WO2020066430A1 - てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム - Google Patents

てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム Download PDF

Info

Publication number
WO2020066430A1
WO2020066430A1 PCT/JP2019/033590 JP2019033590W WO2020066430A1 WO 2020066430 A1 WO2020066430 A1 WO 2020066430A1 JP 2019033590 W JP2019033590 W JP 2019033590W WO 2020066430 A1 WO2020066430 A1 WO 2020066430A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
epileptic
subject
error
input data
Prior art date
Application number
PCT/JP2019/033590
Other languages
English (en)
French (fr)
Inventor
幸一 藤原
史弥 坂根
Original Assignee
国立大学法人京都大学
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 国立大学法人京都大学 filed Critical 国立大学法人京都大学
Priority to US17/279,181 priority Critical patent/US20220000415A1/en
Priority to JP2020548217A priority patent/JP7416432B2/ja
Publication of WO2020066430A1 publication Critical patent/WO2020066430A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present disclosure relates to an epileptic seizure prediction device, an electrocardiographic index data analysis method, a seizure prediction computer program, a model construction device, a model construction method, and a model construction computer program.
  • Patent Document 1 Conventionally, there has been proposed an apparatus for predicting a sign of epileptic seizure from a heartbeat pattern measured for a subject (for example, see Patent Document 1).
  • a heartbeat pattern known to predict an epileptic seizure is stored, and a sign of epileptic seizure is detected based on a comparison result between the stored heartbeat pattern and a measured heartbeat pattern. I do.
  • Patent Document 2 discloses identifying epileptic seizure signs based on a seizure sign detection model.
  • the seizure symptom detection model of Patent Document 2 is generated by performing principal component analysis on a plurality of second index data indicating index values of each of the plurality of types of indices relating to heartbeat.
  • the seizure sign detection model of Patent Document 2 is generated based on sample data generated from electrocardiogram signals in intermittent seizures, and does not require data showing signs of epileptic seizures.
  • the present inventors, including one of the inventors of Patent Document 2 have found a new method that can make data showing signs of epileptic seizure non-essential by an approach different from the method disclosed in Patent Document 2.
  • One embodiment of the present disclosure is an epileptic seizure prediction device that performs a seizure prediction process, wherein the seizure prediction process provides learning electrocardiographic index data generated from an electrocardiographic signal of an epileptic patient as learning input data.
  • the seizure prediction process provides learning electrocardiographic index data generated from an electrocardiographic signal of an epileptic patient as learning input data.
  • the learned auto-encoder giving the electrocardiographic index data generated from the electrocardiogram signal of the subject as input data, processing to obtain output data that is reconstructed data of the input data, A process for calculating an error between the input data and the output data of the subject, and based on whether the error has exceeded a management limit to be accommodated in the case of an epileptic seizure of epilepsy,
  • Epileptic seizure prediction apparatus which includes a detection process for detecting a sign of epileptic seizure.
  • Another aspect of the present disclosure is a computer-implemented method for analyzing electrocardiographic index data generated from an electrocardiographic signal of a subject.
  • Another embodiment of the present disclosure is a computer program that causes a computer to execute a seizure prediction process.
  • Another embodiment according to the present disclosure is a model construction apparatus that executes a model construction process for epileptic seizure prediction, wherein the model construction process learns learning ECG index data generated from an electrocardiographic signal of an epileptic patient.
  • the model construction process learns learning ECG index data generated from an electrocardiographic signal of an epileptic patient.
  • the electrocardiographic index data generated from the electrocardiogram signal of the subject is given as input data, and the output data which is the reconstructed data of the input data is obtained.
  • Processing a calculation processing for calculating an error between the input data and the output data, and a setting processing for setting a management limit to be accommodated when the subject is in an intermittent period of epilepsy based on the error.
  • a model construction apparatus including:
  • Another aspect of the present disclosure is a method of constructing a model for epileptic seizure prediction.
  • Another embodiment of the present disclosure is a computer program that causes a computer to execute a model construction process.
  • FIG. 1 is a configuration diagram of a system 100 including an epileptic seizure prediction device.
  • FIG. 2A shows an example of an electrocardiographic signal.
  • FIG. 2B shows R-wave data.
  • FIG. 3 is a configuration diagram of the epileptic seizure prediction device.
  • FIG. 4 is a configuration diagram of an epileptic seizure prediction model construction device.
