JP7285763B2 - 学習装置、学習方法、および測定装置 - Google Patents

学習装置、学習方法、および測定装置 Download PDF

Info

Publication number
JP7285763B2
JP7285763B2 JP2019208016A JP2019208016A JP7285763B2 JP 7285763 B2 JP7285763 B2 JP 7285763B2 JP 2019208016 A JP2019208016 A JP 2019208016A JP 2019208016 A JP2019208016 A JP 2019208016A JP 7285763 B2 JP7285763 B2 JP 7285763B2
Authority
JP
Japan
Prior art keywords
time
learning
sensor data
data
feature point
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
JP2019208016A
Other languages
English (en)
Other versions
JP2021081915A (ja
Inventor
隆吾 藤田
大輔 河村
佑記 名和
稔 大竹
哲也 廣田
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.)
Tokai Rika Co Ltd
Original Assignee
Tokai Rika 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 Tokai Rika Co Ltd filed Critical Tokai Rika Co Ltd
Priority to JP2019208016A priority Critical patent/JP7285763B2/ja
Priority to PCT/JP2020/030609 priority patent/WO2021100266A1/ja
Priority to US17/768,386 priority patent/US20230037994A1/en
Priority to DE112020005677.5T priority patent/DE112020005677T5/de
Priority to CN202080074950.2A priority patent/CN114599283A/zh
Publication of JP2021081915A publication Critical patent/JP2021081915A/ja
Application granted granted Critical
Publication of JP7285763B2 publication Critical patent/JP7285763B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • A61B5/353—Detecting P-waves
    • 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
    • A61B5/355—Detecting T-waves
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • 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
    • A61B5/36—Detecting PQ interval, PR interval or QT interval

