JPH025925A - 生理的波形解析方法及び組立体 - Google Patents
生理的波形解析方法及び組立体Info
- Publication number
- JPH025925A JPH025925A JP1038144A JP3814489A JPH025925A JP H025925 A JPH025925 A JP H025925A JP 1038144 A JP1038144 A JP 1038144A JP 3814489 A JP3814489 A JP 3814489A JP H025925 A JPH025925 A JP H025925A
- Authority
- JP
- Japan
- Prior art keywords
- waveform
- electrical signal
- assembly
- waveforms
- extraction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 41
- 238000004458 analytical method Methods 0.000 title claims description 11
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 201000010099 disease Diseases 0.000 claims abstract description 38
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 2
- 238000002567 electromyography Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010304 firing Methods 0.000 description 10
- 210000003205 muscle Anatomy 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 210000001087 myotubule Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 239000000356 contaminant Substances 0.000 description 4
- 210000001428 peripheral nervous system Anatomy 0.000 description 4
- 210000003169 central nervous system Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002565 electrocardiography Methods 0.000 description 3
- 210000002161 motor neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000763 evoking effect Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000018360 neuromuscular disease Diseases 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000029578 Muscle disease Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 206010003882 axonal neuropathy Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000005264 motor neuron disease Diseases 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
-
- 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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
〔技術的分野〕
本発明は、身体が発生する生理的信号の波形を解析して
疾患状態を決定することに関する。
疾患状態を決定することに関する。
筋電図検査法(EMG)は末梢神経系の疾患の診断にお
ける重要な手段である。EMG信号は特定の筋肉内に挿
入された針から記録され、筋繊維の群の放電を表わす。
ける重要な手段である。EMG信号は特定の筋肉内に挿
入された針から記録され、筋繊維の群の放電を表わす。
異常はオッシロスコープのスクリーン上の電位を観測す
ることによって判断される。末梢神経系の疾患の診断に
関するこの技術の18中豆性は、EMGの特色を正確且
つ迅速に検定する方法が欠如していることによって重大
に制限されていた。更にEMGを中枢神経系の疾患の診
断まで拡大して使用することは、視覚的判断によりパタ
ーン情報を正確に測定する能力によって制約されて来た
。視覚的診断においては、医師はオッシロスコープのス
クリーンを横切って10乃至30 fizで明滅する電
位を観察し、スピーカからの音響を聴守する。その結果
もまた検査を遂行する個人の訓練に大きく依存し、偏り
を生じやすい。
ることによって判断される。末梢神経系の疾患の診断に
関するこの技術の18中豆性は、EMGの特色を正確且
つ迅速に検定する方法が欠如していることによって重大
に制限されていた。更にEMGを中枢神経系の疾患の診
断まで拡大して使用することは、視覚的判断によりパタ
ーン情報を正確に測定する能力によって制約されて来た
。視覚的診断においては、医師はオッシロスコープのス
クリーンを横切って10乃至30 fizで明滅する電
位を観察し、スピーカからの音響を聴守する。その結果
もまた検査を遂行する個人の訓練に大きく依存し、偏り
を生じやすい。
これが末梢神経系の疾患の診断における試験の再現性及
び信頼性に制限をもたらしている。別の重大な制限は、
点弧周波数及びパターン、点弧パターン間の関係、及び
単位の回復のような若干のペリメータを観察者が定量化
できないことである。
び信頼性に制限をもたらしている。別の重大な制限は、
点弧周波数及びパターン、点弧パターン間の関係、及び
単位の回復のような若干のペリメータを観察者が定量化
できないことである。
経験豊富な医師及び研究者によってEMGを中枢神経系
の疾患の診断にまで拡張しようとする試みがあったが、
適切なペリメータを正確に測定できないためにこの目的
は達成されていない。
の疾患の診断にまで拡張しようとする試みがあったが、
適切なペリメータを正確に測定できないためにこの目的
は達成されていない。
コンピュータ解析をEMG信号に適用しようという試み
は、信号が極端に可変であり且つ複素であるために殆ん
ど成功しなかった。近年、生物学的ニューロンによって
処理(計算)をモデル化することを基本とする新らしい
方法が、像のような複素信号を解析するための従来のア
ルゴリズムにより良い能力を与えた。
は、信号が極端に可変であり且つ複素であるために殆ん
ど成功しなかった。近年、生物学的ニューロンによって
処理(計算)をモデル化することを基本とする新らしい
方法が、像のような複素信号を解析するための従来のア
ルゴリズムにより良い能力を与えた。
運動単位定量化のための最初の方法はBuchthal
によって開発された。(Acta Physiol 5
cand。
によって開発された。(Acta Physiol 5
cand。
1954a (32) 200. F、 Buchth
al、C,Gold。
al、C,Gold。
P、 Rosenfalck、“正常筋における活動電
位パラメータ及び身体変数に対するそれらの依存性”参
照)彼の方法は、写真フィルム或は紙上に無作為に収集
した運動単位を記録することを含む。運動単位は視覚的
に検査され、持続時間、振幅及び位相が測定され、作表
される。20或はそれ以上の単位を測定した後、得られ
た平均値をBuch tha lによって集められた標
準化データと比較する。この方法は、単一の筋に対して
1時間程度の長い時間を消費する。殆んどの臨床研究で
は1ダース或はそれ以上の筋を試験するから、この方法
は研究環境を除いて実際的ではない。またこの方法も、
単位を個人が選択及び測定するために重大な偏りを生ず
る。
位パラメータ及び身体変数に対するそれらの依存性”参
照)彼の方法は、写真フィルム或は紙上に無作為に収集
した運動単位を記録することを含む。運動単位は視覚的
に検査され、持続時間、振幅及び位相が測定され、作表
される。20或はそれ以上の単位を測定した後、得られ
た平均値をBuch tha lによって集められた標
準化データと比較する。この方法は、単一の筋に対して
1時間程度の長い時間を消費する。殆んどの臨床研究で
は1ダース或はそれ以上の筋を試験するから、この方法
は研究環境を除いて実際的ではない。またこの方法も、
単位を個人が選択及び測定するために重大な偏りを生ず
る。
MUP定量化のための若干のコンピュータ援助方法が初
期に研究手段として開発された。コンピュータプログラ
