JPH10225443A - 心電図データ解析装置 - Google Patents
心電図データ解析装置Info
- Publication number
- JPH10225443A JPH10225443A JP2924097A JP2924097A JPH10225443A JP H10225443 A JPH10225443 A JP H10225443A JP 2924097 A JP2924097 A JP 2924097A JP 2924097 A JP2924097 A JP 2924097A JP H10225443 A JPH10225443 A JP H10225443A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- electrocardiogram
- electrocardiogram data
- data
- attractor
- 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
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 16
- 238000000034 method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 4
- 206010003119 arrhythmia Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- 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】
【課題】 心電図波形に含まれる異常値を容易に検出
し、心電図の解析を適確に行い得る心電図データ解析装
置を提供する。 【解決手段】 入力手段１１から入力された心電図デー
タをアトラクタ表示手段１２でアトラクタ図形として表
示するとともに、心電図データから多次元空間上に軌道
を埋め込み操作手段１４で再構成し、該多次元空間上の
軌道の推移を予測手段１５で調べて予測を行い、予測結
果の評価を予測結果評価手段１６で行い、心電図波形に
含まれる異常値を視覚的に容易に検出でき、異常値を定
量的に適確に検出できる。
し、心電図の解析を適確に行い得る心電図データ解析装
置を提供する。 【解決手段】 入力手段１１から入力された心電図デー
タをアトラクタ表示手段１２でアトラクタ図形として表
示するとともに、心電図データから多次元空間上に軌道
を埋め込み操作手段１４で再構成し、該多次元空間上の
軌道の推移を予測手段１５で調べて予測を行い、予測結
果の評価を予測結果評価手段１６で行い、心電図波形に
含まれる異常値を視覚的に容易に検出でき、異常値を定
量的に適確に検出できる。
Description
【０００１】
【発明の属する技術分野】本発明は、心電図データを解
析する心電図データ解析装置に関する。
析する心電図データ解析装置に関する。
【０００２】
【従来の技術】従来、心電図の診断に関しては、主とし
て記録された心電図波形そのものを視覚的に分析し、波
形の異常を検出するというものであった。
て記録された心電図波形そのものを視覚的に分析し、波
形の異常を検出するというものであった。
【０００３】また、近年、心電図のＲ−Ｒ間隔について
解析が行われ、Ｒ−Ｒ間隔のゆらぎなどの状況を把握
し、診断に役立てようという研究が行われている。
解析が行われ、Ｒ−Ｒ間隔のゆらぎなどの状況を把握
し、診断に役立てようという研究が行われている。
【０００４】
【発明が解決しようとする課題】上述したように、心電
図波形そのものを視覚的に分析し、波形の異常を検出す
るという従来の方法は、データ量が増大するにつれて波
形の異常を見落とす危険が増大するという問題がある。
図波形そのものを視覚的に分析し、波形の異常を検出す
るという従来の方法は、データ量が増大するにつれて波
形の異常を見落とす危険が増大するという問題がある。
【０００５】また、心電図のＲ−Ｒ間隔を解析し、Ｒ−
Ｒ間隔のゆらぎなどの状況を把握して診断を行おうとす
る方法は、波形全体に対する解析ではないため、Ｒ波以
外の波形の異常を検出することが困難であるという問題
がある。
Ｒ間隔のゆらぎなどの状況を把握して診断を行おうとす
る方法は、波形全体に対する解析ではないため、Ｒ波以
外の波形の異常を検出することが困難であるという問題