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Description

本発明は、学習装置、学習方法、および測定装置に関する。
近年、機械学習技術を用いて判別や推定等を行う技術が開発されている。例えば、特許文献１には、時系列データの将来値を予測するための学習に関する技術が開示されている。当該技術によれば、時系列に取得されるデータが将来における任意の時点においてどのような値を示すのかを予測することが可能となる。
特開２００１－３２５５８２号公報
しかし、特許文献１に記載の技術では、学習における教師データとして、予測時間先での将来値を用いている。この場合、将来値以降における時系列データの推移等の特徴を反映した学習を行うことが困難である。
そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、時系列データにおける特徴点間の関係をより効果的に学習することが可能な仕組みを提供することにある。
上記課題を解決するために、本発明のある観点によれば、第１の方式により取得され、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する第１のセンサデータを学習データとし、前記第１の方式と比較してノイズの影響が少ない第２の方式により、前記第１のセンサデータに係る前記時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、前記反復区間において観察の対象とする対象特徴点に係る出力を学習する学習部、を備え、前記規定の時間は、前記反復区間の開始時点から前記対象特徴点が出現すると予想される時点までの時間長に基づいて設定される、学習装置が提供される。
また、上記課題を解決するために、本発明の別の観点によれば、第１の方式により取得され、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する第１のセンサデータを学習データとし、前記第１の方式と比較してノイズの影響が少ない第２の方式により、前記第１のセンサデータに係る前記時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、前記反復区間において観察の対象とする対象特徴点に係る出力を学習すること、を含み、前記規定の時間は、前記反復区間の開始時点から前記対象特徴点が出現すると予想される時点までの時間長に基づいて設定される、学習方法が提供される。
また、上記課題を解決するために、本発明の別の観点によれば、第１の方式により取得された第１のセンサデータを入力として、第１のセンサデータにおいて観察の対象とする対象特徴点に係る測定を行う測定部、を備え、前記測定部は、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する前記第１のセンサデータを学習データとし、前記第１の方式と比較してノイズの影響が少ない第２の方式により、前記第１のセンサデータに係る前記時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、前記反復区間における前記対象特徴点に係る出力を学習した学習済みモデルを用いて、前記対象特徴点に係る測定を行い、前記規定の時間は、前記反復区間の開始時点から前記対象特徴点が出現すると予想される時点までの時間長に基づいて設定される、測定装置が提供される。
以上説明したように、本発明によれば、時系列データにおける特徴点間の関係をより効果的に学習することが可能な仕組みが提供される。
本発明の一実施形態に係る学習装置１０の機能構成例を示す図である。 同実施形態に係る測定装置２０の機能構成例を示す図である。 一周期における一般的な心電波形の例を示す図である。 本発明の一実施形態に係る学習データと教師データの対応例を示す図である。 同実施形態に係る測定部２２０による対象特徴点の測定イメージを示す図である。 同実施形態に係る測定部２２０による対象特徴点の測定イメージを示す図である。 同実施形態に係る学習済みモデルを用いたＲ波の検出精度を表す図である。 同実施形態に係る学習フェーズの流れを示すフローチャートである。 同実施形態に係る測定フェーズの流れを示すフローチャートである。
以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
＜構成例＞
（学習装置１０）
本実施形態に係る学習装置１０は、異なる２つの方式により時間軸において同期して取得された同一種のセンサデータを入力とした教師あり学習を行う装置であってよい。ここで、教師あり学習とは、入力データ（学習データ）と当該入力データに対する正解データ（教師データ）のセットをコンピュータに与え、コンピュータに両者の対応を学習させる手法を指す。図１は、本実施形態に係る学習装置１０の機能構成例を示す図である。図１に示すように、本実施形態に係る学習装置１０は、学習部１１０および記憶部１２０を備えてもよい。
本実施形態に係る学習部１１０は、第１の方式により取得され、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する第１のセンサデータを学習データとし、第１の方式と比較してノイズの影響が少ない第２の方式により、第１のセンサデータに係る上記時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、上記反復区間において観察の対象とする対象特徴点に係る出力を学習する、ことを特徴の一つとする。また、上記の規定の時間は、反復区間の開始時点から対象特徴点が出現すると予想される時点までの時間長に基づいて設定されてよい。係る構成によれば、上記対象特徴点以降におけるデータ推移等の特徴を学習し、より高精度な学習済みモデルを構築することが可能となる。