ムは実験室ミニコンピユータ(通常はPDP−11)用
に開発され、それらが出版された後はソフトウェアパッ
ケージとして市販された。
期に研究手段として開発された。コンピュータプログラ
ムは実験室ミニコンピユータ(通常はPDP−11)用
に開発され、それらが出版された後はソフトウェアパッ
ケージとして市販された。
データへの最良の努力の1つはDorfman及びMc
G i 11によるものである。(1985年7月IE
EETraus、 Biomed、 Eng、 、
32(7); 470〜477゜K、 C,McGi
ll、 K、 L、 Cumm1ns、 L
、J、Dorfman ” 臣n床筋電図の自動化
分解”参照。)このプログラムはADEMG (EMG
の自動化分解)と呼ばれている。このプログラムは最大
努力の10%或は30%のしきい値における干渉パター
ンを記録する。次で信号を濾波し、微分して運動単位ス
パイクを探知する。運動単位は分離され、テンプレート
整合方法によって比較される。同一単位の再発がフーリ
エ分域内に揃えられ、平均される。整合中に可能ならば
何時でも、重なりは分解される。
G i 11によるものである。(1985年7月IE
EETraus、 Biomed、 Eng、 、
32(7); 470〜477゜K、 C,McGi
ll、 K、 L、 Cumm1ns、 L
、J、Dorfman ” 臣n床筋電図の自動化
分解”参照。)このプログラムはADEMG (EMG
の自動化分解)と呼ばれている。このプログラムは最大
努力の10%或は30%のしきい値における干渉パター
ンを記録する。次で信号を濾波し、微分して運動単位ス
パイクを探知する。運動単位は分離され、テンプレート
整合方法によって比較される。同一単位の再発がフーリ
エ分域内に揃えられ、平均される。整合中に可能ならば
何時でも、重なりは分解される。
次で最終平均が再処理され、平均を劣化させ得る隣接す
る単位或は重なった単位が除去される。持続時間は自動
的に計算される。点弧周波数は解析されるが、運動単位
の発生の欠落を探知するのに使用されるだけである。そ
れ以上の処理は遂行されない。この方法は多相運動単位
を誤って離散した成分に分解しやすく、従って運動単位
の位相が増加する場合には疾患状態を検出し損う。プロ
グラムはゆっくり変化する波形に追随するが、若干の疾
患状態の場合に見られるように単位の形態が不安定であ
ると同一のものの繰返し出現を誤って検出する。これら
の環境の下では、ADEMGは僅かに異なる出現を誤っ
て別個の運動単位として検出する恐れがある。
る単位或は重なった単位が除去される。持続時間は自動
的に計算される。点弧周波数は解析されるが、運動単位
の発生の欠落を探知するのに使用されるだけである。そ
れ以上の処理は遂行されない。この方法は多相運動単位
を誤って離散した成分に分解しやすく、従って運動単位
の位相が増加する場合には疾患状態を検出し損う。プロ
グラムはゆっくり変化する波形に追随するが、若干の疾
患状態の場合に見られるように単位の形態が不安定であ
ると同一のものの繰返し出現を誤って検出する。これら
の環境の下では、ADEMGは僅かに異なる出現を誤っ
て別個の運動単位として検出する恐れがある。
最も重要な信号処理方法がGevinsによって開発さ
れた。(1987年6月Alan S、 Gevins
及びNe1son H,Morgan、 ”脳研究にお
ける無知から出発する神経回路網信号処理”参照。)こ
の論文に略述されている方法は、神経回路網分類器指向
法を神経学的波形検出に応用しようとしている。
れた。(1987年6月Alan S、 Gevins
及びNe1son H,Morgan、 ”脳研究にお
ける無知から出発する神経回路網信号処理”参照。)こ
の論文に略述されている方法は、神経回路網分類器指向
法を神経学的波形検出に応用しようとしている。
この方法は、専用検出器の交換のための汚染物質の検出
、及び誘発電位評価のための波形検出への応用を含む。
、及び誘発電位評価のための波形検出への応用を含む。
汚染物質の応用においては、専門家の汚染物質の型の知
識は、人手によって記録された訓練データによって表わ
され、これは汚染されたデータからきれいなデータを区
別するために神経回路網の訓練に用いられる。若干の神
経回路網が用いられ、それぞれは異なる型の汚染物質を
検出するように訓練される。この方法の回路網は、多数
の特色を受入れてこの入力を最良の整合別の分類するこ
とはできない。更に、この方法は如何なる型の初期波形
識別も明らかにされていない。誘発電位評価の場合には
、信号及び雑音特性に関して電位を基にした仮定が必要
である。この方法は、動作のために入力信号を予測仮定
する必要がある。
識は、人手によって記録された訓練データによって表わ
され、これは汚染されたデータからきれいなデータを区
別するために神経回路網の訓練に用いられる。若干の神
経回路網が用いられ、それぞれは異なる型の汚染物質を
検出するように訓練される。この方法の回路網は、多数
の特色を受入れてこの入力を最良の整合別の分類するこ
とはできない。更に、この方法は如何なる型の初期波形
識別も明らかにされていない。誘発電位評価の場合には
、信号及び雑音特性に関して電位を基にした仮定が必要
である。この方法は、動作のために入力信号を予測仮定
する必要がある。
この先行技術は、波形を処理するためにデータ信号に関
する先行情報を必要とする。波形が元の仮定の何れとも
整合しない時、或は波形の重なりが存在すると問題が発
生する。
する先行情報を必要とする。波形が元の仮定の何れとも
整合しない時、或は波形の重なりが存在すると問題が発
生する。
本発明は、身体内で発生する生理的信号を弁別して疾患
の特質を表わす出力を発生するための生理的信号弁別方
法及び波形解析組立体に関する。
の特質を表わす出力を発生するための生理的信号弁別方
法及び波形解析組立体に関する。
本組立体は、身体内で発生する生理的信号を検出して電
気信号を発生する検知手段を含む。更に本組立体は、生
理的信号を受け、電気信号の反覆波形を学習し、そして
学習した波形を電気信号から抜出す抽出回路網手段をも
含む。抽出回路網手段は、抜出した波形を記憶するメモ
リ手段を含む。
気信号を発生する検知手段を含む。更に本組立体は、生
理的信号を受け、電気信号の反覆波形を学習し、そして
学習した波形を電気信号から抜出す抽出回路網手段をも
含む。抽出回路網手段は、抜出した波形を記憶するメモ
リ手段を含む。
出力手段は、抜出された波形に基いて疾患診断の情報を
出力する。組立体は、疾患状態に関連する標準的な特色
及びそれらの組合せからなる情報を含み且つ特色と情報
とを比較して特色と情報の最・良整合に基いて疾患状態
を表わす出力を発生する分類手段をも含む。
出力する。組立体は、疾患状態に関連する標準的な特色
及びそれらの組合せからなる情報を含み且つ特色と情報
とを比較して特色と情報の最・良整合に基いて疾患状態
を表わす出力を発生する分類手段をも含む。
本組立体は、本組立体が反覆波形を学習し、従って重な
り、多相波形、及び非テンプレート波形を取扱うことが
可能である点が先行技術よりも優れている。更に、本組
立体は、全ての特色を正確に整合させる必要なく疾患状
態の最良整合を発生する。換言すれば、本組立体は未知
のデータ信号を受け、波形に関する予測情報を用いずに
信号から反覆波形を学習し、データ信号から学習した波
形を抜出す。
り、多相波形、及び非テンプレート波形を取扱うことが
可能である点が先行技術よりも優れている。更に、本組
立体は、全ての特色を正確に整合させる必要なく疾患状
態の最良整合を発生する。換言すれば、本組立体は未知
のデータ信号を受け、波形に関する予測情報を用いずに
信号から反覆波形を学習し、データ信号から学習した波
形を抜出す。
第1図に全体を10で示す波形解析組立体は、第2図の
流れ図を使用する。波形解析組立体及び方法は、筋電図
検査法(EMG) 、脳電図(EEG)、及び心電図(
EKG)等のような内部活動から検知した生理的電気或
は機械信号に適用できる。本発明の好ましい実施例は、
神経筋の不調の診断を目指しておりまた本明細書におい
てはそれに限定しているが、本装置及び方法は如何なる
源からの生理的波形も検出し、解析するように適用可能
である。筋電図検査法は、針電極14を用いて収縮する
筋から記録された電気信号を解析することによって神経
筋の不調を診断する技術である。
流れ図を使用する。波形解析組立体及び方法は、筋電図
検査法(EMG) 、脳電図(EEG)、及び心電図(
EKG)等のような内部活動から検知した生理的電気或
は機械信号に適用できる。本発明の好ましい実施例は、
神経筋の不調の診断を目指しておりまた本明細書におい
てはそれに限定しているが、本装置及び方法は如何なる
源からの生理的波形も検出し、解析するように適用可能
である。筋電図検査法は、針電極14を用いて収縮する
筋から記録された電気信号を解析することによって神経
筋の不調を診断する技術である。
背景として、筋電図(EMG)として記録される電気信
号は、運動単位電位と呼ばれる離散した波の列からなる
。運動単位電位(MUP)は単一の運動ニューロンに接
続された全ての筋繊維の同時放電によって発生する筋肉
の電位として定義することができる。下側運動ニューロ
