JP7690182B2 - 演算装置、検知装置、演算方法、及び、コンピュータプログラム - Google Patents

Description

本開示は、演算装置、検知装置、演算方法、及び、コンピュータプログラムに関する。本出願は、２０１８年５月９日出願の日本出願第２０１８－０９０５９２号に基づく優先権を主張し、前記日本出願に記載された全ての記載内容を援用する。

心電図上の隣接するＲ波の間隔（ＲＲＩ：R-R Interval）は自律神経活動と関係があることが知られている。ＲＲＩのばらつきは心拍変動（ＨＲＶ：heart rate variability）と呼ばれ、一般的に、ＨＲＶが大きいほど内部又は外部からの刺激に対する反応性が高く、ＨＲＶが小さいほど反応性が低い。

この特徴を利用して、ＨＲＶ解析を用いた様々なヘルスモニタリング技術が開発されている。たとえば、てんかん性発作の予兆の検知（特開２０１５－１１２４２３号公報）や無呼吸状態の検出（特開２０１６－２１４４９１号公報）などのヘルスモニタリング技術が知られている。

特開２０１５－１１２４２３号公報 特開２０１６－２１４４９１号公報

ＨＲＶ解析を用いたヘルスモニタリング技術においては、Ｒ波の正確な検出が前提となる。そのため、Ｒ波が正確に検出されないと、ＨＲＶ解析の精度が低下するという課題がある。ＨＲＶ解析の精度の低下は、ヘルスモニタリングの性能の低下につながる。

Ｒ波の検出の信頼性を低下させる要因の一つとして、Ｒ波の誤検出や検出漏れが挙げられる。また、Ｒ波の検出の信頼性を低下させる要因の他の例として、健常者でも起こりうる一般的な不整脈である期外収縮（ＰＶＣ：Premature Ventricular Contraction）が挙げられる。ＰＶＣが発生するとＲＲＩにアーチファクトが混入するためである。

ある実施の形態に従うと、演算装置は、心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置であって、時系列に得られたＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出し、補正対象範囲のＲＲＩデータをＤＡＥ（denoising autoencoder）に入力することによって、補正対象範囲のＲＲＩデータを補正する。

他の実施の形態に従うと、検知装置は上記演算装置を搭載し、補正対象範囲のＲＲＩデータを含んだ時系列に得られたＲＲＩデータに基づいて特定の生体情報を検知する。

他の実施の形態に従うと、演算方法は、心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算方法であって、時系列に得られたＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出するステップと、補正対象範囲のＲＲＩデータをＤＡＥに入力することによって、補正対象範囲のＲＲＩデータを補正するステップと、を備える。

他の実施の形態に従うと、コンピュータプログラムは、コンピュータを心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置として機能させるプログラムであって、コンピュータに、時系列に得られたＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出するステップと、補正対象範囲のＲＲＩデータをＤＡＥに入力することによって、補正対象範囲のＲＲＩデータを補正するステップと、を実行させる。
更なる詳細は、後述の実施形態として説明される。

図１は、実施の形態にかかる検知装置の構成の概略を示す図である。 図２の（ａ）は、心電信号の一例を示す図であり、（ｂ）は、（ａ）の心電信号に対応するＲ波データを示す図である。 図３は、図１の検知装置に含まれる演算装置の構成の一例を示すブロック図である。 図４は、ＰＶＣが生じたときの心電信号の例を示す図である。 図５は、人工的なＰＶＣアーチファクトを混入させたＲＲＩデータから算出されたＳＤＮＮを表した図である。 図６は、人工的なＰＶＣアーチファクトを混入させたＲＲＩデータから算出されたＬＦ／ＨＦを表した図である。 図７Ａは、２つのＨＲＶ指標変数（変数１、変数２）と２つの主成分（第１主成分、第２主成分）との関係を示す図である。図７Ｂは、２つのＨＲＶ指標変数及び２つの主成分とＴ２統計量との関係を説明するための図である。 図８Ａは、Ｈａｎｋｅｌ行列を示す式（１）を表した図である。図８Ｂは図９に示されたモデルの構築を具体的に説明するための図である。図８ＣはＤＡＥの構成の概略、及び、ＤＡＥに入出力されるデータの概要を表した図である。 図９は、演算装置の処理部がＭＳＰＣ－ＳＳＡを用いてＰＶＣアーチファクトの検出に用いるモデルを構築するアルゴリズムの一例を示したフローチャートである。 図１０は、演算装置の処理部がＭＳＰＣ－ＳＳＡを用いてリアルタイムでＰＶＣアーチファクトを検出するアルゴリズムを示したフローチャートである。 図１１は、演算装置の処理部がＤＡＥ－ＲＭを用いてＲＲＩデータからＰＶＣアーチファクトを除去する補正アルゴリズムを示したフローチャートである。 図１２は、発明者らが検証に用いた被験者Ａ～Ｒの属性を示した図である。 図１３Ａは、被験者Ｍから得られたＲＲＩデータを示す図である。図１３Ｂは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出されたｍｅａｎＮＮである。図１３Ｃは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出されたＳＤＮＮである。 図１４Ａは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出されたＴｏｔａｌ Ｐｏｗｅｒである。図１４Ｂは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出されたＲＭＳＳＤである。図１４Ｃは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出されたＮＮ５０である。 図１５Ａは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出されたＬＦである。図１５Ｂは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出されたＨＦである。図１５Ｃは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出されたＬＦ／ＨＦである。 図１６Ａは、発明者らの検証において、活性化関数がシグモイド関数であるＤＡＥを適用したときの結果を示した図である。図１６Ｂは、発明者らの検証において、活性化関数がＲｅＬＵであるＤＡＥを適用したときの結果を示した図である。 図１７Ａは、発明者らの検証において、中間層の活性化関数がＲｅＬＵであるＤＡＥを適用し、入力変数の数を６とした場合の結果を示した図である。図１７Ｂは、発明者らの検証において、中間層の活性化関数がＲｅＬＵであるＤＡＥを適用し、入力変数の数を８とした場合の結果を示した図である。 図１８Ａは、発明者らの検証において、ＤＡＥ、ＰＬＳ、及び、ＬＷ－ＰＬＳそれぞれを適用して補正後のＲＲＩデータを示した図である。図１８Ｂは、発明者らの検証において、図１８ＡのＲＲＩデータから得られたｍｅａｎＮＮを示した図である。図１８Ｃは、発明者らの検証において、図１８ＡのＲＲＩデータから得られたＳＤＮＮを示した図である。 図１９Ａは、発明者らの検証において、図１８ＡのＲＲＩデータから得られたＴｏｔａｌ Ｐｏｗｅを示した図である。図１９Ｂは、発明者らの検証において、図１８ＡのＲＲＩデータから得られたＲＭＳＳＤを示した図である。図１９Ｃは、発明者らの検証において、図１８ＡのＲＲＩデータから得られたＮＮ５０を示した図である。 図２０Ａは、発明者らの検証において、図１８ＡのＲＲＩデータから得られたＬＦを示した図である。図２０Ｂは、発明者らの検証において、図１８ＡのＲＲＩデータから得られたＨＦを示した図である。図２０Ｃは、発明者らの検証において、図１８ＡのＲＲＩデータから得られたＬＦ／ＨＦを示した図である。 図２１Ａは、発明者らの検証において、ＲｅＬＵＤＡＥ、ｔｙｐｉｃａｌＤＡＥ、ＰＬＳ、及び、ＬＷ－ＰＬＳそれぞれを適用して補正後のＲＲＩデータを示した図である。図２１Ｂは、発明者らの検証において、図２１Ａの補正後のＲＲＩデータから得られたｍｅａｎＮＮを示した図である。図２１Ｃは、発明者らの検証において、図２１Ａの補正後のＲＲＩデータから得られたＳＤＮＮを示した図である。 図２２Ａは、発明者らの検証において、図２１Ａの補正後のＲＲＩデータから得られたＴｏｔａｌ Ｐｏｗｅｒを示した図である。図２２Ｂは、発明者らの検証において、図２１Ａの補正後のＲＲＩデータから得られたＲＭＳＳＤを示した図である。図２２Ｃは、発明者らの検証において、図２１Ａの補正後のＲＲＩデータから得られたＮＮ５０を示した図である。 図２３Ａは、発明者らの検証において、図２１Ａの補正後のＲＲＩデータから得られたＬＦを示した図である。図２３Ｂは、発明者らの検証において、図２１Ａの補正後のＲＲＩデータから得られたＨＦを示した図である。図２３Ｃは、発明者らの検証において、図２１Ａの補正後のＲＲＩデータから得られたＬＦ／ＨＦを示した図である。 図２４は、ＰＡＣ（Premature Atrial Contraction）の発生した心電波形の一例を示した図である。 図２５は、ＰＡＣ人工アーチファクトを加えたＲＲＩデータの一例を示した図である。 図２６Ａは、オリジナルのＲＲＩデータ、人工アーチファクトを加えたＲＲＩデータ、及び、ＤＡＥ－ＲＭによる補正後のＲＲＩデータを示した図である。図２６Ｂは、発明者らの検証において、図２６ＡのＲＲＩデータから得られたｍｅａｎＮＮを示した図である。図２６Ｃは、発明者らの検証において、図２６ＡのＲＲＩデータから得られたＳＤＮＮを示した図である。 図２７Ａは、発明者らの検証において、図２６ＡのＲＲＩデータから得られたＴｏｔａｌ Ｐｏｗｅを示した図である。図２７Ｂは、発明者らの検証において、図２６ＡのＲＲＩデータから得られたＲＭＳＳＤを示した図である。図２７Ｃは、発明者らの検証において、図２６ＡのＲＲＩデータから得られたＮＮ５０を示した図である。 図２８Ａは、発明者らの検証において、図２６ＡのＲＲＩデータから得られたＬＦを示した図である。図２８Ｂは、発明者らの検証において、図２６ＡのＲＲＩデータから得られたＨＦを示した図である。図２８Ｃは、発明者らの検証において、図２６ＡのＲＲＩデータから得られたＬＦ／ＨＦを示した図である。