本実施形態に係る学習部１１０は、教師あり学習を実現可能な任意の機械学習手法を用いて上記のような学習を行ってよい。学習部１１０は、例えば、ニューラルネットワーク、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）などのアルゴリズムを用いて学習を行う。
学習部１１０の機能は、例えば、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサによって実現される。本実施形態に係る学習部１１０が有する機能の詳細については別途詳細に説明する。
本実施形態に係る記憶部１２０は、学習装置１０の動作に係る各種の情報を記憶する。記憶部１２０は、例えば、学習部１１０の学習に用いられる第１のセンサデータおよび第２センサデータ、各種のパラメータ等を記憶する。
以上、本実施形態に係る学習装置１０の機能構成例について述べた。なお、図１を用いて説明した上記の構成はあくまで一例であり、本実施形態に係る学習装置１０の構成は係る例に限定されない。本実施形態に係る学習装置１０は、例えば、操作者による操作を受け付ける操作部や、各種のデータを出力するための出力部等をさらに備えてもよい。本実施形態に係る学習装置１０の構成は、仕様や運用に応じて柔軟に変形され得る。
続いて、本実施形態に係る測定装置２０の機能構成例について述べる。本実施形態に係る測定装置２０は、学習装置１０が構築した学習済みモデルを用いて時間の進行に沿って取得されるセンサデータにおいて観察の対象とする対象特徴点に係る測定を実施する装置であってよい。図２は、本実施形態に係る測定装置２０の機能構成例を示す図である。図２に示すように、本実施形態に係る測定装置２０は、取得部２１０および測定部２２０を備えてもよい。
本実施形態に係る取得部２１０は、時間の進行に沿って第１のセンサデータを取得するための構成である。このために、本実施形態に係る取得部２１０は、取得する第１のセンサデータの特性に応じた各種のセンサを備える。
本実施形態に係る測定部２２０は、取得部２１０が取得した第１のセンサデータを入力として、第１のセンタデータにおいて観察の対象とする対象特徴点に係る測定を行う。この際、本実施形態に係る測定部２２０は、学習部１１０による学習により構築された学習済みモデルを用いて対象特徴点に係る出力を行う。すなわち、本実施形態に係る測定部２２０は、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する第１のセンサデータを学習データとし、第１のセンサデータに係る時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、上記反復区間における対象特徴点に係る出力を学習した学習済みモデルを用いて、対象特徴点に係る測定を行う、ことを特徴の一つとする。
上記の構成によれば、第１のセンサデータからノイズの影響を効率的に排除したうえで、対象特徴点に係る測定を高精度に行うことが可能となる。なお、本実施形態に係る測定部２２０の機能は、各種のプロセッサにより実現される。
以上、本実施形態に係る測定装置２０の機能構成例について述べた。なお、図２を用いて説明した上記の構成はあくまで一例であり、本実施形態に係る測定装置２０の機能構成は係る例に限定されない。本実施形態に係る測定装置２０は、操作部や出力部、測定した対象特徴点に係る解析を行う解析部、解析結果に基づいて各種の報知を行う報知部等をさらに備えてもよい。本実施形態に係る測定装置２０の構成は、測定対象とする対象特徴点の特性や活用用途等に応じて柔軟に変形され得る。
＜詳細＞
次に、本実施形態に係るセンサデータについて具体例を挙げながら説明する。近年では、様々な種別のセンサデータを取得する装置が開発されている。また、同一種のセンサデータを取得する場合であっても、複数の方式が存在する場合がある。上記のようなセンサデータには、被験者の生命兆候を示すバイタルデータが含まれる。ここでは、バイタルデータの一例として、被験者の心臓の活動により生じる電圧の変化を心電波形として取得する場合を想定する。
心電波形を取得する方式としては、被験者の皮膚に複数の電極を直接装着し、当該複数の電極により電圧の変化を記録する、例えば３点誘導法や標準１２誘導法等の方式が挙げられる。係る方式によれば、ノイズの影響が少ない高精度の心電波形を得ることができる。一方、係る方式は、被験者の行動を制限する場合も多く、また皮膚に電極を直接装着するために、被験者に煩わしさを感じさせる場合もある。
また、心電波形を取得する他の方式としては、被験者と接触することが予想される複数の箇所に電極を設置し、複数の当該電極に被験者が接触した際に得られた電圧の変化を記録する方式が挙げられる。このような方式は、例えば、装置の操作を行う被験者の心電波形を取得したい場合等に用いられる。一例としては、車両等の移動体を運転する運転手が、運転中に接触することが予想されるステアリングや運転席の座席等に電極を配置し、当該運転手の心電図を取得する技術が知られている。係る技術によれば、運転手の皮膚に電極を直接貼り付ける必要がないため、運転手に意識させることなく心電波形を取得することが可能である。一方、この場合、運転行動に伴う運転手の体動や、車両の振動等によりノイズが生じやすく、取得される心電波形の精度が低下する可能性がある。
