JP7065185B2 - 心電信号の検出 - Google Patents

心電信号の検出 Download PDF

Info

Publication number
JP7065185B2
JP7065185B2 JP2020526667A JP2020526667A JP7065185B2 JP 7065185 B2 JP7065185 B2 JP 7065185B2 JP 2020526667 A JP2020526667 A JP 2020526667A JP 2020526667 A JP2020526667 A JP 2020526667A JP 7065185 B2 JP7065185 B2 JP 7065185B2
Authority
JP
Japan
Prior art keywords
predetermined number
electrocardiographic signal
neural network
convolutional neural
feature data
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.)
Active
Application number
JP2020526667A
Other languages
English (en)
Other versions
JP2020528336A (ja
Inventor
孔▲橋▼ 汪
威 ▲趙▼
▲亞▼▲チャオ▼ 李
▲瀟▼ 李
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.)
Anhui Huami Information Technology Co Ltd
Original Assignee
Anhui Huami Information Technology Co Ltd
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 Anhui Huami Information Technology Co Ltd filed Critical Anhui Huami Information Technology Co Ltd
Publication of JP2020528336A publication Critical patent/JP2020528336A/ja
Application granted granted Critical
Publication of JP7065185B2 publication Critical patent/JP7065185B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (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)

Description

本発明は、電子技術分野に関し、特に心電信号検出方法、装置及び電子機器に関する。
近年、ディープラーニング方法の台頭とともに、研究者がニューラルネットワークを訓練するモードを採用し始めて心電（ＥＣＧ）信号の分類および認識を行うことは、ますます多くなってきている。しかし、そのうちの大半は、心電信号の単一心拍に対して認識および分類を行っているが、連続するＥＣＧ多心拍に対して病理認識を行うものは、いまだ存在しなかった。
それに鑑みて、本発明は、連続する心電信号に対して病理診断を行うことができるという新たな解決手段を提供する。
上記目的を果たすために、本発明に係る解決手段は、下記のようになっている。
本発明の第１態様は、心電信号検出方法を提供する。前記心電信号検出方法は、
所定時間長の心電信号を分割して第１所定数の単一心拍を取得するステップと、
前記第１所定数の単一心拍の各単一心拍に対応する特徴データを特定し、第１所定数の特徴データを取得するステップと、
前記所定時間長の心電信号と前記第１所定数の特徴データとに基づいて、前記所定時間長の心電信号の病理タイプを特定するステップと、を含む。
本発明の第２態様は、心電信号検出方法を提供する。前記心電信号検出方法は、
第２畳み込みニューラルネットワークによって所定時間長の心電信号の病理タイプを特定するステップと、
前記病理タイプが前記心電信号に異常が発生したと示す場合に、前記所定時間長の心電信号を分割して第１所定数の単一心拍を取得するステップと、
前記第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ入力することで、前記第１所定数の単一心拍における異常が発生した心拍位置を前記第１畳み込みニューラルネットワークによって特定するステップと、を含む。
本発明の第３態様は、心電信号検出装置を提供する。前記心電信号検出装置は、
所定時間長の心電信号を分割して第１所定数の単一心拍を取得するための第１分割モジュールと、
前記第１分割モジュールで取得された前記第１所定数の単一心拍の各単一心拍に対応する特徴データを特定し、第１所定数の特徴データを取得するための第１特定モジュールと、
前記所定時間長の心電信号と、前記第１特定モジュールで特定された前記第１所定数の特徴データとに基づいて、前記所定時間長の心電信号の病理タイプを特定するための第２特定モジュールと、を備える。
本発明の第４態様は、心電信号検出装置を提供する。前記心電信号検出装置は、
第２畳み込みニューラルネットワークによって所定時間長の心電信号の病理タイプを特定するための第４特定モジュールと、
前記第４特定モジュールで特定された前記病理タイプが前記心電信号に異常が発生したと示す場合に、前記所定時間長の心電信号を分割して第１所定数の単一心拍を取得するための第２分割モジュールと、
前記第２分割モジュールで取得された前記第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ入力することで、前記第１畳み込みニューラルネットワークによって前記第１所定数の単一心拍における異常が発生した心拍位置を特定するための第５特定モジュールと、を備える。