［１．演算装置、検知装置、演算方法、及び、コンピュータプログラムの概要］

（１）本実施の形態に含まれる演算装置は、心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置であって、時系列に得られたＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出し、補正対象範囲のＲＲＩデータをＤＡＥ（denoising autoencoder）に入力することによって、補正対象範囲のＲＲＩデータを補正する。ノイズ（アーチファクト）は、例えば、期外収縮（ＰＶＣ：Premature Ventricular Contraction）、及び、Ｒ波の検知の欠落、である。

ＲＲＩデータのばらつきは心拍変動（ＨＲＶ：heart rate variability）、ＨＲＶ解析は様々なヘルスモニタリング技術に利用されている。そのため、ノイズを有するＲＲＩデータを含む補正対象範囲のＲＲＩデータを補正することによって、ＨＲＶ解析の精度を向上させることができる。その結果、ＨＲＶ解析を利用したヘルスモニタリング技術の性能を向上させることができる。

（２）好ましくは、検出することは、ノイズがＰＶＣによるものであるＲＲＩデータを含む補正対象範囲を検出することを含む。この場合、ＰＶＣによるノイズを含むＲＲＩデータの範囲が補正対象範囲とされて補正されるため、測定されたＲＲＩデータからＰＶＣによるノイズを排したＲＲＩデータが得られる。その結果、補正後のＲＲＩデータのＨＲＶ解析の精度が向上する。

（３）好ましくは、ＤＡＥの活性化関数はＲｅＬＵ（Rectified Linear Unit）である。発明者らによる実施によって、ＲＲＩデータがＰＶＣによるノイズを含む場合、活性化関数がＲｅＬＵであるＤＡＥをＲＲＩデータに対して適用した方が、他の活性化関数を適用した場合よりも、補正後のＲＲＩデータがＰＶＣによるノイズがないＲＲＩデータに対する追従度合が高いことが検証されている。つまり、ＲＲＩデータがＰＶＣによるノイズを含む場合には活性化関数はＲｅＬＵとした方が補正の精度が高い。したがって、補正後のＲＲＩデータのＨＲＶ解析の精度をより向上させることができる。

（４）好ましくは、検出することは、ノイズがＲ波の検知が欠落していることに起因するものであるＲＲＩデータを含む補正対象範囲を検出することを含む。この場合、Ｒ波の検知の欠落によるノイズを含むＲＲＩデータの範囲が補正対象範囲とされて補正されるため、測定されたＲＲＩデータからこのノイズを排したＲＲＩデータが得られる。その結果、補正後のＲＲＩデータのＨＲＶ解析の精度が向上する。

（５）好ましくは、ＤＡＥの活性化関数はシグモイド関数である。発明者らによる実施によって、ＲＲＩデータがＲ波の検知の欠落によるノイズを含む場合、活性化関数がシグモイド関数であるＤＡＥをＲＲＩデータに対して適用した方が、他の活性化関数を適用した場合よりも、補正後のＲＲＩデータがＲ波の検知の欠落によるノイズがないＲＲＩデータに対する追従度合が高いことが検証されている。つまり、ＲＲＩデータがＲ波の検知の欠落によるノイズを含む場合には活性化関数はシグモイド関数とした方が補正の精度が高い。したがって、補正後のＲＲＩデータのＨＲＶ解析の精度をより向上させることができる。

（６）好ましくは、演算装置は、補正対象範囲のＲＲＩデータを補正する際に、検出された補正対象範囲が、ノイズがＰＶＣによるものであるＲＲＩデータを含む補正対象範囲か、ノイズがＲ波の検知が欠落していることに起因するものであるＲＲＩデータを含む補正対象範囲か、によって、ＤＡＥの活性化関数を、ＲｅＬＵとシグモイド関数とで切り替える。これにより、ＲＲＩデータに含まれるノイズに応じて最適な補正を行うことができる。

（７）好ましくは、補正対象範囲のＲＲＩデータを補正する際にＤＡＥに入力するＲＲＩデータの数は、補正対象範囲に含まれるＲＲＩデータの数に一致する。補正対象範囲に含まれるＲＲＩデータの数は、たとえば、ノイズがＰＶＣによるものであって、そのノイズが連続する２拍に現れる場合、その２拍と前後１拍ずつの、計４拍である。これにより、補正対象範囲を不必要に大きくすることなく、必要な範囲の補正を可能にする。

（８）好ましくは、検出することは、ノイズがＰＡＣによるものであるＲＲＩデータを含む補正対象範囲を検出することを含む。この場合、ＰＡＣによるノイズを含むＲＲＩデータの範囲が補正対象範囲とされて補正されるため、測定されたＲＲＩデータからＰＡＣによるノイズを排したＲＲＩデータが得られる。その結果、補正後のＲＲＩデータのＨＲＶ解析の精度が向上する。

（９）本実施の形態に含まれる検知装置は（１）～（７）のいずれか１つに記載の演算装置を搭載し、補正対象範囲のＲＲＩデータを含んだ時系列に得られたＲＲＩデータに基づいて特定の生体状態を検知する。特定の生体状態は、たとえば、てんかん性発作の予兆や、無呼吸状態や、居眠り状態、などである。（１）～（７）のいずれか１つに記載の演算装置を搭載していることで、この検知装置は、（１）～（７）に記載の演算装置と同様の効果を奏する。つまり、ＨＲＶ解析を利用した上記のような生体状態の検知精度を向上させることができる。

（１０）本実施の形態に含まれる演算方法は、（１）～（７）のいずれか１つに記載の演算装置において実行される演算方法である。そのため、この演算方法は、（１）～（７）に記載の演算装置と同様の効果を奏する。

（１１）本実施の形態に含まれるコンピュータプログラムは、コンピュータを（１）～（７）に記載の演算装置として機能させるプログラムである。そのため、このコンピュータプログラムは、（１）～（７）に記載の演算装置と同様の効果を奏する。コンピュータプログラムは、コンピュータ読み取り可能な、非一時的な記憶媒体に格納される。

［２．演算装置、検知装置、演算方法、及び、コンピュータプログラムの例］

［第１の実施の形態］

＜検知装置の構成＞
図１は、本実施の形態にかかる検知装置の構成の概略を示す図である。図を参照して、検知装置１００は、演算装置１と心拍計測器２とを含む。本実施の形態にかかる検知装置は、被験者の心拍に基づいて特定の生体状態を検知する検知装置である。特定の生体状態は、たとえば、てんかん性発作の予兆や、無呼吸状態や、居眠り状態、などである。

演算装置１と心拍計測器２とは通信可能であって、一例として無線通信する。無線通信は、たとえば、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの短距離無線通信、インターネットを介した通信、などである。

＜心拍計測器＞
心拍計測器２は、被験者Ｐの身体に取り付けられ、被験者Ｐの心拍を計測するための小型軽量なウェアラブルデバイスである。心拍計測器２には、被験者Ｐの体表に取り付けられる複数（図１では３つ）の電極２１が接続されている。３つの電極２１は、たとえばプラス電極、マイナス電極、及び、接地電極である。

図２の（ａ）は、心電信号の一例を示す図である。図２の（ａ）の縦軸は電位、横軸は時間を示している。電極２１を用いて心拍を計測すると、図２の（ａ）に示すようなＰ～Ｔ波からなる電位変化が周期的に現れる。単位周期の電位変化の中で最も電位の高いピークをＲ波といい、Ｒ波のタイミングで心臓が拍動する。心拍計測器２は、Ｒ波を示すＲ波データを演算装置１に送信する。

図２の（ｂ）は、図２の（ａ）の心電信号に対応するＲ波データを示す。図３に示すように、Ｒ波データは、心電信号におけるＲ波に対応する期間（信号強度Ｉが所定の強度閾値Ｉｔｈを超える期間）が「１」に設定され、それ以外の期間が「０」に設定された矩形パルス列を表すデータである。

＜演算装置＞
演算装置１は、心拍計測器２から送信されるＲ波データに基づいててんかん性発作の兆候などの特定の生体状態を検知する検知装置として機能するとともに、後述のＲＲＩを補正する補正装置としても機能する。演算装置１は、たとえば、スマートフォンやパーソナルコンピュータなどの通信端末である。

図３は、演算装置１の構成の一例を示すブロック図である。図を参照して、演算装置１は、専用のマイクロコンピュータなどからなる処理部１０を含む。また、演算装置１はメモリ１２を有し、メモリ１２には、処理部１０で演算を行うためのプログラム１２１が記憶されている。

演算装置１は、心拍計測器２と通信する通信部１３を有する。通信部１３は、たとえば、心拍計測器２から送信されたＲ波を示す無線信号を受信し、受信した無線信号からＲ波を示すデータを生成して処理部１０に入力する。通信部１３は、Ｒ波を示すデータを記録した記録媒体にアクセスし、記録媒体からデータを読み出す読み出し装置であってもよい。データを取得することは、通信によってデータを受信すること、及び、記録媒体からデータを読み出すこと、を含む。