ンは、軸索を特定の筋肉の筋繊維の群に直接接続するを
髄内のニューロンである。このニューロンの各放電は筋
繊維を直接放電させて筋を収縮させる。このニューロン
の点弧は上側運動ニューロンを含む中枢神経系内の他の
ニューロンの制御下にある。末梢神経と筋繊維とが密接
な関係にあるために、このニューロンは物理的には中枢
神経系内にあっても、機能的には末梢神経系の一部と考
えることができる。
号は、運動単位電位と呼ばれる離散した波の列からなる
。運動単位電位(MUP)は単一の運動ニューロンに接
続された全ての筋繊維の同時放電によって発生する筋肉
の電位として定義することができる。下側運動ニューロ
ンは、軸索を特定の筋肉の筋繊維の群に直接接続するを
髄内のニューロンである。このニューロンの各放電は筋
繊維を直接放電させて筋を収縮させる。このニューロン
の点弧は上側運動ニューロンを含む中枢神経系内の他の
ニューロンの制御下にある。末梢神経と筋繊維とが密接
な関係にあるために、このニューロンは物理的には中枢
神経系内にあっても、機能的には末梢神経系の一部と考
えることができる。
ニューロンの主な特性は、他のニューロンからの多重入
力の処理に応答して周波数出力を発生するその能力であ
る。この同じ術語は神経回路網の基本要素である数学的
にモデル化されたニューロンを表わすのに使用される。
力の処理に応答して周波数出力を発生するその能力であ
る。この同じ術語は神経回路網の基本要素である数学的
にモデル化されたニューロンを表わすのに使用される。
並列分配処理、パーセプトロン、結合メモリ等とも名付
けられている神経回路網はモデル化されたニューロンの
模擬された、或は物理的に再構成されたアレーである。
けられている神経回路網はモデル化されたニューロンの
模擬された、或は物理的に再構成されたアレーである。
このアレーは入力接続、ニューロン間の相互接続、及び
出力接続を有し、−般にシナブチイック重みマトリック
スと呼ばれる。
出力接続を有し、−般にシナブチイック重みマトリック
スと呼ばれる。
最も簡単なアレーは線形であるが、より複雑なアーキテ
クチャは研究中である。アレーによって遂行される処理
は並列に発生し、相互接続の物理的アーキテクチャ、及
び相互接続或は要素の強さの両者に依存する。
クチャは研究中である。アレーによって遂行される処理
は並列に発生し、相互接続の物理的アーキテクチャ、及
び相互接続或は要素の強さの両者に依存する。
第1図及び第2図に示すように、組立体10は生理的信
号をサンプルする段階12、信号を処理する段階18、
波形を学習し抜出す段階22、波形を特色に縮小する段
階34、及び特色を分類して診断情報或は翻訳可能な出
力を発生する段階36を含む。使用者と対話するシステ
ムによって、未処理電気信号及び抜出した運動単位を精
査して正確な性能を確認することができる。各段階に関
して以下に詳細に説明する。
号をサンプルする段階12、信号を処理する段階18、
波形を学習し抜出す段階22、波形を特色に縮小する段
階34、及び特色を分類して診断情報或は翻訳可能な出
力を発生する段階36を含む。使用者と対話するシステ
ムによって、未処理電気信号及び抜出した運動単位を精
査して正確な性能を確認することができる。各段階に関
して以下に詳細に説明する。
第1図は本発明のブロック線図であり、第2図は第1図
の装置を実働させるための関連流れ図である。
の装置を実働させるための関連流れ図である。
組立体10は、身体内で発生する生理学的信号をサンプ
ルして電気信号即ち原信号を発生する検知手段12を含
む。検知手段即ちサンプリング手段12は、検知したデ
ータを電気信号に変換するものであればどのような型の
変換器であっても差支えない。検知手段12は同心針電
極或は単極針電極14を含む。また検知手段12は針か
らの信号を増幅し濾波する標準EMG装置16及び処理
のためにディジタル化された電気信号を発生するアナロ
グ・ディジタル変換器をも含む。第3図は検知されるE
MG信号を模擬したEMG信号であり、2つの運動単位
の反覆出現を含む。好ましくは、針14の各挿入毎に1
0秒間に亘ってEMGをサンプルする。典型的な運動単
位の点弧周波数は約1011zであるから、このサンプ
ル掃引中に各単位が100回得6れることになる。EM
Gは最小成はしきい値努力及び最大努力の10%及び3
%において解析される。経験から、各挿入毎に5或は6
単位までを解析できることが分っているが、本発明はこ
の数に限定されることはない。
ルして電気信号即ち原信号を発生する検知手段12を含
む。検知手段即ちサンプリング手段12は、検知したデ
ータを電気信号に変換するものであればどのような型の
変換器であっても差支えない。検知手段12は同心針電
極或は単極針電極14を含む。また検知手段12は針か
らの信号を増幅し濾波する標準EMG装置16及び処理
のためにディジタル化された電気信号を発生するアナロ
グ・ディジタル変換器をも含む。第3図は検知されるE
MG信号を模擬したEMG信号であり、2つの運動単位
の反覆出現を含む。好ましくは、針14の各挿入毎に1
0秒間に亘ってEMGをサンプルする。典型的な運動単
位の点弧周波数は約1011zであるから、このサンプ
ル掃引中に各単位が100回得6れることになる。EM
Gは最小成はしきい値努力及び最大努力の10%及び3
%において解析される。経験から、各挿入毎に5或は6
単位までを解析できることが分っているが、本発明はこ
の数に限定されることはない。
組立体10は、電気信号を濾波し、微分して波形に関連
するスパイクを分離するための前処理手段18をも含む
。前処理手段18は、運動単位スパイク位置の濾波及び
識別からなるMcG i l Iの文献に述べられてい
る方法を組入れることができる。
するスパイクを分離するための前処理手段18をも含む
。前処理手段18は、運動単位スパイク位置の濾波及び
識別からなるMcG i l Iの文献に述べられてい
る方法を組入れることができる。
電気信号の雑音レベルはMcGill及びDorfma
nによって開発されたアルゴリズムを用いて決定され、
これによっであるしきい値が確立される。このしきい値
以下では信号のピークは候補運動単位を表わすものとは
考慮されない。標準の上側フィルタ設定は10 Ktl
zであり、20にllzのサンプルレートを用いること
が好ましい。初期の作業はフーリエ補間を必要としない
ことを示唆しているが、必要ならばこれは後刻付加する
ことができる。スパイクは一般に、運動単位出現及びそ
の関連波形の位置を指示する。波形内のピークは、微分
回路及びゼロ交叉検出回路を近似する簡単な符号変化ア
ルゴリズムによって検出される。
nによって開発されたアルゴリズムを用いて決定され、
これによっであるしきい値が確立される。このしきい値
以下では信号のピークは候補運動単位を表わすものとは
考慮されない。標準の上側フィルタ設定は10 Ktl
zであり、20にllzのサンプルレートを用いること
が好ましい。初期の作業はフーリエ補間を必要としない
ことを示唆しているが、必要ならばこれは後刻付加する
ことができる。スパイクは一般に、運動単位出現及びそ
の関連波形の位置を指示する。波形内のピークは、微分
回路及びゼロ交叉検出回路を近似する簡単な符号変化ア
ルゴリズムによって検出される。
組立体10は、個々の波形に関連するスパイク及びそれ
らの位置を識別する制御手段20を含む。
らの位置を識別する制御手段20を含む。
制御手段20は単にソフトウェアによって実現してもよ
い。スパイクは振幅によって分類され、振幅ヒストグラ
ムが作成されて振幅の群を分離するのに使用される。ス
パイク毎の振幅がヒストグラムを作成するために取られ
る。ヒストグラムは振幅対出現度数のプロットである。
い。スパイクは振幅によって分類され、振幅ヒストグラ
ムが作成されて振幅の群を分離するのに使用される。ス
パイク毎の振幅がヒストグラムを作成するために取られ
る。ヒストグラムは振幅対出現度数のプロットである。
検出された全てのピークに関連するタグベクトルも作成
される。
される。
タグベクトルはピーク出現の時間位置を表わす。
単一の運動単位に関するスパイクは単一の振幅の周囲に
密集しがちである。組立体10においては、電位の各ピ
ーク或は集群が1つの運動ユニットを表わすものとして
いる。ヒストグラムはピーク及びトラフを有する。処理
は、ヒストグラムの第1のトラフの右に位置する振幅に
関連するスパイクの群から開始される。これらのスパイ
クは、しきい値を決定するヒストグラムから決定された
トラフ値を用いた簡単なしきい値検出によって識別され
る。これらのスパイクに関連するタグベクトル位置も同
様にデータ内の最大運動単位電位波形を識別している。
密集しがちである。組立体10においては、電位の各ピ
ーク或は集群が1つの運動ユニットを表わすものとして
いる。ヒストグラムはピーク及びトラフを有する。処理
は、ヒストグラムの第1のトラフの右に位置する振幅に
関連するスパイクの群から開始される。これらのスパイ
クは、しきい値を決定するヒストグラムから決定された
トラフ値を用いた簡単なしきい値検出によって識別され
る。これらのスパイクに関連するタグベクトル位置も同
様にデータ内の最大運動単位電位波形を識別している。
