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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 76
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 210000002569 neuron Anatomy 0.000 claims description 9
- 210000004205 output neuron Anatomy 0.000 claims description 7
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 7
- 238000002565 electrocardiography Methods 0.000 description 40
- 238000003745 diagnosis Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000718 qrs complex Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 102100027256 Melanoma-associated antigen H1 Human genes 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 108010038764 cytoplasmic linker protein 170 Proteins 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/276—Protection against electrode failure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- 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
- 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。
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
【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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
「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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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１】患者に接続されたＥＣＧ解析装置を表す図であ
る。
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。
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。
ューラルネットワークを表す図である。
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)
- 【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。 - 【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。 - 【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。 - 【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。 - 【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。 - 【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。 - 【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。 - 【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。 - 【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。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| SE9403950A SE9403950D0 (sv) | 1994-11-16 | 1994-11-16 | Analysapparat |
| SE9403950-0 | 1994-11-16 |
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)
| 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)
| 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 |
| AU1799099A (en) * | 1997-11-26 | 1999-06-15 | Government of The United States of America, as represented by The Secretary Department of Health & Human Services, The National Institutes of Health, The | 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 |
| CN111357118A (zh) * | 2017-10-29 | 2020-06-30 | 鲁克·克里斯托弗·J | 一种电子传递门电路及其制造、操作和使用方法 |
| US10817780B2 (en) | 2017-10-29 | 2020-10-27 | Christopher J. Rourk | Electron transport gate circuits and methods of manufacture, 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)
| 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 |
-
1994
- 1994-11-16 SE SE9403950A patent/SE9403950D0/xx unknown
-
1995
- 1995-09-29 EP EP95115482A patent/EP0712605B1/en not_active Expired - Lifetime
- 1995-09-29 DE DE69528806T patent/DE69528806T2/de not_active Expired - Fee Related
- 1995-11-06 US US08/554,359 patent/US5640966A/en not_active Expired - Lifetime
- 1995-11-14 FI FI955480A patent/FI955480A/fi unknown
- 1995-11-16 JP JP7298424A patent/JPH08206088A/ja active Pending
Cited By (2)
| 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 |
|---|---|
| DE69528806D1 (de) | 2002-12-19 |
| FI955480A (fi) | 1996-05-17 |
| SE9403950D0 (sv) | 1994-11-16 |
| US5640966A (en) | 1997-06-24 |
| EP0712605A1 (en) | 1996-05-22 |
| EP0712605B1 (en) | 2002-11-13 |
| DE69528806T2 (de) | 2003-09-04 |
| FI955480A0 (fi) | 1995-11-14 |
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 | |
| US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CN107530019B (zh) | 针对不同ecg导联系统的ecg电缆互换的自动检测/分类 | |
| 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 | |
| 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 |