がある。
【０００６】本発明は、上記に鑑みてなされたもので、
その目的とするところは、心電図波形に含まれる異常値
を容易に検出し、心電図の解析を適確に行い得る心電図
データ解析装置を提供することにある。
その目的とするところは、心電図波形に含まれる異常値
を容易に検出し、心電図の解析を適確に行い得る心電図
データ解析装置を提供することにある。
【０００７】
【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の本発明は、心電図データを入力する
入力手段と、該心電図データを所定の表示ルールに基づ
いて２次元または３次元のアトラクタ図形として表示す
るアトラクタ表示手段と、所定の埋め込み操作ルールに
基づいて前記心電図データから多次元空間上に軌道を再
構成する埋め込み操作手段と、所定の予測ルールに基づ
いて前記多次元空間上の軌道の推移を調べて予測を行う
予測手段と、所定の予測結果評価ルールに基づいて予測
結果の評価を行う予測評価結果手段と、前記予測の評価
結果および前記アトラクタ図形を出力する出力手段とを
有することを要旨とする。
め、請求項１記載の本発明は、心電図データを入力する
入力手段と、該心電図データを所定の表示ルールに基づ
いて２次元または３次元のアトラクタ図形として表示す
るアトラクタ表示手段と、所定の埋め込み操作ルールに
基づいて前記心電図データから多次元空間上に軌道を再
構成する埋め込み操作手段と、所定の予測ルールに基づ
いて前記多次元空間上の軌道の推移を調べて予測を行う
予測手段と、所定の予測結果評価ルールに基づいて予測
結果の評価を行う予測評価結果手段と、前記予測の評価
結果および前記アトラクタ図形を出力する出力手段とを
有することを要旨とする。
【０００８】請求項１記載の本発明にあっては、心電図
データを所定の表示ルールに基づいてアトラクタ図形と
して表示するとともに、心電図データから多次元空間上
に軌道を再構成し、該多次元空間上の軌道の推移を調べ
て予測を行い、予測結果の評価を行うため、心電図波形
に含まれる異常値を視覚的に容易に検出することができ
るとともに、異常値を定量的に適確に検出することがで
きる。
データを所定の表示ルールに基づいてアトラクタ図形と
して表示するとともに、心電図データから多次元空間上
に軌道を再構成し、該多次元空間上の軌道の推移を調べ
て予測を行い、予測結果の評価を行うため、心電図波形
に含まれる異常値を視覚的に容易に検出することができ
るとともに、異常値を定量的に適確に検出することがで
きる。
【０００９】
【発明の実施の形態】以下、図面を用いて本発明の実施
の形態について説明する。
の形態について説明する。
【００１０】図１は、本発明の一実施形態に係る心電図
データ解析装置の構成を示すブロック図である。同図に
示す心電図データ解析装置は、心電図データを入力する
入力手段１１、所定の表示ルールに基づいて心電図デー
タを２次元または３次元のアトラクタ図形に表示するた
めのアトラクタ表示手段１２、所定の予測区間分割ルー
ルに基づいて心電図データを複数の予測区間に分割する
予測区間分割手段１３、所定の埋め込み操作ルールに基
づいて多次元ベクトルを作成する埋め込み操作手段１
４、所定の予測ルールに基づいて各データの予測を行う
予測手段１５、所定の予測結果評価ルールに基づいて予
測誤差などの評価を行う予測結果評価手段１６、予測の
評価結果およびアトラクタ図形を出力する出力手段１７
から構成され、前記入力手段１１には心電図データ格納
域１８から心電図データが入力され、前記出力手段１７
からの出力データは出力結果格納域１９に格納される。
データ解析装置の構成を示すブロック図である。同図に
示す心電図データ解析装置は、心電図データを入力する
入力手段１１、所定の表示ルールに基づいて心電図デー
タを２次元または３次元のアトラクタ図形に表示するた
めのアトラクタ表示手段１２、所定の予測区間分割ルー
ルに基づいて心電図データを複数の予測区間に分割する
予測区間分割手段１３、所定の埋め込み操作ルールに基
づいて多次元ベクトルを作成する埋め込み操作手段１
４、所定の予測ルールに基づいて各データの予測を行う
予測手段１５、所定の予測結果評価ルールに基づいて予
測誤差などの評価を行う予測結果評価手段１６、予測の
評価結果およびアトラクタ図形を出力する出力手段１７
から構成され、前記入力手段１１には心電図データ格納
