JP7304901B2 - 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体 - Google Patents

不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体 Download PDF

Info

Publication number
JP7304901B2
JP7304901B2 JP2020568775A JP2020568775A JP7304901B2 JP 7304901 B2 JP7304901 B2 JP 7304901B2 JP 2020568775 A JP2020568775 A JP 2020568775A JP 2020568775 A JP2020568775 A JP 2020568775A JP 7304901 B2 JP7304901 B2 JP 7304901B2
Authority
JP
Japan
Prior art keywords
signal
arrhythmia
arrhythmia detection
neural network
electrocardiogram signal
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
JP2020568775A
Other languages
English (en)
Other versions
JP2021526063A (ja
JPWO2020047750A5 (ja
Inventor
啓航 姚
▲いぇ▼ 李
小毛 樊
云鵬 蔡
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Publication of JP2021526063A publication Critical patent/JP2021526063A/ja
Publication of JPWO2020047750A5 publication Critical patent/JPWO2020047750A5/ja
Application granted granted Critical
Publication of JP7304901B2 publication Critical patent/JP7304901B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • 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
    • A61B5/363—Detecting tachycardia or bradycardia
    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06F2218/12—Classification; Matching

Landscapes

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

Description

本発明は、心電図検出の技術分野に関し、特に、不整脈（Arrhythmia）検出方法、装置、電子装置およびコンピュータ記憶媒体に関するものである。
不整脈とは、心臓のペーシング（Cardiac pacing）と伝導機能（conductible function）のディスオーダー（disorder）により、心臓のリズム、周波数またはペーシング順序に異常が生ずることにより心頻拍（tachycardia）、心拍緩徐（bradycardia）、不整脈（arhythmia）、アジストリー（asystole）または心臓細動（heart fibrillation）等の症状がでることをいう。不整脈を検出することにより心血管疾患（cardiovascular disease）を有効に防止することができる。
従来の不整脈検出方法は人工的検出方法である。すなわち医学知識を具備している専門家のみが心電図を分析することにより不整脈のタイプを確定することができる。アーティフィシャルインテリジェンス（artificial intelligence）の発展に伴い、コンボルーションニューラルネットワークモデルで不整脈のタイプを自動に検出する方法が提案されたが、従来のコンボルーションニューラルネットワークモデルは長さが固定の心電図信号を採用しなければ不整脈の検出をすることができず、信号の長さが異なっている心電図信号に用いることができない。通常、心電図信号の長さが異なっているため、従来の不整脈検出方法はユニバーサリティーがよくない欠点を有している。
本発明の目的は、不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体を提供し、長さが異なっている心電図信号（electrocardiogram signals）で不整脈を検出することにより不整脈検出のユニバーサリティー（universality）を向上させることにある。
前記いずれか１つの目的を実現するため、本発明は下記技術的事項を採用する。
本発明の第1側面において不整脈検出方法を提供する。前記不整脈検出方法は電子装置の処理装置によって実施され、前記不整脈検出方法は、検出待機心電図信号を獲得するステップと、前記心電図信号を予め設定された不整脈検出モデルに入力するステップと、前記不整脈検出モデルで前記心電図信号を検出することにより前記心電図信号に対応する検出結果を獲得するステップとを含み、前記不整脈検出モデルは順に接続されるコンボルーションニューラルネットワークとリカレントニューラルネットワークを含み、前記検出結果は心電図信号の不整脈のタイプを含む。
本発明の実施例において、前記不整脈検出モデルで前記心電図信号を検出することにより前記心電図信号に対応する検出結果を獲得するステップは、前記コンボルーションニューラルネットワークで入力された前記心電図信号の特徴を検出することにより前記心電図信号の特徴情報を獲得し、かつその特徴情報を前記リカレントニューラルネットワークに入力するステップと、前記リカレントニューラルネットワークで入力された特徴情報に対して分類処理をすることにより前記心電図信号の不整脈のタイプを確定するステップとを含む。
本発明の実施例において、前記コンボルーションニューラルネットワークで入力された前記心電図信号の特徴を検出することにより前記心電図信号の特徴情報を獲得するステップは、前記コンボルーションニューラルネットワークにより前記心電図信号に対してコンボルーション重畳と非線形変換をすることにより特徴タイムシリーズを形成するステップを含み、前記特徴タイムシリーズは時間の順番に配列されかつ複数の心電図信号において抽出される特徴セグメントを含む。
本発明の実施例において、前記リカレントニューラルネットワークで入力された前記特徴情報に対して分類処理をすることにより前記心電図信号の不整脈のタイプを確定するステップは、前記リカレントニューラルネットワークにより前記特徴タイムシリーズ中の各前記特徴セグメントに対してイテレーション処理をすることにより前記特徴タイムシリーズの最終状態を確定し、かつ前記特徴タイムシリーズの最終状態に対して分離処理をすることにより前記心電図信号の不整脈のタイプを確定するステップを含む。
本発明の実施例において、前記不整脈検出モデルのトレーニング過程は、トレーニング信号を獲得するステップと、トレーニングを待っている不整脈検出モデルに前記トレーニング信号を入力し、前記不整脈検出モデルの損失函数により損失函数値を計算するステップと、前記損失函数値を用いかつ逆伝播アルゴリズム方法により前記不整脈検出モデルのパラメーターに対してトレーニングをし、前記損失函数値が所定値に達するとトレーニングを停止させるステップとを含む。
本発明の実施例において、前記トレーニング信号を獲得するステップは、最初の心電図信号を獲得するステップと、前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するステップとを含み、前記前処理は、ノイズ処理、横方向引張処理、横方向圧縮処理および局部カバーリング処理のうち一種または多種を含む。
本発明の実施例において、前記前処理はノイズ処理を含み、前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するステップは予め設定された信号対雑音比の振幅に対応するランダムノイズを前記最初の心電図信号に入力することによりトレーニング信号を獲得するステップを含む。
本発明の実施例において、前記前処理は横方向引張処理及び／または横方向圧縮処理を含み、前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するステップは、予め設定された比率により前記最初の心電図信号に対して横方向引張処理及び／または横方向圧縮処理をすることによりトレーニング信号を獲得するステップを含む。
本発明の実施例において、前記前処理は局部カバーリング処理を含み、前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するステップは、前記最初の心電図信号において持続時間が所定の時間より短い信号をランダムに検出するステップと、前記最初の心電図信号において検出した信号をゼロにすることによりトレーニング信号を獲得するステップとを含む。
本発明の実施例において、前記不整脈検出モデルのトレーニングをする過程において、正則化方法、ネットワーク接続構造のランダム除去方法およびラベル干渉方法のうち一種または多種による安定なトレーニング方法を採用する。
本発明の実施例において、前記コンボルーションニューラルネットワークは複数個のコンボルーション層と複数個のプーリング層を含み、各前記コンボルーション層は、順に接続されるコンボルーションユニット、非線形変換ユニットおよびバッチノーマライゼーションユニットを含み、前記リカレントニューラルネットワークは複数個の長期短期記憶ユニットを含み、各前記長期短期記憶ユニットは、忘却ゲート、更新ゲートおよび出力ゲートを含む。