組立体10は、電気信号を受け、この電気信号内の繰返
し波形成分を学習し、学習した波形を抜出す抽出回路網
手段22を含む。抽出回路網手段22は神経回路網であ
る。神経回路網の形態は当分野においては周知であり、
詳細な説明は省略する。抽出回路網手段22は抜出した
波形及び電気信号内でその波形が出現した関連時間を記
憶するためのバッファ手段30を含む。例えば100μ
Vのような特定の振幅より小さいピークは雑音と見做さ
れ、しきい値以上の関連波形が学習され、抜出される。
し波形成分を学習し、学習した波形を抜出す抽出回路網
手段22を含む。抽出回路網手段22は神経回路網であ
る。神経回路網の形態は当分野においては周知であり、
詳細な説明は省略する。抽出回路網手段22は抜出した
波形及び電気信号内でその波形が出現した関連時間を記
憶するためのバッファ手段30を含む。例えば100μ
Vのような特定の振幅より小さいピークは雑音と見做さ
れ、しきい値以上の関連波形が学習され、抜出される。
抽出回路網手段22の第1段階は学習手段24によって
実行される。分離されたスパイクに関連する各波形が解
析される。最高しきい値以上の検出された各スパイクを
中心とするデータは制御手段20から抽出回路網手段2
2に供給される。抽出回路網手段22は電気信号を通過
させ、ヒストグラム集群内の各スパイク位置における各
運動単位の外観を学習する。学習手段24は任意数の連
接した波形、多相波形、或は複素波形を学習することが
できるが、重なりは排除する。例えば256サンプル点
である全波形は並列に受入れられる。
実行される。分離されたスパイクに関連する各波形が解
析される。最高しきい値以上の検出された各スパイクを
中心とするデータは制御手段20から抽出回路網手段2
2に供給される。抽出回路網手段22は電気信号を通過
させ、ヒストグラム集群内の各スパイク位置における各
運動単位の外観を学習する。学習手段24は任意数の連
接した波形、多相波形、或は複素波形を学習することが
できるが、重なりは排除する。例えば256サンプル点
である全波形は並列に受入れられる。
波形の各出現が採取され、抽出回路網手段22に供給さ
れる。このようにして識別された各運動単位は、振幅に
対して逆の順序で、抽出回路網手段22によって別々に
処理される。即ち最大振幅に関連する運動単位が最初に
処理されるのである。
れる。このようにして識別された各運動単位は、振幅に
対して逆の順序で、抽出回路網手段22によって別々に
処理される。即ち最大振幅に関連する運動単位が最初に
処理されるのである。
学習手段24によって遂行され゛る抽出回路網手段22
の第1段階は、信号の最初の通過を行って運動単位の重
みマトリックスを合成することである。制御手段20は
、どの波形に関してその波形と関連するスパイクの位置
を学習するのかを、しきい値を適用することによって抽
出回路網手段22を制御する。抽出回路網手段22は制
御手段20の機能を実行できるから、制御手段20は必
ずしも設ける必要がないことを理解されたい。重みマト
リックス26は、周知のように抽出回路網手段22内の
ある運動単位波形の記憶及び処理の形状を画くのに使用
される形態である。学習手段24は運動単位波形のサン
プルされたデータ点を受け、この情報をシナブチイック
重み測定と呼ばれる典型的な分布形状で重みマトリック
ス内に記憶する。ピーク即ちスパイクを取巻く入力即ち
サンプル点のアレーは第1の抽出回路網手段22内へ供
給される。このシステムは運動単位の10〜20ミリ秒
の持続時間即ちウィンドウを観測するが、はぼ100ミ
リ秒の最大ウィンドウを得ることも可能である。しかし
このウィンドウは変化させることができる。100ミリ
秒より長い波形を存する単一の運動単位が疾患であるこ
とは診断中の医師ならば明白であろう。もしあるウィン
ドウ内に2つの運動単位が存在すれば、抽出回路網手段
22は始めに複素波形と見做す。もし実際にはこれが複
素波形ではないが重なりであれば、10秒間の1サンプ
リング期間中に屡々発生するものではないからこれは“
無視”される。単一の運動単位は10秒のサンプリング
朋間中に約100回連続して検出され、学習されるから
、数回の誤波或は態度りな波は学習波形に何等の効果も
及ぼさない。もし2つの波即ち重なりが常に発生すれば
、抽出回路網手段22の学習手段24はこの波形を検出
し、学習できる。即ち、学習手段24はヒストグラムの
特定振幅集群に関連する各ピーク或は波形毎に電気信号
を検索し、特定振幅の各スパイクを検出すると1/にの
係数によって波形を調整することにより波形を学習する
。学習手段24は、K波(約100波であるが変化し得
る)を調査し、平均形態にある学習済波形を更新するこ
とによって波形を学習する。換言すれば、抽出回路網手
段22の学習手段24は、ヒストグラムから振幅集群に
ほぼ関連する第1の波形を受ける。学習手段24はこの
波形を重みマトリックス26内に記憶し、次で同じよう
な振幅の他の波形を検出してそれらを1/にの係数によ
って“平均”する。このプロセスは最初のバスが完了し
、しきい値以上の全ての波形を学習するまで続行される
。この学習パスが完了すると運動単位電位波形の理想化
された表示は、回路網の重みマトリックス26内に分布
した形態で存在することになる。即ちどのような反覆波
形も学習され、重みマトリックス26内に記憶される。
の第1段階は、信号の最初の通過を行って運動単位の重
みマトリックスを合成することである。制御手段20は
、どの波形に関してその波形と関連するスパイクの位置
を学習するのかを、しきい値を適用することによって抽
出回路網手段22を制御する。抽出回路網手段22は制
御手段20の機能を実行できるから、制御手段20は必
ずしも設ける必要がないことを理解されたい。重みマト
リックス26は、周知のように抽出回路網手段22内の
ある運動単位波形の記憶及び処理の形状を画くのに使用
される形態である。学習手段24は運動単位波形のサン
プルされたデータ点を受け、この情報をシナブチイック
重み測定と呼ばれる典型的な分布形状で重みマトリック
ス内に記憶する。ピーク即ちスパイクを取巻く入力即ち
サンプル点のアレーは第1の抽出回路網手段22内へ供
給される。このシステムは運動単位の10〜20ミリ秒
の持続時間即ちウィンドウを観測するが、はぼ100ミ
リ秒の最大ウィンドウを得ることも可能である。しかし
このウィンドウは変化させることができる。100ミリ
秒より長い波形を存する単一の運動単位が疾患であるこ
とは診断中の医師ならば明白であろう。もしあるウィン
ドウ内に2つの運動単位が存在すれば、抽出回路網手段
22は始めに複素波形と見做す。もし実際にはこれが複
素波形ではないが重なりであれば、10秒間の1サンプ
リング期間中に屡々発生するものではないからこれは“
無視”される。単一の運動単位は10秒のサンプリング
朋間中に約100回連続して検出され、学習されるから
、数回の誤波或は態度りな波は学習波形に何等の効果も
及ぼさない。もし2つの波即ち重なりが常に発生すれば
、抽出回路網手段22の学習手段24はこの波形を検出
し、学習できる。即ち、学習手段24はヒストグラムの
特定振幅集群に関連する各ピーク或は波形毎に電気信号
を検索し、特定振幅の各スパイクを検出すると1/にの
係数によって波形を調整することにより波形を学習する
。学習手段24は、K波(約100波であるが変化し得
る)を調査し、平均形態にある学習済波形を更新するこ
とによって波形を学習する。換言すれば、抽出回路網手
段22の学習手段24は、ヒストグラムから振幅集群に
ほぼ関連する第1の波形を受ける。学習手段24はこの
波形を重みマトリックス26内に記憶し、次で同じよう
な振幅の他の波形を検出してそれらを1/にの係数によ
って“平均”する。このプロセスは最初のバスが完了し
、しきい値以上の全ての波形を学習するまで続行される
。この学習パスが完了すると運動単位電位波形の理想化
された表示は、回路網の重みマトリックス26内に分布
した形態で存在することになる。即ちどのような反覆波
形も学習され、重みマトリックス26内に記憶される。
抽出回路網手段22による電気信号の第2の通過の間は
それ以上の学習は行われない。第2の通過は抜出し通過
であり、抽出回路網手段22内の抽出手段28によって
実行される。重みマトリックス26は調整されない。こ
の通過では運動単位波形の理想化された表示が抽出回路
網手段22の重みマトリックス26から回収される。学
習通過中と同一のスパイクを中心とする同一出現が入力
として使用される。運動単位の各候補出現が提示される
と、抽出手段28は、基礎運動単位電位の抜出しを表わ
し加算バッファ30内に記憶されている出力に応答する
。抽出手段28によって回収されたこの抜出された波形
は最小自乗法のセンスで整列させられる。この抜出し通
過は、第4図に示すように、整列、及び雑音及び重なり
の除去を含む。もし振幅或は波形の形状が学習した波形
とは極めて異なっていれば、これは誤りであることを示
しており無視される。若干の変化は抽出手段28を混乱
させることはなく、抽出手段28はこれらの出現を探す
ことになろう。即ち原電気信号は受信され、重みマトリ
ックス26内の学習した波形表示と比較され、整列され
雑音を除去された出力は加算用バッファ30に送られて
