JPH08206088A - 解析装置 - Google Patents

解析装置

Info

Publication number
JPH08206088A
JPH08206088A JP7298424A JP29842495A JPH08206088A JP H08206088 A JPH08206088 A JP H08206088A JP 7298424 A JP7298424 A JP 7298424A JP 29842495 A JP29842495 A JP 29842495A JP H08206088 A JPH08206088 A JP H08206088A
Authority
JP
Japan
Prior art keywords
electrodes
neural network
artificial neural
patient
analysis device
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
Application number
JP7298424A
Other languages
English (en)
Inventor
Bo Heden
ヘーデン ボー
Mattias Ohlsson
オールソン マティアス
Lars Edenbrandt
エデンブラント ラルス
Ralf Rittner
リットナー ラルフ
Olle Pahlm
パールム オレ
Carsten Peterson
ペーターソン カルステン
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.)
Siemens Elema AB
Original Assignee
Siemens Elema AB
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 Siemens Elema AB filed Critical Siemens Elema AB
Publication of JPH08206088A publication Critical patent/JPH08206088A/ja
Pending legal-status Critical Current

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25Bioelectric electrodes therefor
    • A61B5/276Protection against electrode failure
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221Determining signal validity, reliability or quality
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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

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

Abstract

(57)【要約】 【課題】 識別性を損なうことなく従来技術の解析シス
テムより高い感度で、電極の誤った接続を識別する解析
装置を低供する。 【解決手段】 解析装置の制御ユニットに、1つ以上の
ニューラルネットワークを設け、各ニューラルネットワ
ークを3つの層、たとえば25個以下の入力ニューロン
を設けた第1入力層と、4個から6個の隠れニューロン
を設けた隠れ層と、1個の出力ニューロンを設けた出力
層から構成し、電極の誤った取付けを識別するように、
ニューラルネットワークに学習させる。