＜ＰＶＣのＨＲＶ解析への影響について＞
Ｒ波データより、Ｒ波の間隔を示すＲＲＩ変数の時系列データであるＲＲＩデータが得られる。ＲＲＩデータにはアーチファクト（ノイズ）が混入することがある。ＲＲＩデータに混入するアーチファクトの原因は、Ｒ波の検出漏れ、及び、不整脈である期外収縮（ＰＶＣ：Premature Ventricular Contraction）の発生が挙げられ、第１の実施の形態では、ＰＶＣによるアーチファクト（以下、ＰＶＣアーチファクト）の混入について、検出及び補正を行うものとする。

ＨＲＶ解析に用いられる指標（以下、ＨＲＶ指標）は、時間領域指標及び周波数領域指標を含む。時間領域指標は、下の５指標を含む。時間領域指標は、ＲＲＩデータから直接算出される。
１）ｍｅａｎＮＮ：ＲＲＩの平均値
２）ＳＤＮＮ：ＲＲＩの標準偏差
３）Ｔｏｔａｌ Ｐｏｗｅｒ：ＲＲＩの分散
４）ＲＭＳＳＤ：隣接するＲＲＩの差の２乗平均平方根
５）ＮＮ５０：隣接するＲＲＩの差が５０ｍｓを超えた回数

周波数領域指標は、下の３指標を含む。周波数領域指標は、ＲＲＩデータのパワースペクトル密度(ＰＳＤ：Power Spectrum Density）から算出される。なお、ＲＲＩデータは等間隔にサンプリングされていないため、ＰＳＤを得るためにサンプリングする必要がある。ＰＳＤはリサンプリング後のＲＲＩデータより自己回帰(ＡＲ：Auto Regression）モデル又はＦｏｕｒｉｅｒ変換を用いて算出される
１）ＬＦ：ＰＳＤの低周波（０．０４～０．１５Ｈｚ）のパワー
２）ＨＦ：ＰＳＤの高周波（０．１５～０．４０Ｈｚ）のパワー
３）ＬＦ／ＨＦ：ＨＦに対するＬＦの比

図４は、ＰＶＣが生じたときの心電信号の例を示す図である。図の縦軸は電位、横軸は時間を示している。図４と図２の（ａ）（ＰＶＣが生じていないときの心電信号）とを比較すると、ＰＶＣが生じていないときには概ね等間隔であったＲＲＩに、ＰＶＣが生じたことによって大きな変動が生じていることがわかる。

ＲＲＩに大きな変動が生じると、ＲＲＩから算出される各ＨＲＶ指標も影響を受ける。図５及び図６は、人工的なＰＶＣアーチファクトを混入させたＲＲＩデータから算出された、上記ＨＲＶ指標のうちのＳＤＮＮとＬＦ／ＨＦと表した図である。図の横軸は時間経過、縦軸はＨＲＶ指標の値を示している。図中のタイミングｔは、ＰＶＣアーチファクトを混入させたタイミングを示している。図中の点線及び実線は、それぞれ、ＰＶＣアーチファクトを混入させていない元のＲＲＩデータから算出されたＨＲＶ指標、及び、ＰＶＣ－ＲＲＩから算出されたＨＲＶ指標を示している。

図５及び図６に示された算出結果より、ＰＶＣアーチファクトを混入させた直後から各ＨＲＶ指標に変化が生じていることがわかる。そのため、ＰＶＣアーチファクトが混入することによって変化したＨＲＶ指標をＨＲＶ解析に用いると、解析精度を低下させる可能性がある。

＜演算装置の処理部の機能構成＞
本実施の形態において、演算装置１の処理部１０は、計測結果から得られたＲＲＩデータに混入されているＰＶＣアーチファクトを検出する。そして、検出したＰＶＣアーチファクトの影響をＲＲＩデータから排除したＲＲＩデータとなるように、計測結果から得られたＲＲＩデータを補正する。処理部１０は、補正したＲＲＩデータを所定の生体状態の検知に用いる。

上記の処理を実行するために、処理部１０は、メモリ１２からプログラム１２１を読み出して実行することで実現される機能として、ＲＲＩ算出部１０１、検出部１０２、補正部１０３、及び、検知部１０４を含む。

ＲＲＩ算出部１０１は、通信部１３から入力されたＲ波データに基づいてＲＲＩデータを生成する。ＲＲＩ算出部１０１は、図２の（ｂ）に示されたようなＲ波データから、時間的に隣り合う２つの矩形パルスの立下り時刻の時間間隔をＲＲＩ変数として算出し、算出した当該ＲＲＩ変数を時系列に並べることにより、ＲＲＩデータを生成する。

検出部１０２は、ＲＲＩデータへのアーチファクト（ノイズ）の混入を検出する。ＲＲＩデータへのアーチファクトの混入が検出されると、補正部１０３は、ＲＲＩデータからアーチファクトの影響を排する補正を行う。検知手法、及び、補正手法については後述する。

検知部１０４は、補正後のＲＲＩデータから所定の生体状態を検出する。検知部１０４での検出方法は、公知の検知方法であってよい。たとえば、所定の生体状態がてんかん性発作の予兆である場合、特開２０１５－１１２４２３号公報に記載の方法を採用することができる。またたとえば、所定の生体状態が無呼吸状態である場合、特開２０１６－２１４４９１号公報に記載の方法を採用することができる。

処理部１０は、検知部１０４が特定の生体状態を検知すると、特定の生体状態が検知されたことを示す信号を通信部１３に入力するとともに、予め規定された送信先にその信号を出力するように指示する。予め規定された送信先は、演算装置１に接続された図示しないディスプレイやスピーカなどであって、処理部１０は、それらで特定の生体状態が検知されたことを報知してもよい。またたとえば、予め規定された送信先は、被験者Ｐに対応付けて記憶されている所定のアドレスであって、被験者Ｐに対応付けられた通信端末に特定の生体状態が検知されたことを報知してもよい。

＜ＰＶＣアーチファクトの検出手法＞
検出部１０２におけるＰＶＣアーチファクトの検出手法には、ＭＳＰＣ－ＳＳＡが用られる。ＭＳＰＣ－ＳＳＡは、異常検知手法の特異スペクトル解析(ＳＳＡ：Singular Spectrum Analysis）に、多変量の異常検知手法の多変量統計的プロセス管理（ＭＳＰＣ：Multivariate Statistical Process Control）で用いられる監視指標を導入した手法である。

ＭＳＰＣでは、特徴抽出に主成分分析(ＰＣＡ：Principal Component Analysis）を用いる。ＰＣＡはデータの次元を削減するための手法であり、複数の変数の線型結合によって主成分と呼ばれる新たな変数を作りだす。

図７Ａは、２つのＨＲＶ指標変数（変数１、変数２）と２つの主成分（第１主成分、第２主成分）との関係を示す図であり、図７Ｂは、２つのＨＲＶ指標変数及び２つの主成分とＴ２統計量との関係を説明するための図である。ＨＲＶ指標変数としては、上記のＨＲＶ指標の中から２つを選択すればよい。たとえばｍｅａｎＮＮとＬＦとを選択することができる。

ＰＣＡでは、ＨＲＶ指標データを表す空間における一方向を第１主成分とし、その第１主成分と直交する空間の一方向を第２主成分に設定する。この手順を繰り返すことにより複数の主成分が設定される。ここで、第１主成分は、主成分得点の分散が最大となる方向に設定される。なお、「主成分得点」とは、主成分軸上の座標、すなわち、主成分が張る空間へＨＲＶ指標データを射影して得られる値である。場合、第１主成分及び第２主成分へＨＲＶ指標データを射影して得られる値が主成分得点となる。

ＰＣＡを用いると、図７Ａに示された管理限界ＣＬ１を設定することができる。しかしながら、多次元空間においてこの管理限界ＣＬ１からの逸脱を判断することは容易ではない。そこで、本実施の形態にかかるＰＶＣアーチファクトの検出手法では、Ｈｏｔｅｌｌｉｎｇ’ｓＴ２統計量とＱ統計量とを用いる、ＭＳＰＣを採用する。

Ｈｏｔｅｌｌｉｎｇ’ｓＴ２統計量は主成分で張られる部分空間でのサンプルと原点とのＭａｈａｌａｎｏｂｉｓ距離であって、主成分分析により得られる主成分得点から算出される。Ｈｏｔｅｌｌｉｎｇ’ｓＴ２統計量は、主成分で張られる部分空間での異常検知に用いられる。Ｈｏｔｅｌｌｉｎｇ’ｓＴ２統計量では、原点からの距離が各主成分方向に対して規格化されるため、図７Ａに示された管理限界ＣＬ１を、図７Ｂに示すような真円状の管理限界ＣＬ２に変形することができる。

Ｑ統計量は、サンプルと主成分で張られる部分空間との２乗距離であって、主成分分析により得られる主成分得点から算出される。Ｑ統計量は、主成分で張られる部分空間の直交補空間での異常検知に用いられる。

ＭＳＰＣでは、Ｈｏｔｅｌｌｉｎｇ’ｓＴ２統計量とＱ統計量とを同時に監視し、いずれか一方でも管理限界を超えた場合に異常と判定する。つまり、Ｈｏｔｅｌｌｉｎｇ’ｓＴ２統計量及びＱ統計量の管理限界は、ＲＲＩ列に異常値が含まれるか否かの判定の閾値として用られる。

ＳＳＡは、単変量の時系列データからＨａｎｋｅｌ行列を作成し、特異値分解によって抽出された特徴を用いて異常検知を行う手法である。ＲＲＩ時系列データｘ＝｛ｘ１、ｘ２、…、ｘＴ｝に対し、Ｈａｎｋｅｌ行列は図８Ａの式（１）で示される。ＲＲＩ時系列データｘの各要素はＲＲＩデータであって、添え字は測定順を示す。Ｔは測定されたＲＲＩデータの総数を示す。

