ_１及びＮ_２と同じ値でも異なる値でもよい。

ステップＳ８０では、まず、入力層ユニットに、個々の心拍波形について生成した座標パラメータを順次入力する。また、この入力を複数回にわたって繰り返すことにより、６×６ＳＯＭを学習させる。そして、学習完了後、入力層ユニットに、個々の心拍波形について生成した座標パラメータをさらに１回だけ順次入力することにより、各心拍波形を、類似パターンごとにクラスタリングする。

ここで、ステップＳ８０におけるＳＯＭの学習では、入力と重みとの距離を、２次元座標におけるＸ座標の差とＹ座標の差とに基づいて計算する。すなわち、ステップＳ７０において入力パラメータを２次元座標の組合せで構成したことに伴い、各出力層ユニットにおける重みを、２次元座標の組合せで構成する。ちなみに、この例では、重みを構成する各２次元座標において、Ｘ座標の値ｘの最小値は１、最大値は５であり、Ｙ座標の値ｙも最小値は１、最大値は５である。これは、ステップＳ６０のＳＯＭが５×５ＳＯＭだからである。そして、このような構成において、入力における各２次元座標と、重みにおいて当該２次元座標に対応する２次元座標とについて、Ｘ座標の差、Ｙ座標の差を計算し、その計算結果に基づいて、勝者ユニット決定及び近傍学習を行う。このようにして、ステップＳ８０におけるＳＯＭの学習では、ステップＳ６０のＳＯＭのトポロジを利用することができる。このため、区分波形ごとのパターン識別を２次元ＳＯＭで行ったことによる利点、すなわち、区分波形のパターン間の類似関係を２次元的に表現したことを、ステップＳ８０での抽出波形ごとのパターン識別において最大限に活用することができる。

図１３は、ステップＳ８０での心拍波形クラスタリングの結果を示す図である。６×６配置で出力された３６個のクラスタ（第２類似パターン群）には、前述した５×５ＳＯＭと同様に、予め２次元座標（ｘ，ｙ）が付与されている。例えば図１３において座標（３，１）を付与されているクラスタには、図１４に示すように多数の心拍波形が分類される。このクラスタに分類された心拍波形は、正常心拍の波形である。また、例えば図１３において座標（１，１）を付与されているクラスタには、図１５に示すように多数の心拍波形が分類される。

ところで、図１２（ａ）（ｂ）に示す波形は、それぞれ正常な波形、ＶＰＣの波形であり、本ステップでのクラスタリングによって、それぞれ座標（３，１）のクラスタと座標（１，１）のクラスタとに分類される。このように、全体としては類似している波形でも、ステップＳ６０における１階層目の５×５ＳＯＭでスライス波形ごとのパターンの識別を行った後に、ステップＳ８０における２階層目の６×６ＳＯＭで心拍波形ごとのパターンの識別を行うため、別々のクラスタ、すなわち別々のモフォロジ群に、正確に分類することができる。

また、図１３において座標（２，１）を付与されているクラスタには、図１６に示すように幾つかの心拍波形が分類される。このクラスタに分類された心拍波形は、ノイズである。図１６から分かるように、このクラスタに分類された心拍波形には、互いに全く類似していないものも含まれる。このような波形は、相互相関値に基づくモフォロジ分類では、別々のモフォロジ群に属するため、モフォロジ群の個数の増加をもたらすこととなるが、本モフォロジ分類処理では、予めモフォロジ群の最大個数が３６個に制限されているため、ノイズに相当する心拍波形を同じモフォロジ群に分類することができる。