Description

【発明の詳細な説明】
【0001】
【発明の属する技術分野】本発明は、患者からの電気信
号をピックアップするために患者の所定の部位に配設さ
れた所定の数の電極と、記録された電気信号から作られ
る所定の数の入力信号に基づいて不正確に患者に取付け
られた電極があるかどうかを決定する制御ユニットとを
含む解析装置に関する。
【0002】ここで「不正確に取付けられた電極」と
は、誤った部位に配設された電極、および/または患者
との良好な電気的接触が得られない電極を指す。「患
者」とは全ての動物を指すが、以下では人間の患者につ
いて説明する。
【0003】
【従来の技術】そのような装置の1つはスエーデンのシ
ーメンスエレマAB社のMingograf モデル740であ
る。その公知の解析装置はECG解析装置であり、患者
の所定の部位に取付けられた10個の電極を利用してい
る。腕と足に各1個の電極が取付けられ、残りの6個の
電極が胸部に取付けられる。患者の電気信号の双極検出
に、左腕と右腕と左足にそれぞれ取付けられた3個の電
極を用いることができる。したがって以下の組合せが可
能である。つまり右腕の電極と左腕の電極との間の電位
の検出(第1誘導)と、右腕の電極と左足の電極との間
の電位の検出(第2誘導)と、左腕の電極と左足の電極
との間の電位の検出(第3誘導)である。これらの3個
の電極を抵抗を介して2個づつ組合せ、3番目の電極を
不関電極にすることもできる。つまり左腕と左足の電極
を組み合わせた場合に右腕の電極を不関電極とし(aV
R誘導)、右腕と左足の電極を組み合わせた場合に左腕
の電極を不関電極とし(aVL誘導)、右腕と左腕の電
極を組み合わせた場合に左足の電極を不関電極とする
(aVF誘導)ことができる。したがって6つの測定チ
ャネル(第1誘導、第2誘導、第3誘導、aVR誘導、
aVL誘導、aVF誘導)を検出するのに、四肢に配設
された3個の電極を用いることができる。
【0004】6個の胸部の電極をV1〜V6とし、所定
の順番で胸部に取付ける。右足の電極をグランドにす
る。
【0005】さらにECG解析装置には、左右の腕の電
極が正しく患者に取付けられているか、つまり右腕の電
極が本当に右腕に配設され、左腕の電極が本当に左腕に
配設されており、逆になっていないことを決定する制御
ユニットがある。制御ユニットには、このチェックを実
行する特別な解析プログラムがプログラムされている。
解析プログラムは、電極でピックアップされた測定信号
から得られるある種の信号パラメータを入力信号として
用いる。解析プログラムにより取り違えのあることが決
定されると、エラーメッセージが表示されて誤った電極
の取付けの疑いがあることが報告される。
【0006】誤って取付けられた電極を見つけることは
重要である。そうでないなら誤った診断が行われる。た
とえば記録された測定信号を評価する別の解析プログラ
ムを用いる最近のECG解析装置にもこのことが言え
る。これらのプログラムを適切に動作させるためには、
測定信号を正確に記録しなければならない。
【0007】しかし誤って取付けられた電極、たとえば
前述の電極の左右の取り違えを検出することは困難な場
合がある。原理上この取り違えにより、第2誘導測定信
号と第3誘導測定信号が逆になり、aVL誘導測定信号
とaVR誘導測定信号が逆になり、同時に第1誘導信号
も反転する。しかし正確に記録されたECG信号に広範
囲の変動が現れた場合、熟練した医者でも誤って記録さ
れたECG信号を正確かつ容易に識別することができな
い。
【0008】不正確に取付けられた電極の問題は、患者
に電極を取付けるスタッフの注意深い作業によって解決
できる問題であるとも思える。しかし世界中で毎年約3
00万人分のECG記録が行われていることを思い起こ
すべきである。不正確に取付けられる電極の割合が非常
に小さいものであるとしても、不正確に取付けられた電
極を用いたECG記録が数多く行われているのである。
さらに不正確な取付けの問題は、1個以上の電極を誤っ
た部位に取付けることに必ずしも限定されない。正確に
配設されているが皮膚との電気的接触が悪い電極も含ま
れる。電気的接触が悪い結果、電極側で診断にとって重
要な情報の記録に失敗することがある。不正確な診断の
ため、たとえば不正確な治療が行われたり、治療が行わ
れないことがある。コンピュータ化したECG解析装置
技術のほとんどの場合、前述のように左右の腕に電極が
逆に取付けられていることを識別するある解析プログラ
ムを持っている。
【0009】公知の解析プログラムは、原理上、左右の
腕に電極が逆に取付けられていることしか識別できない
ことに注意すべきである。他の誤った接続、たとえば左
腕と左足の電極の取り違えを検出することはずっと困難
であり、どの解析プログラムもそれらを検出するように
構成されていない。
【0010】前述のMingograf モデル740で実行され
るこれらの解析プログラムの内の1つは公知であってG
RIと称され、たとえば「ComprehensiveElectrocardio