域１８から心電図データが入力され、前記出力手段１７
からの出力データは出力結果格納域１９に格納される。
【００１１】また、各手段１２，１３，１４，１５，１
６は、それぞれ所望の計算を行う演算部１２ａ，１３
ａ，１４ａ，１５ａ，１６ａ、計算の途中結果を保持す
るバッファ領域１２ｂ，１３ｂ，１４ｂ，１５ｂ，１６
ｂ、および計算を行う際のルールを格納するデータベー
ス１２ｃ，１３ｃ，１４ｃ，１５ｃ，１６ｃで構成され
ている。
６は、それぞれ所望の計算を行う演算部１２ａ，１３
ａ，１４ａ，１５ａ，１６ａ、計算の途中結果を保持す
るバッファ領域１２ｂ，１３ｂ，１４ｂ，１５ｂ，１６
ｂ、および計算を行う際のルールを格納するデータベー
ス１２ｃ，１３ｃ，１４ｃ，１５ｃ，１６ｃで構成され
ている。
【００１２】なお、図１に示す心電図データ解析装置
は、計算機システムで実現され得るものであり、各演算
部はＣＰＵが受け持ち、各バッファ領域や各データベー
スはメモリまたは外部記憶装置が受け持つことになる。
は、計算機システムで実現され得るものであり、各演算
部はＣＰＵが受け持ち、各バッファ領域や各データベー
スはメモリまたは外部記憶装置が受け持つことになる。
【００１３】図２は、心電図データの予測を行うため
に、これを複数の予測区間に分割する予測区間分割手段
１３による方法を示す。異常値が存在すると予測誤差が
増大するため、各予測区間毎の予測誤差を調べることに
より、異常値を含む区間を容易に検出することができ
る。ここでは、心電図データ２１全体を予測するための
学習区間２２とする。また、心電図データ２１全体をＫ
個の予測区間２３（ＰＮ＃０，ＰＮ＃１，…，ＰＮ＃Ｋ
−１）に分割する。各予測区間のデータ数はＮである。
に、これを複数の予測区間に分割する予測区間分割手段
１３による方法を示す。異常値が存在すると予測誤差が
増大するため、各予測区間毎の予測誤差を調べることに
より、異常値を含む区間を容易に検出することができ
る。ここでは、心電図データ２１全体を予測するための
学習区間２２とする。また、心電図データ２１全体をＫ
個の予測区間２３（ＰＮ＃０，ＰＮ＃１，…，ＰＮ＃Ｋ
−１）に分割する。各予測区間のデータ数はＮである。
【００１４】図３は、時系列データから時間遅れの方法
を用いて多次元空間上に軌道を再構成する埋め込み操作
手段１４による方法を示す。時系列データｘi ３１か
ら、一定の時間遅れτを用いて次のｍ次元ベクトルＸi
を作成する。
を用いて多次元空間上に軌道を再構成する埋め込み操作
手段１４による方法を示す。時系列データｘi ３１か
ら、一定の時間遅れτを用いて次のｍ次元ベクトルＸi
を作成する。
【００１５】
【数１】 この時間遅れの方法は埋め込み操作３２と呼ばれ、ｉを
変えて次々にｍ次元ベクトルを作成することにより、ｍ
次元空間３３上にＸi の軌道３４が構成される。ｍを大
きく取ることにより、元の１変数の時系列データｘi ３
１の持つカオスの特徴がこのＸi の軌道３４に表われ
る。この軌道の動きを調べることにより予測を行う。
変えて次々にｍ次元ベクトルを作成することにより、ｍ
次元空間３３上にＸi の軌道３４が構成される。ｍを大
きく取ることにより、元の１変数の時系列データｘi ３
１の持つカオスの特徴がこのＸi の軌道３４に表われ
る。この軌道の動きを調べることにより予測を行う。
【００１６】図４は、ｍ次元空間３３上での予測の考え
方を示す。今、点Ｘt ４１のｐステップ後の予測値Ｙ
t+p ４２を求める問題を考える。ここでは、点Ｘt ４１
の時間的な変化はその近傍点の時間的な変化にほぼ等し
いと考え、Ｘi の軌道３４上のすべての点の中から点Ｘ
t ４１に近いｎ個の近傍点Ｘth（ｈ＝１，２，…，ｎ）
４３を選択し、すでに値のわかっている近傍点のｐステ
ップ後の点ＸTh+p４４の値と近傍点ＸTh４３の値をもと
に最小二乗法などにより予測値Ｙt+p ４２を推定する。
この具体的な計算手法は図５で述べる。
方を示す。今、点Ｘt ４１のｐステップ後の予測値Ｙ
t+p ４２を求める問題を考える。ここでは、点Ｘt ４１
の時間的な変化はその近傍点の時間的な変化にほぼ等し
いと考え、Ｘi の軌道３４上のすべての点の中から点Ｘ
t ４１に近いｎ個の近傍点Ｘth（ｈ＝１，２，…，ｎ）
４３を選択し、すでに値のわかっている近傍点のｐステ
ップ後の点ＸTh+p４４の値と近傍点ＸTh４３の値をもと