平均される。
それ以上の学習は行われない。第2の通過は抜出し通過
であり、抽出回路網手段22内の抽出手段28によって
実行される。重みマトリックス26は調整されない。こ
の通過では運動単位波形の理想化された表示が抽出回路
網手段22の重みマトリックス26から回収される。学
習通過中と同一のスパイクを中心とする同一出現が入力
として使用される。運動単位の各候補出現が提示される
と、抽出手段28は、基礎運動単位電位の抜出しを表わ
し加算バッファ30内に記憶されている出力に応答する
。抽出手段28によって回収されたこの抜出された波形
は最小自乗法のセンスで整列させられる。この抜出し通
過は、第4図に示すように、整列、及び雑音及び重なり
の除去を含む。もし振幅或は波形の形状が学習した波形
とは極めて異なっていれば、これは誤りであることを示
しており無視される。若干の変化は抽出手段28を混乱
させることはなく、抽出手段28はこれらの出現を探す
ことになろう。即ち原電気信号は受信され、重みマトリ
ックス26内の学習した波形表示と比較され、整列され
雑音を除去された出力は加算用バッファ30に送られて
平均される。
バッファ30内に時間表或はタグベクトルが発生して運
動単位の各出現の時間を表示する。単一の運動単位のこ
の時間表に関連する点弧パターンは、振幅基準によって
見失われた運動単位の起り得る中間出現を調査するため
に用いられる。これらの失われた位置の近傍のスパイク
は抽出回路網手段22によって評価され、それらが解析
中の運動単位を表わしているか否かが決定される。この
ようにして抜出された点弧パターンは信号の重要な特色
であり、分類のために使用される。電気信号内に波形の
整合が存在する場合には出現時間が記憶され、その波形
は電気信号から加算用バッファ30へ抜出される。これ
らの差は抽出され、整合しない重なりは第2の通過の電
気信号出力から排除される。換言すれば、各入力毎に得
られた回路網出力はバッファ30内で加算され、最終結
果が平均されるのである。抜出し通過中に自動整列が遂
行される。第6図は、第3図の原信号からある運動単位
を抜出した後に得られた信号を示す。学習及び抜出しの
プロセスは各運動単位及び関連波形毎に繰返される。
動単位の各出現の時間を表示する。単一の運動単位のこ
の時間表に関連する点弧パターンは、振幅基準によって
見失われた運動単位の起り得る中間出現を調査するため
に用いられる。これらの失われた位置の近傍のスパイク
は抽出回路網手段22によって評価され、それらが解析
中の運動単位を表わしているか否かが決定される。この
ようにして抜出された点弧パターンは信号の重要な特色
であり、分類のために使用される。電気信号内に波形の
整合が存在する場合には出現時間が記憶され、その波形
は電気信号から加算用バッファ30へ抜出される。これ
らの差は抽出され、整合しない重なりは第2の通過の電
気信号出力から排除される。換言すれば、各入力毎に得
られた回路網出力はバッファ30内で加算され、最終結
果が平均されるのである。抜出し通過中に自動整列が遂
行される。第6図は、第3図の原信号からある運動単位
を抜出した後に得られた信号を示す。学習及び抜出しの
プロセスは各運動単位及び関連波形毎に繰返される。
1つの運動単位を学習した後の抽出回路網手段22の第
3段階は、減算手段32によって別の運動単位の処理が
実行される前に、各タグベクトル位置において電気信号
から前記1つの運動単位を差引くことである。抽出回路
網手段はそのウィンドウ内の波形の形状(同一運動単位
に属する全ての隣接ピークを含む)全体を学習するから
、この段階は全ての関連ピークを除去する。これは多相
或は衛星波形に関連する全てのピークを含む。複素波形
が分離した運動単位電位として不適切に処理されること
はない。
3段階は、減算手段32によって別の運動単位の処理が
実行される前に、各タグベクトル位置において電気信号
から前記1つの運動単位を差引くことである。抽出回路
網手段はそのウィンドウ内の波形の形状(同一運動単位
に属する全ての隣接ピークを含む)全体を学習するから
、この段階は全ての関連ピークを除去する。これは多相
或は衛星波形に関連する全てのピークを含む。複素波形
が分離した運動単位電位として不適切に処理されること
はない。
ヒストグラムからの最初の、そして最大の振幅集群がこ
のプロセスによって解析され、電気信号から差引かれた
後に、別の運動単位に関連するものと考えられる次に最
大の振幅集群が解析される。
のプロセスによって解析され、電気信号から差引かれた
後に、別の運動単位に関連するものと考えられる次に最
大の振幅集群が解析される。
このプロセスはヒストグラムの各振幅集群に対して続け
られ、各関連運動単位の学習され、抜出された波形は分
離したバッファ30内に記憶される。
られ、各関連運動単位の学習され、抜出された波形は分
離したバッファ30内に記憶される。
その後の運動単位に関して減算手段32から出力される
結果信号が次の学習及び抜出しのための電気信号として
使用されることに注目されたい。別の運動単位が処理さ
れる時、既に処理済の運動単位は電気信号から差引かれ
ており、従って第6図に示すように処理される信号には
含まれていない。
結果信号が次の学習及び抜出しのための電気信号として
使用されることに注目されたい。別の運動単位が処理さ
れる時、既に処理済の運動単位は電気信号から差引かれ
ており、従って第6図に示すように処理される信号には
含まれていない。
換言すれば、抽出回路網手段22は1つの波形を検出し
、学習し、抜出し、そしてヒストグラムの次に最大の振
幅に基いて別の波形を見出すことを反覆する。減算段階
中に、学習した波形はサンプルされた波形の最高ピーク
上に整列される。システムは多相波形を解析することが
でき、若干の変化を差引く。100μV以下のピークは
雑音と見做され、処理されない。
、学習し、抜出し、そしてヒストグラムの次に最大の振
幅に基いて別の波形を見出すことを反覆する。減算段階
中に、学習した波形はサンプルされた波形の最高ピーク
上に整列される。システムは多相波形を解析することが
でき、若干の変化を差引く。100μV以下のピークは
雑音と見做され、処理されない。
抽出回路網手段22の変形実施例として、抽出回路網手
段22は反覆波形を学習し、第3の通過中に独特な即ち
大きく異なる波形を電気信号から抜出し、この独特な波
形をバッファ30内に記憶して変形手段34へ印加する
ことができる。これはEKG信号の理想的応用であり、
反覆信号以外の独特な信号を検出して抽出回路網手段2
2によって差引くことが可能である。学習する代りに学
習済の波形を使用者が入力することも可能である。
段22は反覆波形を学習し、第3の通過中に独特な即ち
大きく異なる波形を電気信号から抜出し、この独特な波
形をバッファ30内に記憶して変形手段34へ印加する
ことができる。これはEKG信号の理想的応用であり、
反覆信号以外の独特な信号を検出して抽出回路網手段2
2によって差引くことが可能である。学習する代りに学
習済の波形を使用者が入力することも可能である。
抽出回路網22はこのテンプレート波形を抜出しに使用
することが出来る。類似波形成は非類似波形の何れかを
抜出し得る。
することが出来る。類似波形成は非類似波形の何れかを
抜出し得る。
要約すれば、図示のように抽出回路網手段22は電気信
号即ちデータを受け、この信号内の如何なる反覆波形を
も学習することができる。この同じ電気信号は、学習し
た波形に基いてある波形を抜出すために使用される。換
言すれば、未知のデータを学習のために使用し、この未
知のデータを抜出しのためにも使用するのである。予測
した波形は必要としない。反覆波形が存在する限り、電
気信号の源は抽出回路網手段22にとって無関係である
。
号即ちデータを受け、この信号内の如何なる反覆波形を
も学習することができる。この同じ電気信号は、学習し
た波形に基いてある波形を抜出すために使用される。換
言すれば、未知のデータを学習のために使用し、この未
知のデータを抜出しのためにも使用するのである。予測
した波形は必要としない。反覆波形が存在する限り、電
気信号の源は抽出回路網手段22にとって無関係である
。
組立体10は、バッファ30内の波形を解析して各波形
を別々に特徴づけている特色を発生するための縮小手段
34を含む。−旦運動単位波形を得ると、この情報を作
表された特色に縮小する標準手順が存在する。この手順
はゼロ交叉、勾配、持続時間、及び振幅等を調査するこ
とを含む。縮小手段34はソフトウェアによって実現さ
れる。
を別々に特徴づけている特色を発生するための縮小手段
34を含む。−旦運動単位波形を得ると、この情報を作
表された特色に縮小する標準手順が存在する。この手順
はゼロ交叉、勾配、持続時間、及び振幅等を調査するこ
とを含む。縮小手段34はソフトウェアによって実現さ
れる。
縮小手段34はバッファ30内の各波形、時間表、及び
サンプルされた原信号を調査する。得られる特色の例は
、平均持続時間、持続時間のヒストグラム、振幅、波形
の度数、フーリエ変換−中央周波数或は高低の周波数含
有比、波形の安定度(原データにおける毎出現と比較−
抽出変動)、点弧パターン(規則的か或は不規則か−及
び用いる筋力の量と使用されたMUの数との関係)であ