graphy, Theory and Practice in Health and Diseas
e」(第3巻、Oxford Pergamon Press Inc. 1989年版、
1530頁 )に記載されている。
【0011】これらの解析プログラムの別のものが、
「Physician's Guide to MarquetteElectronics Restin
g ECG Analysis 」(12月号、88 000-90160-010,USA
53頁)に記載されており、Marquette Electronics Inc.
から提供される装置で実行されている。
【0012】これらの解析プログラムは共に比較的有利
な識別性をもっており、電極が正しく取付けられている
場合にはエラー表示は滅多に表示されない。しかしそれ
らは感度が悪く、つまり左右の腕の電極を全く反対に取
付けた場合も変わらずエラー表示を表示しない。ECG
測定信号にP波がない場合には、これらの解析システム
の感度は特に低下する。ECG記録を大量に検査する
と、P波がない場合に2つの方法を比較して30%から
40%感度が低下することが分かる。換言すると、左右
の腕の電極の誤った接続の内の30%から40%しか見
つけることができない。
【0013】
【発明が解決しようとする課題】本発明の課題は、識別
性を損なうことなく従来技術の解析システムより高い感
度で左右の腕の電極の誤った接続を識別する解析装置を
達成することである。
【0014】本発明の別の課題は、他の形態の不正確に
取付けられた電極も識別する解析装置を達成することで
ある。
【0015】
【課題を解決するための手段】本発明の課題は、患者に
不正確に取付けられた1個以上の電極があるか否かを決
定する人工ニューラルネットワークが、制御ユニットに
設けられている解析装置により達成される。
【0016】人工ニューラルネットワーク(ANN)
は、様々な異なる分野で公知である。一般にANNは生
物学的な脳の機能をシュミレートし、パターン認識(特
に複雑で非線形のパターン認識)を行い、ニューロンを
結合する。最初のANNモデルは早くも1940年代に
作られていたが、1980年代に非線形処理がモデルに
組み込まれるまで、顕著な革新を遂げることはなかっ
た。ANNの簡単な歴史および基本的な説明は、C. Pet
erson およびT. Roegnvaldssonによる文献「Artificiel
la neuronnaetverk 」(KOSMOS、1992年版、87〜
102頁、Swedish Association of Physicists )に記
載されている。
【0017】近年ANN技術はECG技術にも導入され
ており、たとえば種々の疾患の診断をサポートするのに
主に用いられている。膨大な数のECG記録を用いて、
種々のANNが考案され、種々の病理学的な状態を識別
し診断するように学習させている。
【0018】多くの研究が行われ、診断にANN技術を
用いることを記載した文献、たとえば「Neural Network
s for Classification of ECG ST-T Segments 」(Eden
brandt他、Journal of Electrocardiography、25巻、
No.3 、1992年7月版)、および「Artificial Neu
ral Networks for theElectrocardiographic Diagnosis
of Healed Myocardial Infarction 」(Heden 他、The
American Journal of Cardiology、74巻、1994
年7月1日版)が出版されている。
【0019】ECG記録の際に不正確に取付けられた電
極を明確に識別する場合、患者の心臓の活性状態の電気
信号を検出するように構成されたECG解析装置を解析
装置に設けることができる。他の測定のために、患者の
電気信号を測定するEEG解析装置または他の解析装置
を設けることができる。
【0020】3つの層、たとえば25個以下の入力ニュ
ーロンを設けた入力層と、たとえば4個から6個の隠れ
ニューロンを設けた隠れ層と、1個の出力ニューロンを
設けた出力層とから人工ニューラルネットワークを構成
し、前に記録された正しいECG測定信号および誤った
ECG測定信号を用いて、逆伝搬アルゴリスムにより学
習させると有利である。隠れニューロンをシグモイドに
基づく形態または放射状に基づく形態とし、データの非
線形処理を実施することができる。データに線形な関数
だけが含まれる場合、ニューラルネットワークは、通常
の多変数の線形分離のように動作する。したがって人工
ニューラルネットワークは、データの適応化を図る際に
非常に広く用いられる。
【0021】人工ニューラルネットワークに学習させる
場合、学習の際に誤って接続された電極を正しく接続さ
れていると識別した場合よりも正しく接続された電極を
誤って接続されていると識別した場合に、人工ニューラ
ルネットワークを厳しく「罰」するように構成された非
対称誤差関数を逆伝搬アルゴリズムに含ませると有利で