以上、本実施の形態に係るモフォロジ分類処理について説明した。

ここで、本モフォロジ分類処理のより深い理解を促すべく、上記ステップＳ８０について、別のサンプルを用いて説明する。

図１７を参照すると、ステップＳ７０で生成される座標パラメータについての別の例が示されている。

図１７（ａ）に示す心拍波形については、「平−平−谷山−谷山−平−平−上−上−上−上」というパターンの組合せを示す座標パラメータが生成される。一方、図１７（ｂ）に示す心拍波形については、「平−平−谷山−谷−上−上−上−上−上−上」というパターンの組合せを示す座標パラメータが生成される。図１７（ａ）の波形と図１７（ｂ）の波形とは、全体としては類似しているが、前者は正常な波形である一方、後者は一過性右脚ブロックの波形である。このように、全体として類似する心拍波形であっても、スライス波形ごとのパターンの識別を行った後で心拍波形ごとにそのパターン識別結果を組み合わせるため、全く異なるパラメータを生成することができる。

ステップＳ８０では、上記と同様の方法により、各心拍波形を、類似パターンごとにクラスタリングする。図１８は、心拍波形クラスタリングの結果を示す図である。

例えば図１８において座標（１，３）を付与されているクラスタには、図１９に示すように多数の心拍波形が分類される。このクラスタに分類された心拍波形は、正常心拍の波形である。また、例えば図１８において座標（６，４）を付与されているクラスタには、図２０に示すように多数の心拍波形が分類される。

ところで、図１７（ａ）（ｂ）に示す波形は、それぞれ正常な波形、一過性右脚ブロックの波形であり、本ステップでのクラスタリングによって、それぞれ座標（１，３）のクラスタと座標（６，４）のクラスタとに分類される。このように、全体としては類似している波形でも、スライス波形ごとにパターンの識別を行った後に、心拍波形ごとにパターンの識別を行うため、別々のクラスタ、すなわち別々のモフォロジ群に、正確に分類することができる。

また、図１８から分かるように、３６個のクラスタのうち、比較的左下に位置するクラスタには正常波形が分類され、比較的右上に位置するクラスタには右脚ブロックの波形が分類される。このように、本モフォロジ分類処理では、近傍学習を行っているため、比較的類似する心拍波形を比較的近い座標のクラスタに分類し、比較的類似しない心拍波形を比較的遠い座標のクラスタに分類する。この結果、１つのクラスタに分類される心拍波形に類似する心拍波形を、そのパターンに応じて少なくとも３個以上のクラスタに分類することができ、ひいては、より精密なクラスタリングを実現することができる。２次元ＳＯＭにおいて近傍学習を行うことによるこの効果は、２階層目のクラスタリング（つまり、上記ステップＳ８０でのクラスタリング）だけでなく１階層目のクラスタリング（つまり、上記ステップＳ６０でのクラスタリング）においても得ることができる。ちなみに、仮に１次元ＳＯＭを用いた場合には、複数のクラスタはシリアルに配置されるため、１つのクラスタに分類される心拍波形に類似する心拍波形は、最大でも２個のクラスタにしか分類することができず、クラスタリングは粗くなる。よって、本モフォロジ分類処理では、非常に高精度なクラスタリングを実現することができる。

なお、正常波形がどの座標のクラスタに分類されるか、また、各種の異常波形がどの座標のクラスタに分類されるかは、パラメータのサイズ、出力層ユニットの配置、重みベクトルの初期値、近傍ユニットの範囲、学習時間の長さ等、様々な条件に依存する。

以上説明したように、本実施の形態によれば、解析対象の心拍波形を、複数のモフォロジ群に、直接的にではなく間接的に分類する。すなわち、上記ステップＳ６０での処理に相当する１階層目のパターン識別を、解析対象の心拍波形から得られるスライス波形に対して行い、上記ステップＳ８０での処理に相当する２階層目のパターン識別を、解析対象の心拍波形に対して行う。そして、１階層目のパターン識別は、各スライス波形の特徴測定結果に基づいて行い、２階層目のパターン識別は、各心拍波形のスライス波形に対するパターン識別結果に基づいて行う。これにより、波形解析装置における心拍波形の類否判断基準を、検査者が視認によって類否判断する際の検査者の感覚的な判断基準に近づけることができる。

また、本実施の形態によれば、既述のとおり、別々のモフォロジ群に分類されるべき心拍を、別々のモフォロジ群に正確に分類することができるとともに、モフォロジ群の個数を所望の個数に抑えることができる。