本発明の第２側面において不整脈検出装置を更に提供する。前記不整脈検出装置は電子装置の処理装置側に設けられ、前記不整脈検出装置は、検出待機心電図信号を獲得するように設けられる信号獲得モジュールと、前記心電図信号を予め設定された不整脈検出モデルに入力するように設けられるモデル入力モジュールと、前記不整脈検出モデルで心電図信号を検出することにより前記心電図信号に対応する検出結果を獲得するように設けられるモデル検出モジュールとを含み、前記不整脈検出モデルは順に接続されるコンボルーションニューラルネットワークとリカレントニューラルネットワークを含み、前記検出結果は心電図信号の不整脈のタイプを含む。
本発明の実施例において、前記モデル検出モジュールは特徴検出ユニットとタイプ確定ユニットを含み、前記特徴検出ユニットは、前記コンボルーションニューラルネットワークで入力された前記心電図信号の特徴を検出することにより前記心電図信号の特徴情報を獲得し、かつその特徴情報を前記リカレントニューラルネットワークに入力するように設けられ、前記タイプ確定ユニットは前記リカレントニューラルネットワークで入力された特徴情報に対して分類処理をすることにより前記心電図信号の不整脈のタイプを確定するように設けられる。
本発明の実施例において、前記特徴検出ユニットは、前記コンボルーションニューラルネットワークが心電図信号に対してコンボルーション重畳と非線形変換をすることにより特徴タイムシリーズを形成するように設けられ、前記特徴タイムシリーズは時間の順番に配列されかつ複数の心電図信号において抽出される特徴セグメントを含む。
本発明の実施例において、前記タイプ確定ユニットは、前記リカレントニューラルネットワークが前記特徴タイムシリーズ中の各特徴セグメントに対してイテレーション処理をすることにより前記特徴タイムシリーズの最終状態を確定し、かつ前記特徴タイムシリーズの最終状態に対して分離処理をすることにより前記心電図信号の不整脈のタイプを確定するように設けられる。
本発明の実施例において、前記不整脈検出装置は、トレーニング信号を獲得するように設けられるトレーニング信号獲得モジュールと、トレーニングを待っている不整脈検出モデルに前記トレーニング信号を入力し、予め設定された前記不整脈検出モデルの損失函数により損失函数値を計算するように設けられる損失計算モジュールと、前記損失函数値を用い、逆伝播アルゴリズム方法により前記不整脈検出モデルのパラメーターに対してトレーニングをし、前記損失函数値が所定値に達するとトレーニングを停止させるように設けられるトレーニングモジュールとを含む。
本発明の実施例において、前記トレーニング信号獲得モジュールは、最初の心電図信号を獲得した後、前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するように設けられ、前記前処理は、ノイズ処理、横方向引張処理、横方向圧縮処理および局部カバーリング処理のうち一種または多種を含む。
本発明の実施例において、前記コンボルーションニューラルネットワークは複数個のコンボルーション層と複数個のプーリング層を含み、各前記コンボルーション層は、順に接続されるコンボルーションユニット、非線形変換ユニットおよびバッチノーマライゼーションユニットを含み、前記リカレントニューラルネットワークは複数個の長期短期記憶ユニットを含み、各前記長期短期記憶ユニットは、忘却ゲート、更新ゲートおよび出力ゲートを含む。
本発明の第３側面において電子装置を更に提供する。前記電子装置は記憶装置と処理装置を含み、前記記憶装置には前記処理装置が前記いずれか一項に記載の不整脈検出方法を実施することを制御するプログラムが記憶され、前記処理装置は記憶装置に記憶されるプログラムを実行するように設けられる。
本発明の第４側面においてコンピュータ記憶媒体を更に提供する。前記コンピュータ記憶媒体は前記いずれか一項に記載の不整脈検出装置に用いられるコンピュータソフトウェアインストラクションを記憶する。
本発明の不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体において、検出待機心電図信号を予め設定された不整脈検出モデルに入力し、かつ前記不整脈検出モデルにより不整脈のタイプが含まれる検出結果を獲得する。従来の技術のコンボルーションニューラルネットワークモデルは、長さが変化しない心電図信号によらなければ不整脈を検出することができないので、有界性が強い欠点を有している。本発明の不整脈検出モデルにはコンボルーションニューラルネットワークとリカレントニューラルネットワークが含まれており、リカレントニューラルネットワークの特徴により長さが異なっている心電図信号を検出することができるので、不整脈検出のユニバーサリティーを有効に向上させることができる。
本発明の他の特徴と発明の効果について以下の明細書において詳細に説明する。本発明の一部分の特徴と発明の効果は下記明細書の事項により推測するかまたは明確に確定することができ、前記発明の概要により本発明を把握することもできる。
本発明の前記目的、特徴および発明の効果をより明確に理解してもらうため、以下、好適な実施形態と添付される図面により本発明を詳細に説明する。
本発明の具体的な実施形態または従来技術の技術的事項をより詳細に説明するために、以下、本発明の具体的な実施形態または従来技術に係る図面を簡単に説明する。注意されたいことは、下記図面は本発明の好適な実施形態にしか過ぎないものであり、本技術分野の技術者は創造的な研究をしなくても下記図面により他の図面を想到ことができ、それらがあっても本発明に含まれることは勿論である。
本発明の不整脈検出方法を示す流れ図である。 本発明の不整脈検出モデルを示す図である。 本発明の他の不整脈検出モデルを示す図である。 本発明の他の不整脈検出方法を示す流れ図である。 本発明の不整脈検出モデルのトレーニング方法を示す流れ図である。 本発明の不整脈検出装置の構造を示すブロック図である。 本発明の電子装置の構造を示す図である。
本発明の実施形態の目的、技術的事項および発明の効果をより詳細に説明するため、以下、図面により本発明の技術的事項を詳細にかつ充分に説明する。注意されたいことは、下記実施形態は本発明の例示にしか過ぎないものであり、本発明の全ての実施形態を示すものでない。本発明の実施例を参照することにより本技術分野の技術者は創造的な研究をしなくても他の実施例を想到することができ、それらがあっても本発明に含まれることは勿論である。
従来の不整脈自動検出方法においてコンボルーションニューラルネットワーク（Convolutional Neural Network、ＣＮＮ）モデルを採用するが、コンボルーションニューラルネットワークモデルが検出できる心電図信号の長さは固定している（すなわち長さが変化することができない）ので、そのモデルに入力される心電図信号は長さが固定される信号にのみ制限される。それは、従来のコンボルーションニューラルネットワークモデルはコンボルーションニューラルネットワークモデルのＦＣ層（Fully connected layer）により結果を出力し、ＦＣ層のノイロン（Neuron）の個数を入力信号に対応させる必要があるからである。コンボルーションニューラルネットワークモデルはＦＣ層に制限されているので、入力される信号の長さを選択し、心電図信号を所定の長さに分割することにより所定の長さを具備する入力信号を形成する必要がある。それにより不整脈検出の正確性に大きい影響を与えるおそれがある。また、コンボルーションニューラルネットワークモデルの入力信号が１つの波形の波長に接近しているとき、コンボルーションニューラルネットワークモデルは波形が明らかに異常である不整脈を検出することができるが、リズムにのみ異常がある不整脈を検出することができない。前記方法を採用する場合、各波形を１つずつ標記する必要があるので、標記のコストが増加し、適用性がよくない欠点を有している。コンボルーションニューラルネットワークモデルの入力信号を記録用の長さまで増加させるとき、心電図信号の長さが異なるものになる問題を避けることができない。入力信号の長さが増加することによりコンボルーションニューラルネットワークモデルの規模を増加させる必要があるので、計算のコストが増加し、オーバーフィット現象（over-fit phenomena）等が生ずるおそれがある。
そのため、本発明において不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体を提供し、長さが異なっている心電図信号（electrocardiogram signals、可変心電図信号ともいう）で不整脈を検出することにより前記少なくとも１つの技術的課題を解決する。以下、本発明を詳細に説明する。
図１を参照すると、その図面は本発明の不整脈検出方法を示す流れ図である。前記不整脈検出方法中の各ステップは電子装置の処理装置によって実施され、前記処理装置は、コンピュータ、携帯電話または着用式心臓監視装置であることができる。前記不整脈検出方法は下記ステップを含む。
ステップＳ１０２において、検出待機心電図信号を獲得する。前記心電図信号は電子装置の処理装置によって随時に獲得した検査待機使用者の心電図信号であるかまたは処理装置が所定の位置に記憶されている心電図信号から読み出す心電図信号であることができる。