  • FIG. 5 is an explanatory diagram of the auto encoder.
  • FIG. 6 is a flowchart of the model construction process.
  • FIG. 7 is an explanatory diagram of setting the control limit.
  • FIG. 8 is a flowchart of the seizure prediction process.
  • FIG. 9 is a diagram showing seizure prediction experiment results.
  • the epileptic seizure prediction device executes seizure prediction processing.
  • an auto encoder is used.
  • the auto encoder is a neural network that reconstructs data equal to the input data (learning data) from the learning data that is input data, and performs learning to output the data as reconstructed data.
  • the autoencoder is learned by giving learning electrocardiographic index data generated from an electrocardiographic signal of an epilepsy patient as learning input data.
  • the number of epilepsy patients is one or more.
  • the ECG index data for learning does not need to include data showing signs of epileptic seizures, and it suffices to use data in intermittent seizures. Therefore, acquisition of the learning ECG index data is easy.
  • the ECG index data for learning generated from the electrocardiographic signal of an epileptic patient is necessarily data only during the interictal period or data mainly during the interictal period.
  • the auto-encoder learned from such data can accurately reconstruct the output data from the input data during the interictal period, but when an epileptic seizure appears, an error between the input data and the output data (reconstruction error). ) Increases.
  • the seizure prediction process of the embodiment provides, to the auto-encoder, electrocardiographic index data generated from an electrocardiographic signal of the subject as input data, and reconstructs the input data. Including processing to obtain certain output data.
  • the seizure prediction process further includes a process of calculating an error between the input data and the output data of the subject, and whether the error has exceeded a management limit to be accommodated in the case of an epileptic intermittent period. And detecting a sign of epileptic seizure of the subject based on the subject. According to these processes, when the error between the input data and the output data of the subject increases and exceeds the management limit, a sign of an epileptic seizure can be detected.
  • the sign of an epileptic seizure can be detected even if the data indicating the sign of the epileptic seizure are made non-essential.
  • the auto-encoder may be provided in the epileptic seizure prediction device, or may be provided in a device other than the epileptic seizure prediction device (for example, a server computer on the Internet).
  • the epileptic seizure prediction device and a device (such as a server computer) functioning as an auto encoder are communicably connected via a network.
  • the epileptic seizure predicting apparatus receives input data from the epileptic seizure predicting apparatus via a network to the auto-encoder. Further, the epileptic seizure prediction device acquires output data from an auto encoder via a network.
  • the process of acquiring output data is performed by giving learning electrocardiographic index data generated from an electrocardiogram signal of an epileptic patient as learning input data to an auto encoder that has been trained.
  • the processing may be acquisition.
  • the learning ECG index data is generated from an electrocardiographic signal of the epileptic patient during the interictal period. This is advantageous because data showing signs of epileptic seizures is unnecessary.
  • the electrocardiographic index data of the subject only needs to be generated from electrocardiographic signals of the subject during intermittent attacks.
  • the sign of the subject's epileptic seizure is detected when the error continuously exceeds the control limit for a predetermined time. In this case, erroneous detection due to an instantaneous increase in error can be suppressed.
  • the electrocardiographic index data is preferably calculated from an RRI (R-RRInterval) generated from an electrocardiographic signal of the subject.
  • the learning electrocardiographic index data is generated from electrocardiographic signals of a plurality of epilepsy patients. Further, it is preferable that the plurality of epilepsy patients include the subject and epilepsy patients other than the subject.
  • It may be configured to further execute an adjustment process for adjusting the management limit stored in the storage device in advance.
  • a doctor or a user can adjust the management limit according to the subject.
  • the method for analyzing electrocardiographic index data is a method executed by a computer to analyze electrocardiographic index data generated from an electrocardiographic signal of a subject.
  • Give the electrocardiographic index data as input data obtain output data that is reconstructed data of the input data, calculate an error between the input data and the output data of the subject, the error, This includes determining whether the control limit to be accommodated in epileptic intermittent periods has been exceeded.
  • the seizure prediction computer program is a computer program that causes a computer to execute seizure prediction processing.
  • the seizure prediction process is performed by providing learning electrocardiographic index data generated from an electrocardiogram signal of an epileptic patient as input data for learning to an auto-encoder that has been trained. Providing electrical index data as input data, obtaining output data that is reconstructed data of the input data, calculating an error between the input data and the output data of the subject, A detection process of detecting a sign of epileptic seizure of the subject based on whether or not a control limit to be accommodated in an intermittent seizure period of epilepsy has been exceeded.