Ｈａｎｋｅｌ行列の各行ｙｉ（ｉ＝１，…ｎ）を部分ＲＲＩ列とする。ｍは、部分ＲＲＩ列を構成するＲＲＩ時系列データ数であり、ｍ＜Ｔである。ＭＳＰＣ－ＳＳＡでは、部分ＲＲＩ列ｙｉをサンプルとみなして、部分ＲＲＩ列ｙｉに異常値が含まれるか否かの判定に用いる閾値としてのＨｏｔｅｌｌｉｎｇ’ｓＴ２統計量及びＱ統計量それぞれの管理限界Ｔ２￣及びＱ￣を決定する。

図９は、検出部１０２がＭＳＰＣ－ＳＳＡを用いてＰＶＣアーチファクトの検出に用いるモデルを構築するアルゴリズムの一例を示したフローチャートである。図９のフローチャートにおいて、ｎはモデル構築に用いるＲＲＩ列の総数を表し、変数Ｉが処理中のＲＲＩ列の番号を表す。

図８Ｂは、図９に示されたモデルの構築を具体的に説明するための図である。図８Ｂでは、各枠がＲＲＩ時系列データを示しており、左から右の順に時系列に配列されている。ここでは、部分ＲＲＩ列を構成するＲＲＩ時系列データ数ｍが４（ｍ＝４）である例が示されている。実線の枠が部分ＲＲＩ列を構成するＲＲＩデータを表し、点線の枠が部分ＲＲＩ列を構成していないＲＲＩデータを表している。

図９を参照して、はじめに、変数Ｉを１インクリメントし（ステップＳ１０１）、図８Ａの式（１）に示されるＨａｎｋｅｌ行列の、Ｉ番目のＲＲＩ列を作成する（ステップS１０３）。ステップＳ１０１、Ｓ１０３は、モデル構築に用いるＲＲＩ列の総数ｎに達するまで（ステップＳ１０５でＮＯ）、繰り返し実行される（ステップＳ１０６）。

図８Ｂの例では、ステップＳ１０１、Ｓ１０３が繰り返されることによって、１番目のＲＲＩ列としてｘ１～ｘ４からなるＲＲＩ列、２番目のＲＲＩ列してｘ２～ｘ５、…ｎ番目のＲＲＩ列してｘ（ｍ－３）～ｘｍからなるＲＲＩ列が作成される。

モデル構築に用いるＲＲＩ列の総数ｎ分、Ｈａｎｋｅｌ行列の列を作成すると（ステップＳ１０５でＹＥＳ）、１番目～ｎ番目までのすべての列を１つの行列にまとめ（ステップＳ１０７）、平均０、分散１となるように標準化することで、Ｈａｎｋｅｌ行列Ｘが作成される（ステップＳ１０９）。

ステップＳ１０９で得られたＨａｎｋｅｌ行列Ｘについて特異値分解を実行して主成分と左特異ベクトルとを算出することによって（ステップＳ１１１）、Ｈｏｔｅｌｌｉｎｇ’ｓＴ２統計量およびＱ統計量それぞれの管理限界Ｔ2￣（閾値α１）及びＱ￣（閾値β１）を決定する（ステップＳ１１３）。

ＭＳＰＣ－ＳＳＡでは、図９のフローチャートによって構築されるモデル（以下、正常モデル）の部分ＲＲＩ列ｙｉごとに、Ｈｏｔｅｌｌｉｎｇ’ｓＴ２統計量（値α）又はＱ統計量（値β）の少なくとも一方が管理限界（閾値α１，β１）を超過するか否かによって、正常、異常、つまり、ＰＶＣアーチファクトの有無が判定される。部分ＲＲＩ列ｙｉが異常と判定された場合、部分ＲＲＩ列ｙｉに含まれる要素のいずれかにＰＶＣアーチファクトが含まれていると考えられる。すなわち、連続した複数の部分ＲＲＩ列が値α，βの少なくとも一方が管理限界（閾値α１，β１）を超過した場合、それらに共通して含まれる要素にＰＶＣアーチファクトが含まれていると考えられる。

図８Ｂを用いて、ＰＶＣアーチファクトが含まれている範囲の特定方法を説明する。単発性のＰＶＣは、ＲＲＩデータ２拍の値に影響を及ぼす。図８Ｂでは、ハッチングが付された枠がＰＶＣアーチファクトの影響を受けたＲＲＩ時系列データを示しており、具体的に、ＲＲＩデータｘ４およびｘ５がＰＶＣアーチファクトの影響を受けた例を示している。

図８Ａの例では、正常モデルは、各部分ＲＲＩ列は規定数（図８Ａの例では４個）の連続するＲＲＩ時系列データからなり、１番目～ｎ番目まで、部分ＲＲＩ列ごとに先頭のＲＲＩ時系列データが１個ずつ、時系列に沿ってずれて構成されている。そのため、ＰＶＣアーチファクトの影響を受けたＲＲＩデータｘ４およびｘ５の少なくとも一方は、１番目～５番目までの部分ＲＲＩ列に出現している。

すなわち、連続するｍ－１個（図８Ａでは２番目～４番目）の部分ＲＲＩ列に、ＰＶＣの影響を受けた２拍が含まれる。そこで、本実施の形態にかかるＰＶＣアーチファクトの検出手法では、部分ＲＲＩ列がｍ－１個連続して異常と判定された場合に、ＰＶＣアーチファクトを検出したと判定される。

また、上記のｍ－１個の部分ＲＲＩ列の前後の部分ＲＲＩ列（図８Ａでは１番目及び５番目）には、ＰＶＣアーチファクトが１拍のみ含まれる。この前後２つの部分ＲＲＩ列も異常と判定されると、最大ｍ＋１個の部分ＲＲＩ列（図８Ａでは１番目～５番目）が連続で異常と判定される。

ＭＳＰＣ－ＳＳＡでは、値α，βの少なくとも一方が管理限界を連続して超過した部分ＲＲＩ列の数τの閾値τ１を予め規定しておき、数τが閾値τ１以上であった場合には、対象の部分ＲＲＩ列にＰＶＣアーチファクトが含まれていると判定する。閾値τ１は、部分ＲＲＩ列の長さｍ、つまり、Ｈａｎｋｅｌ行列の列数ｍに依存する。

異常と判定された最後の部分ＲＲＩ列をｙｊ＝｛ｘｊ，…，ｘｊ＋ｍ－１｝とすると、部分ＲＲＩ列の値α，βがｍ＋１個連続で管理限界を超過すれば、ＰＶＣアーチファクトの１拍目はｘ＾ｊ－１となる。ｍ－１連続で管理限界を超過すれば、ＰＶＣアーチファクトの１拍目はｘ＾ｊとなる。つまり、この２拍のいずれかがＰＶＣアーチファクトの１拍目と一致する。そこで、ＭＳＰＣ－ＳＳＡでは、ｘ＾ｊ－１及びｘ＾ｊがＰＶＣアーチファクトを含むと判定する。

図１０は、検出部１０２がＭＳＰＣ－ＳＳＡを用いてリアルタイムでＰＶＣアーチファクトを検出するアルゴリズムを示したフローチャートである。図１０のアルゴリズムにおいて、ＰＶＣ検出モデルは図９の処理によってすでに作成されているものとする。変数ｔは、ＲＲＩデータが取得された番号を表し、ＲＲＩデータの測定数の最大値をＭＡＸとする。ＲＲＩデータｘ＿ｔは、ｔ番目のＲＲＩデータを示し、部分ＲＲＩ列ｙ＿ｔは、第１要素がｘ＿ｔであるｍ次元部分ＲＲＩ列を示す。

図１０を参照して、はじめに、カウンタτ及び変数ｔを初期化する（ステップＳ２０１）。次に、新たにｔ番目のＲＲＩを計測し、ＦＩＦＯ（First In First Out）方式にしたがってＲＲＩデータとしてバッファに記録する（ステップＳ２０３）。

次に、バッファから、先に計測されたＲＲＩデータｘ＿（ｔ－ｍ＋１）からＲＲＩデータｘ＿（ｔ－１）までを読み出し、新たに得られたＲＲＩデータｘ＿ｔを加えて、ＲＲＩデータｘ＿ｔを最終要素とする部分ＲＲＩ列ｙ＿ｍ＋１を作成する（ステップＳ２０５）。そして、部分ＲＲＩ列ｙ＿ｍ＋１のＨｏｔｅｌｌｉｎｇ’ｓＴ２統計量（値α）とＱ統計量（値β）とを算出する（ステップＳ２０７）。

値α，βの少なくとも一方でも管理限界（閾値α１，β１）を超過していた場合（ステップＳ２０９でＹＥＳ）、部分ＲＲＩ列ｙ＿ｍ＋１はＰＶＣアーチファクトを含む可能性がある。そこで、この場合カウンタτを１インクリメントする（ステップＳ２１１）。

値α，βのいずれもが管理限界（閾値α１，β１）を超過していない場合には（ステップＳ２０９でＮＯ）、部分ＲＲＩ列ｙ＿ｍ＋１にはＰＶＣアーチファクトが含まれていない可能性が高い。この場合、カウンタτが閾値τ１に達していたら（ステップＳ２１５でＹＥＳ）、部分ＲＲＩ列ｙ＿ｍまで閾値τ１に相当する数、ＰＶＣアーチファクトを含む可能性がある部分ＲＲＩ列が連続し、部分ＲＲＩ列ｙ＿ｍ＋１でＰＶＣアーチファクトを含む可能性がなくなっている。つまり、図８Ｂの例では、閾値τ１が５であり、部分ＲＲＩ列ｙ＿ｍ＋１は部分ＲＲＩ列ｙ６に相当する。従って、この場合、ＲＲＩデータｘ＿（ｔ－ｍ）とＲＲＩデータｘ＿（ｔ－ｍ＋１）とがＰＶＣアーチファクトを含むと判定する（ステップＳ２１７）。