る。
サンプルされた原信号を調査する。得られる特色の例は
、平均持続時間、持続時間のヒストグラム、振幅、波形
の度数、フーリエ変換−中央周波数或は高低の周波数含
有比、波形の安定度(原データにおける毎出現と比較−
抽出変動)、点弧パターン(規則的か或は不規則か−及
び用いる筋力の量と使用されたMUの数との関係)であ
る。
このリストが全てではな(、波形の特徴づけに用いられ
る特色が多い程以下に述べる分類がより良くなる。
る特色が多い程以下に述べる分類がより良くなる。
組立体10は分類回路網手段36を含む。分類回路網手
段36は、疾患状態に関連する標準的な特色及びそれら
の組合せからなる情報を収容し特色と情報とを比較して
両者の最良の整合にく基いて疾患状態を表わす出力を発
生する参照メモリ手段40を含む。分類回路網手段36
は別の神経回路網プロセッサを構成している。縮小手段
34からの特色は分類手段38に供給され、波形の特色
は正常状態及び疾患状態を表わす正常及び患者群特徴づ
け特色を表わす情報と比較される。この正常及び患者群
情報は分類回路網手段36の参照メモリ手段40内に重
みマトリックスの形状で記憶されており、縮小手段34
からの運動単位波形を特徴づけるものと同一の型の特色
を含むことを特徴としている。運動単位波形の特色はこ
の情報と比較され、最良の整合が調査される。全ての特
色が特色のパターンを決定するために考慮され、それら
を類別する出力が発生する。分類回路網手段36は総数
の特色を取り、最良整合を与えるようにそれらを分類す
る。誤特色即ち逸脱特色は最良の部類を得る上で無視し
てよい。
段36は、疾患状態に関連する標準的な特色及びそれら
の組合せからなる情報を収容し特色と情報とを比較して
両者の最良の整合にく基いて疾患状態を表わす出力を発
生する参照メモリ手段40を含む。分類回路網手段36
は別の神経回路網プロセッサを構成している。縮小手段
34からの特色は分類手段38に供給され、波形の特色
は正常状態及び疾患状態を表わす正常及び患者群特徴づ
け特色を表わす情報と比較される。この正常及び患者群
情報は分類回路網手段36の参照メモリ手段40内に重
みマトリックスの形状で記憶されており、縮小手段34
からの運動単位波形を特徴づけるものと同一の型の特色
を含むことを特徴としている。運動単位波形の特色はこ
の情報と比較され、最良の整合が調査される。全ての特
色が特色のパターンを決定するために考慮され、それら
を類別する出力が発生する。分類回路網手段36は総数
の特色を取り、最良整合を与えるようにそれらを分類す
る。誤特色即ち逸脱特色は最良の部類を得る上で無視し
てよい。
組立体10は、疾患を診断する上で医師を援助する生理
的情報を出力するための出力手段42を含む。生理的出
力部類(分類)は、筋疾患、上側運動ニューロン疾患、
軸索神経障害、神経・筋肉接合疾患等のような疾患出力
を含むことができる。
的情報を出力するための出力手段42を含む。生理的出
力部類(分類)は、筋疾患、上側運動ニューロン疾患、
軸索神経障害、神経・筋肉接合疾患等のような疾患出力
を含むことができる。
出力手段42は、医師に多くの症状及び見込みの比例百
分率を通報するように0%から100%まで異なる生理
的疾患に対する百分率評価を出力する。生理的出力に加
えて、医師による考察のために原電気信号及び抜出され
た運動単位が印刷される。出力手段42は上述の全ての
情報のハードコピーを印刷するためのプリンタ或はグラ
フィック装置を含んでいてよい。
分率を通報するように0%から100%まで異なる生理
的疾患に対する百分率評価を出力する。生理的出力に加
えて、医師による考察のために原電気信号及び抜出され
た運動単位が印刷される。出力手段42は上述の全ての
情報のハードコピーを印刷するためのプリンタ或はグラ
フィック装置を含んでいてよい。
本発明は、身体内で発生する生理的電気信号を弁別して
疾患の特徴を表わす出力を発生する方法を含む。本方法
は、身体内で発生する電気信号を検出し12、雑音しき
い値を適用し、電気信号を濾波し微分してそれぞれの波
形の出現に関連するスパイクを分離し18、スパイクを
識別してヒストグラムをプロットし、トラフしきい値を
適用して単一の運動単位に関連するスパイクを識別し、
重みマトリックス26を更新することによって電気信号
内のそれぞれの波形を学習し24、学習した波形を電気
信号から抜出し28、抜出した波形を記憶し30単一の
運動単位に関連する波形を平均しそして電気信号内にお
けるその波形の出現の関連時点を記憶し30、抜出した
波形を電気信号から差引き、波形をその波形を特徴とす
る特色に縮小し34、これらの特色を疾患状態に関連す
る標準的な特色及びそれらの組合せからなる情報に対し
て解析し36、特色と情報との最良整合に基いて疾患状
態データを出力する42諸段階を含む。
疾患の特徴を表わす出力を発生する方法を含む。本方法
は、身体内で発生する電気信号を検出し12、雑音しき
い値を適用し、電気信号を濾波し微分してそれぞれの波
形の出現に関連するスパイクを分離し18、スパイクを
識別してヒストグラムをプロットし、トラフしきい値を
適用して単一の運動単位に関連するスパイクを識別し、
重みマトリックス26を更新することによって電気信号
内のそれぞれの波形を学習し24、学習した波形を電気
信号から抜出し28、抜出した波形を記憶し30単一の
運動単位に関連する波形を平均しそして電気信号内にお
けるその波形の出現の関連時点を記憶し30、抜出した
波形を電気信号から差引き、波形をその波形を特徴とす
る特色に縮小し34、これらの特色を疾患状態に関連す
る標準的な特色及びそれらの組合せからなる情報に対し
て解析し36、特色と情報との最良整合に基いて疾患状
態データを出力する42諸段階を含む。
第3図乃至第6図は、ある電気信号に適用された本発明
の効果を示す。第3図は模擬したEMG信号を示すもの
であり、2つの運動単位に規則的な点弧周波数が重畳さ
れ、また雑音が付加されている。このEMG信号は検知
手段12によって検出され、次で濾波及び微分のための
前処理手段18を通して送られる。ヒストグラムが抽出
回路網手段22によって作成され、最大振幅集群を表わ
す第1の運動単位集群が選択される。この運動単位は学
習される。第4図は抽出回路網手段22に提示される学
習された運動単位波形(実線)及び非整列で雑音の多い
出現(−点鎖線)を示し、出力(破線)は整列され、雑
音は排除される。第5図は抽出回路網手段22による1
つの運動単位の再現を示す。これによって点弧情報を容
易に誘導することができ、失われた出現(時間軸上の間
隙)を点検することが可能である。第5図の出力は医師
による検討のために印刷することが可能であるが、その
ようにはせずに、この情報は時間表及びバッファ30内
に記憶される。第6図は第1の運動単位が差引かれた後
の電気信号を示す。残ったピークは第2の運動単位に対
応する。このプロセスは反覆されて第2の運動単位が学
習され、抜出される。第4同の学習した波形は第1の運
動単位に関してバッファ30内に記憶されている波形で
あり、これは次で縮小手段34によって縮小される。
の効果を示す。第3図は模擬したEMG信号を示すもの
であり、2つの運動単位に規則的な点弧周波数が重畳さ
れ、また雑音が付加されている。このEMG信号は検知
手段12によって検出され、次で濾波及び微分のための
前処理手段18を通して送られる。ヒストグラムが抽出
回路網手段22によって作成され、最大振幅集群を表わ
す第1の運動単位集群が選択される。この運動単位は学
習される。第4図は抽出回路網手段22に提示される学
習された運動単位波形(実線)及び非整列で雑音の多い
出現(−点鎖線)を示し、出力(破線)は整列され、雑
音は排除される。第5図は抽出回路網手段22による1
つの運動単位の再現を示す。これによって点弧情報を容
易に誘導することができ、失われた出現(時間軸上の間
隙)を点検することが可能である。第5図の出力は医師
による検討のために印刷することが可能であるが、その
ようにはせずに、この情報は時間表及びバッファ30内
に記憶される。第6図は第1の運動単位が差引かれた後
の電気信号を示す。残ったピークは第2の運動単位に対
応する。このプロセスは反覆されて第2の運動単位が学
習され、抜出される。第4同の学習した波形は第1の運
動単位に関してバッファ30内に記憶されている波形で
あり、これは次で縮小手段34によって縮小される。
本発明を実施例に関して説明したが、用語は限定のため
にではなく説明に都合の良い語として使用した。
にではなく説明に都合の良い語として使用した。
明らかに本発明は多くの変形及び変化が可能である。即
ち請求の範囲(それらの中で用いられている参照番号は
単に便宜上だけのためである)内で本発明は特定的に説
明した実施例以外で実施可能である。
ち請求の範囲(それらの中で用いられている参照番号は
単に便宜上だけのためである)内で本発明は特定的に説
明した実施例以外で実施可能である。
第1図は本発明のブロック線図、
第2a図及び第2b図は第1図のブロック線図を限定す
る流れ図、 第3図は2つの運動単位及び雑音を含む模擬筋電図、 第4図は学習した運動単位及び抜出しのためにサンプル
された運動単位を示す図、 第5図は運動単位の再構成を示す図、及び第6図は第1