  • the computer program is stored on a computer-readable storage medium.
  • the model construction device executes a model construction process for epileptic seizure prediction.
  • the model construction process is performed by providing learning electrocardiographic index data generated from an epileptic patient's electrocardiographic signal as learning input data to an auto-encoder that has been trained. Given the electrical index data as input data, a process of obtaining output data that is reconstructed data of the input data, a calculation process of calculating an error between the input data and the output data, based on the error, Setting processing for setting a management limit to be accommodated when the subject is in an intermittent epileptic epilepsy.
  • the control limit is such that a predetermined percentage of errors, which are most of the plurality of errors calculated by the calculation process, fall within the control limit, and the remaining of the plurality of errors Is preferably set to exceed the control limit.
  • the learning electrocardiographic index data is generated from an electrocardiographic signal of the epileptic patient during the interictal period, all of the calculated errors are errors occurring in the interictal period. If an attempt is made to set the control limit so that all of these multiple errors are intermittent, the appropriate setting of the control limit becomes difficult.
  • the embodiment if it is set that the error of a predetermined ratio, which is most of the plurality of errors, falls within the control limit, and the remainder of the plurality of errors exceeds the control limit. Because it is good, the control limit can be easily set.
  • the predetermined ratio which is the majority, is, for example, a ratio in a range of 90% or more and less than 100%.
  • the lower limit of the predetermined ratio is more preferably 95% or more, and even more preferably 98% or more.
  • the model building method is a method for building a model for epileptic seizure prediction.
  • the method includes the steps of: providing an ECG index data for learning generated from an ECG signal of an epileptic patient as learning input data; Is given as input data to obtain output data that is reconstructed data of the input data, calculate an error between the input data and the output data, and, based on the error, the subject has an epileptic seizure. Includes setting control limits to fit in intermittent periods.
  • the model construction computer program causes a computer to execute a model construction process.
  • the model construction process is performed by providing learning electrocardiographic index data generated from an epileptic patient's electrocardiographic signal as learning input data to an auto-encoder that has been trained. Given the electrical index data as input data, a process of obtaining output data that is reconstructed data of the input data, a calculation process of calculating an error between the input data and the output data, based on the error, Setting processing for setting a management limit to be accommodated when the subject is in an intermittent epileptic epilepsy.
  • FIG. 1 is a diagram schematically showing the configuration of a system 100 including the epileptic seizure prediction device 1 according to the embodiment.
  • the system 100 includes an epileptic seizure prediction device 1 (hereinafter, referred to as “prediction device 1”) and a heart rate measuring device 2.
  • the prediction device 1 and the heart rate measuring device 2 can communicate with each other.
  • the communication may be wireless communication or wired communication.
  • the heartbeat measuring device 2 is a small and lightweight wearable terminal that is attached to the body of the subject P and measures the heartbeat of the subject P.
  • a plurality (three in FIG. 1) of electrodes 21 ⁇ / b> A attached to the body surface of the subject P is connected to the heart rate measuring device 2.
  • the three electrodes 21A are, for example, a plus electrode, a minus electrode, and a ground electrode.
  • the wearable terminal that functions as the heart rate measuring device 2 includes, for example, a smart watch having a heart rate measuring function. Note that the wearable terminal itself may function as the prediction device 1 and the heart rate measuring device 2.
  • FIG. 2A is a diagram showing an example of an electrocardiographic signal.
  • the vertical axis represents potential
  • the horizontal axis represents time.
  • the heart rate measuring device 2 transmits R wave data indicating the R wave to the prediction device 1.
  • FIG. 2 (b) shows R-wave data corresponding to the electrocardiographic signal of FIG. 2 (a).
  • a period corresponding to the R-wave in the electrocardiographic signal (a period in which the signal intensity I exceeds a predetermined intensity threshold Ith) is set to “1”, and the other period is set to “1”.
  • the interval between R waves is called RRI (R-R Interval).
  • the prediction device 1 receives the R-wave data transmitted from the heart rate measuring device 2 and detects a sign of an epileptic seizure of the subject P, thereby predicting an epileptic seizure.
  • the prediction device 1 is configured by a computer including a processing unit 10 and a storage device 20.
