JPH06149863A

JPH06149863A - 時系列データ解析装置

Info

Publication number: JPH06149863A
Application number: JP4322358A
Authority: JP
Inventors: Yukio Tanaka; 幸雄田中
Original assignee: Individual
Current assignee: Individual
Priority date: 1992-11-05
Filing date: 1992-11-05
Publication date: 1994-05-31

Abstract

(57)【要約】（修正有）【目的】時系列データの解析処理に関し、現実の観測
データにのみ基づき高精度のデータシミュレートを可能
とする。特に複数の周波数帯域が重畳して現れる時系列
データに関し、採取しつつある時系列データに基づき、
当該時系列データの突発的変動を事前に判別可能とす
る。【構成】ＭＥＭ（最大エントロピー法）によるスペク
トル解析に基づき対象時系列データに含まれる周波数帯
域を複数に分割し、各周波数帯域ごとに所定単位時間ご
との積分値を算出してＭＥＭ解析する積分値解析手段
と、該積分値解析手段の各解析が、予め設定した閾値を
越えたときに後段へ出力する積分値判別手段とを備え
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は最大エントロピー法を用
いた時系列データのスペクトル解析装置に係り、特に複
数の周波数帯域の重畳として現れる時系列データから、
ある特異点を検出し、当該データに突発的に発生するで
あろう急激なリズム変動を事前に検出する装置に関す
る。

【０００２】

【従来の技術】時系列データの解析は工学医学など広範
囲の分野において利用され、集積回路の発達に伴って飛
躍的な進歩がみられる。ところが従来の時系列データ解
析技術は、特に原理的、数理的アプローチに困難を伴う
ため、集積回路全般の進歩に見合う高性能、高信頼の装
置は存在しなかった。

【０００３】そこで本出願人は、最大エントロピー法
（ＭＥＭ）によるスペクトル解析技術を用いつつ、当該
ＭＥＭの解析結果を未知数に関して線形に変換し、最小
自乗法を適用することによって、高精度のデータ解析お
よびデータシミュレートを行う時系列データ解析装置を
提案した（特願平３−１０８３６６）。

【０００４】これは、時系列データの解析に最も有効な
ＭＥＭを用いるとともに、従来の数理的手法では解決で
きなかった非線形最小自乗法の演算を、線形最小自乗法
の演算に変換し、現時点で一般的な１６〜３２ビット程
度のマイクロプロセッサ装置を用いて従来の超高速演算
装置を越える解析精度とシミュレートの信頼性を実現し
たものである。

【０００５】以下、この原理を簡単に説明する。まず、
時系列データの解析の技術としてはＭＥＭがある。高速
フーリエ変換等他の解析原理に較べに較べＭＥＭは有限
長のデータから正確で安定したスペクトルピークを得る
ことができ、また応答性の面でも優れた性質を持つ。ま
た、データシミュレートという点では、自己回帰および
移動平均模型に基礎をおく自己回帰和分平均模型（所謂
ＡＲＩＭＡモデル）があった。これは、現実の観測デー
タに近似する理論モデルに含まれるパラメータを観測デ
ータに基づいて算出推定してゆくやり方で、現実の観測
値とモデルとの残差がトータルとして白色雑音とみなし
得るとき、その想定モデルを正しいとし、シミュレート
に従って現実の観測データ解析を行い、例えば将来の変
動予測を導く。

【０００６】従来の問題は、特にデータシミュレートの
面で正確を期し難いという点にあった。ＡＲＩＭＡモデ
ルは、データ発生システムをモデル化し現実の観測値と
計算値との残差が白色雑音とみなし得るときに当該想定
モデルを妥当とするが、本来シミュレートモデルは現実
の観測データから導出すべきものであって、予め想定し
てあるモデルのパラメータを修正して観測値に接近させ
るべきではない。想定モデルを現実値に接近させる方法
では、現実データを説明しきれない場合が数多く発生す
る。またＡＲＩＭＡモデルを用いたシミュレートは、Ｍ
ＥＭによるスペクトル解析とは別次元で時系列データを
処理するため、ＭＥＭの解析結果を利用できない。

【０００７】一方、ＭＥＭは数値解析には優れていて
も、その結果を直接データシミュレートには応用でき
ず、従来からＭＥＭ解析とランダム波のシミュレートと
は直接結びつかないと考えられていた。ＭＥＭのスペク
トル解析を得ても、データシミュレートではＡＲＩＭＡ
モデル（またはＡＲ）を使用する方が単純であり、信頼
性も高かったわけである。