ステップＳ１０４において、心電図信号を予め設定された不整脈検出モデルに入力する。不整脈検出モデルは順に接続されるコンボルーションニューラルネットワーク（Convolutional Neural Network、ＣＮＮ）とリカレントニューラルネットワーク（Recurrent Neural Networks、ＲＮＮ）を含む。図２を参照すると、その図面は不整脈検出モデルを示す図であり、その図面には不整脈検出モデルの構造の概要が示されている。本実施例において、コンボルーションニューラルネットワークモデルで出力された心電図信号の特徴を検出することにより心電図信号の特徴情報を獲得し、かつその特徴情報をリカレントニューラルネットワークに入力する。次に、リカレントニューラルネットワークで入力された特徴情報に対して分類処理をすることにより心電図信号の不整脈のタイプを確定する。本実施例において、前記不整脈検出モデルによりＣＮＮとＲＮＮを結合させ、ＣＮＮのコンボルーションアルゴリズム（Convolutional Algorithm）により元信号の特徴を増強させ、ノイズを低減する。ＲＮＮにより所定方向の循環を確定することによりシーケンスデータ（Sequence data）を処理し、入力前後の間の接続の問題を解決し、分類処理を有効に実施することができる。
ステップＳ１０６において、不整脈検出モデルにより心電図信号を検出することにより心電図信号に対応する検出結果を獲得する。検出結果は不整脈のタイプを含み、不整脈のタイプは、例えば、結節性頻拍（nodal tachycardia）、洞性徐脈（sinus bradycardia）、早期収縮（premature beat）、発作性上室頻拍（Paroxysmal Supraventricular Tachycardia）、発作性心室頻拍（paroxysmal ventricular tachycardia）、心房フラッタ（Atrial flutter）、心房細動（atrial fibrillation）等のタイプを含む。異なる不整脈のタイプに対応する心電図信号の信号特徴が異なっているので、不整脈検出モデルは心電図信号の特徴により不整脈のタイプを確定することができる。
本発明の前記不整脈検出方法により検出待機心電図信号を、予め設定された不整脈検出モデルに入力し、かつ前記不整脈検出モデルにより不整脈のタイプが含まれる検出結果を獲得する。従来の技術のコンボルーションニューラルネットワークモデルは、長さが変化しない心電図信号によらなければ不整脈を検出することができないので、有界性（boundedness）が強い欠点を有している。本発明の不整脈検出モデルにはコンボルーションニューラルネットワークとリカレントニューラルネットワークが含まれており、リカレントニューラルネットワークの特徴により長さが異なっている心電図信号を検出することができるので、不整脈検出のユニバーサリティー（universality）を有効に向上させることができる。
実際の応用において、前記不整脈検出モデルをタイムステッピング（time stepping）コンボルーションニューラルネットワークモデルともいうことができる。本発明の具体的な実施例において、図３を参照すると、その図面は他の不整脈検出モデルを示す図である。図３の不整脈検出モデルはコンボルーションサブネットワーク（前記コンボルーションニューラルネットワークである）とリカレントサブネットワーク（前記リカレントニューラルネットワークである）を含む。実際の応用において、図３のコンボルーションサブネットワークは入力信号に対してコンボルーション重畳と非線形変換（Nonlinear transform）を行うことにより信号の特徴を検出し、複数個の特徴セグメントで構成されるタイムシリーズ（time series）を形成する。各特徴セグメントに対応する心電図信号において特徴を検出した後、それをリカレントサブネットワークに入力する。リカレントサブネットワークは、タイムイテレーション（Time iteration）により各タイミングに対応する特徴セグメントを獲得しかつそれを入力とすることによりリカレントサブネットワークの内部の記憶状態を更新する。リカレントサブネットワークが特徴タイムシリーズを全部読み出した後、リカレントサブネットワークの末端ユニットは信号の情報が含まれる最終の状態により分類結果を出力することができる。
理解を容易にするため、以下、図３に示される本実施例の不整脈検出モデル中のコンボルーションニューラルネットワークの作動原理を更に説明する。コンボルーションニューラルネットワークは複数個のコンボルーション層と複数個のプーリング層（Pooling Layer）を含む。コンボルーション層は複数個のコンボルーションカーネル（convolution kernel）で入力信号に対してコンボルーション処理をし、それにより特徴がもっと目立つ信号を形成する。プーリング層は最大値に対してプーリング処理をする。すなわち入力を受信した後隣接しているデータにおいて最大値を出力することによりデータの規模を低減することができる。図３に示される前記コンボルーションニューラルネットワークは１０個のコンボルーション層と５個のプーリング層を含む。コンボルーション層後の数値において、前者はコンボルーション層に用いられるコンボリューションカーネルのサイズを示し、後者はコンボルーション層に用いられるコンボリューションカーネルの個数を示す。コンボルーション層３～６４の例において、３はコンボルーション層に用いられるコンボリューションカーネルのサイズが３であることを示し、６４はコンボルーション層に用いられるコンボリューションカーネルの個数が６４であることを示す。コンボルーション層でコンボルーション処理をするとき、コンボルーション処理が信号の長さに影響を与えることを避けるため、信号の両端にゼロをつけることができる（数字シリーズで心電図信号を示し、数字シリーズの両端にゼロをつけることができる）。その方法により信号の長さがコンボルーション層により変化することを避け、不整脈検出の正確性と安定性をもっと確保することができる。実際の応用において、コンボリューションカーネルの個数が増加することにより各信号ポイントに対応する特徴が増加するが、プーリング層で信号ポイントの数量を低減することによりモデル中のデータ流れを維持し、情報が各層において伝送されるとき表示方法が異なることにより情報の紛失が発生することを防止することができる。注意されたいことは、図３に示されるコンボルーションサブネットワークの構造は本発明の例示にしか過ぎないものであるため、実際の応用において需要によりコンボルーションサブネットワークの構造を柔軟に変更させることができる。
本実施例において、コンボルーション層の具体的な内部構造を説明する。各コンボルーション層は、順に接続されるコンボルーションユニット、非線形変換ユニットおよびバッチノーマライゼーション（Batch Normalization）ユニットを含む。コンボルーションユニットはコンボルーション処理をし、非線形変換ユニットは線形整流函数（Rectified Linear Unit）を用いる。線形整流函数を修正線形ユニットともいい、その線形整流函数はアクティベーションファンクション（activation function）である。線形整流函数を神経細胞（nerve cell）のアクティベーションファンクションとして用い、前記神経細胞に対して線形変換をした後の非線形出力結果を定義する。線形整流函数はコンボルーション層に非線形変換を導入することに用いられ、それによりコンボルーションニューラルネットワークは特徴を表示しかつ複雑な変換を検出する能力を有している。バッチノーマライゼーションユニットでトレーニングをする過程において、受信した入力情報に対してバッチノーマライゼーション処理することにより、コンボルーション層の出力の分布が類似することを確保し、コンボリューションカーネルのパラメーターをより安定に更新することができる。
以下、本実施例の不整脈検出モデル中のリカレントニューラルネットワークの作動原理を更に説明する。リカレントニューラルネットワークは複数個の長期短期記憶ユニット（Long short term memory unit）を含む。本実施例において、リカレントニューラルネットワークは３個の長期短期記憶ユニットを含む。長期短期記憶ユニットは従来の情報を記憶させ、かつシーケンスデータを処理することに用いられる。具体的な実施例において、各長期短期記憶ユニットは忘却ゲート（forget gate）、更新ゲートおよび出力ゲートを含むことができる。
長期短期記憶ユニットの内部に設けられる３個のゲート構造、すなわち忘却ゲート、更新ゲートおよび出力ゲートにより長期短期記憶ユニットの内部の状態変量を記憶させるかまたは更新することができる。長期短期記憶ユニットはその内部の状態変量によりシーケンス入力中の有効情報を記憶させ、状態を更新するたびにシーケンス中の早期位置情報により心電図信号の情報を総合的に利用する目的を実現することができる。本実施例において、３個の長期短期記憶ユニットは長さが１２８、３２および９である状態変量を具備し、後部に位置する長期短期記憶ユニットは前部の状態変量に含まれる情報を抽出、帰納する。後部に位置する長期短期記憶ユニットは最後の時刻の状態変量を出力し、その出力をネットワークの出力にする。
忘却ゲートは前期のユニット状態（すなわち前記状態変量）のどの部分が現在の時刻まで保留されるかを確定する。入力ゲートは現在の時刻のネットワークの入力のどの部分がユニット状態に保存されるかを確定する。長期短期記憶ユニットは出力ゲートによりユニット状態のどの部分が長期短期記憶ユニットに出力される現在の出力値を制御する。
前記不整脈検出モデルの構造を理解するため図４を参照する。その図面は本発明の他の不整脈検出方法を示す流れ図であり、図１と比較してみると、その方法は下記ステップを含む。
ステップＳ４０２において、検出待機心電図信号を獲得する。
ステップＳ４０４において、心電図信号を予め設定された不整脈検出モデルに入力する。不整脈検出モデルは順に接続されるコンボルーションニューラルネットワークとリカレントニューラルネットワークを含む。
ステップＳ４０６において、不整脈検出モデル中のコンボルーションニューラルネットワークは心電図信号に対してコンボルーション重畳と非線形変換をすることにより特徴タイムシリーズを形成する。特徴タイムシリーズは、時間の順番に配列されかつ複数の心電図信号において抽出される特徴セグメントを含む。