  • the processing unit 10 is, for example, a CPU.
  • the prediction device 1 also includes a communication unit 30 for communicating with the heart rate measuring device 2.
  • the communication unit 30 may be a communication mechanism for short-range wireless communication such as Bluetooth (registered trademark) or a communication mechanism for wireless LAN.
  • the computer constituting the prediction device 1 is preferably a mobile terminal such as a smartphone and a tablet.
  • the mobile terminal owned by the subject P can be used as the prediction device 1 and is preferable.
  • a mobile terminal is preferable because the notification function (sound, light, and character output function) of the mobile terminal can be used even when the subject P is notified of the detection of a sign of an epileptic seizure.
  • the mobile terminal may be a wearable device such as a smart watch.
  • the prediction device 1 may include a plurality of computers.
  • the prediction device 1 may be configured by cooperation of a plurality of mobile terminals.
  • the plurality of mobile terminals are, for example, a smart phone and a smart watch.
  • the computer constituting the prediction device 1 may be a server computer on a network such as the Internet.
  • the R-wave data transmitted from the heart rate measuring device 2 of the subject P is transmitted to the server computer via a network such as the Internet.
  • the server computer detects a sign of an epileptic seizure, the server computer may notify the terminal (such as a mobile terminal) of the subject P via a network.
  • the storage device 20 of the prediction device 1 stores a computer program 21 for causing the processing unit 10 to execute the epileptic seizure prediction process 12.
  • the computer functions as the prediction device 1 by the processing unit 10 executing the computer program 21.
  • the computer program 21 can also cause the processing unit 10 to execute a management limit adjustment process 13 described later.
  • the storage device 20 of the prediction device 1 stores data for configuring an epileptic seizure prediction model 22 used in the epileptic seizure prediction process 12.
  • the data for configuring the seizure prediction model 22 includes parameters for causing the processing unit 60 to function as the learned auto encoder AE.
  • the parameters for functioning as the auto encoder AE are parameters in the neural network, and include a weight between units in the neural network, a bias of each unit, an activation function, and the like. Parameters such as weights are optimized by learning.
  • the model 22 of the embodiment also includes the control limit L. The control limit L will be described later.
  • the prediction device 1 may not include the auto encoder AE itself, and an external device that can communicate with the prediction device 1 may include the auto encoder AE.
  • the prediction device 1 is constructed by installing a computer program 21 downloaded from a computer program providing server via the Internet on a mobile terminal owned by the subject P.
  • the downloaded computer program 21 does not need to have data (parameters) for causing the mobile terminal owned by the subject P to function as the auto encoder AE.
  • the auto encoder AE may be constructed on a server computer on a network such as the Internet. When the scale of the auto encoder AE is increased, the calculation load is increased, and there is a possibility that the terminal held by the subject P cannot obtain sufficient processing capability.
  • an external device such as a server computer is used, it is easy to secure a high processing capability required for executing the auto encoder AE.
  • FIG. 4 shows an epileptic seizure prediction model construction apparatus 51 (hereinafter, referred to as “construction apparatus 51”).
  • the construction device 51 executes a model construction process 61 for epileptic seizure prediction.
  • the data constituting the epileptic seizure prediction model 73 constructed by the model construction processing 61 is stored in the storage device 20 of the prediction device 1 and functions as the prediction model 22 in the prediction device 1.
  • the construction apparatus 51 is configured by a computer including the processing unit 60 and the storage device 70.
  • the processing unit 60 is, for example, a CPU.
  • the construction device 51 is, for example, a server computer on a network such as the Internet.
  • the storage device 70 of the construction device 51 stores a computer program 71 for causing the processing unit 60 to execute the model construction process 61.
  • the computer functions as the construction device 51 by the processing unit 60 executing the computer program 71.
  • the computer program 71 can also cause the processing unit 60 to execute a management limit adjustment process 62 described later.
  • the construction device 51 and the prediction device 1 may be configured by the same computer (for example, a server computer on a network), but it is preferable that the construction device 51 and the prediction device 1 be configured by different computers. In the latter case (for example, when the construction device 51 is a server computer and the prediction device 1 is a mobile terminal), data constituting the seizure prediction model is transmitted from the construction device 51 to the prediction device 1.
  • the data constituting the seizure prediction model may be temporarily stored in the server for data transmission from the construction device 51 and transmitted to the prediction device 1 from the server for data transmission.