本発明の第５態様は、機器読み取り可能な記憶媒体を提供する。前記機器読み取り可能な記憶媒体には、上記第１態様または第２態様で提出された心電信号検出方法を実行するための機器の実行可能な指令が記憶されている。
本発明の第６態様は、電子機器を提供する。前記電子機器は、プロセッサと、前記プロセッサの実行可能な指令を記憶するための記憶媒体とを備え、前記プロセッサは、上記第１態様または第２態様で提出された心電信号検出方法を実行する。
上記解決手段から分かるように、何れの単一心拍も連続時系列のＥＣＧ信号において孤立ではなく、前後に隣接する単一心拍に関連しているため、本発明における第１所定数の単一心拍の各単一心拍に対応する特徴データは、代表する心電信号の病理特性を非常に良好に表せる。したがって、所定時間長の心電信号の病理タイプは、心電信号と第１所定数の特徴データとによって、非常に良好に検出することができる。
本発明の一例示的な実施例の心電信号検出方法の模式的なフローチャートである。
図１Ａに示す実施例における連続心電信号の模式図である。
図１Ａに示す実施例における単一心拍の模式図である。
本発明の別の例示的な実施例の心電信号検出方法の模式的なフローチャートである。
図２Ａに示す実施例に適用される心電信号を検出するアーキテクチャの模式図である。
図２Ａに示す実施例における第１畳み込みニューラルネットワークの構造模式図である。
図２Ａに示す実施例における第２畳み込みニューラルネットワークの構造模式図である。
本発明の更に別の例示的な実施例の心電信号検出方法の模式的なフローチャートである。
図３Ａに示す実施例に適用される心電信号を検出するアーキテクチャの模式図の一である。
図３Ａに示す実施例に適用される心電信号を検出するアーキテクチャの模式図の二である。
本発明のもう１つの例示的な実施例の心電信号検出方法の模式的なフローチャートである。
図４Ａに示す実施例に適用される心電信号を検出するアーキテクチャの模式図である。
本発明の一例示的な実施例の心電信号検出装置の構造模式図である。
本発明の別の例示的な実施例の心電信号検出装置の構造模式図である。
本発明の更に別の例示的な実施例の心電信号検出装置の構造模式図である。
本発明の一例示的な実施例の電子機器の構造模式図である。
ここで、例示的な実施例を詳細に説明する。その例示は、図面に示される。以下の記述は、図面に係る際、別途示さない限り、異なる図面における同じ符号が同じ又は類似する要素を示す。以下の例示的な実施例に記述される実施形態が本発明と一致する全ての実施形態を代表するわけではない。逆に、それらは、単に添付する特許請求の範囲に詳細に記述されるような、本発明の幾つかの態様に一致する装置及び方法の例である。
本発明で使用される用語は、単に特定の実施例を記述する目的であり、本発明を制限するためのものではない。本発明及び添付する特許請求の範囲で使用される単数形式の「一種」、「前記」及び「当該」も、文脈から他の意味を明瞭で分かる場合でなければ、複数の形式を含むことを意図する。理解すべきことは、本文で使用される用語「および／または」が、１つまたは複数の関連する列挙項目を含む如何なる或いは全ての可能な組み合わせを指す。
理解すべきことは、本発明において第１、第２、第３等という用語を用いて各種の情報を記述するが、これらの情報は、これらの用語に限定されるものではない。これらの用語は、単に同一のタイプの情報同士を区分するために用いられる。例えば、本発明の範囲を逸脱しない限り、第１情報が第２情報と呼称されてもよく、類似的に、第２情報が第１情報と呼称されてもよい。これは、コンテキストに依存する。例えば、ここで使用される言葉「場合」は、「…とき」や「…ときに」あるいは「特定の状況に応じて」として解釈されてもよい。
本発明を更に説明するために、以下に実施例を提供する。
図１Ａは、本発明の一例示的な実施例の心電信号検出方法の模式的なフローチャートであり、図１Ｂは、図１Ａに示す実施例における連続心電信号の模式図であり、図１Ｃは、図１Ａに示す実施例におけるＥＣＧ単一心拍の模式図である。本発明は、ウェアラブル機器および手持ち機器等の電子機器に適用されてもよく、ユーザの心臓健康状況をモニタリングする。図１Ａに示すように、以下のステップを含む。
ステップ１０１では、所定時間長の心電信号を分割して第１所定数の単一心拍を取得する。
一実施例では、ＥＣＧ信号に関する認識方法によって所定時間長のＥＣＧ信号を分割して第１所定数の単一心拍を取得してもよい。図１Ｂと図１Ｃに示すように、所定時間長の連続ＥＣＧ信号を分割することで、各単一心拍の開始時点、終了時点および持続時間を把握できる。且つ、単一心拍の持続時間ｔは、所定長に正規化されてもよい。例えば、所定長がＬである場合に、単一心拍は、下記のように表されてもよい。
Figure 0007065185000001
単一心拍の持続時間に対して正規化を行う過程に、固定のサンプリングレートでサンプリングを行ってもよい。Ｐは、各サンプリング点での単一心拍の信号強度を示す。例えば、Ｐ１は、第１個のサンプリング点での単一心拍の信号強度を示し、ＰＬは、第Ｌ個のサンプリング点での単一心拍の信号強度を示し、ｐ１、ｐ２、・・・ｐＬは、Ｌ個のサンプリング点での単一心拍の信号強度を示し、ｔは、当該単一心拍の持続時間である。第１所定数がＮであることを例示として説明すると、連続するＮ個のＥＣＧ単一心拍は、下記のように表されてもよい。
Figure 0007065185000002
Ｐijは、第ｊ個のサンプリング点での第ｉ個の単一心拍の信号強度を示し、ｉ＝１、２、・・・Ｎ、ｊ＝１、２、・・・Ｌ、ｔ１、ｔ２、・・・ｔＮは、Ｎ個の単一心拍のそれぞれの持続時間を示す。
ステップ１０２では、第１所定数の単一心拍の各単一心拍に対応する特徴データを特定し、第１所定数の特徴データを取得する。
一実施例では、ディープラーニングネットワークに基づいて第１所定数の単一心拍の各単一心拍に対応する特徴データを特定してもよい。当該特徴データは、単一の特徴であってもよく、複数の特徴の組み合わせであってもよい。単一心拍信号をディープラーニングネットワークへ入力し、当該ディープラーニングネットワークの畳み込み層を設定して単一心拍信号に対して畳み込み処理を行った後、特徴データを取得してもよい。