【０００８】そこで本出願人は分解能に優れたＭＥＭス
ペクトル解析の結果を利用し、ＡＲＩＭＡモデルその他
の理論想定モデルを一切使用することなく、高精度のデ
ータシミュレートを可能とした。これが特願平３−１０
８３６６において提案した時系列データの解析技術であ
る。

【０００９】これは、ＭＥＭスペクトル解析に基づいて
当該時系列データに含まれる所定閾値以上の振動モード
数Ｎとその周期Ｔ_i(ｉ＝１・・・Ｎ)とを抽出する一方、ａ
_iをデータ曲線におけるｉ番目のモード振幅、Ｔ_iをその
モード周期、φ_iを頂位位相、Ｎをモード総数、ｇ(ｔ)
を非周期成分、ε(ｔ)を微少ランダム変動成分として、
時刻ｔにおける時系列データ関数ｙ(ｔ)をと規定し、この時系列データ関数ｙ(ｔ)に含まれる変数
ＮおよびＴ_i(ｉ＝１・・・Ｎ)に対し、前記ＭＥＭ解析によ
り抽出した振動モード数Ｎおよびその周期Ｔ_i(ｉ＝１・・
・Ｎ)に関する数値データをそれぞれ適用し、関数ｙ(ｔ)
を最小自乗法を用いて演算処理することを特徴とするも
のである。

【００１０】かかる解析技術を適用した装置によれば、
時系列データ関数ｙ(ｔ)に含まれる未知数のうち、モー
ド数Ｎおよび周期Ｔ_i(ｉ＝１・・・Ｎ)がいずれもＭＥＭ解
析により予め決定でき、従って関数ｙ(ｔ)は未知数につ
いて線形となる。

【００１１】関数ｙ(ｔ)は、三角関数ｃｏｓ部分に未知
数Ｔ_i(ｉ＝１・・・Ｎ)を含む限り線形とはならないため、
本来、その処理には多数回の繰り返し処理が必要であっ
て、計算量が膨大となり、また解が求まることも希であ
って、しかもそれが唯一の解である保証はなかったが、
ＭＥＭ解析により決定される未知数Ｎ、およびＴ_i(ｉ＝
１・・・Ｎ)を用いれば、関数ｙ(ｔ)は線形最小自乗法によ
り処理することのできる極めて扱い易い関数となり計算
量は格段に圧縮され、正確性と応答性は飛躍的に向上す
る。

【００１２】この結果、いかなる理論モデルも必要とせ
ず、あらゆるタイプの時系列変動データの本質的リズム
の構造ないし特徴を、高精度解析し、極めて高い忠実度
をもって挙動リズムを再現することが可能となった。

【００１３】

【発明が解決しようとする課題】ところで、解析の対象
となる時系列データの中には、複数の周波数帯域が複雑
に重畳してデータ表面に現われるケースが少なからず存
在する。例えば、心臓の鼓動、脳波、エンジン振動、車
両や高速飛翔体等のボディ振動等である。これらの事象
に現れる周波数データは、当然、従来においても各種コ
ンピュータによる解析や分析が可能であったが、そのデ
ータ処理の意味あいとしては、後日、当該データに関す
る深い知見を得るとか、対象データの傾向を整理すると
いう程度にとどまり、現在進行中の採取データからその
突発的変動を予測することは不可能であり、緊急の事象
変化に即応できないという問題があった。

【００１４】より具体的に表現すれば、航空機エンジン
の突発的停止事故や心臓発作は、時系列のリズムデータ
さえあれば事後における周波数等の解析は可能である
が、刻々の採取データから直後に起こるであろう異常な
いしリズム変動を、事前に予測することは極めて困難で
ある。

【００１５】そこで本発明の目的は、少なくとも複数の
周波数帯域が重畳して現れる時系列データに関し、採取
しつつある時系列データに基づき、当該時系列データの
突発的変動を事前に判別可能とする点にある。