ある。このようにして高度な識別性を保有することがで
きる。代わりに、学習プロセスの際にスキュードサンプ
リングを用いて同様の効果を達成することができる。
【0022】11000を超える記録されたECGデー
タに関する研究で、このような方法で右腕と左腕に正し
く取付けられた電極と不正確に取付けられた電極を認識
するように、人工ニューラルネットワークに学習させ
た。第2誘導と第3誘導に対する信号チャネルを交換
し、aVR誘導とaVL誘導に対する信号チャネルチャ
ネルを交換し、第1誘導に対する信号を反転すると、正
しく記録されたECGから、左右の腕の電極を逆にした
ECGをシュミレートすることができた。学習させたA
NNの識別性は、公知の解析方法で表示した識別性と同
様に良好であり、感度は公知の解析方法より良好であっ
た。ECG信号にP波がない場合でも、前述の人工ニュ
ーラルネットワークは90%を超える非常に高い感度を
維持し、公知の解析方法が30%から40%であったこ
とと比較すると、かなりの改善されている。
【0023】したがって患者の左右の腕の電極がそれぞ
れ逆に取付けられているか否かを決定するように、人工
ニューラルネットワークを構成することができる。
【0024】また、左腕の電極と左足の電極が逆に取付
けられているか否かを決定するように人工ニューラルネ
ットワークに学習させることができる。前述のように今
までこの種の誤った取付けを検出できる解析方法はなか
った。かつては熟練した当業者でもそのような検出は不
可能であると想定されていた。しかし本発明による特別
な学習させる人工ニューラルネットワークを用いた研究
により、この種の誤った取付けでさえも識別できること
が分かった。これらの研究では、識別性はほぼ100%
と高いが、感度は約50%と低いものだった。
【0025】同様に複数の他の誤った接続、たとえば胸
部の電極V1〜V6が逆に取付けられていることを識別
するように人工ニューラルネットワークに学習させるこ
とができる。
【0026】患者と電極との間の電気的接触が十分であ
り、最適に取付けられているか否かをチェックし、また
は確認するように、人工ニューラルネットワークを構成
することができ、各測定信号に対して最大強度の信号強
度が得られる。ECGは特に電極筋棒の干渉、筋肉攣縮
に感度がある。したがって電極の位置をわずかに動かす
ことにより、良好なピックアップが得られる。原理的に
このことは人工ニューラルネットワークにより解決する
ことのできる最適化問題である。
【0027】本発明により、複数の誤った取付けを識別
できる人工ニューラルネットワークを構成することがで
きる。しかし1つ以上の誤った接続を明確に識別するた
めに、そのような人工ニューラルネットワークには多く
の出力ニューロンが必要である。知覚できる1つの組合
せは、左右の腕の電極の誤った取付けと、左腕と左足の
電極の誤った取付けを同時に決定することである。
【0028】また別に設けた少なくとも1つのニューラ
ルネットワークを含むように、制御ユニットを構成する
ことができ、電極の所定の第1の誤った取付けを識別す
るように、人工ニューラルネットワークに学習させ、電
極の所定の第2の誤った取付けを識別するように、別に
設けられた人工ニューラルネットワークに学習させるこ
とができる。したがって制御ユニットには、複数の特別
な人工ニューラルネットワークが設けられている。左右
の腕の電極の誤った取付けをチェックするように、1つ
の人工ニューラルネットワークに学習させ、左腕の電極
と左足の電極の誤った取付けをチェックするように、別
に設けられた人工ニューラルネットワークに学習させる
ことができる。機敏で信頼性のある識別が最も重要であ
ると考えられる誤った取付けによっては、もちろんより
特別な人工ニューラルネットワークを制御ユニット内に
構成することができる。
【0029】
【発明の実施の形態】次に添付図面を参照して本発明を
詳細に説明する。
【0030】図1に、複数の電極6A〜6Jを介してE
CG解析装置4に接続された患者2を示す。ここで電極
6A〜6Jは患者2の所定の位置に配設されており、つ
まり第1電極6Aは患者2の左腕に、第2電極6Bは患
者2の右腕に、第3電極6Cは患者2の左足に、第4電
極6Dは患者2の右足に、他の電極6E〜6Jは患者2
の胸部に取付けられている。
【0031】第1電極6A、第2電極6B、および第3
電極6Cを様々に組み合わせ、6つの誘導の組合せ(=
測定チャネル)、つまり第1誘導、第2誘導、第3誘
導、aVR誘導、aVL誘導、aVF誘導を作ることが
できる。電極6A〜6Cを組み合わせてこのことを達成
する方法は、従来技術の説明と関連して既に説明した。
【0032】電極6A〜6Gを患者2に正確に取付ける
ことは非常に重要である。電極6A〜6Gが誤って配設
されたため2つ以上の測定チャネルが誤って反転する
と、誤った診断が行われる。医者が誤って反転した測定
信号を評価する場合と、およびECG解析装置4が評価
を実施する場合との両方の場合に、この誤った診断が行
われる。