に最小二乗法などにより予測値Ｙt+p ４２を推定する。
この具体的な計算手法は図５で述べる。
【００１７】図５は、予測の具体的な方法を示す予測手
段１５によるフローチャートである。予測を行うための
学習用データとして、まず時系列データｘi ３１を入力
する（ステップＳ５２）。次に、図３で示した埋め込み
操作３２を実施し、ｍ次元空間３３上にＸi の軌道３４
を生成する（ステップＳ５３）。ある時点ｘt のｐステ
ップ後の予測値ｙt+p を求めるために、ｘt に対応する
軌道上の点Ｘt ４１のｐステップ後の予測値Ｙt+p ４２
を、次の式により近似する（ステップＳ５４）。
段１５によるフローチャートである。予測を行うための
学習用データとして、まず時系列データｘi ３１を入力
する（ステップＳ５２）。次に、図３で示した埋め込み
操作３２を実施し、ｍ次元空間３３上にＸi の軌道３４
を生成する（ステップＳ５３）。ある時点ｘt のｐステ
ップ後の予測値ｙt+p を求めるために、ｘt に対応する
軌道上の点Ｘt ４１のｐステップ後の予測値Ｙt+p ４２
を、次の式により近似する（ステップＳ５４）。
【００１８】
【数２】 ここで、Ｆは次数ｄの多項式を示す。例えば次数１の場
合は、次の式となる。
合は、次の式となる。
【００１９】
【数３】 ここで、パラメータＡはｍ×ｍの行列、パラメータｂは
ｍ次元のベクトルである。
ｍ次元のベクトルである。
【００２０】多項式Ｆの係数（例えばｄ＝１の場合は
Ａ，ｂ）を求めるために、まずｍ次元空間３３の軌道３
４上のすべての点Ｘi について、点Ｘt ４１との間のユ
ークリッド距離‖Ｘi −Ｘt ‖を次の式により計算する
（ステップＳ５５）。
Ａ，ｂ）を求めるために、まずｍ次元空間３３の軌道３
４上のすべての点Ｘi について、点Ｘt ４１との間のユ
ークリッド距離‖Ｘi −Ｘt ‖を次の式により計算する
（ステップＳ５５）。
【００２１】
【数４】 ユークリッド距離の値の小さいものから順にｎ個を選択
し、これを点Ｘt ４１の近傍点ＸTh（ｈ＝１，２，…，
ｎ）４３とする（ステップＳ５６）。ここで、次に述べ
る最小二乗法の解を得るためのｎの最小値は（ｍ＋ｄ）
！／（ｍ！ｄ！）である（例えばｄ＝１の場合の最小値
はｍ＋１）が、最小二乗解の安定性を増すためにｎの値
はこの最小値に比べ十分大きい値（数倍以上）とする。
し、これを点Ｘt ４１の近傍点ＸTh（ｈ＝１，２，…，
ｎ）４３とする（ステップＳ５６）。ここで、次に述べ
る最小二乗法の解を得るためのｎの最小値は（ｍ＋ｄ）
！／（ｍ！ｄ！）である（例えばｄ＝１の場合の最小値
はｍ＋１）が、最小二乗解の安定性を増すためにｎの値
はこの最小値に比べ十分大きい値（数倍以上）とする。
【００２２】近傍点ＸTh４３の値と、ｐステップ後の点
ＸTh+p４４の値とを用いて、次の最小二乗条件により多
項式Ｆの係数（例えばｄ＝１の場合はＡ，ｂ）を求める
（ステップＳ５７）。
ＸTh+p４４の値とを用いて、次の最小二乗条件により多
項式Ｆの係数（例えばｄ＝１の場合はＡ，ｂ）を求める
（ステップＳ５７）。
【００２３】
【数５】 このようにして求めた多項式Ｆの係数（例えばｄ＝１の
場合はＡ，ｂ）と点Ｘt ４１の値を用いて、（１）式
場合はＡ，ｂ）と点Ｘt ４１の値を用いて、（１）式
【数６】 により、予測点Ｙt+p ４２の値を算出する。これによ
り、Ｙt+p ４２の一番目の要素であるｙt+p を求めるこ
とができる（ステップＳ５８）。なお、図５に示す予測
方法は、例えば J.D.Farmer and J.J.Sidorowich: "Pre
dicting Chaotic Time Series", Physical Review Lett
ers,Vol.59,No.8,pp.845-848,Aug.1987 に記載されてい
るものであり、この文献を引用した予測手法の説明は、
伊藤憲一：「異常値を含んだカオス時系列データの予測
手法」、電子情報通信学会論文誌 A,Vol.J77-A,No.11,p
p.1529-1536,Nov.1994に記載されている。
り、Ｙt+p ４２の一番目の要素であるｙt+p を求めるこ
とができる（ステップＳ５８）。なお、図５に示す予測
方法は、例えば J.D.Farmer and J.J.Sidorowich: "Pre
dicting Chaotic Time Series", Physical Review Lett