上記ステップ１０１に対応し、特徴データは、例えば、Ｔ１、Ｔ２、・・・ＴＮである。
即ち、ステップ１０２は、Ｐｉ→Ｔｉが実現できる。ここで、ｉ＝１、２、・・・Ｎ。
ステップ１０３では、所定時間長の心電信号と第１所定数の特徴データとに基づいて、所定時間長の心電信号の病理タイプを特定する。
一実施例では、所定時間長の心電信号を１つの畳み込みニューラルネットワークの入力層へ入力し、第１所定数の特徴データを当該畳み込みニューラルネットワークの畳み込み層へ入力し、畳み込みニューラルネットワークの処理によって、当該畳み込みニューラルネットワークの出力層において心電信号の病理タイプを特定する。一実施例では、各種の異なる病理特徴を有する莫大な心電信号によって当該畳み込みニューラルネットワークを訓練してもよい。当該畳み込みニューラルネットワークを訓練することにより、当該畳み込みニューラルネットワークは、心電信号の病理タイプを正確に認識できる。
一実施例では、病理タイプは、心房性期外収縮、心室性期外収縮、心房細動、心房粗動、心室性頻拍等を含んでもよい。説明すべきことは、上記病理タイプは、例示的な説明に過ぎず、本発明に対する制限を構成しない。
連続ＥＣＧ信号における何れの単一心拍も孤立ではなく、前後に隣接する単一心拍に関連しているため、本発明における第１所定数の単一心拍の各単一心拍に対応する特徴データは、代表する心電信号の病理特性を非常に良好に表せる。したがって、心電信号と第１所定数の特徴データとに基づいて、所定時間長の心電信号の病理タイプを良好に検出することができる。
図２Ａは、本発明の別の例示的な実施例の心電信号検出方法の模式的なフローチャートであり、図２Ｂは、図２Ａに示す実施例に適用される心電信号を検出するアーキテクチャの模式図であり、図２Ｃは、図２Ａに示す実施例における第１畳み込みニューラルネットワークの構造模式図であり、図２Ｄは、図２Ａに示す実施例における第２畳み込みニューラルネットワークの構造模式図である。図２Ａに示すように、以下のステップを含む。
ステップ２０１では、所定時間長の心電信号を分割して第１所定数の単一心拍を取得する。
ステップ２０１の記述が上記図１Ａに示す実施例の記述を参照すればよいため、ここで詳細に説明しない。
ステップ２０２では、第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ順次入力することで、第１所定数の単一心拍の各単一心拍に対応する特徴データを抽出する。
ステップ２０３では、所定時間長の心電信号における各単一心拍に対応する時系列データを特定し、第１所定数の時系列データを取得する。
ステップ２０４では、第１所定数の時系列データと第１所定数の特徴データとを第２畳み込みニューラルネットワークの入力層へ入力することで、当該心電信号の病理タイプを特定する。
ステップ２０５では、第１畳み込みニューラルネットワークによって第１所定数の単一心拍の各単一心拍に対して判定を行い、判定結果を取得する。
ステップ２０６では、判定結果に基づいて第１所定数の単一心拍における異常が発生した心拍位置を特定する。
説明すべきことは、上記ステップ２０５とステップ２０６とが必ずしもステップ２０４の後で実行されるとは限らず、ステップ２０２の後でステップ２０５とステップ２０６を実行してもよい。このように、第１畳み込みニューラルネットワークによって第１所定数の単一心拍における異常が発生した心拍位置を認識できる。
以下では、図２Ｂ－図２Ｄを組み合わせて本実施例に対して例示的な説明を行う。
上記ステップ２０２では、図２Ｂに示すように、上記ステップ２０１によって連続する２５個の単一心拍、並びに、当該２５個の単一心拍の開始時点、終了時点および持続時間を取得し、単一心拍のデータのそれぞれに対して長さ正規化を行う。例えば、正規化長さが１９６である場合に、長さが１９６である２５個の単一心拍データを第１畳み込みニューラルネットワークへ順次入力し、第１畳み込みニューラルネットワークの所定畳み込み層において、各単一心拍に対応する特徴データを出力してもよい。例えば、各単一心拍が５*２個の特徴データに対応する場合に、２５個の単一心拍は、５*２*２５個の特徴データに対応する。図２Ｂに示すように、第１畳み込みニューラルネットワークによって各単一心拍の特徴データを取得した後、各単一心拍に対応する特徴データをキャッシュしてもよい。
上記ステップ２０３とステップ２０４において、一実施例では、所定時間長の心電信号における各単一心拍に対して、当該単一心拍のＲ波に対応する時点を特定し、当該単一心拍のＲ波に前後に隣接する第２所定数の単一心拍のそれぞれのＲ波に対応する時点を特定し、当該単一心拍のＲ波に対応する時点と当該単一心拍に前後に隣接する第２所定数の単一心拍のＲ波のそれぞれに対応する時点とに基づいて、当該単一心拍に対応する時系列データを特定してもよい。例えば、第２所定数が２であれば、現在の単一心拍のＲ波と前後２つずつの単一心拍（即ち、合計４つの単一心拍）のＲ波との距離がそれぞれｘ１、ｘ２、ｘ３、ｘ４である。各単一心拍のリズム情報Ｘを１つの５次元ベクタと示す場合に、下記のことを満たす。
Figure 0007065185000003
Ｎ個の単一心拍は、以下のように表されてもよい。
Figure 0007065185000004
Ｎは、第１所定数、即ち、単一心拍の数である。
例えば、単一心拍がｍ１*ｎ１個の特徴データ、およびｍ２*ｎ２個の時系列データに対応する場合に、第２畳み込みニューラルネットワークへ入力されたデータ量は、ｍ１*ｎ１＋ｍ２*ｎ２と表されてもよい。図２Ｂに示すように、第２畳み込みニューラルネットワークへ入力された単一心拍が５*２*２５個の特徴データに対応し、第２畳み込みニューラルネットワークへ入力された単一心拍が５*１*２５個の時系列データに対応する場合に、第２畳み込みニューラルネットワークへ入力されたデータ量は、５*３*２５と表されてもよい。
上記ステップ２０４では、第２畳み込みニューラルネットワークが各種の病理特徴を有する莫大な心電信号によって訓練された後、第２畳み込みニューラルネットワークは、入力層のデータに基づいて、当該心電信号の病理タイプを正確に認識することができる。