【0033】図2の左側に、電極が正確に取付けられた
場合に患者から記録されるECG測定信号8A〜8Fを
示す。中央には、左右の腕に電極を逆に取付けた場合を
シュミレーションしたECG信号10A〜10Fを示
す。このシュミレーションを行うために、信号8A〜8
Fのチャネル2とチャネル3、およびチャネルaVRと
aVLとが逆にされ、チャネル1は反転している。右側
に、電極が正しく取付けられた場合に別の患者から記録
されるECG測定信号12A〜12Fを示す。このこと
は、左右の腕の電極が逆に取付けられた場合でさえも、
各ECG信号からの(2個の電極が誤って取付けられた
場合の)視覚検査が困難になることを示す。左腕の電極
6Aと右腕の電極6Bを逆にすると、そのことが測定信
号に明白に現れないことがある。
【0034】この特定の誤った電極の取付け形態を検出
するために、多くの解析方法(冒頭で既に説明した)が
考案されてきた。それらの装置は、最近のECG解析装
置に組み込まれ、左右の腕の電極を取り違えた疑いがあ
る場合に、警告メッセージを発する。これらの解析方法
には比較的有利な識別性があるが感度が悪い。これらの
解析方法の感度は、ECG信号にP波がない場合に特に
損なわれる。
【0035】したがって本発明で、種々の誤った電極位
置を自動検出する新しい方法を考案する。図3は、新し
い制御方法用に構成したECG解析装置4のブロック図
である。心臓から生じる電気信号は、各電極6A〜6J
でピックアップされ、ECG解析装置4の信号処理ユニ
ット14に供給される。信号処理ユニット14内で到着
信号は、この種の装置にとって通常の方法でフィルタリ
ングされ、増幅されてディジタル化される。また信号処
理ユニット14で到着信号を、電極6A、6B、6Cか
ら作られる6つのチャネル(第1チャネル、第2チャネ
ル、第3チャネル、aVRチャネル、aVLチャネル、
aVFチャネル)に再分割する。
【0036】処理信号は、データバスを介して解析ユニ
ット16に送出され、解析ユニット16は測定信号の種
々の信号パラメータを弁別する。この弁別に、様々な時
間でのP波、QRS群、およびT波の振幅の決定の他
に、たとえばP波、QRS群、およびT波の識別を含め
ることができる。弁別できる他の信号パラメータは、P
QRST波の持続期間と勾配、およびそれらの間の間隔
である。
【0037】これらのパラメータの内の選択されたもの
が、データバスを介して制御ユニット18に送出され、
第1ニューラルネットワーク18A、第2ニューラルネ
ットワーク18B、第3ニューラルネットワーク18C
の入力信号として用いられる。電極6A〜6Jの種々の
誤った接続を識別するように、3個のニューラルネット
ワーク18A〜18Cに学習させる。ここで第1ニュー
ラルネットワーク18Aにより、第1電極6Aと第2電
極6Bの取り違えを識別し、第2ニューラルネットワー
ク18Bにより、第1電極6Aと第3電極6Cの取り違
えを識別し、第3ニューラルネットワーク18Cによ
り、胸部に誤って取付けた任意の電極6E〜6Jを識別
することができる。
【0038】人工ニューラルネットワーク18A〜18
Cのどれかに誤った取付けのあることを検出した場合、
そのニューラルネットワークは表示ユニット20に信号
を送出し、誤って取付けられている疑いがあることに対
してオペレータの注意を喚起する。
【0039】表示ユニット20には、たとえば音響アラ
ームを鳴らすアラームユニット、および誤った取付けら
れた疑い(複数の誤った取付けを含む)があることを同
時に表示するディスプレイを含むことができる。
【0040】さらに表示ユニット20は解析ユニット1
6にも接続され、選択した一部の測定信号を表示し、診
断を示唆する。ここで解析ユニット16には、最近のコ
ンピュータ化されたECG解析装置には普通に見受けら
れる全ての所要の解析装置および記憶装置が含まれてい
る。また1個以上の人工ニューラルネットワークを解析
ユニット16で実施し、測定信号を解析し分析すること
もできる。
【0041】左右の腕の電極の取り違えをチェックする
人工ニューラルネットワーク18Aの1つの実施例を図
4に示す。人工ニューラルネットワーク18Aには3つ
の層、つまり14個の入力ニューロン22A〜22Nを
設けた入力層、5個のニューロン24A〜24Eを設け
た隠れ層、および1個の出力ニューロン26を設けた出
力層が含まれる。左右の電極が正しく接続されている場
合に出力ニューロン26が理想的に(ideally )ロジッ
ク0を出力し、これらの電極が逆であるとロジック1を
出力するように、人工ニューラルネットワーク18Aは
構成されている。0.5未満の値を持つ中間出力信号は
正しい接続を表し、0.5を上回る出力信号は、誤った
接続を表す。
【0042】この人工ニューラルネットワーク18Aの
入力信号として用いられる信号パラメータを入力ニュー
ロン22A〜22Nの位置に示す。全ての入力ニューロ
ン22A〜22Nは、各隠れニューロン24A〜24E
に接続されている。全ての信号は、人工ニューラルネッ