【００１６】

【課題を解決するための手段】前記目的を達成して課題
を達成するため、本発明に係る時系列データ解析装置
は、ＭＥＭスペクトル解析に基づき、時系列データに含
まれる所定閾値以上の振動モード数Ｎおよび当該各振動
モードの周期Ｔ_i(ｉ＝１・・・Ｎ)とを抽出するドミナント
モード抽出手段と、ａ_iをデータ曲線におけるｉ番目の
モード振幅、Ｔ_iをそのモード周期、φ_iを頂位位相、Ｎ
をモード総数、ｇ(ｔ)を非周期成分、ε(ｔ)を微少ラン
ダム変動成分として、時刻ｔにおける時系列データ関数
ｙ(ｔ)をとして演算処理する関数処理手段とを備え、該関数処理
手段は、時系列データ関数ｙ(ｔ)に含まれる変数Ｎおよ
びＴ_i(ｉ＝１・・・Ｎ)に対し、前記ドミナントモード抽出
手段が算出した振動モード数Ｎおよび周期Ｔ_i(ｉ＝１・・
・Ｎ)に関する数値データをそれぞれ適用する数値データ
変換部と、該数値データ変換部により、未知数に関して
線形となった前記関数ｙ(ｔ)を最小自乗法を用いて演算
処理する演算処理部と、を備える時系列データ解析装置
において、対象時系列データに含まれる周波数帯域を複
数に分割し、各周波数帯域ごとに所定単位時間ごとの積
分値を算出してＭＥＭ解析する積分値解析手段と、該積
分値解析手段の各解析が、予め設定した閾値を越えたと
きに後段へ出力する積分値判別手段とを備える。

【００１７】

【作用】本発明によれば、時系列データ関数ｙ(ｔ)に含
まれる未知数のうち、モード数Ｎおよび周期Ｔ_i(ｉ＝１
・・・Ｎ)が、いずれもＭＥＭ解析により予め決定でき関数
ｙ(ｔ)は未知数について線形となるため計算量が圧縮さ
れ、極めて高い正確性、応答性をもって時系列データを
解析できる。

【００１８】このとき、対象データに含まれる周波数帯
域を複数に分割し、各周波数帯域毎に単位時間当たりの
積分値を算出するわけであるが、これにより、各帯域が
データに寄与するリズム変動傾向を知ることが出来る。
すなわち、積分値の算出データは新たな時系列データと
みなすことが出来るから、再度これをＭＥＭ解析し、各
周波数帯域毎のリズム変動の解析、およびそのリズムシ
ミュレートを行うことが出来る。つまり、各周波数帯域
の積分値レベル変動は当該リズムの根源的な発生メカニ
ズムに起因するものであるから、そのリズム変動を解析
することにより当該データに含まれるより根源的なリズ
ム発生メカニズムの解析が可能となるわけである。

【００１９】このように各周波数帯域の積分値のリズム
変動は、対象時系列データのより根源的なリズム変動を
示すから、この部分における異常なリズム挙動ないし特
異レベル点の発生を検出することにより、対象データ全
体の急激なリズム変動を事前に検出することが可能にな
る。なぜなら、対象となる時系列データは一般に複数の
根源リズムの重畳と理解でき、一部の根源リズムが崩れ
たときには多くがその直後（数秒〜数十分後）にリズム
全体の突発的な変動を惹起するからである。

【００２０】かかる事象を具体的に説明すると次のよう
である。すなわち、例えば高速飛翔体（例えばロケッ
ト）の補助ブースタボルトが分離タイミング以前に外れ
て突発的な事故を発生させる場合、まずボルトの緩みが
発生し、数秒〜数十秒後に予期せぬボルト破断という結
果にいたる。このときメインロケットの振動周波数は、
ボルトの緩みを特定周波数の異常として、振動データに
重畳させているはずである。そして、その特定周波数の
リズム異常を検出すれば、直後に起こるであろう全体の
リズム異常、すなわち事故を事前に予期できる。このよ
うな例は、他の多くの物理現象においてもみることがで
きる。例えば航空機エンジンの突発的な停止事故をみる
と、冷却系の作動不能によるエンジン加熱が理由となる
ケースが少なくないが、かかる場合も冷却系統付近の振
動異常から直後の突発事故を予測できる。

【００２１】つまりこれらの予測対象事項は、なんらか
の突発事故が発生する以前に、ある周波数リズムでの異
常が発生しており、その特定周波数リズムが対象リズム
全体に大きな影響を与える場合、すなわちその特定周波
数リズムが全体の基調をなしている場合やその特定リズ
ムの発生メカニズムが全体リズムを支配する場合に、と
くに良好な結果をもたらす。