このように、センサデータを取得するための複数の方式には、それぞれに利点がある一方で、取得されるセンサデータの精度に差が生じるケースも存在する。このため、ある方式が有する利点を活かしながら、同時にセンサデータの取得精度を向上させる技術が求められている。
上記の点を解決するために、本実施形態に係る学習部１１０は、第１の方式により得られた第１のセンサデータを学習データとし、第１の方式と比較してノイズの影響が少ない第２の方式により、第１のセンサデータと時間軸において同期して取得された第２のセンサデータに基づく教師データを用いて学習を行う。これによれば、第１のセンサデータからノイズの影響を効率的に排除したうえで、対象特徴点に係る測定を高精度に行うことが可能となる。
一方、この際、第１のセンサデータが有する時間長の末尾に対応する第２のセンサデータや、末尾以降に取得された第２のセンサデータを教師データとして用いた場合、当該教師データ以降におけるデータ推移等の情報を学習部１１０に学習させることが困難となる。
上記の点に鑑み、本実施形態に係る学習部１１０は、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する第１のセンサデータを学習データとしてよい。また、本実施形態に係る学習部１１０は、上記時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて学習を行ってよい。ここで、上記規定の時間は、反復区間の開始時点から対象特徴点が出現すると予想される時点までの時間長に基づいて設定されてよい。これによれば、教師データ前後の情報を用いた学習を行うことができ、より高精度な学習済みモデルを構築することが可能となる。
さらには、上記の反復区間は、出現に関し、対象特徴点と時間軸における規則性を有する少なくとも一つの他の特徴点を含んでもよい。この場合、反復区間における対象特徴点と他の特徴点との時間軸における規則性を学習することで、対象特徴点に係る測定をより高精度に行うことが可能な学習済みモデルを構築することができる。
以下では、本実施形態に係る第１のセンサデータおよび第２のセンサデータが、それぞれ被験者の心臓の活動を記録した心電波形である場合を一例として説明する。すなわち、本実施形態に係る第１のセンサデータは、第１の方式により被験者から取得された第１の心電波形であってもよい。また、第２のセンサデータは、第２の方式により同被験者から取得された第２の心電波形であってもよい。
また、この場合、上記の第１の方式は、被験者と接触することが予想される少なくとも２つの電極を用いて心電波形を取得する方式であり、上記の第２の方式は、被験者の皮膚に直接装着された少なくとも３つの電極を用いて心電波形を取得する方式（例えば、３点誘導法）であってもよい。
例えば、被験者が車両等の移動体を運転する運転手である場合、上記の第１の方式において用いられる２つの電極は、被験者が着座する座席と、被験者が操作する被操作装置（例えば、ステアリング）とに設けられてもよい。
上記のような構成によれば、運転手に煩わしさを感じさせない等の第２の方式が有する利点をそのままに、かつ運転手の体動や車両の振動等により生じるノイズを排除した高精度のデータを取得することが可能となる。
ここで、一般的な心電波形における特徴点（特徴波形）について説明する。図３は、一周期における一般的な心電波形の例を示す図である。なお、図３においては、横軸において時間の経過が、縦軸において電圧の変化が示されている。図３に示すように、一般的な心電波形には、特徴的な形状を示す複数の特徴波形が観察され得る。特徴波形の一例としては、Ｐ波、Ｑ波、Ｒ波、Ｓ波、ＱＲＳ波（Ｑ波、Ｒ波、およびＳ波から形成される）Ｔ波、およびＵ波等が挙げられる。また、上記の各特徴波形は、時間軸において上記に列挙した順序で出現するという規則性を有する。
このうち、例えば、Ｒ波は、心拍変動（揺らぎ）の指標として重要な特徴波形である。ある周期におけるＲ波と次周期におけるＲ波の間隔（ＲＲＩ：Ｒ－Ｒ Ｉｎｔｅｒｖａｌ）は、心拍の周期を算出するために用いられる。また、ＲＲＩにはストレスや疲労により揺らぎが生じることも知られており、被験者の身体的負担や心理的負担を検出する際にも有効な生理指標となる。その他、例えば、一周期におけるＱ波とＴ波の間隔であるＱＴＩ（Ｑ－Ｔ Ｉｎｔｅｒｖａｌ）は、心室の興奮の始まりから興奮が消退するまでの時間を示しており、不整脈の検出等に重要な生理指標である。
このように、心電波形の一周期には、生理指標の取得に有用となる複数の特徴波形が含まれる。このことから、本実施形態に係る学習では、一周期全体を反復区間として設定し、取得したい任意の生理指標に応じた特徴波形を対象特徴点としてもよい。
一方で、心電波形の一周期には、生理指標の取得に有用な特徴波形が集中している区間が存在する。図３に示すように、Ｐ波、Ｑ波、Ｒ波、Ｓ波、およびＴ波は、およそ７００ｍｓ前後の時間長において連続的に観察され得る。このため、本実施形態に係る学習では、Ｐ波の開始時点からＴ波の終了時点までの区間を反復区間として設定してもよい。これによれば、反復区間内におけるＰ波、Ｑ波、Ｒ波、Ｓ波、およびＴ波間の時間軸における規則性をより精度高く学習することが可能となる。
また、例えば、上記の反復区間において、Ｒ波は、Ｐ波の開始時点からおよそ２５０ｍｓ前後の時点において観察され得る。このことから、Ｒ波を対象特徴点とする場合、本実施形態に係る学習部１１０は、第１のセンサデータに係る時間長（７００ｍｓ）の開始時点から、Ｐ波の開始時点からＲ波が出現すると予想される時間長（２５０ｍｓ）が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、Ｒ波に係る出力を学習してもよい。