上記ステップ２０５とステップ２０６では、第１畳み込みニューラルネットワークに対して莫大な正常と異常の単一心拍の心電信号によって訓練してもよい。訓練を経た後、第１畳み込みニューラルネットワークは、単一心拍に異常が発生したか否かを正確に認識することができる。例えば、２５個の単一心拍を第１畳み込みニューラルネットワークへ順次入力した後、第１畳み込みニューラルネットワークは、単一心拍の正常と異常に対して判定を行ってもよい。例えば、１は単一心拍が正常であることを示し、０は単一心拍が異常であることを示す場合に、２５個の単一心拍は、０と１との系列の２５個の組み合わせに対応可能である。当該系列の組み合わせにより、この２５個の単一心拍における異常が発生した心拍位置を認識することができる。
図２Ｃに示すように、第１畳み込みニューラルネットワークは、４つの畳み込み層を含み、各層の畳み込みは、何れも畳み込み、活性化およびプーリング（ｐｏｏｌｉｎｇ）等の処理を含む。各畳み込み層は、入力出力データおよび畳み込みカーネルサイズが異なる以外、各処理の計算順が何れも同じである。即ち、単一心拍のデータは、第１畳み込みニューラルネットワークへ入力された後、畳み込みおよび活性化を経てから、プーリングされ、これによって当該畳み込み層から出力された特徴データを取得する。第１層の畳み込み層から第３層の畳み込み層は、各層が何れも連続する二段畳み込み、活性化、プーリングを含むが、第４層の畳み込み層は、一段畳み込み、活性化、プーリングのみを含む。活性化運算では、一般的にｓｉｇｍｏｉｄ、ｔａｎＨ、ｒｅＬｕ等の関数が採用されている。第１畳み込みニューラルネットワークでは、畳み込み運算は、心電信号の特徴データを抽出するために用いられ、活性化運算は、特徴データの非線形度、即ち、活性を向上するために用いられ、プーリング運算は、特徴データに対して次元を低減するために用いられる。
図２Ｄに示すように、第２畳み込みニューラルネットワークは、３つの畳み込み層を含み、各畳み込み層は、入力出力データおよび畳み込みカーネルサイズが異なる以外、各処理の計算順が何れも同じである。即ち、入力データ（心電信号の時系列データを含む）は、第２畳み込みニューラルネットワークへ入力された後、畳み込みおよび活性化を経てから、当該畳み込み層から出力された特徴データを取得する。第１層の畳み込み層から第３層の畳み込み層は、各層が何れも一段畳み込みおよび活性化を含むが、プーリングを含まない。
本実施例では、第２畳み込みニューラルネットワークが連続する心電信号に対して病理診断を行うと同時に、第１畳み込みニューラルネットワークによって異常の心拍位置を正確に特定できる。第１畳み込みニューラルネットワークから出力された特徴データがオリジナルの単一心拍の近似と見なされてもよいため、第１畳み込みニューラルネットワークから出力された特徴データをオリジナルの心電信号に積算することにより、心電信号を認識する可能性は、大きく向上する。
図３Ａは、本発明の更に別の例示的な実施例の心電信号検出方法の模式的なフローチャートであり、図３Ｂは、図３Ａに示す実施例に適用される心電信号を検出するアーキテクチャの模式図の一であり、図３Ｃは、図３Ａに示す実施例に適用される心電信号を検出するアーキテクチャの模式図の二であり、図３Ａに示すように、以下のステップを含む。
ステップ３０１では、所定時間長の心電信号を分割して第１所定数の単一心拍を取得する。
ステップ３０１の記述は、上記図１Ａに示す実施例の記述を参照すればよいため、ここで詳細に説明しない。
ステップ３０２では、第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ順次入力することで、第１所定数の単一心拍の各単一心拍に対応する特徴データを抽出する。
ステップ３０２の記述は、上記図２Ａに示す実施例の記述を参照すればよいため、ここで詳細に説明しない。
ステップ３０３では、第１所定数の特徴データを第２畳み込みニューラルネットワークの所定畳み込み層へ入力し、所定時間長の心電信号を第２畳み込みニューラルネットワークの入力層へ入力することで、第２畳み込みニューラルネットワークによって当該心電信号の病理タイプを特定する。
ステップ３０３の記述は、上記図２Ａに示す実施例の記述を参照すればよいため、ここで詳細に説明しない。
以下では、図３Ｂと図３Ｃを組み合わせてステップ３０３を例示的に説明する。図３Ｂに示すように、分割して得られた第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ順次入力し、分割されていないオリジナルの心電信号を第２畳み込みニューラルネットワークへ入力してもよい。例えば、オリジナルの連続する心電信号が２０個の単一心拍に分割されると、２０個の単一心拍のデータは、第１畳み込みニューラルネットワークへ順次入力される。当該２０個の単一心拍のデータが第１畳み込みニューラルネットワークに進入して対応する処理が行われた後、第１畳み込みニューラルネットワークの所定畳み込み層から出力された特徴データは、キャッシュされてもよい。例えば、第１畳み込みニューラルネットワークの第２層の畳み込み層から出力された２０群の特徴データは、キャッシュされてもよい。単一心拍ごとに第２層の畳み込み層から出力された特徴データ量を２１*３２と示す場合に、２０個の単一心拍に対応する特徴データ量は、２１*３２*２０＝４２０*３２と示されてもよい。
オリジナルの連続する心電信号は、第２畳み込みニューラルネットワークの入力層へ入力される。
一実施例では、第１畳み込みニューラルネットワークの所定畳み込み層で得られた特徴データを第２畳み込みニューラルネットワークの所定畳み込み層で得られた特徴データに注入してもよい。図３Ｃに示すように、第１畳み込みニューラルネットワークの第２層の畳み込み層で得られた特徴データを、第２畳み込みニューラルネットワークの第２層の畳み込み層で得られた特徴データに注入し、この２群の特徴データをともに第２畳み込みニューラルネットワークの第３層の畳み込み層へ入力する。例えば、第２畳み込みニューラルネットワークの第２畳み込み層から得られた特徴データ量を５３１*３２と示す場合に、第３層の畳み込み層で入力される特徴データ量は、４２０*３２＋５３１*３２＝（５３１－１１１）*３２＋５３１*３２＝５３１*６４－１１１*３２と示される。第３層の畳み込み層の処理可能な特徴データ量を５３１*６４と示す場合に、第３層の畳み込み層にとって、１１１*３２個の特徴データが欠いている。欠いている部分に対して、ゼロパディングの方式により、第３層の畳み込み層で実際に入力される特徴データと第３層の畳み込み層の処理に必要な特徴データとが一致することを確保できる。