ers,Vol.59,No.8,pp.845-848,Aug.1987 に記載されてい
るものであり、この文献を引用した予測手法の説明は、
伊藤憲一：「異常値を含んだカオス時系列データの予測
手法」、電子情報通信学会論文誌 A,Vol.J77-A,No.11,p
p.1529-1536,Nov.1994に記載されている。
【００２４】図６は、本発明の動作例を示すフローチャ
ートである。まず、心電図データに対して、一定の時間
遅れτを用いて２次元または３次元のアトラクタ表示を
行う（ステップＳ６１）。２次元表示の場合は、ある時
点ｉのデータｘi を第１軸に、ｘi+τを第２軸にとり、
点（ｘi ，ｘi+τ）を２次元空間上に表示する。３次元
表示の場合は、更にｘi+2 τを第３軸のとり、点
（ｘi ，ｘi+τ，ｘi+2 τ）を３次元空間上に表示す
る。ｉを変えながら全データに対して点の表示を行う。
これにより、全データの情報が２次元または３次元空間
上に集約され、異常値の検出が視覚的に容易になる。各
点の間を直前で結ぶことにより、この効果はさらに高ま
る。
ートである。まず、心電図データに対して、一定の時間
遅れτを用いて２次元または３次元のアトラクタ表示を
行う（ステップＳ６１）。２次元表示の場合は、ある時
点ｉのデータｘi を第１軸に、ｘi+τを第２軸にとり、
点（ｘi ，ｘi+τ）を２次元空間上に表示する。３次元
表示の場合は、更にｘi+2 τを第３軸のとり、点
（ｘi ，ｘi+τ，ｘi+2 τ）を３次元空間上に表示す
る。ｉを変えながら全データに対して点の表示を行う。
これにより、全データの情報が２次元または３次元空間
上に集約され、異常値の検出が視覚的に容易になる。各
点の間を直前で結ぶことにより、この効果はさらに高ま
る。
【００２５】次に、異常値の検出を定量的に可能とする
ために、心電図データに対する予測を行う。このため、
図２に示したように心電図データ２１全体をＫ個の予測
区間２３に分割する。各予測区間ＰＮ＃０，ＰＮ＃１，
…，ＰＮ＃Ｋ−１のデータ数は各々Ｎ個とする（ステッ
プＳ６２）。心電図データ２１全体を学習区間２２とす
るために、心電図データ２１全体に対して埋め込み操作
３２を実施する（ステップＳ６３）。次に、ｋを０にリ
セットして（ステップＳ６４）、各予測区間に対する予
測を行う。すなわち、予測区間ＰＮ＃ｋの各データに対
し、図５の方法により予測を実施し、Ｎステップ分の予
測値ｙi （ｉ＝１，２，…，Ｎ）可能を求める。このＮ
ステップ分の予測値ｙi （ｉ＝１，２，…，Ｎ）と実際
の値ｘi（ｉ＝１，２，…，Ｎ）とを用いて、相対誤差
Ｅk を次の式より算出する（ステップＳ６５）。
ために、心電図データに対する予測を行う。このため、
図２に示したように心電図データ２１全体をＫ個の予測
区間２３に分割する。各予測区間ＰＮ＃０，ＰＮ＃１，
…，ＰＮ＃Ｋ−１のデータ数は各々Ｎ個とする（ステッ
プＳ６２）。心電図データ２１全体を学習区間２２とす
るために、心電図データ２１全体に対して埋め込み操作
３２を実施する（ステップＳ６３）。次に、ｋを０にリ
セットして（ステップＳ６４）、各予測区間に対する予
測を行う。すなわち、予測区間ＰＮ＃ｋの各データに対
し、図５の方法により予測を実施し、Ｎステップ分の予
測値ｙi （ｉ＝１，２，…，Ｎ）可能を求める。このＮ
ステップ分の予測値ｙi （ｉ＝１，２，…，Ｎ）と実際
の値ｘi（ｉ＝１，２，…，Ｎ）とを用いて、相対誤差
Ｅk を次の式より算出する（ステップＳ６５）。
【００２６】
【数７】 である。この予測（ステップＳ６５）を予測区間を変え
ながらＫ回実施し、相対誤差Ｅ0 ，Ｅ1 ，…，ＥK-1 を
求める（ステップＳ６６，Ｓ６７）。Ｋ個の相対誤差Ｅ
0 ，Ｅ1 ，…，ＥK-1 の標準偏差を算出し、心電図デー
タの評価を行う（ステップＳ６８）。すなわち、異常値
が含まれているとその予測区間のみ予測誤差が増加する
ため、Ｋ個の相対誤差の標準偏差は大きくなる。このよ
うにして、異常値の検出が定量的に可能となる。
ながらＫ回実施し、相対誤差Ｅ0 ，Ｅ1 ，…，ＥK-1 を
求める（ステップＳ６６，Ｓ６７）。Ｋ個の相対誤差Ｅ
0 ，Ｅ1 ，…，ＥK-1 の標準偏差を算出し、心電図デー
タの評価を行う（ステップＳ６８）。すなわち、異常値
が含まれているとその予測区間のみ予測誤差が増加する
ため、Ｋ個の相対誤差の標準偏差は大きくなる。このよ