図４は、本実施形態に係る学習データと教師データの対応例を示す図である。図４の上段には被験者から取得された第１のセンサデータ（第１の心臓波形）が示されている。また、図４の下段には、同被験者から第１のセンサデータと同期間に取得された第２のセンサデータ（第２の心臓波形）が示されている。
この場合、例えば、学習部１１０は、Ｐ波の開始時点からＴ波の終了時点までの７００ｍｓの区間と対応する時間長ｄ１において取得された第１のセンサデータを１系列目の学習データとし、また、時間長ｄ１の開始時点から２５０ｍｓが経過した時点における時刻ｔ１において取得された第２のセンサデータを教師データとして学習を行ってもよい。
同様に、学習部１１０は、時間長ｄ２において取得された第１のセンサデータを２系列目の学習データとし、また、時間長ｄ２の開始時点から２５０ｍｓが経過した時点における時刻ｔ２において取得された第２のセンサデータを教師データとして学習を行ってもよい。
また、同様に、学習部１１０は、時間長ｄ３において取得された第１のセンサデータを３系列目の学習データとし、また、時間長ｄ３の開始時点から２５０ｍｓが経過した時点における時刻ｔ３において取得された第２のセンサデータを教師データとして学習を行ってもよい。
上記のようなデータセットによれば、Ｒ波と、反復期間内に含まれる他の特徴波形との間の時間軸における規則性を効果的に学習することが可能となる。また、本実施形態に係る測定部２２０は、上記のようなデータセットを用いた学習により構築された学習済みモデルを用いて、Ｒ波に係る測定を高精度に行うことができる。図５は、本実施形態に係る測定部２２０による対象特徴点の測定イメージを示す図である。
図５に示すように、本実施形態に係る測定部２２０は、図４に例示したデータセットを用いて構築された学習済みモデルに第１のセンサデータ（第１の心臓波形）を入力することで、第１のセンサデータからノイズが除去された第３のセンサデータ（第３の心臓波形）を出力することができる。これによれば、ノイズにより第１のセンサデータからＲ波を直接測定することが困難な場合であっても、第３のセンサデータに基づいて、Ｒ波の測定を精度高く行うことが可能となる。
また、上記では、学習部１１０が、第２のセンサデータそのもの（例えば、第２の心臓波形の電圧値）を教師データとして用いた学習を行う場合を述べたが、本実施形態に係る学習部１１０は、第２のセンサデータにおける対象特徴点の存在確率を示す存在確率データを教師データとして、第１のセンサデータにおける対象特徴点の存在確率に係る出力を学習してもよい。
例えば、図４に示す一例の場合、学習部１１０は、時間長ｄ１において取得された第１のセンサデータ（学習データ）に対し、時刻ｔ１において取得された第２のセンサデータに基づいて生成されたＲ波の存在確率データを教師データとする学習を行う。存在確率データがＲ波の存在確率を０（存在しない）または１（存在する）の２値で表す場合、時刻ｔ１にはＲ波が存在することから、時刻ｔ１におけるＲ波の存在確率データは１となる。一方、時刻ｔ２および時刻ｔ３にはＲ波が存在していない。このため、時刻ｔ２および時刻ｔ３におけるＲ波の存在確率データは０となる。
上記のような存在確率データを教師データとして学習を行った場合、本実施形態に係る測定部２２０は、図６に示すように、学習済みモデルに第１のセンサデータ（第１の心臓波形）を入力することで、Ｒ波の存在確率データを直接出力することができる。このように、本実施形態に係る学習においては、測定部２２０に出力させたいデータ形式に応じた教師データが用いられてよい。なお、上記では、存在確率データが０または１の２値をとる場合を例示したが、本実施形態に係る存在確率データは、３値以上をとってもよい。
ここで、本実施形態に係る学習により構築される学習済みモデルを用いたＲ波の検出精度に関し検証を行った結果を示す。図７は、本実施形態に係る学習済みモデルを用いたＲ波の検出精度を表す図である。なお、図７は、学習データ（第１のセンサデータ）の時間長を５００ｍｓ、６００ｍｓ、７００ｍｓ、８００ｍｓとした場合においてそれぞれ構築された学習済みモデルを用いたＲ波の検出精度を示している。なお、いずれの場合においても、学習データに係る時間長の開始時点から２５０ｍｓが経過した時点において取得された第２のセンサデータに基づく教師データを用いて学習を行った。
その結果、図７に示すように、７００ｍｓの学習データを用いた学習を行った場合に構築される学習済みモデルが最も精度高くＲ波を検出することができた。当該検証結果は、学習データの時間長を対象特徴点と他の特徴点との時間軸における規則性に則って設定することにより、より効果的な学習が行われることを示している。
一方で、７００ｍｓという時間長の設定はあくまで一例である。学習データの最適な時間長は、学習データとして用いる第１のセンサデータの統計的特徴に基づいて変化することが想定される。例えば、ある条件において取得された第１のセンサデータにおいて、Ｐ波の開始時点からＴ波の終了時点までの時間長の平均が６５０ｍｓである場合、学習データの時間長は６５０ｍｓと設定されてもよい。なお、教師データの時間長についても同様である。例えば、取得された第１のセンサデータおよび第２のセンサデータにおいて、Ｐ波の開始時点からＲ波までの時間長の平均が３００ｍｓである場合、学習データに係る時間長の開始時点から３００ｍｓが経過した時点において取得された第２のセンサデータに基づく教師データが用いられてよい。
＜学習フェーズおよび測定フェーズの流れ＞