なお、カウンタτが閾値τ１未満である場合（ステップＳ２１５でＮＯ）、ＰＶＣアーチファクトを含むと判定されるまで、値α，βの少なくとも一方が管理限界（閾値α１，β１）を超過した部分ＲＲＩ列が連続していない。つまり、ＰＶＣアーチファクトは含まれていない。そのため、この場合、カウンタτを初期化する（ステップＳ２１９）。

その後、次のＲＲＩデータを計測するために変数ｔをインクリメントし（ステップＳ２１３）、変数ｔが最大値ＭＡＸに達するまで（ステップＳ２２１でＮＯ）、以上の処理を繰り返することによって、ＰＶＣアーチファクトを検出する。変数ｔが測定数の最大値ＭＡＸに達すると（ステップＳ２２１でＹＥＳ）、一連の処理を終了する。

＜ＲＲＩの補正手法＞
補正部１０３におけるＲＲＩデータの補正手法には、ＳＡＥ（sparse autoencoder）と、ノイズ除去を目的とするニューラルネットであるＤＡＥ（denoising autoencoder）とが組み合わせて用いられる。ＡＥ（autoencoder）はニューラルネットを用いた次元圧縮手法、特徴抽出手法である。ＡＥは出力を入力とできるだけ等しくするため、入力と出力との再構築誤差を最も小さくするように学習を行う。

このとき、中間層と出力層とにおいて活性化関数を恒等写像とすると、ＡＥは代表的な次元圧縮手法である主成分分析(ＰＣＡ：Principal Component Analysis）と一致する。次元圧縮された特徴を得るため、隠れ層のユニット数は入力変数の数よりも小さくするべきであるが、正則化項を導入することで隠れ層のユニット数を入力変数の数より大きくすることができる。この手法をＳＡＥと呼ぶ。

ＤＡＥはＡＥと同じ構造を持つニューラルネットであるが、学習時の入力にノイズを加え、ノイズを加える前の入力と同様の出力を得るよう学習を行う。ノイズを加えて学習を行うことから、ＤＡＥはノイズ除去能力を有すると考えられる。

ＤＡＥによってＰＶＣアーチファクトを除去するため、ＡＥの学習時に入力層及び出力層に渡すデータは（ノイズを含まない）ＲＲＩデータであって、さらに、入力層にＰＶＣに起因するノイズを渡す。これにより、ＰＶＣアーチファクトを除去するために用いるＤＡＥは、入力されたＲＲＩデータからＰＶＣに起因するノイズを除去して、ＰＶＣに起因するノイズを含まないＲＲＩデータを出力するように学習されたものとなる。ＤＡＥによってノイズを除去する補正手法をＤＡＥ－ＲＭ（DAE-based RRI modication）と呼ぶ。

ＤＡＥによってＲＲＩデータに含まれるＰＶＣアーチファクトを除去する際に、ＤＡＥに補正対象とするＲＲＩデータを入力する。ＤＡＥに入力するＲＲＩデータは、時系列に連続するＲＲＩデータのうちの補正対象範囲である。補正対象範囲は、上記の検出手法によって検出されたＰＶＣアーチファクトによって変化したＲＲＩデータと、その前後の予め設定した補正幅分のＲＲＩデータと、である。すなわち、図１０に示されたアルゴリズムに従ってＰＶＣアーチファクトを検出することは、補正対象範囲を検出することである。

図８Ｃは、ＤＡＥの構成の概略、及び、ＤＡＥに入出力されるデータの概要を表した図である。図８Ｃを参照して、ＤＡＥは、データｘ１，ｘ２，…ｘｎが入力されると、中間層と出力層とにおいて入力データに対して活性化関数を適用して出力変数ｘ１＾，ｘ２＾，…ｘｎ＾を出力する。ＤＡＥは上記のように学習済であるため、入力変数ｘ１，ｘ２，…ｘｎにＰＶＣに起因するノイズが含まれる場合に、そのノイズが除去された出力変数ｘ１＾，ｘ２＾，…ｘｎ＾を出力する。

入力変数ｘ１，ｘ２，…ｘｎの数は、ＲＲＩデータ列のうち、少なくともＰＶＣに起因するノイズが含まれるＲＲＩデータである。好ましくは、ノイズが含まれるＲＲＩデータの前後規定数のＲＲＩデータをさらに含む。ＤＡＥで補正を行うためにＰＶＣアーチファクトによって変化した拍前後のＲＲＩデータが必要なためである。これらのＤＡＥに入力するＲＲＩデータ列を、ＲＲＩデータ列のうちの補正対象範囲とする。図８Ｂの例の場合、ノイズが含まれるＲＲＩデータはデータｘ４，ｘ５の２拍であり、その前後１拍ずつを加えたデータｘ３～ｘ６を補正対象範囲としている。このとき、図８Ｃに示されたように、データｘ３～ｘ６がＤＡＥに入力され、補正の対象となる。

図１１は、補正部１０３がＤＡＥ－ＲＭを用いてＲＲＩデータからＰＶＣアーチファクトを除去する補正アルゴリズムを示したフローチャートである。この補正の前提として、ＤＡＥは上記の学習済であるものとする。変数ｔは、ＲＲＩデータが取得された番号を表し、最大値をＭＡＸとする。ＲＲＩデータｘ＿ｔは、ｔ番目のＲＲＩデータを示し、ｙは補正を行う範囲のＲＲＩデータ、ｙ＿ｍｅａｎはｙの各成分の平均を示している。ＴはＰＶＣアーチファクトによって変化したＲＲＩデータの数を表しておりＴ＝２のときはＰＶＣは単発性である。ＰはＤＡＥによる補正幅を表すパラメータである。Ｔ拍（たとえば２拍）の前後Ｐ拍（たとえば前後１拍）をＤＡＥによって補正する。

図１１を参照して、はじめに、変数ｔを初期化する（ステップＳ３０１）。次に、新たにｔ番目のＲＲＩを計測し、ＦＩＦＯ方式にしたがってＲＲＩデータとしてバッファに記録する（ステップＳ３０３）。新たにＲＲＩが計測されると、検出部１０２において図１０の検出処理が実行され、ＰＶＣアーチファクトの有無が判定される。

検出部１０２での図１０のアルゴリズムに従う処理の結果、ＲＲＩデータにＰＶＣアーチファクトが混入していることが検出された場合（ステップＳ３０５でＹＥＳ）、その後、ｔ＋１番目からｔ＋Ｔ＋Ｐ－１番目までのＲＲＩデータの計測を待機する（ステップＳ３０７）。計測が終了し、これらＲＲＩデータがＦＩＦＯ方式にしたがってバッファに記憶されると、バッファから、計測されたＲＲＩデータｘ＿（ｔ－Ｐ）からＲＲＩデータｘ＿（ｔ－１）までを読み出し、（Ｔ＋２Ｐ）次元の部分ＲＲＩ列ｙを作成する（ステップＳ３０９）。これにより、ＰＶＣアーチファクトを含むと判定されたＴ拍、及び、その前後Ｐ拍の補正範囲が部分ＲＲＩ列ｙとして作成される。

ステップＳ３０９で得られた部分ＲＲＩ列ｙの平均値ｙ＿ｍｅａｎを算出し、平均値ｙ＿ｍｅａｎからの差分を用いて部分ＲＲＩ列ｙを中心化する（ステップＳ３１１）。ステップＳ３１１で中心化した部分ＲＲＩ列ｙをＤＡＥに入力し、出力である部分ＲＲＩ列ｙ＾を得る（ステップＳ３１３）。これにより、中心化された部分ＲＲＩ列ｙからＰＶＣアーチファクトの影響が取り除かれる。その後、得られた部分ＲＲＩ列ｙ＾にステップＳ３１１で得られた平均値ｙ＿ｍｅａｎを加えて元の大きさの部分ＲＲＩ列ｙ＾に復元する（ステップＳ３１５）。

ステップＳ３０９で得られた元の部分ＲＲＩ列ｙの総和と、ステップＳ３１５で補正された部分ＲＲＩ列ｙ＾の総和との差を、部分ＲＲＩ列ｙの最後の要素に加える（ステップＳ３１７）。これにより、補正前後でこの範囲の経過時間の総和が一致する。

以降、部分ＲＲＩ列ｙを補正後の部分ＲＲＩ列ｙ＾とし（ステップＳ３１９）、次のＲＲＩデータを計測するために変数ｔをインクリメントする（ステップＳ３２１）。また、ステップＳ３０３で計測されたＲＲＩデータにＰＶＣアーチファクトが混入していることが検出されなかった場合も（ステップＳ３０５でＮＯ）、次のＲＲＩデータを計測するために変数ｔをインクリメントする（ステップＳ３２１）。そして、変数ｔが最大値ＭＡＸに達するまで（ステップＳ３２３でＮＯ）、以上の処理を繰り返することによって、ＲＲＩデータからＰＶＣアーチファクトを排するように、ＲＲＩデータを補正する。変数ｔが測定数の最大値ＭＡＸに達すると（ステップＳ３２３でＹＥＳ）、一連の処理を終了する。

［実施例１］

発明者らは、ＰＶＣアーチファクトを加えた実際のＲＲＩデータに対してＭＳＰＣ－ＳＳＡ及びＤＡＥ－ＲＭを適用し、その結果から、ＰＶＣアーチファクトの混入に対するＤＡＥ－ＲＭによる補正の効果を評価した。図１２は、被験者Ａ～Ｒの属性を示した図である。図に示された被験者Ａ～Ｒは、２６歳から４５歳までの５人の男性（平均３３．８歳、標準偏差７．７）と、２０歳から５０歳までの１３名の女性（平均３５．８歳、標準準偏差７．７）とで構成され、その全員が不整脈でないと診断されている。