ステップＳ４０８において、リカレントニューラルネットワークが特徴タイムシリーズ中の各特徴セグメントに対してイテレーション処理をすることにより特徴タイムシリーズの最終状態を確定し、かつ特徴タイムシリーズの最終状態に対して分離処理をすることにより心電図信号の不整脈のタイプを確定する。リカレントニューラルネットワークを用いることによりシーケンスデータを処理する。従来のコンボルーションニューラルネットワークモデルにおいて、モデルの入力層、隠蔽層および出力層の各層の間は接続されているが、各層のノードの間は接続されていない。したがって、従来のニューラルネットワークにより多い問題を解決することができない。それは、各情報が互いに係っており、コンボルーションニューラルネットワークにおいて１つのシリーズの現在の出力が前部の出力に係っているからである。具体的な実施例において、リカレントニューラルネットワークは前部の情報を記憶させるとともにそれを現在の出力の計算に用いる。すなわちリカレントニューラルネットワークの各層において隣接しているノードが接続されているので、リカレントニューラルネットワークは任意の長さを具備しているシーケンスデータを処理することができる。従来の技術において常用するニューラルネットワークは情報全体の特徴を抽出するとともに分類する必要があるが、本実施例の不整脈検出モデル中のリカレントニューラルネットワークには分析をした従来の心電図信号が記憶されており、結果を計算するとき獲得された新しい情報のみを処理することができるので、計算量を大幅に低減することができる。
本発明の前記不整脈検出方法において、検出待機心電図信号を予め設定された不整脈検出モデルに入力し、かつ前記不整脈検出モデルにより不整脈のタイプが含まれる検出結果を獲得する。従来の技術のコンボルーションニューラルネットワークモデルは、長さが変化しない心電図信号によらなければ不整脈を検出することができず、かつ心電図全体を計算する必要があるので、計算が複雑である欠点を有している。本発明の不整脈検出モデルにはコンボルーションニューラルネットワークとリカレントニューラルネットワークが含まれており、リカレントニューラルネットワークの特徴により長さ異なっている心電図信号を検出することができるので、不整脈検出のユニバーサリティーを有効に向上させることができる。また、本発明に従来の心電図信号が記憶されているので、記憶される情報によりトレーニングニューラルネットワークが所定の処理をするとき計算量を低減し、計算量とメモリの負担を有効に低減し、携帯装置にその方法を用いることができる。
本発明の実施例において、不整脈検出モデルのトレーニング過程を提供する。図５を参照すると、その図面は本発明の不整脈検出モデルのトレーニング方法を示す流れ図であり、その方法は下記ステップを含む。
ステップＳ５０２において、トレーニング信号を獲得する。
具体的な実施例において、まず、最初の心電図信号を獲得した後、その最初の心電図信号に対して前処理をすることによりトレーニング信号を獲得する。前処理は、ノイズ処理、横方向引張処理、横方向圧縮処理および局部カバーリング処理のうち一種または多種を含むことができる。
ステップＳ５０４において、トレーニングを待っている不整脈検出モデルにトレーニング信号を入力し、不整脈検出モデルの損失函数により損失函数値を計算する。
ステップＳ５０６において、損失函数値を用い、逆伝播アルゴリズム（Backpropagation algorithm）方法により不整脈検出モデルのパラメーターに対してトレーニングをし、損失函数値が所定値に達するとトレーニングを停止させる。
損失函数値が所定値に達すると、不整脈検出モデルのトレーニングが終わることを意味する。
理解を簡単にするため、本発明の実施例においてトレーニング信号の形成例を更に説明する。前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するステップは下記一種または多種の実施方法を参照することができる。
（一）ノイズ処理
具体的な実施例において、予め設定された信号対雑音比（signal-noise ratio）の振幅（Amplitude）に対応するランダムノイズ（random noise）を最初の心電図信号に入力することによりトレーニング信号を獲得する。
トレーニング信号に対してノイズ処理をする原因は、検出待機使用者の心電図信号を採集するとき、採集方法の有界性により採集される心電図信号にノイズ（以下、ホワイトノイズを例として説明する）が含まれることを避けることができないからである。具体的な応用において、不整脈検出モデルはホワイトノイズが含まれている心電図信号で不整脈の検出を有効にするため、不整脈検出モデルでトレーニングをするとき、本実施例は最初の心電図信号（すなわちノイズが含まれていない清浄な心電図信号）に対してノイズ処理をする。例えば、信号の信号対雑音比を算出し、信号対雑音比の振幅に対応するランダムホワイトノイズを最初の心電図信号に入力することによりいろいろなホワイトノイズの電波妨害を受ける最初の心電図信号の新信号（すなわちトレーニング信号）を形成する。ノイズが含まれているトレーニング信号により不整脈検出モデルのトレーニングをするとき、具体的な応用中の不整脈検出モデルが採集された検出待機使用者の心電図信号のノイズ影響を受けることを防止し、不整脈検出モデルの検出結果の正確性と安定性を向上させることができる。
（二）横方向引張処理及び／または横方向圧縮処理
具体的な実施例において、予め設定された比率によって最初の心電図信号に対して横方向引張処理及び／または横方向圧縮処理を行うことによりトレーニング信号を獲得する。
トレーニング信号に対して横方向引張処理及び／または横方向圧縮処理を行う原因は、使用者の心拍数は一定の範囲内において変化し、その心拍数は使用者の現時点の健康状態によって決定されるからである。また、各使用者の心拍数が異なっているからである。一定の範囲の因子（すなわち所定の比率）で横方向引張処理／横方向圧縮処理、すなわち最初の心電図信号に対して引張処理／圧縮処理を行うことによりいろいろな心拍数に対応する心電図信号（すなわちトレーニング信号）を形成する。いろいろな心拍数に対応する心電図信号により不整脈検出モデルに対してトレーニングをする場合、不整脈検出モデルでいろいろな心拍数に対応する心電図信号を検出する効果を向上させ、不整脈検出モデルは心拍数の影響を受けない波形特徴と心拍数変異等の特徴を有効に検出することができる。
（三）局部カバーリング処理
具体的な実施例において、最初の心電図信号において持続時間が所定の時間より短い信号をランダムに検出し、最初の心電図信号において検出した信号をゼロにすることによりトレーニング信号を獲得する。
トレーニング信号に対して局部カバーリング処理をする原因は、使用者の心電図信号を採集するとき、信号の波動により接続の離脱が生ずるおそれがあるからである。理想的なモデルは信号の不足による影響を受けず、有効な信号中の特徴をランダムに検出することができる。最初の心電図信号において検出した信号をゼロにすることにより一部分の信号が乏しい効果を獲得することができる。例えば各心電図信号において持続時間が１．５秒以下である信号をランダムに検出し、その信号をゼロにすることにより接続の離脱に対応する信号を形成する。一部分が乏しい心電図信号により不整脈検出モデルに対してトレーニングをする場合、不整脈検出モデルにより一部分が乏しい心電図信号を検出する効果を向上させ、不整脈検出モデルが心電図信号中の一部分の信号（例えば特徴が明確な信号）のみを検出することを避け、不整脈検出モデルが信号の特徴全体を検出することを確保し、検出の効果を向上させることができる。
前記トレーニング信号の生成方法により不整脈検出モデルのトレーニングデータを増強し、最初の心電図信号に対してある程度の変換をすることにより最初の心電図信号が統一データ分布に含まれる新心電図信号を形成することができる。その変換をする目的は、アナログ採集（analogue acquistion）により獲得した実施の心電図信号に一定のランダム特徴が含まれているからである。増強されたデータ（すなわちトレーニング信号）によりモデルのトレーニングをするとき学習の正確性を大幅に向上させ、モデルのトレーニングを確保し、モデルで不整脈を検出する効果を向上させることができる。
実際のトレーニングをするとき、本実施例の不整脈検出モデルにより一対一のトレーニング方法を実施することができる。すなわちコンボルーションニューラルネットワークとリカレントニューラルネットワークを有効に接続させ、ネットワークの接続と促進を有効に実施することができる。
不整脈検出モデルの検出結果の正確性と安定性を更に向上させるため、不整脈検出モデルのトレーニングをする過程において、正則化（Regularization）方法、ネットワーク接続構造のランダム除去方法およびラベル干渉方法のうち一種または多種による安定なトレーニング方法を採用する。理解を容易にするため、以下前記３つのトレーニング方法をそれぞれ説明する。
（一）正則化方法
ニューラルネットワークモデルのパラメーターが多いので、オーバーフィット現象（over-fit phenomena）が容易に生ずるおそれがある。本実施例のモデルでトレーニングをするとき、正則化方法によりオーバーフィット現象を防止することができる。正則化方法はＬ１正則化方法またはＬ２正則化方法等を採用することができる。モデル内のパラメーターの制限により一部分のパラメーターがモデル全体の変化方向を導くように更新されることを有効に制御することができる。実際の応用において、モデルトレーニングをするとき、損失函数に所定の比率の前記パラメーターの平方を添加することにより内部のパラメーターの柔軟性制限を形成し、モデルパラメーターが大きすぎる可能性を減少させ、モデルの安定なトレーニングを確保することができる。
（二）ネットワーク接続構造のランダム除去方法