以上、本発明の実施の形態について説明した。なお、以上の説明は本発明の好適な実施の形態の例証であり、本発明の範囲はこれに限定されない。つまり、上記装置の構成及び動作についての説明は一例であり、本発明の範囲においてこれらの例に対する様々な変更や追加が可能であることは明らかである。

例えば、本実施の形態では、心電図の波形を解析する場合を例に挙げたが、解析対象の波形は心電図に限られず、他の生体信号を解析することもできる。また、心電図の波形解析として、ＱＲＳ波の波形を解析する代わりに、例えばＰ波を解析することもできる。

また、本実施の形態では、Ｎ_１×Ｎ_２配置やＭ_１×Ｍ_２配置の２次元ＳＯＭを用いる場合を例にとって説明したが、必要に応じてより多次元のＳＯＭも適用可能である。また、Ｎ_１×Ｎ_２やＭ_１×Ｍ_２の２次元配置のＳＯＭの代わりに、いわゆるハニカム構造の２次元ＳＯＭも適用可能である。なお、本実施の形態では、Ｎ_１×Ｎ_２やＭ_１×Ｍ_２の２次元配置を採用したため、多次元配置等に比べて比較的小さい処理負荷で、正確なモフォロジ分類処理を実現することができる。また、出力が２次元であることから、ユーザに理解し易いクラスタリング結果を得ることができる。また、ディスプレイ画面への表示や記録用紙への印刷も容易である。

また、本実施の形態では、学習機構において教師なし学習アルゴリズムを適用した場合を例にとって説明したが、教師付き学習アルゴリズムも適用可能である。

本発明の一実施の形態に係る波形解析装置の構成を示すブロック図 本発明の一実施の形態に係るモフォロジ分類処理を説明するためのフロー図 ２次元ＳＯＭを説明するための図 ２次元ＳＯＭの近傍学習を説明するための図 近傍学習における重みベクトルの更新を説明するための図 図２のモフォロジ分類処理における解析対象である心電図波形を示す図 図２のモフォロジ分類処理における心拍波形の抽出を示す図 図２のモフォロジ分類処理における心拍波形のスライスを示す図 図２のモフォロジ分類処理におけるスライス波形クラスタリング結果を示す図 図９のクラスタリング結果における座標（５，４）のクラスタを示す図 図９のクラスタリング結果における座標（１，５）のクラスタを示す図 図９のクラスタリング結果に基づく座標パラメータの生成を示す図 図２のモフォロジ分類処理における心拍波形クラスタリング結果の第１の例を示す図 図１３のクラスタリング結果における座標（３，１）のクラスタを示す図 図１３のクラスタリング結果における座標（１，１）のクラスタを示す図 図１３のクラスタリング結果における座標（２，１）のクラスタを示す図 別のクラスタリング結果に基づく座標パラメータの生成を示す図 図２のモフォロジ分類処理における心拍波形クラスタリング結果の第２の例を示す図 図１８のクラスタリング結果における座標（１，３）のクラスタを示す図 図１８のクラスタリング結果における座標（６，４）のクラスタを示す図

符号の説明

１００ 波形解析装置
１０１ 制御部
１０２ 記憶部
１０３ ディスプレイＩ／Ｆ
１０４ プリンタＩ／Ｆ
１０５ 測定機器Ｉ／Ｆ
１０６ ネットワークＩ／Ｆ
１０７ リムーバブルメディアドライブ
１０８ 入力機器Ｉ／Ｆ
１１０ ディスプレイ
１２０ プリンタ
１３０ 生体情報測定機器
１４０ データサーバ
１５０ リムーバブルメディア
１６０ 入力機器

Claims (9)