説明すべきことは、図３Ｃが単に例示的な説明に過ぎず、第１畳み込みニューラルネットワークの所定畳み込み層から異なる次元の特徴データを出力して、第２畳み込みニューラルネットワークの所定畳み込み層へ注入可能であるため、第２畳み込みニューラルネットワークの、第１畳み込みニューラルネットワークの特徴データに対する依存度は、柔軟に調整可能である。ここでの所定畳み込み層は、ある畳み込み層であってもよく、複数の畳み込み層であってもよい。例えば、第１畳み込みニューラルネットワークの第２畳み込み層から出力された特徴データを第２畳み込みニューラルネットワークの第２畳み込み層へ注入するとともに、第１畳み込みニューラルネットワークの第３畳み込み層から出力された特徴データを第２畳み込みニューラルネットワークの第３畳み込み層へ注入可能である。
本実施例では、第１畳み込みニューラルネットワークの所定畳み込み層から出力された特徴データを第２畳み込みニューラルネットワークの所定畳み込み層へ入力することで、第２畳み込みニューラルネットワークの認識結果を第１畳み込みニューラルネットワークの特徴データに依存させることが可能であり、心電信号に対する認識性能は、向上できる。
図４Ａは、本発明のもう１つの例示的な実施例の心電信号検出方法の模式的なフローチャートであり、図４Ｂは、図４Ａに示す実施例に適用される心電信号を検出するアーキテクチャの模式図であり、図４Ａに示すように、以下のステップを含む。
ステップ４０１では、所定時間長の心電信号を第２畳み込みニューラルネットワークへ入力し、第２畳み込みニューラルネットワークによって当該心電信号の病理タイプを特定する。
ステップ４０２では、病理タイプが心電信号に異常が発生したと示す場合に、所定時間長の心電信号を分割して第１所定数の単一心拍を取得する。
ステップ４０３では、取得された第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ入力し、第１畳み込みニューラルネットワークによって第１所定数の単一心拍における異常が発生した心拍位置を特定する。
好ましくは、上記ステップ４０３では、第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークの入力層へ入力し、第１畳み込みニューラルネットワークによって第１所定数の単一心拍の各単一心拍に対して判定を行い、判定結果を取得し、判定結果に基づいて第１所定数の単一心拍における異常が発生した心拍位置を特定する。
図４Ｂに示すように、ある所定時間長（例えば、３０秒）の連続心電信号のデータを直接第２畳み込みニューラルネットワークへ入力し、当該連続心電信号のデータに対して認識を行い、病理タイプを取得する。病理タイプが心電信号に異常が発生したと示す場合に、当該心電信号を分割して例えば２５個の単一心拍のデータを取得してもよい。この２５個の単一心拍のデータを第１畳み込みニューラルネットワークに順次入力して認識させ、判定結果を取得する。判定結果は、０と１とで構成される系列であってもよい。例えば、０は異常を示し、１は正常を示すと、２５個の単一心拍は、２５ビット（ｂｉｔ）の長さの０と１との組み合わせに対応可能である。０の所在する位置を認識することで、この２５個の単一心拍における異常が発生した心拍位置を特定できる。
本実施例では、第２畳み込みニューラルネットワークによって認識された病理タイプが、心電信号に異常が発生したと示すとき、第１畳み込みニューラルネットワークによって当該心電信号の単一心拍について逐一に認識を行うことで、異常が発生した心拍位置を認識する。
上記図２Ｂ、図３Ａ、図３Ｂおよび図４Ｂに示すアーキテクチャ図から分かるように、本発明における第１畳み込みニューラルネットワークが単一心拍認識ネットワークと見なされ、第２畳み込みニューラルネットワークが心電信号検出ネットワークと見なされてもよい。本発明における第１畳み込みニューラルネットワークと第２畳み込みニューラルネットワークのアーキテクチャ設計は、以下の有利な効果がある。
１）第１畳み込みニューラルネットワークを単独で訓練して、全ネットワークアーキテクチャに対する訓練の難易度を低減することができる。
２）十分な単一心拍データを第１畳み込みニューラルネットワークの訓練サンプルとして取得しやすい。このため、第１畳み込みニューラルネットワークが十分な訓練を受けることができ、単一心拍の認識の安定性および信頼性は、保証できる。
３）第１畳み込みニューラルネットワークで得られた特徴データに基づいて第２畳み込みニューラルネットワークの訓練を補強できるため、長い系列の連続心拍の心電信号のデータ不足の問題を解決できる。
４）心電信号の数が小さいため、本発明におけるアーキテクチャ設計は、組み込み型開発応用に適用できる。
図５は、本発明の一例示的な実施例の心電信号検出装置の構造模式図である。図５に示すように、当該心電信号検出装置は、第１分割モジュール５１、第１特定モジュール５２と第２特定モジュール５３を備えてもよい。
第１分割モジュール５１は、所定時間長の心電信号を分割して第１所定数の単一心拍を取得する。
第１特定モジュール５２は、第１分割モジュール５１で取得された第１所定数の単一心拍の各単一心拍に対応する特徴データを特定し、第１所定数の特徴データを取得する。
第２特定モジュール５３は、所定時間長の心電信号と第１特定モジュール５２で特定された第１所定数の特徴データとに基づいて、所定時間長の心電信号の病理タイプを特定する。