うにして、異常値の検出が定量的に可能となる。
【００２７】以上の動作フローの説明において、ステッ
プＳ６１，Ｓ６２，Ｓ６３，Ｓ６５，Ｓ６８の各処理
は、それぞれ図１の心電図データ解析装置の手段１２，
１３，１４，１５，１６による処理に対応するものであ
る。
プＳ６１，Ｓ６２，Ｓ６３，Ｓ６５，Ｓ６８の各処理
は、それぞれ図１の心電図データ解析装置の手段１２，
１３，１４，１５，１６による処理に対応するものであ
る。
【００２８】図７は、本発明の効果を示すために用いた
実際の心電図データ例である。（ａ）は健常、（ｂ）は
不整脈の例について示している。各々サンプリング時間
５ｍｓで２分間のデータを収集した。図７では、このう
ち１０秒分を表示している。不整脈のような異常値は、
わずか１０秒分のデータからは容易に検出可能である
が、測定時間が長時間になりデータ量が増大するにつれ
て見落とす危険性が増してくる。
実際の心電図データ例である。（ａ）は健常、（ｂ）は
不整脈の例について示している。各々サンプリング時間
５ｍｓで２分間のデータを収集した。図７では、このう
ち１０秒分を表示している。不整脈のような異常値は、
わずか１０秒分のデータからは容易に検出可能である
が、測定時間が長時間になりデータ量が増大するにつれ
て見落とす危険性が増してくる。
【００２９】図８は、図７の２分間のデータをアトラク
タ表示手段１２によりアトラクタ表示した結果を示す。
ここでは、２次元の表示例を示しており、各表示点間を
直線で結んでいる。また、τ＝１０ｍｓとしている。図
８からわかるように、全データの情報がアトラクタ図に
表示されるため、不整脈の検出は容易である。
タ表示手段１２によりアトラクタ表示した結果を示す。
ここでは、２次元の表示例を示しており、各表示点間を
直線で結んでいる。また、τ＝１０ｍｓとしている。図
８からわかるように、全データの情報がアトラクタ図に
表示されるため、不整脈の検出は容易である。
【００３０】図９は、図７の２分間のデータに対して、
予測手段１５により予測を行い、予測結果評価手段１６
により相対誤差の標準偏差を求めた結果を示す。ここで
は、予測区間数Ｋ＝１０、遅れ時間τ＝１０ｍｓ、予測
ステップ数ｐ＝１、近傍点の数ｎ＝２０とした。また、
埋め込み次元ｍの値は２から１０まで変化させた。図９
から、不整脈のように異常値が含まれる場合、相対誤差
の標準偏差が健常時に比べ約１０倍程度大きくなること
がわかる。しかも、これらの結果は埋め込み次元ｍの値
にあまり依存しないことがわかる。このように、予測誤
差を評価することにより、異常値の検出が定量的に可能
となる。
予測手段１５により予測を行い、予測結果評価手段１６
により相対誤差の標準偏差を求めた結果を示す。ここで
は、予測区間数Ｋ＝１０、遅れ時間τ＝１０ｍｓ、予測
ステップ数ｐ＝１、近傍点の数ｎ＝２０とした。また、
埋め込み次元ｍの値は２から１０まで変化させた。図９
から、不整脈のように異常値が含まれる場合、相対誤差
の標準偏差が健常時に比べ約１０倍程度大きくなること
がわかる。しかも、これらの結果は埋め込み次元ｍの値
にあまり依存しないことがわかる。このように、予測誤
差を評価することにより、異常値の検出が定量的に可能
となる。
【００３１】
【発明の効果】以上説明したように、本発明によれば、
心電図データを所定の表示ルールに基づいてアトラクタ
図形として表示するとともに、心電図データから多次元
空間上に軌道を再構成し、該多次元空間上の軌道の推移
を調べて予測を行い、予測結果の評価を行うため、アト
ラクタ図形により心電図波形に含まれる異常値を視覚的
に容易に検出することができるとともに、異常値の存在
が予測結果の評価である予測誤差に反映され、異常の検
出を定量的に適確に行うことができる。
心電図データを所定の表示ルールに基づいてアトラクタ
図形として表示するとともに、心電図データから多次元
空間上に軌道を再構成し、該多次元空間上の軌道の推移
を調べて予測を行い、予測結果の評価を行うため、アト
ラクタ図形により心電図波形に含まれる異常値を視覚的
に容易に検出することができるとともに、異常値の存在
が予測結果の評価である予測誤差に反映され、異常の検
出を定量的に適確に行うことができる。
【図１】本発明の一実施形態に係る心電図データ解析装
置の構成を示すブロック図である。
置の構成を示すブロック図である。
【図２】心電図データの予測を行うために該心電図デー