トワークとしては通常の方法で異なる重み付けをされて
加算される。逆伝搬アルゴリズムを用いて人工ニューラ
ルネットワーク18Aに学習させながら、各入力信号お
よび隠れニューロンに24A〜24Eに対する重み付け
を決定する。しかしこの決定は、有利な識別性を達成す
るために、非対称の誤差関数で実施される。ここで人工
ニューラルネットワークは、誤った接続を正しいと表示
した場合よりも正しい接続を誤っていると表示した場合
に厳しく「罰」せられる。
【0043】入力信号、つまり測定信号(この例では主
に測定信号チャネル1、V6)からフィルタリングされ
た信号パラメータは、公知の誤差表示アルゴリズムたと
えばMarquette アルゴリズムおよびGRIで入力信号と
して用いられる入力信号とほとんど同じである。これら
の信号パラメータ、つまりP axis、QRS axis、QRS area
I、QRS area V6 はこれらの解析方法の説明の中で定義
され、当業者に公知のものである。人工ニューラルネッ
トワーク18Aを用いた解析に対して新規の信号パラメ
ータは、P sum I 、P sum V6、T sum I 、T sum V6、QR
S amp(35)I 、QRS amp(40)I、QRS amp(45)I、QRS amp(3
5)V6 、QRS amp(40)V6 、およびQRS amp(45)V6 であ
る。「sum 」はネットの振幅を表し、つまり「P sum I
」はチャネルIのP波のネットの振幅であり、他も同
様である。「amp(nn) 」はQRS群の開始からnn ms 後
の振幅を表す。各信号からこれらの信号パラメータを容
易に求めることができる。
【0044】これより多くの、または少ない数の入力ニ
ューロンおよび隠れニューロンを用いて、人工ニューラ
ルネットワークを構成することができる。原理的にMarq
uette アルゴリズムおよびGRIと同じ入力信号を用い
て人工ニューラルネットワークを構成することもでき
る。そのようなニューラルネットワークを用いた実験か
らニューラルネットワークの感度を向上させることがで
きることが分かった。
【0045】同様に、電極の他の誤った配設、たとえば
左腕の電極と左足の電極の取り違えを識別するように、
人工ニューラルネットワークを構成することができる。
【0046】別種の誤った電極の配設を識別できる、よ
り包括的なニューラルネットワークを構成することもで
きる。たとえば2個の出力ニューロンを用いて、4つの
理想的な(ideal )ロジック出力信号00、01、1
0、11を得ることができる。00は正しい配設に相応
し、01は左右の電極の取り違えに相応し、10は左腕
と左足の電極の取り違えに相応し、11は左右の腕の電
極の取り違えと左腕と左足の電極の取り違えとの両方に
相応する。前述と同様に、ロジック0は0.5未満の出
力信号に相応し、ロジック1は0.5より大きな出力信
号に相応する。人工ニューラルネットワークでは、出力
ニューロンの数が増加するほど、多くの誤った配設を表
示する機能が増大する。信頼のある識別をし、複数の誤
った配設を同時に表示するのに、原理的に各誤った電極
の配設に対して、1個の出力ニューロンが必要である。
【0047】前述の実施例は、主に誤って取付けられた
電極の識別を主体としているが、本発明はこの応用例に
限定されるものではない。EEG電極の取付けをチェッ
クするEEG解析装置に対して、相応の人工ニューラル
ネットワークを構成することができる。このことは図1
に示されており、EEG解析装置5がEEG電極系7を
介して患者2に接続されている。
【0048】たとえば患者の皮膚と電極との間に良好な
電気的接触が得られているかをチェックするように、人
工ニューラルネットワークに学習させることができる。
前述の実施例では、たとえば電気的接触の悪い状態を識
別するように第3ニューラルネットワーク18Cを構成
することができる。
【0049】
【発明の効果】本発明により、識別性を損なうことなく
従来技術の解析システムより高い感度で、左右の腕の電
極の誤った接続を識別する解析装置を達成し、また他の
形態の不正確に取付けられた電極も識別する解析装置を
達成することができる。
【図面の簡単な説明】
【図1】患者に接続されたECG解析装置を表す図であ
る。
【図2】左右の腕に正しく取付けられた電極のECG信
号と、左右の腕に逆に取付けられた電極のECG信号と
を表す図である。
【図3】ECG解析装置のブロック図である。
【図4】左右の腕に逆に取付けられた電極を識別するニ
ューラルネットワークを表す図である。
【符号の説明】
4 ECG解析装置 5 EEC解析装置 14 信号処理ユニット 16 解析ユニット 18 ニューラルネットワーク 20 表示ユニット
フロントページの続き (72)発明者 ラルフ リットナー スウェーデン国 イェルプ カモミルヴェ ーゲン 15 (72)発明者 オレ パールム スウェーデン国 ルンド ヴィンストルー プスガータン 7 (72)発明者 カルステン ペーターソン スウェーデン国 ルンド ネールマンス ヴェーグ 14