次に、本実施形態に係る学習装置１０を用いた学習を行う学習フェーズ、および測定装置２０を用いた測定を行う測定フェーズの流れについて説明する。図８は、本実施形態に係る学習フェーズの流れを示すフローチャートである。
図８に示すように、本実施形態に係る学習フェーズにおいては、まず、第１のセンサデータおよび第２のセンサデータの取得が行われる（Ｓ１０２）。この際、第１のセンサデータおよび第２のセンサデータは、時間軸における同期が可能なようにタイムスタンプ等の情報と共に取得されてよい。また、第１のセンサデータおよび第２のセンサデータは、学習装置１０とは別途の装置により取得されてもよい。取得された第１のセンサデータおよび第２のセンサデータは、学習装置１０の記憶部１２０に記憶される。
次に、必要に応じて第１のセンサデータおよび第２のセンサデータの加工が行われる（Ｓ１０４）。例えば、教師データとして、対象特徴点に係る存在確率データを用いる場合、ステップＳ１０４では、ステップＳ１０２において取得された第２のセンサデータを存在確率データに変換する処理が行われてよい。また、第１のセンサデータや第２のセンサデータに含まれるノイズを軽減するための各種のフィルタ処理等が行われてもよい。なお、上記のような加工は学習装置１０とは別途の装置により実行されてもよい。
次に、学習部１１０は、反復区間と対応する時間長を有する第１のセンサデータを学習データとし、上記時間長の開始時点から規定の時間が経過した時点に取得された第２のセンサデータに基づく教師データを用いた学習を行う（Ｓ１０６）。この際、学習部１１０は、第２のセンサデータそのもの（あるいはフィルタ処理が施された第２のセンサデータ）を教師データとして用いてもよいし、ステップＳ１０４において生成された存在確率データを教師データとしてもよい。
以上、本実施形態に係る学習フェーズの流れについて説明した。続いて、本実施形態に係る測定フェーズの流れについて説明する。図９は、本実施形態に係る測定フェーズの流れを示すフローチャートである。
図９に示すように、本実施形態に係る測定フェーズにおいては、まず、取得部２１０が第１の方式により第１のセンサデータを取得する（Ｓ２０２）。取得部２１０は、例えば、車両のスタリングと座席に配置した複数の電極により運転手の心電波形を第１のセンサデータとして取得してもよい。
次に、測定部２２０は、ステップＳ２０２において取得された第１のセンサデータを学習済みモデルに入力し、第１のセンサデータに含まれる対象特徴点に係る測定を行う（Ｓ２０４）。学習フェーズにおいて第２のセンサデータを教師データとして学習を行った場合、測定部２２０は、第１のセンサデータからノイズが除去された第３のセンサデータを出力し、対象特徴点の測定を行う。一方、学習フェーズにおいて存在確率データを教師データとして学習を行った場合、測定部２２０は、対象特徴点の存在確率を示す存在確率データを出力し、対象特徴点の測定を行う。
次に、必要に応じて、ステップＳ２０４において測定された対象特徴点に基づく各種の動作が実行される（Ｓ２０６）。例えば、対象特徴点がＲ波である場合、上記の動作は、ＲＲＩに基づく報知等であってもよい。上記の動作は、測定装置２０とは別途の装置により実行されてもよい。
＜補足＞
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
例えば、上記の実施形態では、学習部１１０が被験者の心臓の活動に係る測定を学習する場合を主な例として述べた。一方、学習部１１０による学習の対象は、上記のようなバイタルデータの測定に限定されない。学習部１１０は、例えば、任意の装置の稼働状況を示す各種のデータを測定することも可能である。
また、上記の実施形態では、心電波形を取得する第１の方式として、被験者が接触することが予想される箇所に電極を配置する方式を、第２の方式として、被験者の皮膚に電極を直接する方式を例に挙げた。一方、本技術における第１の方式および第２の方式は、ノイズの影響の受けやすさに差がある任意の異なる方式であってよい。例えば、心拍を取得する場合、第１の方式は、ドップラーセンサを用いた非接触方式であってもよい。この場合、第２の方式は、当該非接触方式よりもノイズの影響が少ない任意の方式であってよい。例えば、上記の場合における第２の方式は、上述した被験者の皮膚に電極を装着する接触方式であり得る。このように、本技術における第１の方式は、上記の実施形態において例示した方式に限定されず、適宜選択されてよい。さらには、被験者と接触することが予想される少なくとも２つの電極を用いて心電波形を取得する接触方式が、ドップラーセンサ等を用いた非接触方式よりもノイズの影響が少ない場合においては、当該非接触方式を第１の方式とし、当該接触方式を第２の方式とすることも可能である。
また、本明細書において説明した各装置による一連の処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。ソフトウェアを構成するプログラムは、例えば、各装置の内部又は外部に設けられる記録媒体（非一時的な媒体：ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｍｅｄｉａ）に予め格納される。そして、各プログラムは、例えば、コンピュータによる実行時にＲＡＭに読み込まれ、ＣＰＵなどのプロセッサにより実行される。上記記録媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記録媒体を用いずに、例えばネットワークを介して配信されてもよい。
１０：学習装置、１１０：学習部、１２０：記憶部、２０：測定装置、２１０：取得部、２２０：測定部