図６は、本発明の別の例示的な実施例の心電信号検出装置の構造模式図である。図６に示すように、上記図５に示す実施例を基に、第１特定モジュール５２は、第１入力手段５２１と抽出手段５２２を備えてもよい。
第１入力手段５２１は、第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ順次入力する。
抽出手段５２２は、第１畳み込みニューラルネットワークによって第１所定数の単一心拍の各単一心拍に対応する特徴データを抽出する。
一実施例では、心電信号検出装置は、判定モジュール５４と第３特定モジュール５５を更に備える。
判定モジュール５４は、第１畳み込みニューラルネットワークによって、第１分割モジュール５１で取得された第１所定数の単一心拍の各単一心拍に対して判定を行い、判定結果を取得する。
第３特定モジュール５５は、判定モジュール５４で取得された判定結果に基づいて第１所定数の単一心拍における異常が発生した心拍位置を特定する。
一実施例では、第２特定モジュール５３は、第１特定手段５３１、第２入力手段５３２と第２特定手段５３３を備えてもよい。
第１特定手段５３１は、第１所定数の単一心拍の各単一心拍に対応する時系列データを特定し、第１所定数の時系列データを取得する。
第２入力手段５３２は、第１特定手段５３１で取得された第１所定数の時系列データと第１所定数の特徴データとを第２畳み込みニューラルネットワークの入力層へ入力する。
第２特定手段５３３は、第２畳み込みニューラルネットワークによって心電信号の病理タイプを特定する。
第１特定手段５３１は、具体的に、
所定時間長の心電信号における各単一心拍について、当該単一心拍のＲ波に対応する時点を特定し、
当該単一心拍のＲ波に前後に隣接する第２所定数の単一心拍のそれぞれのＲ波に対応する時点を特定し、
当該単一心拍のＲ波に対応する時点と、当該単一心拍に前後に隣接する第２所定数の単一心拍のそれぞれのＲ波に対応する時点とに基づいて、当該単一心拍に対応する時系列データを特定する。
一実施例では、第２特定モジュール５３は、第３入力手段５３４、第４入力手段５３５と第３特定手段５３６を備える。
第３入力手段５３４は、第１所定数の特徴データを第２畳み込みニューラルネットワークの所定畳み込み層へ入力する。
第４入力手段５３５は、所定時間長の心電信号を第２畳み込みニューラルネットワークの入力層へ入力する。
第３特定手段５３６は、第２畳み込みニューラルネットワークによって、第３入力手段５３４で入力された第１所定数の特徴データと第４入力手段５３５で入力された心電信号とに対して認識を行い、心電信号の病理タイプを特定する。
図７は、本発明の更に別の例示的な実施例の心電信号検出装置の構造模式図である。図７に示すように、心電信号検出装置は、第４特定モジュール７１、第２分割モジュール７２と第５特定モジュール７３を備えてもよい。
第４特定モジュール７１は、第２畳み込みニューラルネットワークによって所定時間長の心電信号の病理タイプを特定する。
第２分割モジュール７２は、第４特定モジュール７１で特定された病理タイプが心電信号に異常が発生したと示す場合に、所定時間長の心電信号を分割して第１所定数の単一心拍を取得する。
第５特定モジュール７３は、第２分割モジュール７２で取得された第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ入力することで、第１畳み込みニューラルネットワークによって第１所定数の単一心拍における異常が発生した心拍位置を特定する。
一実施例では、第５特定モジュール７３は、第５入力手段７３１、判定手段７３２と第４特定手段７３３を備えてもよい。
第５入力手段７３１は、第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークの入力層へ入力する。
判定手段７３２は、第５入力手段７３１によって第１畳み込みニューラルネットワークへ入力された第１所定数の単一心拍の各単一心拍に対して判定を行い、判定結果を取得する。
第４特定手段７３３は、判定手段７３２で取得された判定結果に基づいて、第１所定数の単一心拍における異常が発生した心拍位置を特定する。
本発明のメモリ検出装置の実施例は、電子機器に適用可能である。装置実施例は、ソフトウェアにて実施されてもよく、ハードウェアまたはソフト・ハードウェアの組み合わせで実施されてもよい。ソフトウェアによる実施を例とすると、論理意味上の装置は、所在する電子機器のプロセッサが非一過性の記録媒体における対応する機器の実行可能な指令を読み取ってメモリへ転送して動作させることによって形成される。ハードウェア実装に関しては、図８は、本発明の心電信号検出装置の所在する電子機器のハードウェア構造図であり、図８に示すプロセッサ８０１、メモリ８０２、ネットワークインターフェース８０３および非一過性の記録媒体８０４に加えて、実施例における装置の所在する電子機器は、通常、当該電子機器の実機能に応じて、他のハードウェアを備えてもよい。ここで繰り返し説明しない。
当業者は、明細書を考慮してここで開示された発明を実践した後、本発明の他の実施案を容易に想到する。本発明は、本発明の如何なる変形、用途または適応的な変化をカバーすることを意図する。これらの変形、用途または適応的な変化は、本発明の一般的な原理に従い、本発明に開示されていない本技術分野における公知常識や慣用技術手段を含む。明細書と実施例は、単に例示と見なされ、本発明の真の範囲および要旨は、請求項によって示される。
更に説明すべきことは、用語「含む」、「備える」またはほかの何れかの同義語が非排他的含有をカバーすることを意図する。このように、一シリーズの要素を有する手順、方法、物品または機器は、それらの要素を有するだけではなく、明確に挙げられていない他の要素も有し、またはこのような手順、方法、物品または機器に固有の要素も有する。更なる制限がない限り、語句「１つの…を含む」で限定される要素は、前記要素を有する手順、方法、物品または機器に他の同じ要素を更に有することをあえて排除しない。
上述したのは、本発明の好適な実施例に過ぎず、本発明を制限するためのものではない。本発明の精神及び原則内でなされた如何なる変更、均等物による置換、改良等も、本発明の保護範囲内に含まれる。