被験者Ａ～Ｒから計測されたＲＲＩデータのいくつかには明らかなアーチファクトが含まれており、これらのアーチファクトは評価の妨げとなるため除去した。明らかなアーチファクトを除去した被験者Ａ～Ｒから部分ＲＲＩ列ｙが１６６個作成され、部分ＲＲＩ列ｙの合計時間は３７５時間となった。本実施例では、これら部分ＲＲＩ列ｙに対してランダムな位置に人工的なＰＶＣアーチファクトを加え、ＭＳＰＣ－ＳＳＡで異常と検出された範囲に対してＤＡＥ－ＲＭを適用した。

なお、ＭＳＰＣ－ＳＳＡのモデル構築には被験者Ａから得られた部分ＲＲＩ列ｙを用いた。ＭＳＰＣ－ＳＳＡのパラメータは被験者Ｅ，Ｆから得られた部分ＲＲＩ列ｙを用いて決定した結果、部分ＲＲＩ列の長さｍ、つまり、Ｈａｎｋｅｌ行列の列数ｍはｍ＝６となった。管理限界は正常モデル構築データの９９％が正常と判定されるように設定し、主成分数は、累積寄与率が９０％を超えるように設定した。

ＳＳＡの性能評価指標として、感度（ＳＥＮ：sensitivity）及び誤検出率（ＦＰｒａｔｅ：false positive rate）を用いた。指標ＳＥＮはＲＲＩデータに加えた人工的なＰＶＣアーチファクトのうち、ＭＳＰＣ－ＳＳＡによって検出されたＰＶＣの割合を表す。指標ＦＰｒａｔｅは単位時間（１時間）あたりの誤検出の回数、つまりＭＳＰＣ－ＳＳＡがＰＶＣアーチファクトを含まない部分ＲＲＩ列ｙにＰＶＣアーチファクトが含まれると判定した回数を表す。

次に、ＤＡＥの学習には被験者Ｂから得られた部分ＲＲＩ列ｙを用いた。中間層と出力層との活性化関数にはそれぞれ、シグモイド関数と恒等写像とを用いた。ＤＡＥのパラメータは被験者Ｃ，Ｄから得られた部分ＲＲＩ列ｙを用いて決定し、ＤＡＥによって補正する要素の数が４、中間層のユニット数が２０、最大試行回数が２０００となった。つまり、図１１のフローチャートに示された補正処理においてＴ＝２、Ｐ＝１となった。また、パラメータ決定時にＬ２正則化項を用いてスパース性を導入した。そのため、ユニットを結合するほぼすべての重みが０となっている。

検証には、被験者Ｇ～Ｒから得られたすべての部分ＲＲＩ列ｙを用いた。なお、ＰＶＣ－ＲＲＩデータの作成及び補正は、加えたＰＶＣアーチファクトの位置に補正性能が依存することを防ぐため、５回の試行を行ってその平均値を結果とした。被験者Ｍ～Ｒの部分ＲＲＩ列ｙにＰＶＣアーチファクトを加え、ＭＳＰＣ－ＳＳＡを適用した結果は、
ＳＥＮ：９４．９％
ＦＰｒａｔｅ：１．２０［ｔｉｍｅｓ／ｈｏｕｒ］
であった。

図１３Ａは、被験者Ｍから得られたＲＲＩデータを示す図であって、実線が計測されたＲＲＩデータ（オリジナルＲＲＩ）、荒い点線がＰＶＣアーチファクトが加えられたＲＲＩ（ＰＶＣ－ＲＲＩ）、及び細かい点線がＤＡＥ－ＲＭでＰＶＣ－ＲＲＩを補正した補正後のＲＲＩ（補正後ＲＲＩ）を示している。図１３Ｂ、図１３Ｃ）、図１４Ａ～図１４Ｃ、及び、図１５Ａ～図１５Ｃは、図１３Ａの被験者Ｍから得られたＲＲＩデータから算出された各ＨＲＶ指標である。図１３ＢはｍｅａｎＮＮ、図１３ＣはＳＤＮＮ、図１４ＡはＴｏｔａｌ Ｐｏｗｅｒ、図１４ＢはＲＭＳＳＤ、図１４ＣはＮＮ５０、図１５ＡはＬＦ、図１５ＢはＨＦ、及び、図１５ＣはＬＦ／ＨＦを示している。各図において、実線がオリジナルＲＲＩから算出されたＨＲＶ指標、荒い点線がＰＶＣ－ＲＲＩから算出されたＨＲＶ指標、及び、細かい点線が補正後ＲＲＩから算出されたＨＲＶ指標、を示している。

これら図において、細かい点線は概ね実線に重なり、視認可能な程度の目立った乖離がない。つまり、補正後ＲＲＩ（図１３Ａ）、及び、補正後ＲＲＩから算出されたＨＲＶ指標（図１３Ｂ，Ｃ、図１４Ａ～１４Ｃ、及び、図１５Ａ～１５Ｃ）は、いずれも、オリジナルＲＲＩ、又は、オリジナルＲＲＩから算出されたＨＲＶ指標に高精度で追従していることがわかる。

なお、追従度合の指標としてオリジナルＲＲＩとＰＶＣ－ＲＲＩとの平方平均二乗誤差（ＲＭＳＥ：root mean squared error）に対する補正後ＲＲＩの改善率Ｉ１、及び、各ＨＲＶ指標（ｍｅａｎＮＮ、ＳＤＮＮ、Ｔｏｔａｌ Ｐｏｗｅｒ、ＲＭＳＳＤ、ＮＮ５０、ＬＦ、ＨＦ、ＬＦ／ＨＦ）における改善率Ｉ２～Ｉ９は下のようになった。
Ｉ１＝７２．４％
Ｉ２＝５７．３％
Ｉ３＝８５．２％
Ｉ４＝８６．４％
Ｉ５＝９１．２％
Ｉ６＝６０．９％
Ｉ７＝６１．６％
Ｉ８＝７１．７％
Ｉ９＝７６．３％

以上の第１の実施例に示された検証結果から、ＤＡＥ－ＲＭによってＲＲＩデータよりＰＶＣアーチファクトの影響は高精度で排除できることが検証された。この結果、ＤＡＥ－ＲＭによって、ＰＶＣがＨＲＶ解析に与える影響を軽減できていることが検証された。

［実施例２］

次に、発明者らは、図１２に示された被験者Ｍ～ＲのＲＲＩデータに対して、活性化関数がシグモイド関数であるＤＡＥと、ＲｅＬＵ（Rectified Linear Unit）であるＤＡＥと、のそれぞれを適用し、補正に適用するＤＡＥの中間層の活性化関数の効果を評価した。図１６Ａは活性化関数がシグモイド関数であるＤＡＥを適用したときの結果、図１６Ｂは活性化関数がＲｅＬＵであるＤＡＥを適用したときの結果を示している。

なお、本検証では、補正後ＲＲＩのオリジナルＲＲＩに対する追従度合によって評価し、追従度合の指標として、オリジナルＲＲＩと補正後ＲＲＩとの平方平均二乗誤差（ＲＭＳＥ：root mean squared error）を用いた。ＲＭＳＥが小さいほど追従度合が高い、つまり、補正精度が高いことを意味している。図１６Ａ，Ｂにおいて、縦軸はＲＭＳＥの減少率を表し、横軸はＤＡＥの中間層のノード数を表している。本検証において、ＤＡＥへの入力変数の数は４としている。

図１６Ａ，Ｂの比較より、中間層の活性化関数にＲｅＬＵを用いたとき（図１６Ｂ）の方が、シグモイド関数を用いたとき（図１６Ａ）よりも、中間層のノード数に関わらず全体的にＲＭＳＥが小さい。これより、ＰＶＣアーチファクトの影響を排する補正を行う場合には、ＤＡＥの活性化関数には図１６Ｂに示されたシグモイド関数よりもＲｅＬＵを用いる方が補正精度が向上することが検証された。

［実施例３］

次に、発明者らは、図１２に示された被験者Ｍ～ＲのＲＲＩデータに対してＤＡＥを適用して補正する際の、ＤＡＥへの入力変数の効果を評価した。第３の実施例では、中間層の活性化関数がＲｅＬＵであるＤＡＥを適用し、図１７Ａが入力変数の数を６とした場合、図１７Ｂが入力変数の数を８とした場合の結果を示している。これら図においても、縦軸はＲＭＳＥの減少率を表し、横軸はＤＡＥの中間層のノード数を表している。

図１６Ｂ、図１７Ａ，Ｂの比較より、入力変数が少ないほど（図１６Ｂ）、多い場合よりも（図１７Ａ，Ｂ）、中間層のノード数に関わらず全体的にＲＭＳＥが小さい。これより、ＤＡＥの入力変数は小さい方が補正精度が向上することが検証された。つまり、ＲＲＩデータのうちの補正対象範囲としてＤＡＥに入力するＲＲＩデータ数が少ないほど補正精度が向上することが検証された。

［第２の実施の形態］

なお、第１の実施の形態では、補正部１０３が補正手法としてＤＡＥを用いたＤＡＥ－ＲＭを採用するものとしているが、補正手法はＤＡＥ－ＲＭのみに限定されない。補正手法として他の回帰手法を用いてもよい。ＤＡＥ以外の他の回帰手法としては、たとえば、ＰＬＳ（partial least squares）や、ＬＷ－ＰＬＳ（locally weighted PLS）が挙げられる。