Claims (10)

  1. 第１の方式により取得され、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する第１のセンサデータを学習データとし、
    前記第１の方式と比較してノイズの影響が少ない第２の方式により、前記第１のセンサデータに係る前記時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、
    前記反復区間において観察の対象とする対象特徴点に係る出力を学習する学習部、
    を備え、
    前記規定の時間は、前記反復区間の開始時点から前記対象特徴点が出現すると予想される時点までの時間長に基づいて設定される、
    学習装置。
  2. 前記反復区間は、出現に関し前記対象特徴点と時間軸における規則性を有する、少なくとも一つの他の特徴点を含む、
    請求項１に記載の学習装置。
  3. 前記第１のセンサデータおよび前記第２のセンサデータは、被験者の心臓の活動を記録した心電波形である、
    請求項１または請求項２のいずれか一項に記載の学習装置。
  4. 前記反復区間は、Ｐ波の開始時点からＴ波の終了時点までの区間である、
    請求項３に記載の学習装置。
  5. 前記対象特徴点は、Ｒ波であり、
    前記学習部は、前記第１のセンサデータに係る前記時間長の開始時点から、Ｐ波の開始時点からＲ波が出現すると予想される時点までの時間長が経過した時点において取得された前記第２のセンサデータに基づく教師データを用いて、Ｒ波に係る出力を学習する、
    請求項４に記載の学習装置。
  6. 前記学習部は、前記第２のセンサデータにおけるＲ波の存在確率を示す存在確率データを教師データとして、第１のセンサデータにおけるＲ波の存在確率に係る出力を学習する、
    請求項５に記載の学習装置。
  7. 前記第１の方式は、前記被験者と接触することが予想される少なくとも２つの電極を用いて心電波形を取得する方式であり、
    前記第２の方式は、前記被験者の皮膚に装着された少なくとも３つの電極を用いて心電波形を取得する方式である、
    請求項３から請求項６までのいずれか一項に記載の学習装置。
  8. 前記被験者は、移動体を運転する運転手である、
    請求項３から請求項７までのいずれか一項に記載の学習装置。
  9. 第１の方式により取得され、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する第１のセンサデータを学習データとし、
    前記第１の方式と比較してノイズの影響が少ない第２の方式により、前記第１のセンサデータに係る前記時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、
    前記反復区間において観察の対象とする対象特徴点に係る出力を学習すること、
    を含み、
    前記規定の時間は、前記反復区間の開始時点から前記対象特徴点が出現すると予想される時点までの時間長に基づいて設定される、
    学習方法。
  10. 第１の方式により取得された第１のセンサデータを入力として、第１のセンサデータにおいて観察の対象とする対象特徴点に係る測定を行う測定部、
    を備え、
    前記測定部は、時間の進行に沿って周期的に観察され得る反復区間と対応する時間長を有する前記第１のセンサデータを学習データとし、前記第１の方式と比較してノイズの影響が少ない第２の方式により、前記第１のセンサデータに係る前記時間長の開始時点から規定の時間が経過した時点において取得された第２のセンサデータに基づく教師データを用いて、前記反復区間における前記対象特徴点に係る出力を学習した学習済みモデルを用いて、前記対象特徴点に係る測定を行い、
    前記規定の時間は、前記反復区間の開始時点から前記対象特徴点が出現すると予想される時点までの時間長に基づいて設定される、
    測定装置。
JP2019208016A 2019-11-18 2019-11-18 学習装置、学習方法、および測定装置 Active JP7285763B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2019208016A JP7285763B2 (ja) 2019-11-18 2019-11-18 学習装置、学習方法、および測定装置
PCT/JP2020/030609 WO2021100266A1 (ja) 2019-11-18 2020-08-11 学習装置、学習方法、および測定装置
US17/768,386 US20230037994A1 (en) 2019-11-18 2020-08-11 Learning device, learning method, and measurement device
DE112020005677.5T DE112020005677T5 (de) 2019-11-18 2020-08-11 Lernvorrichtung, Lernverfahren und Messvorrichtung
CN202080074950.2A CN114599283A (zh) 2019-11-18 2020-08-11 学习装置、学习方法以及测定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019208016A JP7285763B2 (ja) 2019-11-18 2019-11-18 学習装置、学習方法、および測定装置