ネットワーク接続構造のランダム除去方法によりニューラルネットワーク構造中の変化しない一部分の接続を除去することができる。例えばニューラルネットワークの上層のコンボルーション層と下層のコンボルーション層の間の接続においてコンボルーション層の一部分のフィルターを停止させることができる。そのようなネットワーク構造を破壊する方法により、トレーニングをするたびにいろいろな小さいネットワーク構造をトレーニングすることができる。そのようなランダム的な接続方法によりモデルが一部分の接続に強く依頼することを避け、整理されたモデルのパラメーターを有効に利用することにより安定なモデルを獲得することができる。
（三）ラベル干渉方法
モデルをトレーニングするときラベル干渉方法により間違いラベルを適当に入力することができる。例えばトレーニング信号Ａに対応する正確なラベルはＢであり、トレーニングをするとき、トレーニング信号ＡにラベルＣをつけることができる。そのような間違いラベルをつける方法（ラベル干渉方法）を採用する場合、小さいデータセットによりモデルのトレーニングをすることができる。したがって、トレーニングがされるモデルは複数個の抽出後のデータセットにより形成されるモデルの平均に類似する。その平均により安定なモデルを獲得することができる。
本実施例の前記不整脈検出モデルのトレーニング方法によりモデルの安定なトレーニングを確保し、実際の応用において検出結果の正確性と安定性がよい不整脈検出モデルを獲得することができる。
本発明のモデルで実際の処理をするとき、いろいろな要求により正確率と随時性を自由に調節することができる。例えば、本発明の実施例に係るモデルにおいて、最高の正確率を獲得するため、心電図信号のデータ分布とトレーニング信号を一致させ、モデルをトレーニングするとき、モデルのコンボルーション層はトレーニング信号に対応するデータシリーズの両端にゼロをつけることができる。両端のデータ以外の大部分のデータは純粋なデータであるので、ゼロをつける必要がない。最高の随時性を獲得するため、モデルはモデルのコンボルーション層の計算においてトレーニング信号に対応するデータシリーズの両端にゼロをつけることができる。その場合コンボルーション層は単語の予測と更新に要るデータの長さに影響を与えない。心電図信号は複数の数字の組合せであり、一列の心電図信号はデータシリーズである。所定の位置にゼロをつける目的は、コンボルーション処理を確保し、コンボルーション処理が信号の長さに影響を与えることを防止することにある。
本実施例に係る前記不整脈検出方法は、不整脈検出モデル（タイムステッピングコンボルーションニューラルネットワークともいう）を採用し、コンボルーションニューラルネットワークとリカレントニューラルネットワークを含むので、長さが異なっている心電図信号に適用し（すなわちいろいろな可変心電図信号を兼用することができる）、心電図信号中の特徴を自動に検出するとともに綜合に利用することができる。また、不整脈検出モデルは随時処理をすることにより本実施例の不整脈検出モデル中のリカレントニューラルネットワークには分析された従来の心電図信号が記憶されており、結果を計算するとき獲得された新しい情報のみを処理することができるので、計算量を大幅に低減することができる。他のニューラルネットワークにより情報全体の特徴を抽出するとともに分類する従来の技術と比較してみると、本実施例の不整脈検出モデルは計算量を大幅に低減し、増量されても随時処理をすることができるので、随時処理場所に応用することができる。従来のコンボルーションニューラルネットワークと比較してみると、本実施例のモデルはメモリの負担を大幅に低減し、その方法を携帯装置に用いることができる。
前記不整脈検出モデルは可変心電図信号中の局部特徴（例えば心電図信号中の１つの波形）と全部特徴（例えば心拍数と心拍数変異等）を全面的に充分に検出することができるので、検出の効果がよく、メモリを多く占めず、随時の処理をするとき計算の負担が少ない利点を有しており、病院の看護、使用者の自己看護等の心電図信号を自動に分析する分野において良好な適用性を具備することができる。
本実施例に係る不整脈検出モデルの効果を検出するため、本発明はテストによって獲得したデータを提供する。８種の不整脈と正常な不整脈に記載されるとおり、本発明は７７．３％の平均正確率を獲得することができる。長さが異なる信号が入力されるＶＧＧ１６モデル（すなわち従来の検出モデル）中の最高の結果と比較してみると、本発明のタイムステッピングコンボルーションニューラルネットワーク（すなわち不整脈検出モデル）は６％以上のエラー率を低減することができる。所定の不整脈のタイプ、例えば心房性早期収縮（atrial premature beat）、心室性早期収縮（premature ventricular beat）の正確率を有効に向上させることができる。具体的に、心房性早期収縮と心室性早期収縮の正確率をそれぞれ２２％と１３％以上向上させ、その結果は表１に示されるとおりである。
表１、従来のコンボルーションニューラルネットワークとタイムステッピングコンボルーションニューラルネットワークの不整脈検出性能
Figure 0007304901000001
以下、計算により本発明のタイムステッピングコンボルーションニューラルネットワークモデルのパラメーター数量を獲得する。コンボルーション層のパラメーターを算出してみると、タイムステッピングコンボルーションニューラルネットワークモデルのパラメーター数量はＶＧＧ１６モデルのパラメーター数量の半分であり、算出の過程は表２に示されるとおりである。
ＦＣ層が含まれていないので、本発明のタイムステッピングコンボルーションニューラルネットワークモデルはコンボルーション層と長期短期記憶ユニット中のパラメーターを重複に用いることにより用いられるパラメーター数量を大幅に低減することができる。
表２、従来のコンボルーションニューラルネットワークとタイムステッピングコンボルーションニューラルネットワークのパラメーター数量を比較
Figure 0007304901000002
表２に示されるとおり、従来のコンボルーションニューラルネットワークＶＧＧ１６ののパラメーター数量は１１４６１１２０個であり、本発明のタイムステッピングコンボルーションニューラルネットワークのパラメーター数量は５２５４８５２であり、本発明のパラメーター数量は従来のパラメーター数量よりずいぶん少ない。
以上のとおり、本発明の不整脈検出方法においてタイムステッピングコンボルーションニューラルネットワークを採用することにより下記発明の効果を獲得することができる。
（１）可変心電図信号に適用することにより心電図データベースに適用することができる。
（２）心電図信号を明確に区分する必要がないので、心電図記録中の全部特徴と局部特徴を総合的に利用することができる。
（３）コンボルーションニューラルネットワークとリカレントニューラルネットワークが含まれることにより、パラメーターの数量を大幅に低減し、モデルに設けられるメモリの負担を低減することができる。
（４）随時の処理をすることができ、かつ随時の処理の解決方法においてリカレントニューラルネットワークに記憶されている前期の状態情報を用いることにより、計算量を大幅に低減することができる。
本発明の実施例において前記不整脈検出方法に対応する不整脈検出装置を更に提供する。前記不整脈検出装置は電子装置の処理装置側に設けられる。図６を参照すると、その図面は不整脈検出装置の構造を示す構成図である。前記不整脈検出装置は、信号獲得モジュール６０２、モデル入力モジュール６０４およびモデル検出モジュール６０６を含む。
信号獲得モジュール６０２は検出待機心電図信号を獲得するように設けられる。
モデル入力モジュール６０４は心電図信号を予め設定された不整脈検出モデルに入力するように設けられる。不整脈検出モデルは順に接続されるコンボルーションニューラルネットワークとリカレントニューラルネットワークを含む。具体的な実施例において、コンボルーションニューラルネットワークは複数個のコンボルーション層と複数個のプーリング層を含む。各コンボルーション層は、順に接続されるコンボルーションユニット、非線形変換ユニットおよびバッチノーマライゼーションユニットを含む。リカレントニューラルネットワークは複数個の長期短期記憶ユニットを含み、各長期短期記憶ユニットは、忘却ゲート、更新ゲートおよび出力ゲートを含む。
モデル検出モジュール６０６は不整脈検出モデルで心電図信号を検出することにより心電図信号に対応する検出結果を獲得するように設けられる。検出結果は不整脈のタイプを含む。
本発明の前記不整脈検出装置は検出待機心電図信号を予め設定された不整脈検出モデルに入力し、かつ前記不整脈検出モデルにより不整脈のタイプが含まれる検出結果を獲得する。従来の技術のコンボルーションニューラルネットワークモデルは、長さが変化しない心電図信号によらなければ不整脈を検出することができないので、有界性が強い欠点を有している。本発明の不整脈検出モデルにはコンボルーションニューラルネットワークとリカレントニューラルネットワークが含まれており、リカレントニューラルネットワークの特徴により長さ異なっている心電図信号を検出することができるので、不整脈検出のユニバーサリティーを有効に向上させることができる。
本発明の実施例において、前記モデル検出モジュールは特徴検出ユニットとタイプ確定ユニットを含む。
特徴検出ユニットは、コンボルーションニューラルネットワークで入力された心電図信号の特徴を検出することにより心電図信号の特徴情報を獲得し、かつその特徴情報をリカレントニューラルネットワークに入力するように設けられる。
タイプ確定ユニットはリカレントニューラルネットワークで入力された特徴情報に対して分類処理をすることにより心電図信号の不整脈のタイプを確定するように設けられる。
前記特徴検出ユニットは、コンボルーションニューラルネットワークが心電図信号に対してコンボルーション重畳と非線形変換を行うことにより特徴タイムシリーズを形成するように設けられる。特徴タイムシリーズは時間の順番に配列されかつ複数の心電図信号において抽出される特徴セグメントを含む。
前記タイプ確定ユニットは、リカレントニューラルネットワークが特徴タイムシリーズ中の各特徴セグメントに対してイテレーション処理をすることにより特徴タイムシリーズの最終状態を確定し、かつ特徴タイムシリーズの最終状態に対して分離処理をすることにより心電図信号の不整脈のタイプを確定するように設けられる。