のMUを差引いた後の電気信号を示す図。 10−・−波形解析組立体、 12−検知手段、14−
・−針電極(変換器)、16−・EMG装置、18−前
処理手段、 20−制御手段、22−抽出回路手段
、 24−学習手段、26−重みマトリックス、28
−抽出手段、30・−・バッファ手段、 32−・減
算手段、34・−縮小手段、 36−・−分類回
路網手段、38−分類手段、 40−・−参照メ
モリ手段、42−・出力手段。
る流れ図、 第3図は2つの運動単位及び雑音を含む模擬筋電図、 第4図は学習した運動単位及び抜出しのためにサンプル
された運動単位を示す図、 第5図は運動単位の再構成を示す図、及び第6図は第1
のMUを差引いた後の電気信号を示す図。 10−・−波形解析組立体、 12−検知手段、14−
・−針電極(変換器)、16−・EMG装置、18−前
処理手段、 20−制御手段、22−抽出回路手段
、 24−学習手段、26−重みマトリックス、28
−抽出手段、30・−・バッファ手段、 32−・減
算手段、34・−縮小手段、 36−・−分類回
路網手段、38−分類手段、 40−・−参照メ
モリ手段、42−・出力手段。
Claims (1)
- 【特許請求の範囲】 1、身体内で発生する生理的信号を弁別して疾患の特質
を表わす出力を発生する波解析組立体であって;身体内
で発生する生理的信号をサンプルして電気信号を発生す
る検知手段(12)、該電気信号を受け該電気信号内の
反覆波形成分を学習して該電気信号から学習した波形を
抜出す抽出回路網手段(22)、及び抽出された波形に
基いて疾患診断の情報を出力する出力手段(42)を具
備する組立体。 2、電気信号を濾波し微分して波形に関連するスパイク
を分離する前処理手段(18)を含むことをも特徴とす
る請求項1記載の組立体。 3、電気信号内の波形の位置を識別する制御手段(20
)を含むことをも特徴とする請求項2記載の組立体。 4、検知手段(12)が同心針を含むことをも特徴とす
る請求項1記載の組立体。 5、波形を解析して該波形を特徴づける特色を発生する
縮小手段(34)を含むことをも特徴とする請求項1記
載の組立体。 6、疾患に関連する標準的な特色及びそれらの組合せか
らなる情報を収容し、特色と該情報を比較して該特色と
該情報との最良整合に基いて疾患状態を表わす出力を発
生する分類回路網手段(36)を含むことをも特徴とす
る請求項5記載の組立体。 7、抽出回路網手段(22)が、電気信号内の抜出され
た波形を記憶するバッファ手段(30)を含むことをも
特徴とする請求項1記載の組立体。 8、抽出回路網手段(22)が、反覆波形を学習する学
習手段(24)及び学習した波形を記憶する重みマトリ
ックス(26)を含むことをも特徴とする請求項1記載
の組立体。9、抽出回路網手段(22)が、抜出された
波形を電気信号から差引く減算手段(32)を含むこと
をも特徴とする請求項1記載の組立体。 10、身体内で発生する生理的信号を弁別して疾患の特
質を表わす出力を発生し、該生理信号を特徴づける特色
を発生する手段を含む波解析組立体であって;疾患状態
及び正常患者状態に関連する既知の特色及びそれらの組
合せからなる情報を収容し、該情報に対して生理的信号
を特徴づける特色を比較して該特色と該情報との最良整
合に基いて疾患状態を表わす出力を発生する分類神経回
路網(36)を具備する組立体。 11、身体内で発生する生理的信号をサンプルして電気
信号を発生する検知手段(12)を含むことをも特徴と
する請求項10記載の組立体。 12、電気信号を解析して該電気信号を特徴づける特色
を発生する縮小手段を含むことをも特徴とする請求項1
0記載の組立体。 13、電気信号を受け該電気信号を構成する反覆波形を
識別し学習して学習した波形を抜出す抽出回路網手段(
22)を含み、該抽出回路網手段(22)が抜出された
波形及び該電気信号内に実質的に類似の波形が出現する
関連時間を記憶するバッファ手段(30)を含むことを
も特徴とする請求項11記載の組立体。 14、電気信号を濾波し微分して波形に関連するスパイ
クを分離する前処理手段(18)を含むことをも特徴と
する請求項11記載の組立体。 15、抽出回路網手段(22)を制御し、電気信号内の
波形を識別する制御手段(20)を含むことをも特徴と
する請求項13記載の組立体。 16、身体内で発生する生理的信号を弁別して疾患の特
質を表わす出力を発生する方法であって;身体内で発生
する生理的信号を検知して電気信号を発生し、該電気信
号内の反覆波形を学習し、学習した波形を該電気信号か
ら抜出し、抜出した波形に基いて疾患診断の情報を出力
する諸段階を具備する方法。 17、電気信号を濾波し微分して反覆波形の出現に関連
するスパイクを分離する段階をも含む請求項16記載の
方法。 18、電気信号内の波形の出現を探知する段階をも含む
請求項16記載の方法。 19、波形を特徴づける特色に該波形を縮小する段階を
も含む請求項16記載の方法。 20、疾患状態に関連する標準的な特色及びそれらの組
合せからなる情報に対して特色を解析する段階をも含む
請求項19記載の方法。 21、特色と情報との最良整合に基いて疾患状態を出力
する段階をも含む請求項20記載の方法。 22、抜出された波形及び電気信号内に波形が出現する
関連時間を記憶する段階をも含む請求項16記載の方法
。 23、抜出された波形を電気信号から差引く段階をも含
む請求項16記載の方法。 24、身体内で発生する生理的信号を弁別して疾患の特
質を表わす出力を発生する波解析組立体であって;身体
内で発生する生理的信号をサンプルして電気信号を発生
する検知手段(12)、波形を学習して学習した波形に
基いてある波形を該電気信号から抜出す抽出神経回路網
(22)、及び抜出した波形に基いて疾患診断の情報を
出力する出力手段(42)を具備する組立体。 25、抽出神経回路網(22)が、抜出しのために電気
信号内の反覆波形を学習する学習手段(24)を含むこ
とをも特徴とする請求項24記載の組立体。 26、抽出神経回路網(22)が、抜出しのために使用
者によって入力されるテンプレート波形を学習する学習
手段(24)を含むことをも特徴とする請求項24記載
の組立体。27、抽出神経回路網(22)が、学習した
波形に実質的に類似する波形を電気信号から抜出す抽出
手段(28)を含むことをも特徴とする請求項24記載
の組立体。 28、抽出神経回路網(22)が、学習した波形とは実
質的に異なる波形を電気信号から抜出す抽出手段(28
)を含むことをも特徴とする請求項24記載の組立体。 29、身体内で発生する生理的信号を弁別して疾患の特
質を表わす出力を発生する方法であって;身体内で発生
する生理的信号を検知して電気信号を発生し、波形を学
習し、学習した波形に基いて電気信号からある波形を抜
出し、抜出した波形の情報を出力する諸段階を含む方法
。 30、電気信号を入力する検知手段、該電気信号を受け
て該電気信号内の反覆波形成分を学習し学習した波形を
該電気信号から抜出す抽出回路網手段、及び抜出した波
形の情報を出力する出力手段を具備する電気信号を弁別
する波解析組立体。 31、電気信号を入力し、該電気信号内の反覆波形を学
習し、学習した波形を電気信号から抜出し、抜出した波
形に基いて情報を出力する諸段階を含む電気信号弁別方
法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15732488A | 1988-02-17 | 1988-02-17 | |
US157324 | 1988-02-17 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH025925A true JPH025925A (ja) | 1990-01-10 |
Family
ID=22563245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1038144A Pending JPH025925A (ja) | 1988-02-17 | 1989-02-17 | 生理的波形解析方法及び組立体 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP0329356A3 (ja) |
JP (1) | JPH025925A (ja) |
CA (1) | CA1323662C (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012509732A (ja) * | 2008-11-27 | 2012-04-26 | ライフウエーブ エルティディ. | 創傷の診察と治療の方法と創傷の予後の電気マーカをスクリーニングする方法 |
JP2013533014A (ja) * | 2010-06-22 | 2013-08-22 | ナショナル リサーチ カウンシル オブ カナダ | 患者の認知機能の評価 |
US9468758B2 (en) | 2008-11-27 | 2016-10-18 | E-Qure Corp. | Wound diagnosis |