【００２２】

【実施例】以下、添付図面に基づき本発明の実施例を説
明する。特定周波数の異常なリズム変動が、対象データ
のリズム全体を突発的に激変させる事例は各種想定でき
るが、この項ではとくに異形狭心症による突発的な心臓
発作を例にとり、その心拍リズムから事前に心臓発作の
発生を判別し、対象患者（または医療スタッフ）に対し
て適切な警告を行うシステムを例にとって説明を行う。

【００２３】この場合、心臓発作の事前警告を行うアラ
ーム装置１０は、その概略を、例えば図１に示すように
構成する。図中、符号１１は心拍データを採取する心電
計、１２は入力した心拍リズムを解析処理する第一ＭＥ
Ｍ処理部、１４は当該ＭＥＭ処理部１２の出力を格納す
る第一レジスタ、１５は該第一レジスタ１４から入力さ
れた解析データを周波数帯域毎に分割して後段に委ねる
周波数分割処理部、１６は分割された帯域毎に積分値を
算出する積分値算出部である。

【００２４】また１８は、周波数帯域毎に算出された積
分値を再度解析処理する第二ＭＥＭ処理部、１９は該第
二ＭＥＭ処理部１８の出力を格納する第二レジスタ、２
０は解析された積分値が所定閾値を越えるか否かを判別
する閾値判別部、２１は当該閾値判別部２０の判別結果
に基づいて所定の警告を発する警告装置である。尚、符
号２３はデータ解析の中心をなすマイクロプロセッサ装
置、２４は液晶等の表示装置である。勿論、緊急の警告
を行う本装置の場合、表示装置２４やプリンタ装置等の
周辺装置は必ずしも必要ではない。

【００２５】このうちＭＥＭ処理部１２，１８の部分は
本装置におけるデータ解析の中核部をなすが、この部分
は前述した通りである（特願平３−１０８３６６）。こ
の部分の解析により、心拍の全体リズムを解析しその解
析データをシミュレートすることが可能となる。

【００２６】この実施例で用いる時系列データは、心電
計１１から入力される心臓収縮の活動電流を曲線で現し
た時系列データ、すなわち心電図である。図２に示すよ
うに心電図の基本型はＰＱＲＳＴといわれる棘波（きょ
くは）からなっており、Ｐは心房の興奮、ＱＲＳは心室
の興奮過程、Ｔは心室の心室の興奮消退過程を表してい
る。尚、かかる棘波の時間的関係は心臓の大きさや、心
拍数にによって多少異なるが成人の場合は略一定で、Ｐ
Ｑは０．１２〜０．２０秒、ＱＲＳは０．０５〜０．０
８秒、ＱＴは０．３〜０．４秒程度である。

【００２７】この実施例におけるデータ解析は、図３に
も示すように頂位Ｒから次のＲまでの間隔（ＲＲ間隔）
のリズム変動を分析することにより突発的な心臓発作の
予兆を検出するものである。

【００２８】周波数分割処理部１５は、ＭＥＭ１２の解
析結果を受けて周波数帯域を適当な個数に分割する。こ
の例では帯域を４つに分割し、領域１を０．０４Ｈｚま
で、領域２を０．０４Ｈｚ〜０．１５Ｈｚ、領域３を
０．１５Ｈｚ〜０．４Ｈｚ、領域４を０．４Ｈｚ〜１．
０Ｈｚという具合に分割している。尚、領域２は交感神
経がドミナントであるとされる領域、領域３は副交感神
経がドミナントであるとされる領域に対応する。

【００２９】このように分割した各周波数帯域を積分値
算出部１６によって積分し、その算出結果を第二ＭＥＭ
１８において再度解析することにより、ＲＲデータの小
領域についてつぎつぎに積分値解析を実行し、積分値デ
ータを領域毎に得る。その結果は閾値判別部２０に入力
し、各積分値データが所定閾値を越えるか否かを判別す
る。このとき当該積分値データが設定閾値を越えたとき
には、ある特定周波数帯域リズムが規則的なリズム変動
から外れて異常を示しているわけであるから、警告装置
２１に対してアラーム信号の出力を行い、警告音やラン
プ点灯等によって、全体の心拍リズム、すなわちＲＲ間
隔データに異常が生ずることを事前に警告する。

【００３０】次に、本装置によるＲＲデータ解析例を説
明する。本装置は、長時間にわたるＲＲデータからその
一部を取り出して一回分の解析を実行するが、この例で
はＲＲデータを２分間きざみのデータ列に分け、それを
一回分の解析対象とする。勿論、このような一回分の解
析データ長は装置性能等に応じて適宜設定でき、必ずし
も前記時間単位に限定されない。