本発明の実施例において前記不整脈検出モデルのトレーニング装置を更に提供する。前記トレーニング装置は順に接続されるトレーニング信号獲得モジュール、損失計算モジュールおよびトレーニングモジュールを含む。
トレーニング信号獲得モジュールはトレーニング信号を獲得するように設けられる。
損失計算モジュールは、トレーニングを待っている不整脈検出モデルにトレーニング信号を入力し、予め設定された不整脈検出モデルの損失函数により損失函数値を計算するように設けられる。
トレーニングモジュールは、損失函数値を用い、逆伝播アルゴリズム方法により不整脈検出モデルのパラメーターに対してトレーニングをし、損失函数値が所定値に達するとトレーニングを停止させるように設けられる。
前記トレーニング信号獲得モジュールは、最初の心電図信号を獲得した後、その最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するように設けられる。前処理は、ノイズ処理、横方向引張処理、横方向圧縮処理および局部カバーリング処理のうち一種または多種を含む。
最初の心電図信号に対してノイズ処理をするとき、前記最初の心電図信号に予め設定された信号対雑音比の振幅対応するランダムノイズを入力することによりトレーニング信号を獲得する。
最初の心電図信号に対して横方向引張処理及び／または横方向圧縮処理をするとき、予め設定された比率によって前記最初の心電図信号に対して横方向引張処理及び／または横方向圧縮処理をすることによりトレーニング信号を獲得する。
最初の心電図信号に対して局部カバーリング処理をするとき、前記最初の心電図信号において持続時間が所定の時間より短い信号をランダムに検出し、前記最初の心電図信号において検出した信号をゼロにすることによりトレーニング信号を獲得する。
本実施例の不整脈検出装置の作動原理およびその発明の効果は前記実施例に類似しているので、不整脈検出装置の実施例において説明しない部分は前記実施例の事項を参照することができ、それにより説明を簡単にすることができる。
本発明の実施例において電子装置を更に提供する。電子装置は記憶装置と処理装置を含み、記憶装置には処理装置が前記いずれか１つの不整脈検出方法を実施することを制御するプログラムが記憶され、処理装置は記憶装置に記憶されるプログラムを実施するように設けられる。前記電子装置は、コンピュータ、携帯電話または着用式心臓監視装置等であることができる。
本発明の実施例においてコンピュータ記憶媒体を更に提供する。そのコンピュータ記憶媒体は前記いずれか１つの不整脈検出装置に用いられるコンピュータソフトウェアインストラクション（Software instruction）を記憶するように設けられる。
本発明は前記不整脈検出方法に対応する電子装置を提供する。図７は電子装置の構造を示す図であり、図７を参照すると、前記電子装置は、処理装置７０、メモリ７１、バスライン７２および通信インタフェース（communication interface）７３を含む。処理装置７０、通信インタフェース７３およびメモリ７１はバスライン７２により接続され、処理装置７０はメモリ７１に記憶されている実施可能なモジュール例えばコンピュータプログラムを実行する。
メモリ７１は高速ランダムアクセスメモリ（ＲＡＭ：Random Access Memory）を含むか或いは不揮発性メモリ（non-volatile memory）例えば少なくとも１つの磁気ディスクメモリを更に含むこともできる。少なくとも１つの通信インタフェース７３（無線または有線であることができる）によりネットワークエレメント（network element）と他の少なくとも１つのネットワークエレメントとの間の通信をすることができる。通信手段として、インターネット、広域ネットワーク（Wide Area Network）、ローカルエリアネットワーク、メトロポリタンエリアネットワーク（metropolitan area network）を用いることができる。
バスライン７２は、ＩＳＡバスライン、ＰＣＴバスラインまたはＥＩＳＡバスライン等であることができる。前記バスラインを、アドレスバスライン、データバスライン、制御バスライン等に分類することができる。表示を簡単にするため、図７において１つの二方向矢印でそのバスラインたちを示したが、図面の二方向矢印は１本のバスラインまたは１種類のバスラインのみを示すものでない。
メモリ７１はプログラムを記憶することに用いられる。前記処理装置７０は実行インストラクションを受信した後前記プログラムを実行する。本発明のいずれか１つの実施例の方法を処理装置７０に用いるかまたは処理装置７０で実施することができる。
処理装置７０は信号処理機能を有している集積回路チップであることができる。本発明を実施するとき、前記方法の各ステップは処理装置７０内のハードウェアのような集積論理回路またはソフトウェアのような指令により実施されることができる。前記処理装置７０は、中央処理装置（Central Processing Unit、ＣＰＵと略称）、ネットワークプロセッサ（Network Processor、ＮＰと略称）などのような汎用プロセッサであるかまたは、デジタル信号プロセッサ（Digital Signal Processor、ＤＳＰと略称）、特定用途向けの集積回路（Application Specific Integrated Circuit：ＡＳＩＣと略称）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array、ＦＰＧＡと略称）または他のプログラマブルロジックデバイス、ディスクリートゲートまたはトランジスタロジックデバイス、ディスクリートハードウェア部材であることができる。それらにより本発明の各実施形態の方法、ステップ及びロジックブロック図を実施又は実行することができる。汎用プロセッサはマイクロプロセッサであり、前記プロセッサは従来の常用のプロセッサなどであることができる。本発明の実施形態に係る方法のステップは、ハードウェア形態のデコーディングプロセッサにより実行されるかまたはデコーディングプロセッサ中のハードウェアとソフトウェアモジュールの組み合わせにより直接に実行されることができる。ソフトウェアモジュールは、ランダムアクセスメモリ、フラッシュメモリ、読み取り専用メモリ、プログラマブル読み取り専用メモリ又は電気的消去可能なプログラマブルメモリ、レジスタなどの本技術分野において常用している記憶媒体内に設けられることができる。前記記憶媒体はメモリ７１に設けられ、処理装置７０はメモリ７１内の情報を読み取りかつハードウェアと連動することにより前記実施形態の方法のステップを実施することができる。
この技術分野の技術者は電子装置の具体的な作動過程について不整脈検出方法の過程を参照することができるので、ここではそれを再び説明しない。それにより説明を簡単にすることができる。
本発明の実施形態において、不整脈検出方法、装置、電子装置、所定のコンピュータプログラムが記憶されるコンピュータ記憶媒体、コンピュータプログラムのプログラムコードが記憶されるコンピュータ記憶媒体を提供する。前記プログラムコードにより前記実施例の方法を実施することができ、その内容を前記方法の実施形態を参照することができるため、ここでは再び説明しない。
本発明の実施例において、特別な説明がない限り、「装着」、「連結」、「接続」という用語は、固定連結されるかまたは着脱可能に連結されるかまたは一体に連結されること、機械的に連結されるかまたは電気接続されること、直接に連結されるかまたは中央の部品により連結されるかまたは２つの部品の内部が連結されることを意味する。この技術分野の技術者は本発明の事項により前記用語の意味を具体的に理解することができる。
前記機能はソフトウェアユニットのような製品により実施されることができ、ソフトウェアユニットを独立の製品として販売または使用するとき、それをコンピュータ読み取り可能な記憶媒体に記憶させることができる。本発明の技術的事項、本発明の効果を獲得できる特別な技術的特徴または本発明の一部分の技術的事項はソフトウェアのような製品により実施されることができる。前記コンピュータソフトウェアは記憶媒体に記憶されかついくつかの指令を含むことによりコンピュータ装置（パーソナルコンピュータ、サーバーまたはネットワークデバイス等）が本発明の各実施形態に係る方法の全部または一部のステップを実施するようにすることができる。前記記憶媒体は、ＵＳＢフラッシュドライブディスク、モバイルハードディスク、読み取り専用メモリ（ＲＯＭ：Read-Only Memory）、ランダムアクセスメモリ（ＲＡＭ：Random Access Memory）、磁気ディスクまたは光ディスク等のプログラムコードを記憶させることができるいろいろな媒体であることができる。
最後に説明したいことは、前記実施例は本発明の具体的な実施形態にしか過ぎないものである。具体的に、前記実施形態は本発明の技術的事項を説明するためのものであるが、本発明の技術的範囲を制限するものでないため、本発明は前記実施例の構成にのみ限定されるものでない。注意されたいことは、前記実施例により本発明を詳細に説明してきたが、本技術分野の常用技術を把握している技術者は本発明の要旨を逸脱しない範囲内において前記実施例に記載されている技術的事項を改良または変更するかまたは一部分の技術的特徴を代替することができる。それらの改良、変更または代替は本発明の要旨を逸脱しない範囲内に実施されるものであるため、それらが本発明に含まれることは勿論である。すなわち、本発明の技術的範囲は特許請求の範囲が定めたことを基準とする。
本発明の技術的事項において、順に接続されるコンボルーションニューラルネットワークとリカレントニューラルネットワークを含む不整脈検出モデルを採用し、長さが異なっている心電図信号を検出することにより不整脈を検出することができるので、不整脈検出のユニバーサリティーを有効に向上させることができる。