Claims (9)

    【特許請求の範囲】
  1. 【請求項1】 患者(2)から電気信号をピックアップ
    するために患者の(2)の所定の部位に配設する所定の
    数の電極(6A〜6J)と、記録された電気信号から作
    られた所定の数の入力信号に基づいて、患者(2)に不
    正確に取付けられた電極(6A〜6J)があるか否かを
    決定する制御ユニット(18)とを有する解析装置
    (4)において、患者(2)に不正確に取付けられた1
    個以上の電極(6A〜6J)があるか否かを決定する人
    工ニューラルネットワーク(18A〜18C)が、制御
    ユニット(18)に設けられていることを特徴とする解
    析装置。
  2. 【請求項2】 患者の心臓の活性状態の電気信号を検出
    するように構成されたECG解析装置を有する請求項1
    に記載の解析装置。
  3. 【請求項3】 前記人工ニューラルネットワークは3つ
    の層から構成され、第1入力層にたとえば25個以下の
    入力ニューロン(22A〜22N)が設けられ、隠れ層
    にたとえば4個から6個の隠れニューロン(24A〜2
    4E)が設けられ、出力層に1個の出力ニューロン(2
    6)が設けられ、前に記録された正しいECG測定信号
    および誤ったECG測定信号を用いて、逆伝搬アルゴリ
    スムにより学習させる請求項2に記載の解析装置。
  4. 【請求項4】 前記逆伝搬アルゴリスムは非対称誤差関
    数を含み、前記非対称誤差関数は、学習の際に不正確に
    接続された電極(6A〜6J)を正しく接続されている
    と識別した場合よりも正しく接続された電極(6A〜6
    J)を不正確に接続されていると識別した場合に、人工
    ニューラルネットワーク(18A〜18C)を厳しく罰
    するように構成されている請求項3に記載の解析装置。
  5. 【請求項5】 前記人工ニューラルネットワーク(18
    A)に、患者の左右の腕の電極(6A、6B)が逆に取
    付けられているか否かを決定するように学習させる請求
    項2から4項までのいずれか1項に記載の解析装置。
  6. 【請求項6】 前記人工ニューラルネットワーク(18
    B)に、患者の左腕の電極(6A)と左足の電極(6
    C)が逆に取付けられているか否かを決定するように学
    習させる請求項2から5までのいずれか1項に記載の解
    析装置。
  7. 【請求項7】 前記制御ユニット(18)には、少なく
    とも1つの人工ニューラルネットワーク(18B、18
    C)がさらに別に設けられ、電極(6A〜6J)の所定
    の第1の不正確な取付けを識別するように、人工ニュー
    ラルネットワーク(18A)に学習させ、電極(6A〜
    6J)の所定の第2の不正確な取付けを識別するよう
    に、別に設けられた人工ニューラルネットワーク(18
    B、18C)に学習させる請求項1から6までのいずれ
    か1項に記載の解析装置。
  8. 【請求項8】 前記人工ニューラルネットワークに、患
    者と電極との電気的接触が悪いか否かを検出するように
    学習させる請求項1から7までのいずれか1項に記載の
    解析装置。
  9. 【請求項9】 EEG解析装置を有する請求項1に記載
    の解析装置。
JP7298424A 1994-11-16 1995-11-16 解析装置 Pending JPH08206088A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
SE9403950-0 1994-11-16
SE9403950A SE9403950D0 (sv) 1994-11-16 1994-11-16 Analysapparat