Claims (9)

  1. 心電信号を検出するための電子機器に適用される心電信号検出方法であって、
    所定時間長の心電信号を分割して第１所定数の単一心拍を取得するステップと、
    前記第１所定数の単一心拍の各単一心拍に対応する特徴データを特定し、第１所定数の特徴データを取得するステップと、
    前記所定時間長の心電信号と前記第１所定数の特徴データとに基づいて、前記所定時間長の心電信号の病理タイプを特定するステップと、を含み、
    前記第１所定数の単一心拍の各単一心拍に対応する特徴データを特定するステップは、
    前記第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ順次入力することと、
    前記第１所定数の単一心拍の各単一心拍に対応する特徴データを前記第１畳み込みニューラルネットワークによって抽出することと、を含み、
    前記所定時間長の心電信号と前記第１所定数の特徴データとに基づいて、前記所定時間長の心電信号の病理タイプを特定するステップは、
    前記第１所定数の単一心拍の各単一心拍に対応する時系列データを特定し、第１所定数の時系列データを取得することと、
    前記第１所定数の時系列データと前記第１所定数の特徴データとを第２畳み込みニューラルネットワークの入力層へ入力することで、前記心電信号の病理タイプを前記第２畳み込みニューラルネットワークによって特定することと、を含む、
    ことを特徴とする心電信号検出方法。
  2. 前記第１畳み込みニューラルネットワークによって前記第１所定数の単一心拍の各単一心拍に対して判定を行い、判定結果を取得するステップと、
    前記判定結果に基づいて、前記第１所定数の単一心拍における異常が発生した心拍位置を特定するステップと、を更に含むことを特徴とする請求項１に記載の心電信号検出方法。
  3. 前記単一心拍に対応する時系列データを特定することは、
    当該単一心拍のＲ波に対応する時点を特定することと、
    当該単一心拍のＲ波に前後に隣接する第２所定数の単一心拍のそれぞれのＲ波に対応する時点を特定することと、
    当該単一心拍のＲ波に対応する時点と、当該単一心拍に前後に隣接する第２所定数の単一心拍のそれぞれのＲ波に対応する時点とに基づいて、当該単一心拍に対応する時系列データを特定することと、を含むことを特徴とする請求項１に記載の心電信号検出方法。
  4. 前記所定時間長の心電信号と前記第１所定数の特徴データとに基づいて、前記所定時間長の心電信号の病理タイプを特定するステップは、
    前記第１所定数の特徴データを第２畳み込みニューラルネットワークの所定畳み込み層へ入力することと、
    前記所定時間長の心電信号を前記第２畳み込みニューラルネットワークの入力層へ入力することと、
    前記第２畳み込みニューラルネットワークによって前記心電信号のタイプを特定することと、を含むことを特徴とする請求項１に記載の心電信号検出方法。
  5. 所定時間長の心電信号を分割して第１所定数の単一心拍を取得するための第１分割モジュールと、
    前記第１分割モジュールで取得された前記第１所定数の単一心拍の各単一心拍に対応する特徴データを特定し、第１所定数の特徴データを取得するための第１特定モジュールと、
    前記所定時間長の心電信号と、前記第１特定モジュールで特定された前記第１所定数の特徴データとに基づいて、前記所定時間長の心電信号の病理タイプを特定するための第２特定モジュールと、を備え、
    前記第１特定モジュールは、
    前記第１所定数の単一心拍のデータを第１畳み込みニューラルネットワークへ順次入力するための第１入力手段と、
    前記第１所定数の単一心拍の各単一心拍に対応する特徴データを前記第１畳み込みニューラルネットワークによって抽出するための抽出手段と、を備え、
    前記第２特定モジュールは、
    前記第１所定数の単一心拍の各単一心拍に対応する時系列データを特定し、第１所定数の時系列データを取得するための第１特定手段と、
    前記第１特定手段で取得された前記第１所定数の時系列データと、前記第１所定数の特徴データとを第２畳み込みニューラルネットワークの入力層へ入力するための第２入力手段と、
    前記第２畳み込みニューラルネットワークによって前記心電信号の病理タイプを特定するための第２特定手段と、を備えることを特徴とする心電信号検出装置。
  6. 前記第１畳み込みニューラルネットワークによって前記第１所定数の単一心拍の各単一心拍に対して判定を行い、判定結果を取得するための判定モジュールと、
    前記判定モジュールで取得された前記判定結果に基づいて、前記第１所定数の単一心拍における異常が発生した心拍位置を特定するための第３特定モジュールと、を更に備えることを特徴とする請求項５に記載の心電信号検出装置。
  7. 前記第２特定モジュールは、
    前記第１所定数の特徴データを第２畳み込みニューラルネットワークの所定畳み込み層へ入力するための第３入力手段と、
    前記所定時間長の心電信号を前記第２畳み込みニューラルネットワークの入力層へ入力するための第４入力手段と、
    前記第２畳み込みニューラルネットワークによって、前記第３入力手段で入力された前記第１所定数の特徴データと、前記第４入力手段で入力された前記心電信号とに対して認識を行い、前記心電信号の病理タイプを特定するための第３特定手段と、を備えることを特徴とする請求項５に記載の心電信号検出装置。
  8. 機器読み取り可能な記憶媒体であって、
    前記機器読み取り可能な記憶媒体には、上記請求項１から４の何れか一項に記載の心電信号検出方法を実行するための機器の実行可能な指令が記憶されていることを特徴とする機器読み取り可能な記憶媒体。
  9. プロセッサと、前記プロセッサの実行可能な指令を記憶するための記憶媒体とを備え、
    前記プロセッサは、上記請求項１から４の何れか一項に記載の心電信号検出方法を実行することを特徴とする電子機器。
JP2020526667A 2017-08-03 2018-08-01 心電信号の検出 Active JP7065185B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201710656849.8A CN107516075B (zh) 2017-08-03 2017-08-03 心电信号的检测方法、装置及电子设备
CN201710656849.8 2017-08-03
PCT/CN2018/097917 WO2019024861A1 (zh) 2017-08-03 2018-08-01 心电信号的检测