1. 生体信号の波形から生体信号の周期ごとに波形を抽出して抽出波形を得る抽出手段と、
   複数の周期内で抽出された複数の抽出波形の各々を分割して複数の区分波形を得る分割手段と、
   前記複数の区分波形における特徴を区分波形ごとに測定する測定手段と、
   区分波形ごとの特徴の測定結果に基づいて、区分波形ごとにパターンを識別する第１識別手段と、
   区分波形ごとのパターンの識別結果に基づいて、抽出波形ごとにパターンを識別する第２識別手段と、
   を有することを特徴とする波形解析装置。
2. 前記第１識別手段は、第１層の学習機構を有するクラスタリング機構を有し、当該クラスタリング機構において自己組織化マッピングを用いて前記複数の区分波形をクラスタリングすることにより、区分波形ごとにパターンを識別し、
   前記第２識別手段は、第２層の学習機構を有するクラスタリング機構を有し、当該クラスタリング機構において自己組織化マッピングを用いて前記複数の抽出波形をクラスタリングすることにより、抽出波形ごとにパターンを識別する、
   ことを特徴とする請求項１記載の波形解析装置。
3. 前記第１層の学習機構を有するクラスタリング機構及び前記第２層の学習機構を有するクラスタリング機構はそれぞれ、２次元又は多次元に配置された複数の出力層ユニットを有し、
   前記第１識別手段は、前記クラスタリングの結果として、前記第１層の学習機構を有するクラスタリング機構における前記複数の出力層ユニットに対応して、２次元又は多次元に配置された複数のクラスタを生成し、
   前記第２識別手段は、前記クラスタリングの結果として、前記第２層の学習機構を有するクラスタリング機構における前記複数の出力層ユニットに対応して、２次元又は多次元に配置された複数のクラスタを生成する、
   ことを特徴とする請求項２記載の波形解析装置。
4. 前記第１層の学習機構を有するクラスタリング機構における前記複数の出力層ユニットの配置は、Ｎ_１×Ｎ_２の２次元配置（Ｎ_１及びＮ_２は２以上の整数）であり、
   前記第２層の学習機構を有するクラスタリング機構における前記複数の出力層ユニットの配置は、Ｍ_１×Ｍ_２の２次元配置（Ｍ_１及びＭ_２は２以上の整数）である、
   ことを特徴とする請求項３記載の波形解析装置。
5. 前記第１層の学習機構を有するクラスタリング機構は、入力層ユニットを有し、
   区分波形ごとの特徴の測定結果から、区分波形ごとに、前記入力層ユニットに入力すべきパラメータを生成するパラメータ生成手段をさらに有する、
   ことを特徴とする請求項２記載の波形解析装置。
6. 前記第２層の学習機構を有するクラスタリング機構は、入力層ユニットを有し、
   区分波形ごとのパターンの識別結果から、抽出波形ごとに、前記入力層ユニットに入力すべきパラメータを生成するパラメータ生成手段をさらに有する、
   ことを特徴とする請求項２記載の波形解析装置。
7. 前記生体信号は心電図であり、
   前記パラメータ生成手段は、抽出波形ごとに、所定数の区分波形に対応する所定数のパラメータを生成し、前記所定数のパラメータの各々について、対応する区分波形が前記心電図のＱＲＳ波の出現区間に含まれるか否かに応じた重み付けをする、
   ことを特徴とする請求項６記載の波形解析装置。
8. 前記第２層の学習機構は、前記第１層の学習機構を有するクラスタリング機構において用いられる自己組織化マッピングのトポロジを利用する、
   ことを特徴とする請求項２記載の波形解析装置。
9. コンピュータに、
   生体信号の波形から生体信号の周期ごとに波形を抽出して抽出波形を得る抽出機能と、
   複数の周期内で抽出された複数の抽出波形の各々を分割して複数の区分波形を得る分割機能と、
   前記複数の区分波形における特徴を区分波形ごとに測定する測定機能と、
   区分波形ごとの特徴の測定結果に基づいて、区分波形ごとにパターンを識別する第１識別機能と、
   区分波形ごとのパターンの識別結果に基づいて、抽出波形ごとにパターンを識別する第２識別機能と、
   を実現させるための波形解析プログラム。

Images