Claims (15)

  1. 不整脈検出方法であって、前記不整脈検出方法は電子装置の処理装置によって実施され、前記不整脈検出方法は、
    検出待機心電図信号を獲得するステップと、
    前記心電図信号を予め設定された不整脈検出モデルに入力するステップと、
    前記不整脈検出モデルで前記心電図信号を検出することにより前記心電図信号に対応する検出結果を獲得するステップと、を含み、
    前記不整脈検出モデルは、順に接続されるコンボルーションニューラルネットワークとリカレントニューラルネットワークを含み、
    前記検出結果は心電図信号の不整脈のタイプを含み、
    前記不整脈検出モデルのトレーニング過程は、
    トレーニング信号を獲得するステップと、
    トレーニングを待っている不整脈検出モデルに前記トレーニング信号を入力し、前記不整脈検出モデルの損失函数により損失函数値を計算するステップと、
    前記損失函数値を用いかつ逆伝播アルゴリズム方法により前記不整脈検出モデルのパラメーターに対してトレーニングをし、前記損失函数値が所定値に達するとトレーニングを停止させるステップと、を含み、
    前記トレーニング信号を獲得するステップは、
    最初の心電図信号を獲得するステップと、
    前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するステップと、を含み、
    前記前処理は、局部カバーリング処理を含み、
    前記最初の心電図信号に対して前処理を行うことによりトレーニング信号を形成するステップは、
    前記最初の心電図信号において持続時間が所定の時間より短い信号をランダムに検出し、その信号をゼロにすることにより接続の離脱に対応する信号を形成するステップを含む、
    ことを特徴とする不整脈検出方法。
  2. 前記不整脈検出モデルで前記心電図信号を検出することにより前記心電図信号に対応する検出結果を獲得するステップは、前記コンボルーションニューラルネットワークで入力された前記心電図信号の特徴を検出することにより前記心電図信号の特徴情報を獲得し、かつその特徴情報を前記リカレントニューラルネットワークに入力するステップと、前記リカレントニューラルネットワークで入力された特徴情報に対して分類処理をすることにより前記心電図信号の不整脈のタイプを確定するステップとを含むことを特徴とする請求項１に記載の不整脈検出方法。
  3. 前記コンボルーションニューラルネットワークで入力された前記心電図信号の特徴を検出することにより前記心電図信号の特徴情報を獲得するステップは、前記コンボルーションニューラルネットワークにより前記心電図信号に対してコンボルーション処理と非線形変換をすることにより特徴タイムシリーズを形成するステップを含み、前記特徴タイムシリーズは時間の順番に配列されかつ複数の心電図信号において抽出される特徴セグメントを含むことを特徴とする請求項２に記載の不整脈検出方法。
  4. 前記リカレントニューラルネットワークで入力された前記特徴情報に対して分類処理をすることにより前記心電図信号の不整脈のタイプを確定するステップは、前記リカレントニューラルネットワークにより前記特徴タイムシリーズ中の各前記特徴セグメントに対してイテレーション処理をすることにより前記特徴タイムシリーズの最終状態を確定し、かつ前記特徴タイムシリーズの最終状態に対して分類処理をすることにより前記心電図信号の不整脈のタイプを確定するステップを含むことを特徴とする請求項３に記載の不整脈検出方法。
  5. 前記前処理はノイズ処理をさらに含み、前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するステップは予め設定された信号対雑音比の振幅に対応するランダムノイズを前記最初の心電図信号に入力することによりトレーニング信号を獲得するステップを含むことを特徴とする請求項１に記載の不整脈検出方法。
  6. 前記前処理は横方向引張処理及び／または横方向圧縮処理をさらに含み、前記最初の心電図信号に対して前処理をすることによりトレーニング信号を形成するステップは、予め設定された所定の比率で前記最初の心電図信号に対して横方向引張処理及び／または横方向圧縮処理を行うことにより前記トレーニング信号を獲得するステップを含むことを特徴とする請求項１に記載の不整脈検出方法。
  7. 前記不整脈検出モデルのトレーニングをする過程において、正則化方法、ネットワーク接続構造のランダム除去方法およびラベル干渉方法のうち一種または多種による安定なトレーニング方法を採用することを特徴とする請求項１に記載の不整脈検出方法。
  8. 前記コンボルーションニューラルネットワークは複数個のコンボルーション層と複数個のプーリング層を含み、各前記コンボルーション層は、順に接続されるコンボルーションユニット、非線形変換ユニットおよびバッチノーマライゼーションユニットを含み、前記リカレントニューラルネットワークは複数個の長期短期記憶ユニットを含み、各前記長期短期記憶ユニットは、忘却ゲート、更新ゲートおよび出力ゲートを含むことを特徴とする請求項１～７のうちいずれか一項に記載の不整脈検出方法。
  9. 不整脈検出装置であって、前記不整脈検出装置は電子装置の処理装置側に設けられ、前記不整脈検出装置は、
    検出待機心電図信号を獲得するように設けられる信号獲得モジュールと、
    前記心電図信号を予め設定された不整脈検出モデルに入力するように設けられるモデル入力モジュールと、
    前記不整脈検出モデルで心電図信号を検出することにより前記心電図信号に対応する検出結果を獲得するように設けられるモデル検出モジュールと、
    トレーニング信号を獲得するように設けられるトレーニング信号獲得モジュールと、
    トレーニングを待っている不整脈検出モデルに前記トレーニング信号を入力し、予め設定された前記不整脈検出モデルの損失函数により損失函数値を計算するように設けられる損失計算モジュールと、
    前記損失函数値を用い、逆伝播アルゴリズム方法により前記不整脈検出モデルのパラメーターに対してトレーニングをし、前記損失函数値が所定値に達するとトレーニングを停止させるように設けられるトレーニングモジュールと、
    を含み、
    前記不整脈検出モデルは順に接続されるコンボルーションニューラルネットワークとリカレントニューラルネットワークを含み、
    前記検出結果は心電図信号の不整脈のタイプを含み、
    前記トレーニング信号獲得モジュールは、最初の心電図信号を獲得した後、前記最初の心電図信号に対して局部カバーリング処理を含む前処理をすることによりトレーニング信号を形成するように設けられ、
    前記トレーニング信号は、前記最初の心電図信号において持続時間が所定の時間より短い信号をランダムに検出し、その信号をゼロにすることにより接続の離脱に対応する信号を形成することにより形成される
    ことを特徴とする不整脈検出装置。
  10. 前記モデル検出モジュールは特徴検出ユニットとタイプ確定ユニットを含み、前記特徴検出ユニットは、前記コンボルーションニューラルネットワークで入力された前記心電図信号の特徴を検出することにより前記心電図信号の特徴情報を獲得し、かつその特徴情報を前記リカレントニューラルネットワークに入力するように設けられ、前記タイプ確定ユニットは前記リカレントニューラルネットワークで入力された特徴情報に対して分類処理を行うことにより前記心電図信号の不整脈のタイプを確定するように設けられることを特徴とする請求項９に記載の不整脈検出装置。
  11. 前記特徴検出ユニットは、前記コンボルーションニューラルネットワークが心電図信号に対してコンボルーション処理と非線形変換をすることにより特徴タイムシリーズを形成するように設けられ、前記特徴タイムシリーズは時間の順番に配列されかつ複数の心電図信号において抽出される特徴セグメントを含むことを特徴とする請求項１０に記載の不整脈検出装置。
  12. 前記タイプ確定ユニットは、前記リカレントニューラルネットワークが前記特徴タイムシリーズ中の各特徴セグメントに対してイテレーション処理をすることにより前記特徴タイムシリーズの最終状態を確定し、かつ前記特徴タイムシリーズの最終状態に対して分類処理をすることにより前記心電図信号の不整脈のタイプを確定するように設けられることを特徴とする請求項１１に記載の不整脈検出装置。
  13. 前記コンボルーションニューラルネットワークは複数個のコンボルーション層と複数個のプーリング層を含み、各前記コンボルーション層は、順に接続されるコンボルーションユニット、非線形変換ユニットおよびバッチノーマライゼーションユニットを含み、前記リカレントニューラルネットワークは複数個の長期短期記憶ユニットを含み、各前記長期短期記憶ユニットは、忘却ゲート、更新ゲートおよび出力ゲートを含むことを特徴とする請求項９に記載の不整脈検出装置。
  14. 電子装置であって、前記電子装置は記憶装置と処理装置を含み、前記記憶装置には前記処理装置が請求項１～８のうちいずれか一項に記載の不整脈検出方法を実施することを制御するプログラムが記憶され、前記処理装置は記憶装置に記憶されるプログラムを実行するように設けられることを特徴とする電子装置。
  15. 請求項９～１３のうちいずれか一項に記載の不整脈検出装置に読み込まれて請求項１～８のいずれか一項に記載の不整脈検出方法を前記不整脈検出装置に実行させるプログラムが記憶されたコンピュータ記憶媒体。
JP2020568775A 2018-09-04 2018-09-04 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体 Active JP7304901B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/104002 WO2020047750A1 (zh) 2018-09-04 2018-09-04 心律失常的检测方法、装置、电子设备及计算机存储介质