  • the construction device 51 may function as an auto encoder AE used by the prediction device 1.
  • the auto encoder AE shown in FIG. 5 has an input layer, a hidden layer, and an output layer.
  • the auto encoder AE shown in FIG. 5 has eight units N11, N12, N13, N14, N15, N16, N17, and N18 in an input layer, and eight units N21, N22, and N23 in an output layer. , N24, N25, N26, N27 and N28. That is, the number of input variables and the number of output variables of the auto encoder AE in FIG. In FIG. 5, the number of hidden layers is one, but the number of hidden layers is not limited to one and can be determined as appropriate.
  • the transfer function of the encoder of the auto-encoder may be, for example, a logistic sigmoid transfer function, a positive saturation linear transfer function, a normalized linear unit, or a hyperbolic tangent sigmoid transfer function.
  • a linear transfer function can be adopted as the transfer function of the decoder.
  • the transfer function of the encoder is a logistic sigmoid transfer function.
  • the eight variables given to the auto encoder AE as the input data for learning are eight indices (HRV indices) relating to heart rate variability (HRV).
  • HRV indices relating to heart rate variability
  • the following are adopted as the eight HRV indices.
  • LF / HF ratio of LF to HF 7)
  • HHF is the high frequency (0.15 to 0.40 Hz) power of the power spectral density (PSD) of the time series data of the RRI.
  • LF is the low frequency (0.04 to 0.15 Hz) power of the PSD.
  • the time domain index is directly calculated from RRI time-series data (RRI data).
  • the frequency domain index is calculated from the PSD of the RRI data. Note that since the RRI data is not sampled at equal intervals, it is necessary to perform sampling in order to obtain a PSD.
  • the PSD is calculated from the re-sampled RRI data using an auto-regression (AR) model or Fourier transform.
  • the storage device 70 of the construction device 51 stores HRV index data 72 which is electrocardiographic index data of a plurality (I person: I is an integer of 2 or more) of epilepsy patients.
  • the HRV index data 72 for each patient i (i is an integer from 1 to I) includes the above-mentioned eight HRV indexes. Since each of the eight HRV indices is time-series data, the HRV index data for each patient i (i is an integer from 1 to I) is a set of eight time-series data.
  • the HRV index data 72 is generated from electrocardiographic signals of intermittent attacks of a plurality of epileptic patients. Electrocardiographic signals during interictal periods are easy to obtain and are suitable. If an electrocardiographic signal when an epileptic seizure is present is available, the HRV index data 72 is generated from the electrocardiographic signal when an epileptic seizure is present and the interictal cardiac signal. It may be.
  • the HRV index data 72 of a plurality of (I) epilepsy patients used for learning of the auto encoder AE may or may not include HRV index data of a subject who is a user of the prediction device 1. Is also good.
  • the data 72 of a plurality of epilepsy patients includes the data of the subject, more appropriate learning reflecting the characteristics of the subject is possible.
  • HRV index time series data included in the HRV index data 72 of a plurality of epilepsy patients are standardized and provided to the input layer of the auto encoder AE as electrocardiographic index data for learning.
  • meanNN time-series data of a plurality of epilepsy patients is given to the unit N11.
  • the SDNN time series data is in the unit N12
  • the RMSSD time series data is in the unit N13
  • the NN50 time series data is in the unit N14
  • the TotalPower time series data is in the unit N15
  • the LF / HF time series data is in the unit N16.
  • LFnu time series data is provided to a unit N17
  • HFnu time series data is provided to a unit N18.
  • the method of giving the HRV index data 72 to the auto-encoder AE as the electrocardiographic index data for learning is such that the HRV index data 72 is given to the auto-encoder AE in order to set a management limit L in a model construction process 61 described later. This is the same as the method, and details will be described later.
  • the input data input to the input layer of the auto encoder AE is dimensionally compressed by the hidden layer, the data equal to the input data is reconstructed, and learning is performed so as to output from the output layer. . Therefore, in the learned auto encoder AE, output data obtained by reconstructing the input meanNN is output from the unit N21 in the output layer. Similarly, the output data obtained by reconstructing the SDNN is output from the unit N22, the output data obtained by reconstructing the RMSSD is output from the unit N23, the output data obtained by reconstructing the NN50 is output from the unit N24, and the unit N25 is output.
  • the number of learning epochs is not particularly limited, but may be, for example, about 200 to 3000 times.