Publications (1)

Publication Number Publication Date
JPH08206088A true JPH08206088A (ja) 1996-08-13

Family

ID=20395995

Family Applications (1)

Application Number Title Priority Date Filing Date
JP7298424A Pending JPH08206088A (ja) 1994-11-16 1995-11-16 解析装置

Country Status (6)

Country Link
US (1) US5640966A (ja)
EP (1) EP0712605B1 (ja)
JP (1) JPH08206088A (ja)
DE (1) DE69528806T2 (ja)
FI (1) FI955480A (ja)
SE (1) SE9403950D0 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014042749A (ja) * 2012-08-28 2014-03-13 Tanita Corp 生体測定装置
JP2021023434A (ja) * 2019-07-31 2021-02-22 フクダ電子株式会社 心電計およびその制御方法

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5876334A (en) * 1997-03-26 1999-03-02 Levy; George S. Lie detector system using reaction time
US6556951B1 (en) 1997-11-26 2003-04-29 The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services System and method for intelligent quality control of a process
US6192273B1 (en) 1997-12-02 2001-02-20 The Cleveland Clinic Foundation Non-programmable automated heart rhythm classifier
US5967994A (en) * 1998-03-26 1999-10-19 Hewlett-Packard Company Method and system for characterizing the quality of signals indicative of heart function
KR100455276B1 (ko) * 1998-12-31 2005-01-15 삼성전자주식회사 생체신호계측기의리드탈락검출방법및장치
US6920350B2 (en) * 2001-08-06 2005-07-19 Ge Medical Systems-Information Technologies, Inc. Method of and apparatus for displaying and analyzing a physiological signal
ES2208067B1 (es) * 2002-04-09 2005-12-16 Universidad De Granada Verificador de la colocacion de electrodos para electroencefalografia por metodos resistivos.
US7493309B2 (en) * 2003-01-16 2009-02-17 International Business Machines Corporation Framework for dynamic analysis of varying structured data using multiple analysis techniques
US7860558B2 (en) * 2006-03-31 2010-12-28 Koninklijke Philips Electronics N.V. ECG lead misplacement detection and correction
DE102009012352B4 (de) * 2009-03-09 2013-08-29 Personal Medsystems Gmbh Verfahren und Vorrichtung zum Aufnehmen eines Elektrokardiogramms
US20110270112A1 (en) 2009-11-02 2011-11-03 Applied Cardiac Systems, Inc. Multi-Function Health Monitor
WO2015030712A1 (en) 2013-08-26 2015-03-05 Bodhi Technology Ventures Llc Method of detecting the wearing limb of a wearable electronic device
CN103800004A (zh) * 2013-11-19 2014-05-21 邱磊 基于核函数分类算法的心电电极错误放置自动检测方法
GB2537844B (en) * 2015-04-27 2017-04-19 Sensium Healthcare Ltd Electrode-skin contact quality assessment
CN105105743B (zh) * 2015-08-21 2017-03-29 山东省计算中心(国家超级计算济南中心) 基于深度神经网络的心电图智能处理方法
US10817780B2 (en) 2017-10-29 2020-10-27 Christopher J. Rourk Electron transport gate circuits and methods of manufacture, operation and use
EP3701568A4 (en) * 2017-10-29 2021-08-04 Christopher J. Rourk ELECTRON TRANSPORT GATE CIRCUITS AND METHODS OF MANUFACTURING, OPERATION AND USE
CN112401893B (zh) * 2020-11-10 2023-10-13 安徽华米信息科技有限公司 心电图信号校正方法、装置、可穿戴设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5251626A (en) * 1990-07-03 1993-10-12 Telectronics Pacing Systems, Inc. Apparatus and method for the detection and treatment of arrhythmias using a neural network
US5280792A (en) * 1991-09-20 1994-01-25 The University Of Sydney Method and system for automatically classifying intracardiac electrograms

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014042749A (ja) * 2012-08-28 2014-03-13 Tanita Corp 生体測定装置
JP2021023434A (ja) * 2019-07-31 2021-02-22 フクダ電子株式会社 心電計およびその制御方法

Also Published As

Publication number Publication date
US5640966A (en) 1997-06-24
FI955480A (fi) 1996-05-17
EP0712605B1 (en) 2002-11-13
DE69528806T2 (de) 2003-09-04
EP0712605A1 (en) 1996-05-22
FI955480A0 (fi) 1995-11-14
SE9403950D0 (sv) 1994-11-16
DE69528806D1 (de) 2002-12-19

Similar Documents

Publication Publication Date Title
JPH08206088A (ja) 解析装置
US11134880B2 (en) Automatic method to delineate or categorize an electrocardiogram
Takalo-Mattila et al. Inter-patient ECG classification using deep convolutional neural networks
US5749367A (en) Heart monitoring apparatus and method
US10959637B2 (en) Automatic detection/classification of ECG cable interchange for different ECG lead systems
KR20140063100A (ko) 원격 심질환 관리 장치 및 방법
US20220022799A1 (en) Automatic method to delineate or categorize an electrocardiogram
Oliver et al. Detection of premature ventricular contractions with a clinical system for monitoring electrocardiographic rhythms
Liu et al. Automatic diagnosis of premature ventricular contraction based on Lyapunov exponents and LVQ neural network
CN101795622A (zh) 病变冠状动脉的自动识别
Jekova et al. Inter-lead correlation analysis for automated detection of cable reversals in 12/16-lead ECG
Sahoo Analysis of ECG signal for Detection of Cardiac Arrhythmias
US9198594B2 (en) TWA measuring apparatus and TWA measuring method
CN103228207A (zh) 在发病冠状动脉中闭塞位置的自动识别
Zhang et al. Deep learning-based signal quality assessment for wearable ECGs
Alahmadi et al. An explainable algorithm for detecting drug-induced QT-prolongation at risk of torsades de pointes (TdP) regardless of heart rate and T-wave morphology
Srinivas et al. Adaptive learning based heartbeat classification
CN105050493B (zh) 用于确定ecg数据中的qrs复合波的出现的装置和方法
Jovanovic et al. QRS complex detection based ECG signal artefact discrimination
CN115607167A (zh) 一种轻量化的模型训练方法、房颤检测方法、装置及系统
Bashir et al. Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring
Hochberg et al. Monitoring of electrocardiograms in a coronary care unit by digital computer
Cen et al. Intelligence ECG Monitoring System: Wireless platform and Arrhythmia classification using Residual neural network
Feezor et al. A real-time waveform analyzer for detection of ventricular premature beats.
Basil et al. A comparison of statistical machine learning methods in heartbeat detection and classification

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20050602

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20051028