タを複数の予測区間に分割する方法を示す説明図であ
る。
タを複数の予測区間に分割する方法を示す説明図であ
る。
【図３】観測された１変数の時系列データから時間遅れ
の方法を用いて多次元空間上に軌道を再構成する方法を
示す説明図である。
の方法を用いて多次元空間上に軌道を再構成する方法を
示す説明図である。
【図４】多次元空間上での予測の考え方を示す説明図で
ある。
ある。
【図５】図１の心電図データ解析装置に使用されている
予測手段による予測の具体的な方法を示すフローチャー
トである。
予測手段による予測の具体的な方法を示すフローチャー
トである。
【図６】図１に示す心電図データ解析装置の作用を示す
フローチャートである。
フローチャートである。
【図７】本発明の効果を示すために用いた実際の心電図
データ例を示す図である。
データ例を示す図である。
【図８】図７のデータをアトラクタ表示手段によりアト
ラクタ表示した結果を示す図である。
ラクタ表示した結果を示す図である。
【図９】図７のデータに対して予測手段で予測を行い、
相対誤差の標準偏差を求めた結果を示すグラフである。
相対誤差の標準偏差を求めた結果を示すグラフである。
１１ 入力手段 １２ アトラクタ表示手段 １３ 予測区間分割手段 １４ 埋め込み操作手段 １５ 予測手段 １６ 予測結果評価手段 １７ 出力手段 １８ 心電図データ格納域 １９ 出力結果格納域
Claims (1)
- 【請求項１】 心電図データを入力する入力手段と、該
心電図データを所定の表示ルールに基づいて２次元また
は３次元のアトラクタ図形として表示するアトラクタ表
示手段と、所定の埋め込み操作ルールに基づいて前記心
電図データから多次元空間上に軌道を再構成する埋め込
み操作手段と、所定の予測ルールに基づいて前記多次元
空間上の軌道の推移を調べて予測を行う予測手段と、所
定の予測結果評価ルールに基づいて予測結果の評価を行
う予測評価結果手段と、前記予測の評価結果および前記
アトラクタ図形を出力する出力手段とを有することを特
徴とする心電図データ解析装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2924097A JPH10225443A (ja) | 1997-02-13 | 1997-02-13 | 心電図データ解析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2924097A JPH10225443A (ja) | 1997-02-13 | 1997-02-13 | 心電図データ解析装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10225443A true JPH10225443A (ja) | 1998-08-25 |
Family
ID=12270731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2924097A Pending JPH10225443A (ja) | 1997-02-13 | 1997-02-13 | 心電図データ解析装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH10225443A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1323376A2 (en) | 2001-12-27 | 2003-07-02 | Kiyoshi Takizawa | Method and apparatus for ECG diagnosis |
| US8036733B2 (en) | 2004-05-20 | 2011-10-11 | Kiyoshi Takizawa | Diagnostic parameter calculation method, system for diagnosis and diagnostic program |
-
1997
- 1997-02-13 JP JP2924097A patent/JPH10225443A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1323376A2 (en) | 2001-12-27 | 2003-07-02 | Kiyoshi Takizawa | Method and apparatus for ECG diagnosis |