ＰＬＳは広く使われている線形回帰手法であって、たとえば、Paul Geladi and Bruce R. Kowalski. Partial leastsquares regression: a tutorial. Analytica Chimica Acta, Vol. 185, pp. 1 - 17, 1986.に開示されている。この手法を用いると、入力変数より少ない潜在変数を用いることで多重共線性の問題を回避できる。

ＬＷ－ＰＬＳはＰＬＳを拡張した手法であって、たとえば、Sanghong Kim, et al. Development of soft-sensorusing locally weighted pls with adaptive similarity measure. Chemometrics and Intelligent Laboratory Systems, Vol. 124, pp. 43 - 49, 2013. に開示されている。この手法では、すでに得られているデータセットのサンプルとクエリの類似度とを重みとして、クエリにおける入出力関係を最もよく表現するサンプルを用いて局所的なＰＬＳモデルを構築する。

［実施例４］

発明者らは、図１２に示された被験者Ｍ～ＲのＲＲＩデータのうちの補正対象範囲のＲＲＩデータに対してＤＡＥ、ＰＬＳ、及び、ＬＷ－ＰＬＳをそれぞれ適用して補正を行い、補正後のＲＲＩデータ、及び、補正後のＲＲＩデータから得られたＨＲＶ指標を比較することによって、補正手法を評価した。

図１８Ａ，Ｂ，Ｃは、それぞれ、ＤＡＥ、ＰＬＳ、及び、ＬＷ－ＰＬＳをそれぞれ適用して補正した後のＲＲＩデータ、ｍｅａｎＮＮ，ＳＤＮＮを示している。図１９Ａ，Ｂ，Ｃは、それぞれ、Ｔｏｔａｌ Ｐｏｗｅ、ＲＭＳＳＤ、ＮＮ５０を示している。図２０Ａ，Ｂ，Ｃは、それぞれ、ＬＦ、ＨＦ、ＬＦ／ＨＦを示している。これら図においても、縦軸はＲＭＳＥの減少率を表し、横軸は用いた手法を表している。

図１８Ａ～図２０Ｃより、ＤＡＥ、ＰＬＳ、及び、ＬＷ－ＰＬＳのいずれも、補正手法として用いてＲＲＩデータが補正されていることが示されている。しかしながら、これらを比較すると、いずれの指標においてもＤＡＥのＲＭＳＥが最も小さい。つまり、いずれの手法であっても補正可能であり、特に、ＤＡＥが補正に適していることが検証された。

［第３の実施の形態］

以上の実施の形態では、ＲＲＩデータに混入するアーチファクト（ノイズ）がＰＶＣアーチファクトである場合について説明した。ＲＲＩデータに混入し得る他のアーチファクトとして、Ｒ波の検出漏れが挙げられる。この場合、ＲＲＩデータの値は通常の値の２倍程度の大きさになる。そのため、この場合、検出部１０２は、通常のＲＲＩデータの値の２倍程度の値を閾値として設定しておき、当該閾値を超えるＲＲＩデータがあった場合にＲ波の検出漏れによるアーチファクト（以下、Ｒ波抜けアーチファクト）が混入していると検出することができる。検出部１０２は、上記閾値を超えるＲＲＩデータを検出対象範囲のＲＲＩデータとする。

ＲＲＩデータに混入しているアーチファクトがＲ波抜けアーチファクトである場合も、第１の実施の形態と同様に、補正部１０３は、検出対象範囲のＲＲＩデータをＤＡＥに入力し、出力である補正後のＲＲＩデータを得る。したがって、ＲＲＩデータに混入するアーチファクト（ノイズ）がＰＶＣアーチファクトである場合のみに限定されず、たとえばＲ波抜けアーチファクトなど他の要因によるアーチファクトであっても、同様の補正手法を用いて補正し、そのアーチファクトの影響を排したＲＲＩデータを得ることができる。

なお、この場合、ＤＡＥによってＲ波抜けアーチファクトを除去するため、ＡＥの学習時に入力するデータはＲＲＩデータであって、加えるノイズをＲ波抜けに起因するノイズとする。これにより、Ｒ波抜けアーチファクトを除去するために用いるＤＡＥは、入力されたＲＲＩデータからＲ波抜けに起因するノイズを除去して、Ｒ波抜けに起因するノイズを含まないＲＲＩデータを出力するように学習されたものである。

［実施例５］

発明者らは、図１２に示された被験者Ｍ～ＲのＲＲＩデータからＲ波を１拍分を検出できなかったと仮定したテスト用のＲＲＩデータを生成し、このテスト用のＲＲＩデータに対して活性化関数がＲｅＬＵであるＤＡＥ（ＲｅＬＵＤＡＥ）、活性化関数がシグモイド関数であるＤＡＥ（ｔｙｐｉｃａｌＤＡＥ）、ＰＬＳ、及び、ＬＷ－ＰＬＳをそれぞれ適用して補正を行い、補正後のＲＲＩデータ、及び、補正後のＲＲＩデータから得られたＨＲＶ指標を比較することによって、アーチファクトがＲ波抜けアーチファクトである場合の補正の効果を評価した。

図２１Ａ，Ｂ，Ｃは、それぞれ、ＲｅＬＵＤＡＥ、ｔｙｐｉｃａｌＤＡＥ、ＰＬＳ、及び、ＬＷ－ＰＬＳをそれぞれ適用して補正した後のＲＲＩデータ、ｍｅａｎＮＮ，ＳＤＮＮを示している。図２２Ａ，Ｂ，Ｃは、それぞれ、Ｔｏｔａｌ Ｐｏｗｅｒ、ＲＭＳＳＤ、ＮＮ５０を示している。図２３Ａ，Ｂ，Ｃは、それぞれ、ＬＦ、ＨＦ、ＬＦ／ＨＦを示している。これらの図においても、縦軸はＲＭＳＥの減少率を表し、横軸は用いた手法を表している。

図２１Ａ～図２３Ｃより、ＲｅＬＵＤＡＥ以外の他の補正手法については、いずれも、ＲＲＩデータが補正されていることが示されている。一方で、ＲｅＬＵＤＡＥについては補正の効果が見られない。そこで、Ｒ波抜けアーチファクトに関しては、ＲｅＬＵＤＡＥよりもｔｙｐｉｃａｌＤＡＥ、つまり、活性化関数としてシグモイド関数を用いたＤＡＥが補正に適していることが検証された。また、ＤＡＥ以外の手法も補正の効果があるものの、特に、ＤＡＥが補正に適していることが検証された。

［第４の実施の形態］

第１の実施の形態および第３の実施の形態より、演算装置１では、ＲＲＩ列に含まれたアーチファクトがＰＶＣアーチファクトかＲ波抜けアーチファクトかによって、補正に用いるＤＡＥを、ＲｅＬＵＤＡＥとｔｙｐｉｃａｌＤＡＥとに切り替えてもよい。

図４に示したように、ＰＶＣアーチファクトは隣接するＲ波の間に混入するため、ＰＶＣアーチファクトが混入した場合には測定されるＲＲＩが通常のＲＲＩよりも小さくなる。一方、Ｒ波抜けアーチファクトはＲ波が１つ以上欠損しているため、Ｒ波抜けアーチファクトが混入した場合には測定されるＲＲＩが通常のＲＲＩよりも大きくなる。

そこで、第４の実施の形態において、検出部１０２は、図３に示された判別部１０５を含む。判別部１０５はＰＶＣアーチファクトとＲ波抜けアーチファクトとの境界となるＲＲＩの値を閾値として予め記憶しておき、計測されたＲＲＩと比較することによって、検出されたアーチファクトがＰＶＣアーチファクトかＲ波抜けアーチファクトか、アーチファクトの種別を判別する。

また、第４の実施の形態において、補正部１０３は、図３に示されたように、ＲｅＬＵＤＡＥ（３１）とｔｙｐｉｃａｌＤＡＥ（３２）と予め用意しておき、検出部１０２での判別されたアーチファクトの種別に応じてＲｅＬＵＤＡＥとｔｙｐｉｃａｌＤＡＥとを切り替える。

これにより、検出されたアーチファクトに応じて最適な補正手法を採用することになるため、高精度でアーチファクトの影響を排した補正後のＲＲＩデータを得ることができる。その結果、複数種別のアーチファクトが含まれる場合にも、ＨＲＶ解析の精度を向上させることができる。

［第５の実施の形態］
Ｒ波の検出の信頼性を低下させる要因はＰＶＣに限定されない。Ｒ波の検出の信頼性を低下させる要因の他の例として、上室性期外収縮（ＰＡＣ：Premature Atrial Contraction）がある。ＰＡＣは、洞結節の興奮に先立って心房などの上室と呼ばれる箇所で興奮が起こる期外収縮の一種である。ＰＡＣもＰＶＣと同様に健常者にも起こりうる不整脈の一種である。ＰＡＣが生じた場合においてもＲＲＩにアーチファクトが混入するため、Ｒ波の検出の信頼性を低下させる要因となる。

［実施例６］

発明者らは、ＰＡＣアーチファクトについても、ＰＶＣアーチファクトと同様に補正の効果を評価した。図２４に示されるように、ＰＡＣが発生したの心電波形は、ＰＡＣが生じた前のＲＲＩのみが変化していることがわかる。この特徴を反映するため、発明者らは、ＲＲＩデータの１拍をランダムに選択してＲＲＩの値を減少させて検証に用いた。またＰＡＣによるＰ波がＴ波の後に生じる場合のみを仮定し、この仮定を満たすようＲＲＩの値を減少させたものを検証に用いた。具体的には、心電波形に、図２５に示すようなＰＡＣアーチファクトを加えて用いた。ＰＡＣアーチファクトの大きさＬは、ＲＲＩが健常なＱＴ間隔より短くなることのない範囲でランダムな値を設定した。また、心電波形において、連続でＰＡＣが生じることはないと仮定した。