【００３１】一連の処理過程の概略を簡単に説明すると
（図３参照）、２分間ごとに区切ったＲＲデータに対し
ＭＥＭ処理部１２がスペクトルを算出し、顕著なスペク
トルピークの個数とその周波数から複数の余弦関数の重
畳として、もとの時系列データを再現する（最適あては
め曲線）。次にこの演算結果に基づき、スペクトルを４
つの周波数帯域に分割し、それぞれの領域におけるリズ
ム変動を積分する。前述の通りこの積分処理の意味は、
例えば領域３が副交感神経の寄与の程度を反映している
ならば、領域３の積分値時系列データは副交感神経のリ
ズムを表すと規定し、当該第３領域のリズム変動を検出
することにある。

【００３２】こうして得られた積分値の時系列データに
対し、再びＭＥＭ処理部１８によるスペクトル解析を行
い、その算出結果を用いて積分値のデータ挙動を余弦関
数の重畳として関数処理し、各領域の積分値データに関
して最適あてはめ曲線を作り出す。この場合、最適あて
はめ曲線として表現される各余弦関数の周期、振幅、位
相は、それぞれ副交感神経のリズムを形成するさらに根
源的なある実態の運動ないしリズムの反映として理解す
る。

【００３３】図４は、ある患者の２４時間のＲＲデータ
のうち、２０時３８分から１２分間について示したもの
で縦軸単位は秒である。図の下方に縦棒が並んでいる
が、これはＰＶＣ信号の発生位置を示している。

【００３４】この患者は、２０時４５分すぎに異形狭心
症の発作を起こしている。図では２０時４５分２０秒
と、４６分５秒の付近で複数のＰＶＣ信号が連続して表
れている。このグラフ図をみると、発作の数分前には顕
著であったＲＲ間隔自体の揺らぎが急速に消失し、発作
に至っていることが判る。またこの発作後に、ＲＲ間隔
のゆらぎが再び現れる。

【００３５】このＲＲデータを解析するには、２分間の
小領域を多数取り出し、それを一回の解析対象とする。
実際には解析に正確を期すため、各２分間の小領域を１
分づつ重ねて解析した。またデータ解析は、発作の１時
間以上前の時点から約１００個の小領域について繰返し
た。勿論、実際の警告装置では、２４時間絶え間なくデ
ータ解析を連続させる。以下、この患者の例に基づき、
２０時４０分から２分間、すなわち発作の数分前の解析
結果と、２０時４４分から２分間、すなわち発作の最中
の解析結果につき説明する。

【００３６】約１００の小領域の解析のうち、２０時４
０分から２分間の解析結果を図５に示す。図（ａ）は、
ＭＥＭ処理による解析スペクトルを示している。図
（ａ）では、まず０．０１７Ｈｚという非常に低い周波
数に顕著なピークがみられる。ピーク周波数の逆数は５
８．０秒で、この周期の波は２分間の小領域に二つ入る
割合になる。０．０４〜０．１５Ｈｚの交感神経の寄与
を反映するとされている領域には２つのピークがみられ
る。０．０５５Ｈｚと０．１０Ｈｚの周波数位置であ
る。前者は約１８秒の波に対応し、後者は約１０秒の波
に対応する。特に後者はマイヤーウエーブといわれてい
るものに対応する。

【００３７】０．１５〜０．４Ｈｚの、副交感神経の寄
与を反映する領域には、スペクトル密度は低いものの、
５つのピークが存在する。図ではピークが潰れている
が、右側数表に五個のピーク数値を示した。０．２〜
０．３Ｈｚの呼吸の寄与を反映する領域は、スペクトル
にその構造が現れている。

【００３８】図（ｂ）はＭＥＭスペクトルを両対数表示
したもので、横軸は０．００１Ｈｚから２Ｈｚまで、３
桁プラスαの領域を示している。縦軸はもっとも大きい
ピークの高さを１に規格化し、１０のマイナス６乗単位
まで示した。

【００３９】スペクトルの両対数表示をすることの意味
は、スペクトル全体の傾きをみることによってその時系
列データを発生したシステムの基本的な構造を理解する
点にある。例えば、健常人では一般にＲＲデータや脳波
データのスペクトルは周波数が一桁上がるとスペクトル
密度が一桁下がるという、いわゆる１／ｆスペクトルを
示すが、この解析結果は周波数が一桁上がるとスペクト
ル密度が二桁下がるという１／ｆ²スペクトルになって
おり、健常人のスペクトルとは明らかな相違がみられ
る。また、０．１Ｈｚ付近のマイヤーウエーブ、０．２
〜０．３Ｈｚ付近の呼吸性の変動によるスペクトルピー
クが認められる。