JP2019211935A (ja) * | 2018-06-01 | 2019-12-12 | 日本電信電話株式会社 | 分析装置、分析方法および分析プログラム |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5092343A (en) * | 1988-02-17 | 1992-03-03 | Wayne State University | Waveform analysis apparatus and method using neural network techniques |
JPH0366358A (ja) * | 1989-08-03 | 1991-03-22 | Terumo Corp | 生体信号計測装置 |
JPH04279175A (ja) * | 1990-07-03 | 1992-10-05 | Telectronics Nv | 不整脈制御装置および不整脈検出方法 |
GB9106082D0 (en) * | 1991-03-22 | 1991-05-08 | Secr Defence | Dynamical system analyser |
WO1992020284A1 (en) * | 1991-05-10 | 1992-11-26 | Seismed Instruments, Inc. | Seismocardiographic analysis system |
DE4207595A1 (de) * | 1992-03-10 | 1993-09-16 | Siemens Ag | Verfahren zur vorklassifikation von hochdimensionalen merkmalsvektoren fuer zwecke der signalverarbeitung |
US5776069A (en) * | 1997-01-09 | 1998-07-07 | Hewlett-Packard Company | Method and system for quantitatively determining EKG waveform organization |
US6731788B1 (en) | 1999-01-28 | 2004-05-04 | Koninklijke Philips Electronics N.V. | Symbol Classification with shape features applied to neural network |
-
1989
- 1989-02-13 EP EP19890301327 patent/EP0329356A3/en not_active Withdrawn
- 1989-02-16 CA CA000591204A patent/CA1323662C/en not_active Expired - Fee Related
- 1989-02-17 JP JP1038144A patent/JPH025925A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012509732A (ja) * | 2008-11-27 | 2012-04-26 | ライフウエーブ エルティディ. | 創傷の診察と治療の方法と創傷の予後の電気マーカをスクリーニングする方法 |
US9468758B2 (en) | 2008-11-27 | 2016-10-18 | E-Qure Corp. | Wound diagnosis |
JP2013533014A (ja) * | 2010-06-22 | 2013-08-22 | ナショナル リサーチ カウンシル オブ カナダ | 患者の認知機能の評価 |
JP2019211935A (ja) * | 2018-06-01 | 2019-12-12 | 日本電信電話株式会社 | 分析装置、分析方法および分析プログラム |
Also Published As
Publication number | Publication date |
---|---|
EP0329356A3 (en) | 1991-10-09 |
EP0329356A2 (en) | 1989-08-23 |
CA1323662C (en) | 1993-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5092343A (en) | Waveform analysis apparatus and method using neural network techniques | |
Christodoulou et al. | Unsupervised pattern recognition for the classification of EMG signals | |
Poulos, M. Rangoussi, N. Alexandris, A. Evangelou | On the use of EEG features towards person identification via neural networks | |
EP1216656B1 (en) | Method and apparatus for estimating degree of neuronal impairment in brain cortex | |
JP2009542351A (ja) | 時間的尺度を使用した脳パターンの解析 | |
JPH025925A (ja) | 生理的波形解析方法及び組立体 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
Uyttenhove et al. | Interpretable epilepsy detection in routine, interictal EEG data using deep learning | |
Hassoun et al. | NNERVE: neural network extraction of repetitive vectors for electromyography. II. Performance analysis | |
Gevins et al. | Classifier-directed signal processing in brain research | |
US6223073B1 (en) | Noninvasive method for identifying coronary disfunction utilizing electrocardiography derived data | |
KR20190126604A (ko) | 침 근전도 신호를 이용한 말초신경병증 감별 장치 | |
Saastamoinen et al. | Waveform detection with rbf network–application to automated eeg analysis | |
Kurth et al. | EEG spike detection with a Kohonen feature map | |
Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
Kaur et al. | Multi-class support vector machine classifier in EMG diagnosis | |
El-Gohary et al. | User-guided interictal spike detection | |
Kaur et al. | EMG diagnosis via AR modeling and binary support vector machine classification | |
Wu et al. | Intelligent artefact identification in electroencephalography signal processing | |
Lu et al. | Unsupervised brain computer interface based on inter-subject information | |
Pattichis et al. | Introduction to this special issue: intelligent data analysis in electromyography and electroneurography | |
Vadivu et al. | An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal | |
Kaur et al. | EMG diagnosis using neural network classifier with time domain and AR features | |
Jurczynski et al. | Separating Local and Propagated Contributors to the Behnke-fried Microelectrode Recordings. | |
Mercy et al. | Epilepsy seizure detection using SWT features and ANN classifier |