Publications (2)

Publication Number Publication Date
JP2020528336A JP2020528336A (ja) 2020-09-24
JP7065185B2 true JP7065185B2 (ja) 2022-05-11

Family

ID=60722226

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020526667A Active JP7065185B2 (ja) 2017-08-03 2018-08-01 心電信号の検出

Country Status (7)

Country Link
US (1) US11534097B2 (ja)
EP (1) EP3644220A4 (ja)
JP (1) JP7065185B2 (ja)
KR (1) KR102451795B1 (ja)
CN (1) CN107516075B (ja)
CA (1) CA3071699C (ja)
WO (1) WO2019024861A1 (ja)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516075B (zh) * 2017-08-03 2020-10-09 安徽华米智能科技有限公司 心电信号的检测方法、装置及电子设备
CN108030488A (zh) * 2017-11-30 2018-05-15 北京医拍智能科技有限公司 基于卷积神经网络的心律失常的检测系统
CN108470158B (zh) * 2018-03-08 2020-05-12 华南理工大学 一种为动态ecg数据寻找误差最小网络计算结构的方法
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법
EP3847958A4 (en) * 2018-09-04 2021-09-08 Shenzhen Institutes of Advanced Technology ARRHYTHMIA DETECTION METHOD AND APPARATUS, ELECTRONIC DEVICE AND COMPUTER INFORMATION MEDIA
TWI680746B (zh) * 2018-11-21 2020-01-01 晶神醫創股份有限公司 神經事件偵測方法與系統
CN109480824B (zh) * 2018-12-11 2021-10-08 武汉中旗生物医疗电子有限公司 心电波形数据的处理方法、装置和服务器
CN109875579A (zh) * 2019-02-28 2019-06-14 京东方科技集团股份有限公司 情绪健康管理系统和情绪健康管理方法
WO2020221632A1 (en) * 2019-04-30 2020-11-05 Medicalgorithmics Sa Electrocardiogram signal segmentation
JP6865329B1 (ja) * 2019-07-29 2021-04-28 株式会社カルディオインテリジェンス 表示装置、表示方法及びプログラム
US11521743B2 (en) * 2019-10-21 2022-12-06 Tencent America LLC Framework for performing electrocardiography analysis
CN111488793B (zh) * 2020-02-21 2024-04-30 广州视源电子科技股份有限公司 心电信号分类方法、装置、电子设备和存储介质
KR102241799B1 (ko) * 2020-08-06 2021-04-19 주식회사 에이티센스 심전도 신호의 분류 데이터를 제공하는 방법 및 전자 장치
CN112690802B (zh) * 2020-12-25 2023-03-03 平安科技（深圳）有限公司 一种检测心电信号的方法、装置、终端及存储介质
CN112883803B (zh) * 2021-01-20 2023-09-01 武汉中旗生物医疗电子有限公司 一种基于深度学习的心电信号分类方法、装置及存储介质
KR102653258B1 (ko) * 2022-02-18 2024-04-01 주식회사 뷰노 심전도 기술 및 결과 통합 방법
WO2024019523A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
CN116530996B (zh) * 2023-06-26 2023-08-29 广东技术师范大学 一种面向低测量负荷心电数据的异常预警方法及系统
CN116548980B (zh) * 2023-07-07 2023-09-01 广东技术师范大学 基于脉冲神经网络的长时程心电分类方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779234A (zh) 2012-06-28 2012-11-14 中国科学院苏州纳米技术与纳米仿生研究所 一种心电图分类处理方法及装置
WO2017091736A1 (en) 2015-11-23 2017-06-01 Mayo Foundation For Medical Education And Research Processing physiological electrical data for analyte assessments
JP2017129896A (ja) 2016-01-18 2017-07-27 富士通株式会社 機械学習装置、機械学習方法及び機械学習プログラム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL155955A0 (en) * 2003-05-15 2003-12-23 Widemed Ltd Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal
WO2008027520A2 (en) * 2006-08-30 2008-03-06 The Trustees Of Columbia University In The City Of New York Systems and methods for composite elastography and wave imaging
TW200927065A (en) 2007-12-28 2009-07-01 Tatung Co Monitoring and control system for cardiopulmonary function and device thereof
EP2523534B1 (en) 2011-05-12 2019-08-07 Ledengin, Inc. Apparatus and methods for tuning of emitter with multiple LEDs to a single color bin
KR20140063100A (ko) * 2012-11-16 2014-05-27 삼성전자주식회사 원격 심질환 관리 장치 및 방법
US20150112157A1 (en) * 2013-10-23 2015-04-23 Quanttus, Inc. Arrhythmia detection
CN104783782B (zh) * 2015-04-13 2017-09-01 深圳市飞马与星月科技研究有限公司 心电信号自动检测方法及装置
PT3367897T (pt) * 2015-10-27 2021-05-25 Cardiologs Tech Processo automático para traçar ou categorizar um eletrocardiograma
CN105232032A (zh) 2015-11-05 2016-01-13 福州大学 基于小波分析远程心电监护与预警系统及方法
US20180032689A1 (en) * 2016-07-29 2018-02-01 Qatar University Method and apparatus for performing feature classification on electrocardiogram data
CN106344004A (zh) * 2016-09-28 2017-01-25 清华大学 心电信号特征点检测方法及装置
CN106779051A (zh) * 2016-11-24 2017-05-31 厦门中控生物识别信息技术有限公司 一种卷积神经网络模型参数处理方法及系统
CN106934799B (zh) * 2017-02-24 2019-09-03 安翰科技(武汉)股份有限公司 胶囊内窥镜图像辅助阅片系统及方法
CN107516075B (zh) 2017-08-03 2020-10-09 安徽华米智能科技有限公司 心电信号的检测方法、装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779234A (zh) 2012-06-28 2012-11-14 中国科学院苏州纳米技术与纳米仿生研究所 一种心电图分类处理方法及装置
WO2017091736A1 (en) 2015-11-23 2017-06-01 Mayo Foundation For Medical Education And Research Processing physiological electrical data for analyte assessments
JP2017129896A (ja) 2016-01-18 2017-07-27 富士通株式会社 機械学習装置、機械学習方法及び機械学習プログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Quazi Abidur Rahman et al.，Utilizing ECG-Based Heartbeat Classification for Hypertrophic Cardiomyopathy Identification，IEEE TRANSACTIONS ON NANOBIOSCIENCE，2015年07月，VOL.14, NO.5，pp.505-512
U. Rajendra Acharya et al.，Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals，Information Sciences，2017年06月23日，415-416，pp.190-198

Also Published As

Publication number Publication date
US20200155024A1 (en) 2020-05-21
JP2020528336A (ja) 2020-09-24
CN107516075A (zh) 2017-12-26
CA3071699A1 (en) 2019-02-07
KR102451795B1 (ko) 2022-10-06
CN107516075B (zh) 2020-10-09
EP3644220A1 (en) 2020-04-29
EP3644220A4 (en) 2020-11-04
US11534097B2 (en) 2022-12-27
WO2019024861A1 (zh) 2019-02-07
KR20200036908A (ko) 2020-04-07
CA3071699C (en) 2023-02-28

Similar Documents

Publication Publication Date Title
JP7065185B2 (ja) 心電信号の検出
US10869610B2 (en) System and method for identifying cardiac arrhythmias with deep neural networks
Acharya et al. Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network
Limam et al. Atrial fibrillation detection and ECG classification based on convolutional recurrent neural network
EP3608918A1 (en) Parallel implementation of deep neural networks for classifying heart sound signals
CN110226921B (zh) 心电信号检测分类方法、装置、电子设备和存储介质
Raghavendra et al. Cardiac arrhythmia detection using dynamic time warping of ECG beats in e-healthcare systems
CN108968941B (zh) 一种心律失常检测方法、装置及终端
CN111345817B (zh) Qrs波群位置确定方法、装置、设备及存储介质
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN109077714B (zh) 信号识别方法、装置、设备和存储介质
CN110558975B (zh) 一种心电信号分类方法及系统
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
CN112603330B (zh) 心电信号识别分类方法
CN111657925A (zh) 基于机器学习的心电信号分类方法、系统、终端以及存储介质
CN111345816A (zh) 多导联qrs波群检测方法、装置、设备及存储介质
Chen et al. Heart sound segmentation via duration long–short term memory neural network
CN115470828A (zh) 基于卷积与自注意力机制的多导联心电图分类识别方法
CN109044340B (zh) 心电数据分类方法、装置、电子设备以及存储介质
CN111067512B (zh) 心室颤动的检测装置、检测模型的训练装置、方法及设备
CN115177262A (zh) 一种基于深度学习的心音心电联合诊断装置和系统
CN108537123A (zh) 基于多特征提取的心电识别方法
Liu et al. CRT-Net: A generalized and scalable framework for the computer-aided diagnosis of Electrocardiogram signals
Chakroborty Accurate Arrhythmia classification using auto-associative neural network
CN115470832A (zh) 一种基于区块链的心电信号数据处理方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200129

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210129

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210224

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210521

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210914

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211207

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

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220401

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220425

R150 Certificate of patent or registration of utility model

Ref document number: 7065185

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150