Publications (2)

Publication Number Publication Date
JP2021081915A JP2021081915A (ja) 2021-05-27
JP7285763B2 true JP7285763B2 (ja) 2023-06-02

Family

ID=75965217

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019208016A Active JP7285763B2 (ja) 2019-11-18 2019-11-18 学習装置、学習方法、および測定装置

Country Status (5)

Country Link
US (1) US20230037994A1 (ja)
JP (1) JP7285763B2 (ja)
CN (1) CN114599283A (ja)
DE (1) DE112020005677T5 (ja)
WO (1) WO2021100266A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017102838A (ja) 2015-12-04 2017-06-08 トヨタ自動車株式会社 物体認識アルゴリズムの機械学習のためのデータベース構築システム
WO2018199031A1 (ja) 2017-04-27 2018-11-01 日本電信電話株式会社 学習型信号分離方法、及び学習型信号分離装置
CN110037691A (zh) 2019-04-22 2019-07-23 上海数创医疗科技有限公司 用于r波定位的改进卷积神经网络

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3637412B2 (ja) 2000-05-17 2005-04-13 中国電力株式会社 時系列データ学習・予測装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017102838A (ja) 2015-12-04 2017-06-08 トヨタ自動車株式会社 物体認識アルゴリズムの機械学習のためのデータベース構築システム
WO2018199031A1 (ja) 2017-04-27 2018-11-01 日本電信電話株式会社 学習型信号分離方法、及び学習型信号分離装置
CN110037691A (zh) 2019-04-22 2019-07-23 上海数创医疗科技有限公司 用于r波定位的改进卷积神经网络

Also Published As

Publication number Publication date
WO2021100266A1 (ja) 2021-05-27
JP2021081915A (ja) 2021-05-27
CN114599283A (zh) 2022-06-07
DE112020005677T5 (de) 2022-09-15
US20230037994A1 (en) 2023-02-09

Similar Documents

Publication Publication Date Title
FI121453B (fi) Sydämen syketaajuuden havaitseminen
EP3485806A1 (en) Wearable device capable of detecting sleep apnea event and detection method thereof
US8382679B2 (en) Autonomic nerve activity measuring apparatus and autonomic nerve activity measuring method
KR102236791B1 (ko) 뇌파 분석 기반 환자진단 지원 시스템 및 방법
US20210121117A1 (en) Systems and methods of qt interval analysis
Deng et al. ST-Net: Synthetic ECG tracings for diagnosing various cardiovascular diseases
EP3485803B1 (en) Wearable device capable of recognizing sleep stage and recognition method thereof
JP2021048965A (ja) 特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラム
JP2023089729A (ja) 計算機システム及び情動推定方法
JP7285763B2 (ja) 学習装置、学習方法、および測定装置
JP7234100B2 (ja) 学習データ拡張方法、および学習データ生成装置
JP4649429B2 (ja) 心拍測定システム及び方法
JP7458170B2 (ja) 学習装置、学習方法、および測定装置
WO2023025650A1 (en) Fetal heart rate signal processing
CN111436939B (zh) 基于深度学习的识别体征信号的方法、系统、设备及介质
WO2021215070A1 (ja) 学習装置、学習方法、および測定装置
EP4368115A1 (en) Cardiotocographic scanning session duration
JP7022957B1 (ja) 心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システム
JP7327417B2 (ja) 状態推定装置、状態推定方法、及びプログラム
JP7163873B2 (ja) 状態推定装置、状態推定システム及び状態推定方法
CN117122308B (zh) 一种基于手机内置加速度传感器的心电图测量方法及系统
US20230277107A1 (en) Systems and methods for visual tracing of abnormality in diagnostic and monitoring clinical applications
Zia et al. Localizing placement of cardiomechanical sensors during dynamic periods via template matching
Kishor Anomalies in the classification and detection of heart rate using deep learning
KR20220139016A (ko) 다양한 형식의 심전도 데이터 이용가능한 딥러닝기반 예측 시스템

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220527

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: 20230516

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230523

R150 Certificate of patent or registration of utility model

Ref document number: 7285763

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150