| US8036733B2 (en) | 2004-05-20 | 2011-10-11 | Kiyoshi Takizawa | Diagnostic parameter calculation method, system for diagnosis and diagnostic program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6243080B1 (ja) | プリプロセッサおよび異常予兆診断システム | |
| CN110414031B (zh) | 一种基于volterra级数模型预测时间序列的方法、装置、电子设备及计算机可读存储介质 | |
| US5792062A (en) | Method and apparatus for detecting nonlinearity in an electrocardiographic signal | |
| JP2000511307A (ja) | 同時学習およびパフォーマンス情報処理システム | |
| JP2018116693A5 (ja) | ||
| CN108242266A (zh) | 辅助诊断装置和方法 | |
| US7702714B2 (en) | Pairwise symmetry decomposition method for generalized covariance analysis | |
| JP6917805B2 (ja) | データフィルタリング装置および方法 | |
| JP4318221B2 (ja) | 医療情報分析装置、方法及びプログラム | |
| JP7006296B2 (ja) | 学習プログラム、学習方法および学習装置 | |
| Gao et al. | Genetic algorithm training of Elman neural network in motor fault detection | |
| JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
| US11004002B2 (en) | Information processing system, change point detection method, and recording medium | |
| RU2559712C2 (ru) | Обратная связь по релевантности для извлечения изображения на основе контента | |
| KR102266182B1 (ko) | 복수의 시계열 데이터의 모니터링 방법 및 장치 | |
| KR102482374B1 (ko) | 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법 | |
| JPH10225443A (ja) | 心電図データ解析装置 | |
| US11449781B2 (en) | Plant abnormality prediction system and method | |
| JP3884682B2 (ja) | プロセスデータの解析方法及び解析装置 | |
| JP7062923B2 (ja) | 可視化方法、可視化装置及び可視化プログラム | |
| Moein et al. | Detection of heart disorders using an advanced intelligent swarm algorithm | |
| KR20220028727A (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
| JP2021185469A (ja) | 性能分析装置および性能分析方法 | |
| Hussein et al. | Feature extraction of ECG signal using cubic spline technique | |
| Aguila et al. | A prediction of electrocardiography signals by combining arma model with nonlinear analysis methods |