【００４０】図（ｃ）は、こうして抽出したスペクトル
ピークの逆数の周期をもつ余弦関数の重畳としてもとの
ＲＲデータを再現したものである。破線が観測値で、実
線が５８．０秒から４．７秒までの周期をもつ５つの余
弦関数からなる合成関数の最適あてはめ曲線である。観
測値と計算値の一致は十分であり、ＭＥＭ解析処理は妥
当である。

【００４１】図（ｄ）の数表はスペクトルの区間毎の積
分値で、２行目が交感神経の領域、３行目が副交感神経
の領域とされている区間の積分結果である。尚、括弧内
にはスペクトルの全領域の積分値に対する割合も示し
た。

【００４２】次に図６に、２０時４４分から２分間の各
小領域についての解析結果を示す。この領域は心臓発作
を含む時間領域である。図（ａ）は縦軸を二倍に拡大し
て表示してあるが、それにも拘らず、さきほどの解析結
果に比べると、スペクトル全体がつぶれているのが特徴
的で、さきほどの０．０１７Ｈｚという非常に低い周波
数位置のピークは０．０２Ｈｚにシフトした上で、スペ
クトル密度が極端に減少していることが判る。

【００４３】０．０４〜０．１５Ｈｚの交感神経の寄与
を反映しているとされている領域には先ほどの（図５
の）２つのピークに対応するピークが、そのピーク周波
数はやや異なるもののやはり存在し、また０．１４Ｈｚ
に第三のピークが現れている。全体にスペクトル密度が
減少しているが、この点も低周波数領域の場合と同様で
ある。０．１５〜０．４Ｈｚの副交感神経の寄与を反映
しているとされている領域には、やはり複数のピークが
認めらるが、同様にスペクトル密度の減少は顕著であ
る。

【００４４】図（ｂ）は、ＭＥＭスペクトルを両対数表
示したものである。スペクトルの傾きを見ると、先ほど
のものに比較して傾きがやや緩くなっている。正確に測
ると周波数の一桁の増加に対してスペクトル密度が１．
７桁減少しており、基本的には１／ｆ²スペクトルとな
っていることが判る。尚、０．１Ｈｚ付近のマイヤーウ
エーブ、０．２〜０．３Ｈｚ付近の、呼吸性の変動によ
るスペクトルピークも同様に認められる。

【００４５】図（ｃ）は最適あてはめ曲線である。破線
が実測値、実線が４３秒から５．８秒までの周期をも
つ、五個の余弦関数からなる合成関数の最適あてはめ曲
線である。図５の場合と比較すると、観測値のゆらぎは
極端に減少している。尚、図（ｄ）の数表はスペクトル
の区間毎の積分値であるが、スペクトル密度の減少を反
映して区間毎の積分値も先ほどの数値より大幅に減少し
ている。

【００４６】２分間のＲＲデータに対する以上のような
解析を繰返すことにより、分割した４つの周波数帯域毎
に積分値の時系列データを得る。この結果により、ＲＲ
データ全体の突発的リズム変動を事前に判別することが
可能となる。

【００４７】図７は、この４つの時系列データを示した
ものである。図（ａ）は０．０４Ｈｚまでの低い周波数
領域の積分値時系列データであり、１９時３０分から２
１時５分までの計算結果を示している。患者の心臓発作
は、２０時４５分すぎに起きているが、その時刻には当
該周波数帯域の積分値が減少していることが判る。但
し、その他の時刻でも同様の傾向は認められ、特に異常
というほどの現象ではない。

【００４８】図（ｂ）は０．０４〜０．１５Ｈｚの、交
感神経の寄与がドミナントであるとされる領域の積分値
の時間変化である。２０時４５分付近で積分値が極端に
減少しているが、他の時刻にも同様の傾向が認められ、
これも異常な変動として捉えるほどの挙動ではない。