補正に用いるニューラルネットワークの中間層をシグモイド関数とし、中間層のユニットの数は８とした。また、中間層の活性化関数をＲｅＬＵ、出力層の活性化関数を恒等写像とした。また、オートエンコーダ（ＡＥ）によるＰＡＣの検出には、８拍分の心電波形を用いた。また、補正するＲＲＩの要素数であるＤＡＥのパラメータ数を４、中間層のユニットであるＤＡＥのパラメータ数を２とした。なお、ＡＥは、次元圧縮や特徴抽出のためのニューラルネットである。

図２６Ｂ～図２８Ｃには、２６Ａに示された、オリジナルのＲＲＩデータ、人工アーチファクトを加えたＲＲＩデータ、及び、ＤＡＥ－ＲＭによる補正後のＲＲＩデータそれぞれから得られた各指標が示されている。図２６Ｂ～図２８Ｃに示された各指標に対して、ＡＥによる異常検出を適用し、オリジナルのＲＲＩデータとＤＡＥ－ＲＭによる補正後のＲＲＩデータ、及び、オリジナルのＲＲＩデータから得られた各指標と、ＤＡＥ－ＲＭによる補正後のＲＲＩデータから得られた各指標とを比較した。

その結果、オリジナルのＲＲＩデータと補正後のＲＲＩデータの改善率は２７．４％であった。また、ｍｅａｎＮＮで０．１％、ＳＤＮＮで２４．８％、Ｔｏｔａｌ Ｐｏｗｅｒで２２．７％、ＲＳＭＭＤで７０．８％、ＮＮ５０で３４．０％、ＬＦで２２．７％、ＨＦで２８．２％、ＬＦ／ＨＦで３０．０％であった。つまり、補正後ＲＲＩ、及び、補正後ＲＲＩから算出されたＨＲＶ指標は、いずれも、オリジナルＲＲＩ、又は、オリジナルＲＲＩから算出されたＨＲＶ指標に高精度で追従していることがわかる。

この結果より、ＰＡＣアーチファクトについてもＰＶＣアーチファクトと同様にＤＡＥ－ＲＭによってＲＲＩデータより高精度で排除できることが検証された。従って、ＤＡＥ－ＲＭによって、ＰＡＣがＨＲＶ解析に与える影響もＰＶＣと同様に軽減できていることが検証された。

［３．付記］

なお、本実施の形態の他の局面に従うと、次のような演算装置が含まれる。すなわち、（１）ある実施の形態に従うと、演算装置は、心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置であって、時系列に得られたＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出し、補正対象範囲のＲＲＩデータを補正する。

（２）前記補正することは、前記補正対象範囲のＲＲＩデータをＰＬＳ（partial least squares）に入力することによって、前記補正対象範囲のＲＲＩデータを補正することを含む、（１）に記載の演算装置。

（３）前記検出することは、ノイズがＰＶＣによるものであるＲＲＩデータを含む前記補正対象範囲を検出すること、ノイズがＰＡＣによるものであるＲＲＩデータを含む前記補正対象範囲を検出すること、及び、ノイズがＲ波の検知が欠落していることに起因するものであるＲＲＩデータを含む前記補正対象範囲を検出すること、のうちの少なくとも一つを含む、（１）又は（２）に記載の演算装置。

本発明は、上記実施形態に限定されるものではなく、様々な変形が可能である。

１ 演算装置
２ 心拍計測器
１０ 処理部
１２ メモリ
１３ 通信部
２１ 電極
３１ ＲｅＬＵＤＡＥ
３２ ｔｙｐｉｃａｌＤＡＥ
１００ 検知装置
１０１ ＲＲＩ算出部
１０２ 検出部
１０３ 補正部
１０４ 検知部
１０５ 判別部
１２１ プログラム

Claims (9)

1. 心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置であって、
   時系列に得られた前記ＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出し、
   前記補正対象範囲のＲＲＩデータをＤＡＥ（denoising autoencoder）に入力することによって、前記補正対象範囲のＲＲＩデータを補正し、
   前記検出することは、ノイズが期外収縮（ＰＶＣ：Premature Ventricular Contraction）によるものであるＲＲＩデータを含む前記補正対象範囲を検出することを含み、
   前記ＤＡＥの活性化関数はＲｅＬＵ（Rectified Linear Unit）又はシグモイド関数である
   演算装置。
2. 心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置であって、
   時系列に得られた前記ＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出し、
   前記補正対象範囲のＲＲＩデータをＤＡＥ（denoising autoencoder）に入力することによって、前記補正対象範囲のＲＲＩデータを補正し、
   前記検出することは、ノイズがＲ波の検知が欠落していることに起因するものであるＲＲＩデータを含む前記補正対象範囲を検出することを含み、
   前記ＤＡＥの活性化関数はシグモイド関数である
   演算装置。
3. 心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置であって、
   時系列に得られた前記ＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出し、
   前記補正対象範囲のＲＲＩデータをＤＡＥ（denoising autoencoder）に入力することによって、前記補正対象範囲のＲＲＩデータを補正し、
   前記検出することは、ノイズが上室性期外収縮（ＰＡＣ：Premature Atrial Contraction）によるものであるＲＲＩデータを含む前記補正対象範囲を検出することを含み、
   前記ＤＡＥの活性化関数はＲｅＬＵ（Rectified Linear Unit）である
   演算装置。
4. 心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置であって、
   時系列に得られた前記ＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出し、
   前記補正対象範囲のＲＲＩデータをＤＡＥ（denoising autoencoder）に入力することによって、前記補正対象範囲のＲＲＩデータを補正し、
   前記補正対象範囲のＲＲＩデータを補正する際に、検出された前記補正対象範囲が、
   ノイズが期外収縮（ＰＶＣ：Premature Ventricular Contraction）によるものであるＲＲＩデータを含む補正対象範囲である場合、前記ＤＡＥの活性化関数はＲｅＬＵ（Rectified Linear Unit）であり、
   ノイズがＲ波の検知が欠落していることに起因するものであるＲＲＩデータを含む補正対象範囲である場合、前記ＤＡＥの活性化関数はシグモイド関数である
   ように前記ＤＡＥの活性化関数を切り替える
   演算装置。
5. 前記補正対象範囲のＲＲＩデータを補正する際にＤＡＥに入力するＲＲＩデータの数は、前記補正対象範囲に含まれるＲＲＩデータの数に一致する
   請求項１～請求項４のいずれか一項に記載の演算装置。
6. 前記補正対象範囲は、前記ノイズを有するＲＲＩデータ及び前記ノイズを有するＲＲＩデータの前後規定数のＲＲＩデータを含む
   請求項１～請求項５のいずれか一項に記載の演算装置。
7. 請求項１～請求項６のいずれか一項に記載の演算装置を搭載し、
   前記補正対象範囲のＲＲＩデータを含んだ時系列に得られた前記ＲＲＩデータに基づいて特定の生体状態を検知する
   検知装置。
8. 心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算方法であって、
   時系列に得られた前記ＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出するステップと、
   前記補正対象範囲のＲＲＩデータをＤＡＥに入力することによって、前記補正対象範囲のＲＲＩデータを補正するステップと、を備え、
   前記検出するステップは、以下の（ｉ）から（ｉｉｉ）のいずれかを含む、演算方法。
   （ｉ）ノイズが期外収縮（ＰＶＣ：Premature Ventricular Contraction）によるものであるＲＲＩデータを含む前記補正対象範囲を検出するステップを含み、前記ＤＡＥの活性化関数はＲｅＬＵ（Rectified Linear Unit）又はシグモイド関数である
   （ｉｉ）ノイズがＲ波の検知が欠落していることに起因するものであるＲＲＩデータを含む前記補正対象範囲を検出するステップを含み、前記ＤＡＥの活性化関数はシグモイド関数である
   （ｉｉｉ）ノイズが上室性期外収縮（ＰＡＣ：Premature Atrial Contraction）によるものであるＲＲＩデータを含む前記補正対象範囲を検出するステップを含み、前記ＤＡＥの活性化関数はＲｅＬＵ（Rectified Linear Unit）である
9. コンピュータを心電信号の隣接するＲ波の間隔のデータであるＲＲＩデータを補正する演算装置として機能させるプログラムであって、
   前記コンピュータに、
   時系列に得られた前記ＲＲＩデータのうちの、ノイズを有するＲＲＩデータを含む補正対象範囲を検出するステップと、
   前記補正対象範囲のＲＲＩデータをＤＡＥに入力することによって、前記補正対象範囲のＲＲＩデータを補正するステップと、を実行させ、
   前記検出するステップは、以下の（ｉ）から（ｉｉｉ）のいずれかを含む、コンピュータプログラム。
   （ｉ）ノイズが期外収縮（ＰＶＣ：Premature Ventricular Contraction）によるものであるＲＲＩデータを含む前記補正対象範囲を検出するステップを含み、前記ＤＡＥの活性化関数はＲｅＬＵ（Rectified Linear Unit）又はシグモイド関数である
   （ｉｉ）ノイズがＲ波の検知が欠落していることに起因するものであるＲＲＩデータを含む前記補正対象範囲を検出するステップを含み、前記ＤＡＥの活性化関数はシグモイド関数である
   （ｉｉｉ）ノイズが上室性期外収縮（ＰＡＣ：Premature Atrial Contraction）によるものであるＲＲＩデータを含む前記補正対象範囲を検出するステップを含み、前記ＤＡＥの活性化関数はＲｅＬＵ（Rectified Linear Unit）である

Images