Publications (3)

Publication Number Publication Date
JP2021526063A JP2021526063A (ja) 2021-09-30
JPWO2020047750A5 JPWO2020047750A5 (ja) 2023-06-15
JP7304901B2 true JP7304901B2 (ja) 2023-07-07

Family

ID=69721489

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020568775A Active JP7304901B2 (ja) 2018-09-04 2018-09-04 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体

Country Status (5)

Country Link
EP (1) EP3847958A4 (ja)
JP (1) JP7304901B2 (ja)
KR (1) KR102463764B1 (ja)
CN (1) CN111163690B (ja)
WO (1) WO2020047750A1 (ja)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7403166B2 (ja) * 2019-02-13 2023-12-22 国立大学法人京都大学 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定装置の動作方法、及び、睡眠時無呼吸症候群判定プログラム
CN111588349B (zh) * 2020-05-28 2023-12-01 京东方科技集团股份有限公司 一种健康分析装置及电子设备
CN112022142B (zh) * 2020-08-07 2023-10-17 上海联影智能医疗科技有限公司 心电信号类型识别方法、装置及介质
CN112001482B (zh) * 2020-08-14 2024-05-24 佳都科技集团股份有限公司 振动预测及模型训练方法、装置、计算机设备和存储介质
CN112070067B (zh) * 2020-10-12 2023-11-21 乐普（北京）医疗器械股份有限公司 一种光体积描计信号的散点图分类方法和装置
CN112464721A (zh) * 2020-10-28 2021-03-09 中国石油天然气集团有限公司 微地震事件自动识别方法及装置
CN112450942B (zh) * 2020-11-26 2023-01-24 中国人民解放军南部战区总医院 心电信号的监测方法、系统、装置及介质
CN112818773A (zh) * 2021-01-19 2021-05-18 青岛歌尔智能传感器有限公司 心率检测方法、设备及存储介质
CN112597986B (zh) * 2021-03-05 2021-06-08 腾讯科技（深圳）有限公司 生理电信号分类处理方法、装置、计算机设备和存储介质
CN115316996B (zh) * 2021-05-10 2024-10-18 广州视源电子科技股份有限公司 心律异常识别模型训练方法、装置、设备及存储介质
KR102573059B1 (ko) * 2021-05-13 2023-08-31 경북대학교 산학협력단 부정맥 판단 방법 및 장치, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체
EP4212099A4 (en) * 2021-05-21 2024-05-15 Cardio Intelligence Inc. PROGRAM, OUTPUT DEVICE AND DATA PROCESSING METHOD
CN113349753A (zh) * 2021-07-19 2021-09-07 成都芯跳医疗科技有限责任公司 一种基于便携式动态心电监护仪的心律失常检测方法
CN113768514B (zh) * 2021-08-09 2024-03-22 西安理工大学 基于卷积神经网络与门控循环单元的心律失常分类方法
CN114343665B (zh) * 2021-12-31 2022-11-25 贵州省人民医院 一种基于图卷积空时特征融合选择的心律失常识别方法
WO2024019523A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
CN115429284B (zh) * 2022-09-16 2024-05-03 山东科技大学 心电信号分类方法、系统、计算机设备以及可读存储介质
CN115624322B (zh) * 2022-11-17 2023-04-25 北京科技大学 一种基于高效时空建模的非接触生理信号检测方法及系统
CN117257324B (zh) * 2023-11-22 2024-01-30 齐鲁工业大学(山东省科学院) 基于卷积神经网络和ecg信号的房颤检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017049684A (ja) 2015-08-31 2017-03-09 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 分類モデルを学習する方法、コンピュータ・システムおよびコンピュータ・プログラム
WO2017175434A1 (ja) 2016-04-06 2017-10-12 ソニー株式会社 情報処理装置、情報処理方法および情報提供方法
CN107516075A (zh) 2017-08-03 2017-12-26 安徽华米信息科技有限公司 心电信号的检测方法、装置及电子设备
JP2018005773A (ja) 2016-07-07 2018-01-11 株式会社リコー 異常判定装置及び異常判定方法
JP2018073103A (ja) 2016-10-28 2018-05-10 キヤノン株式会社 演算回路、その制御方法及びプログラム
CN108039203A (zh) 2017-12-04 2018-05-15 北京医拍智能科技有限公司 基于深度神经网络的心律失常的检测系统
WO2018119316A1 (en) 2016-12-21 2018-06-28 Emory University Methods and systems for determining abnormal cardiac activity
WO2018134952A1 (ja) 2017-01-19 2018-07-26 株式会社島津製作所 分析データ解析方法および分析データ解析装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08221378A (ja) * 1995-02-10 1996-08-30 Ricoh Co Ltd 学習機械
US20160189730A1 (en) * 2014-12-30 2016-06-30 Iflytek Co., Ltd. Speech separation method and system
PL3367897T3 (pl) * 2015-10-27 2021-11-02 CardioLogs Technologies Automatyczny sposób oznaczania lub kategoryzowania elektrokardiogramu
CN106725426A (zh) * 2016-12-14 2017-05-31 深圳先进技术研究院 一种心电信号分类的方法及系统
CN106901723A (zh) * 2017-04-20 2017-06-30 济南浪潮高新科技投资发展有限公司 一种心电图异常自动诊断方法
CN107341452B (zh) * 2017-06-20 2020-07-14 东北电力大学 基于四元数时空卷积神经网络的人体行为识别方法
CN107562784A (zh) * 2017-07-25 2018-01-09 同济大学 基于ResLCNN模型的短文本分类方法
CN107943525A (zh) * 2017-11-17 2018-04-20 魏茨怡 一种基于循环神经网络的手机app交互方式
CN108095716B (zh) * 2017-11-21 2020-11-06 河南工业大学 一种基于置信规则库和深度神经网络的心电信号检测方法
CN107958044A (zh) * 2017-11-24 2018-04-24 清华大学 基于深度时空记忆网络的高维序列数据预测方法和系统
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
GB201720059D0 (en) * 2017-12-01 2018-01-17 Ucb Biopharma Sprl Three-dimensional medical image analysis method and system for identification of vertebral fractures
CN107870306A (zh) * 2017-12-11 2018-04-03 重庆邮电大学 一种基于深度神经网络下的锂电池荷电状态预测算法
CN108073704B (zh) * 2017-12-18 2020-07-14 清华大学 一种liwc词表扩展方法
CN108108768B (zh) * 2017-12-29 2020-09-25 清华大学 基于卷积神经网络的光伏玻璃缺陷分类方法及装置
CN107961007A (zh) * 2018-01-05 2018-04-27 重庆邮电大学 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN108418792B (zh) * 2018-01-29 2020-12-22 华北电力大学 基于深度循环神经网络的网络逃避行为检测方法
CN108255656B (zh) * 2018-02-28 2020-12-22 湖州师范学院 一种应用于间歇过程的故障检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017049684A (ja) 2015-08-31 2017-03-09 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 分類モデルを学習する方法、コンピュータ・システムおよびコンピュータ・プログラム
WO2017175434A1 (ja) 2016-04-06 2017-10-12 ソニー株式会社 情報処理装置、情報処理方法および情報提供方法
JP2018005773A (ja) 2016-07-07 2018-01-11 株式会社リコー 異常判定装置及び異常判定方法
JP2018073103A (ja) 2016-10-28 2018-05-10 キヤノン株式会社 演算回路、その制御方法及びプログラム
WO2018119316A1 (en) 2016-12-21 2018-06-28 Emory University Methods and systems for determining abnormal cardiac activity
WO2018134952A1 (ja) 2017-01-19 2018-07-26 株式会社島津製作所 分析データ解析方法および分析データ解析装置
CN107516075A (zh) 2017-08-03 2017-12-26 安徽华米信息科技有限公司 心电信号的检测方法、装置及电子设备
CN108039203A (zh) 2017-12-04 2018-05-15 北京医拍智能科技有限公司 基于深度神经网络的心律失常的检测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Qihang Yao et al.，Time-Incremental Convolutional Neural Network for Arrhythmia Detection in Varied-Length Electrocardiogram，2018 IEEE 16th Intl Conf on Dependable, Autonomic and Secure Computing, 16th Intl Conf on Pervasive Intelligence and Computing, 4th Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress(DASC/PiCom/DataCom/CyberSciTech)，2018年08月12日，pp.754-761，DOI: 10.1109/DASC/PiCom/DataCom/CyberSciTec.2018.00131
Rasmus S. Andersen et al.，A deep learning approach for real-time detection of atrial fibrillation，Expert Systems With Applications，2018年08月14日，Volume 115，pp.465-473，DOI: 10.1016/j.eswa.2018.08.011
Shu Lih Oh et al.，Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats，Computers in Biology and Medicine，2018年06月05日，volume 102，pp.278-287，DOI: 10.1016/j.compbiomed.2018.06.002

Also Published As

Publication number Publication date
KR20210037614A (ko) 2021-04-06
CN111163690A (zh) 2020-05-15
EP3847958A1 (en) 2021-07-14
EP3847958A4 (en) 2021-09-08
WO2020047750A1 (zh) 2020-03-12
JP2021526063A (ja) 2021-09-30
KR102463764B1 (ko) 2022-11-03
CN111163690B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
JP7304901B2 (ja) 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体
Xu et al. Interpretation of electrocardiogram (ECG) rhythm by combined CNN and BiLSTM
CN107516075B (zh) 心电信号的检测方法、装置及电子设备
CN109620205B (zh) 心电数据分类方法、装置、计算机设备和存储介质
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
WO2021017313A1 (zh) 房颤的检测方法、装置、计算机设备及存储介质
US20200394526A1 (en) Method and apparatus for performing anomaly detection using neural network
CN108968941B (zh) 一种心律失常检测方法、装置及终端
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
JP6583892B2 (ja) Ｅｃｇ信号の並行解析装置、方法及び移動端末
US20200074281A1 (en) Computer-readable recording medium, abnormality determination method, and abnormality determination device
CN112270212B (zh) 基于多导联心电信号生成心搏标签数据序列的方法和装置
WO2022077888A1 (zh) 一种光体积描计信号的散点图分类方法和装置
CN110367968B (zh) 一种右束支阻滞检测方法、装置、设备及存储介质
JPWO2020047750A5 (ja)
JP7119012B2 (ja) 不整脈に関係する心拍を分類するためのシステム
CN108960050A (zh) 归类模型训练方法、心电图数据归类方法、装置及设备
Wang et al. A novel multi-scale convolutional network with attention-based bidirectional gated recurrent unit for atrial fibrillation discrimination
CN114041800A (zh) 心电信号实时分类方法、装置及可读存储介质
Zhao et al. Towards deep learning-based detection scheme with raw ECG signal for wearable telehealth systems
Sridevi et al. Quanvolution neural network to recognize arrhythmia from 2D scaleogram features of ECG signals
CN112603324B (zh) 基于改进损失函数的神经网络的训练方法
CN114519370A (zh) 一种基于深度学习早停机制的左心室肥大检测方法及系统
Allam et al. Patient-specific ECG beat classification using EMD and deep learning-based technique
CN113180623A (zh) 无袖式血压测量方法、系统、设备及存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201210

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220113

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220125

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220420

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220830

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221129

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230307

A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20230607

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: 20230620

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230627

R150 Certificate of patent or registration of utility model

Ref document number: 7304901

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150