【００４９】図（ｃ）は０．１５〜０．４Ｈｚの、副交
感神経の寄与がドミナントとされる領域のリズム変動で
ある。この領域のリズム変動は、他の領域のリズム変動
と比較して、顕著な相違がみられた。２０時４５分すぎ
の心臓発作の直前、２０時４２分に積分値が極端に減少
しており、同様の挙動はその他の領域ではみられないか
らである。しかも、発作の前に積分値は数分ないし数十
分の周期でリズミカルに変動しつつ、緩やかな減少傾向
を示している。このような挙動は、副交感神経の変動を
制御する複数の生命リズムの存在を予想させる。尚、図
（ｄ）は０．４Ｈｚから１Ｈｚまでの領域の積分値変化
であるが、その挙動は図（ａ）（ｂ）と略同様で、特に
異常はみられない。

【００５０】この結果、図（ｃ）に示す第三の周波数帯
域の異常な挙動が、その直後の心臓発作を惹起する予兆
であることが理解できる。つまりこの事例では、心臓発
作が起こる約３分前に、第三の周波数帯域の積分値が異
常な減少を見せ、それが心臓リズム全体の異常な変動
（発作）の予兆となって現れている。

【００５１】図８（ａ）は、副交感神経の寄与を反映す
る時系列データである。このデータに対してＭＥＭ処理
を行い、スペクトルを得ると図（ｂ）のようになる。横
軸は周波数で、単位は時間分の一である。このスペクト
ルは非常に特徴的であり、特に６．４（１／時間）に極
めて鋭いピークが立上っている。逆数をとると、０．１
５６時間、すなわち９．４分となる。尚、この他にも、
０．８４、０．４０、０．２９時間などに鋭いピークが
存在する。

【００５２】以上のように検出した周期値のうち、５つ
のピークを用いて最適あてはめ曲線を計算したのがした
の図（ｃ）である。破線の積分値の時系列データに対し
て、実線の計算値の一致は満足すべきものである。図
（ｄ）の数表に、各周期の周期値、振幅、頂位位相を示
した。ある時点で積分値のリズム変動が極端に落ち込む
のは、このような数値解析結果でみる限り周期位相が重
なった結果として捉えることが出来、またそれが心臓発
作を惹起すると理解できるが、これらの結果はあくまで
数理的データ解析の結果であって、心臓を支配する神経
系の研究検証等、医学的な検討余地を排除するものでは
ない。

【００５３】またこの実施例は、心臓発作の直前におけ
る予兆を検出する具体例を説明したが、本発明の可能性
としては、さらに解析実験を繰返すことにより、例えば
数時間前など、より時間スケールの大きな時点で対象リ
ズムの突発変動を事前検出する能力をもつと考えられ
る。

【００５４】従って、かかる警告装置１０によれば、例
えば心臓発作の持病を持つ患者がこの装置を携帯するこ
とにより、少なくとも数分前に心臓発作の警告を行うこ
とが出来るから、アラーム等により就寝中の患者を覚醒
させ、治療薬を服用させるなど、その患者にとって最善
の処置をとらせることが事前に可能となる。このような
適用は、患者に携帯装置を持たせる場合に限らず、病院
における医療スタッフへの警告装置としても利用でき
る。医療ステーションへの信号送出等により、担当医師
や医療スタッフが緊急処置を施す等である。

【００５５】すでに述べたように、本発明の適用分野は
心臓発作の検出に限らない。脳波のリズム変動で云え
ば、手術中の麻酔による脳波検出により、麻酔が利いて
いるかどうかを判別することが可能であり、この判別に
よって過度の麻酔薬投与を防ぐことが出来る。麻酔の投
与限界は、熟練した医師によっても判断が難しい場合が
少なくなく、過度の投与によって全身の神経麻痺が長期
にわたり、また回復不能に至るケースも一般に知られて
いる。ところが麻酔薬の注入によって脳波リズムは正常
時とは異なる挙動をみせるため、このリズム変動を周波
数帯域毎に分割して積分し、その挙動傾向を検出するこ
とにより、麻酔投入の限界、或いは臨界点を確実に検出
して医師に警告することが出来るわけである。

【００５６】一方、複雑なシステム系の組み合せから構
成される装置類も、以上のリズム変動検出と同様の処理
を行うことが可能である。なぜなら高い信頼性をもって
構成される各種システムは、複数装置系の安定作動の結
果として全体システムが維持されるが、そこに発生する
突発的な異常現象は、ある一部の装置部品系の異常によ
って惹起されることが知られており、事故に至る因果関
係の成り立ちは、基本的に前記生命リズムの場合と異な
ることがないからである。従って、航空機のエンジン振
動や機体振動の異常、打上げロケットの振動異常、原子
力システムにみられる各部の突発異常など、各種の巨大
事故を事前警告するシステムを構成することも可能であ
る。

【００５７】尚、本発明を適用すべき対象データは必ず
しも複数のリズム発生要因を必要としない。例えば声紋
解析である。病状による多少のリズムの変化が認められ
ても基本的リズムは同様であるが、周波数帯域毎の積分
解析により、より深い分析知見を得ることが可能であっ
て、これは特に事故や突発変動の予兆を検出するもので
はないが、精緻な解析結果を得るためには有効であると
考えられる。

【００５８】さらにいえば、この装置は適用分野を時系
列に限らない。ある種の、特徴的な周波数空間が検出で
きる分野にも適用できる。例えば授精卵の判別である。
特徴的な形状ないし運動リズムを同様の装置原理で解析
することにより、授精卵の雌雄、動物の種類が判別でき
る。このようなことは、いかなる生物的リズム、生物の
構成単位の特徴についてもあてはまる。眼球や筋肉の運
動でいえばストレスを解析し、病状を判断するなどであ
る。また、この装置は電器的信号の周波数解析以外にも
物理的振動または物理的流量、物理的速度など、状態変
動を解析する装置にも適用できる。これらは当然、解析
結果をフィードバックして、モータやエンジンを含む各
種の駆動装置の作動を制御するための手段として構成す
る。例えば河川の流量を解析した結果は、ダムの水門の
自動開閉をコントロールし、車両の衝撃振動を解析した
結果は、本当の衝突事故か否かを判定し、エアバッグの
誤作動を防止する。

【００５９】

【発明の効果】以上説明したように本発明に係る時系列
データ解析装置によれば、分解能に優れたＭＥＭスペク
トル解析の結果を利用し、複数の周波数帯域が重畳して
現れる時系列データに関し、採取しつつある時系列デー
タの突発的変動を事前に判別することができる。

【図面の簡単な説明】

【図１】本発明に係る時系列データ解析装置の一例を示
すブロック図である。

【図２】心電図の一般例を示すグラフ図である。

【図３】図１に示す解析装置の作動順序例を示す概念図
である。

【図４】ＲＲ間隔データの一例を示すグラフ図である。

【図５】図４に示すＲＲデータの解析例を示す図であ
る。

【図６】図４に示すＲＲデータの他の解析例を示す図で
ある。

【図７】分割した周波数帯域ごとの積分値リズムを示す
グラフ図である。

【図８】副交感神経が関与する帯域の解析例を示すグラ
フ図である。

【符号の説明】

１０アラーム装置１１心電計１２，１８ＭＥＭ処理部１４，１９レジスタ１５周波数分割処理部１６積分値算出部２０閾値判別部２１警告装置

Claims

【特許請求の範囲】

【請求項１】ＭＥＭスペクトル解析に基づき、時系列デ
ータに含まれる所定閾値以上の振動モード数Ｎおよび当
該各振動モードの周期Ｔ_i(ｉ＝１・・・Ｎ)とを抽出するド
ミナントモード抽出手段と、ａ_iをデータ曲線におけるｉ番目のモード振幅、Ｔ_iをそ
のモード周期、φ_iを頂位位相、Ｎをモード総数、ｇ
(ｔ)を非周期成分、ε(ｔ)を微少ランダム変動成分とし
て、時刻ｔにおける時系列データ関数ｙ(ｔ)をとして演算処理する関数処理手段とを備え、該関数処理手段は、時系列データ関数ｙ(ｔ)に含まれる
変数ＮおよびＴ_i(ｉ＝１・・・Ｎ)に対し、前記ドミナント
モード抽出手段が算出した振動モード数Ｎおよび周期Ｔ
_i(ｉ＝１・・・Ｎ)に関する数値データをそれぞれ適用する
数値データ変換部と、該数値データ変換部により、未知数に関して線形となっ
た前記関数ｙ(ｔ)を最小自乗法を用いて演算処理する演
算処理部と、を備える時系列データ解析装置において、対象時系列データに含まれる周波数帯域を複数に分割
し、各周波数帯域ごとに所定単位時間ごとの積分値を算
出してＭＥＭ解析する積分値解析手段と、該積分値解析手段の各解析値が、予め設定した閾値を越
えたときに後段へ出力する積分値判別手段とを備えるこ
とを特徴とする時系列データ解析装置。