  • the parameters of the learned auto-encoder AE are stored in the storage device 70 as a part of data for forming the seizure prediction model 73.
  • FIG. 6 shows a procedure for setting the management limit L in the model construction processing 61.
  • the processing unit 60 reads, from the storage device 70, HRV index data (electrocardiographic index data) 72 of each of a plurality of (I) epilepsy patients i.
  • the read HRV index data 72 becomes input data to the auto encoder AE.
  • the HRV index data 72 of each patient i is treated as an HRV index matrix X 0 [i] .
  • the HRV index matrix X 0 [i] has eight HRV index time-series data for the patient i as elements of the matrix.
  • step S12 the HRV index matrices X 0 [i] of all the plurality of epileptic patients i are integrated into one matrix X 0 , and in step S13, each HRV index has an average of 0 and a variance of 1.
  • Matrix X 0 is standardized (generation of matrix X which is standardized input data).
  • FIG. 5 shows standardized input data X in which a plurality of persons are integrated. The integration of a plurality of persons (I persons) is performed by connecting the time series data of the first epilepsy patient (first patient) to the time series data of the second epilepsy patient (second patient), and so on. , Time series data of I patients up to the I-th epileptic patient (I-th patient).
  • the time length of each HRV index time-series data of each patient i is Ti [s]
  • values for each discrete time t (t is a value from 0 to T) are sequentially given to the auto encoder AE.
  • eight elements included in the same row of matrix X indicate values of eight HRV indices at the same time t (of the same person). I do.
  • the auto encoder AE reconstructs the values of the eight HRV indices at that time t, and outputs the values as output data. Therefore, when the standardized input data (matrix X) for the entire time length T is given to the auto encoder AE, the auto encoder AE outputs the output data for the time length T, that is, a matrix having the same matrix size as the matrix X. X norm is output as output data (step S14).
  • the processing unit 60 non-standardizes the output data X norm and obtains non-standardized output data X R (step S15).
  • the non-standardization is a process opposite to the standardization in step S13.
  • the processing unit 60 calculates X 0 -X R and calculates a reconstruction error RE (t) for each time t of each epileptic patient i (step S16).
  • the reconstruction error RE (t) is an error between input data and output data at time t.
  • the reconstruction error RE (t) is calculated as the L1 norm of each row of X 0 -X R.
  • Each row of X 0 -X R represents (reconstruction error of meanNN, reconstruction error of SDNN, reconstruction error of RMSSD, reconstruction error of NN50, reconstruction error of TotalPower, LF / (HF reconstruction error, LFnu reconstruction error, HFnu reconstruction error). If a row with X 0 -X R (corresponding to time t) is, for example, (-1, -2, -3, -4, 4, 3, 2, 1), the L1 norm is 20. . Therefore, the reconstruction error RE (t) at time t is 20.
  • the row corresponding to the patient i is known from the operation of the integration (step S12), and thus the L1 norm of each row is calculated to reconstruct each epilepsy patient i at each time t.
  • An error RE (t) is obtained. That is, in step S16, time-series data of the reconstruction error RE (t) of each epilepsy patient i is obtained.
  • the reconstruction error RE (t) time-series data of the patient i is configured to have a plurality of discrete errors within the time of the data time width Ti.
  • the control limit L is not set for each of a plurality of HRV indices, but is determined based on errors (a difference between input data and output data) of the plurality of HRV indices. L is set. Note that the control limit L may be set for each of a plurality of HRV indices. However, according to experiments by the present inventors, in the epileptic seizure prediction of the embodiment, the control limit L is set for each of the plurality of HRV indices. The seizure prediction accuracy was better when a single control limit L was set based on errors of a plurality of HRV indices than when a seizure sign was predicted when the number of HRV indices exceeding the control limit exceeded a predetermined number. .
  • FIG. 7 is a schematic diagram of the time-series data of the reconstruction error RE (t).
  • the processing unit 60 sets the management limit L of the reconstruction error for each epileptic patient i based on the time-series data of the reconstruction error RE (t) (Step S17).
  • the control limit L is an index for determining that the HRV index of the patient i is normal.
  • the reconstruction error RE (t) is within the control limit L, that is, when the reconstruction error RE (t) is equal to or smaller than the control limit L, the HRV index Is determined to be normal.
  • “normal” means that the patient i is in an intermittent attack.
  • the sign of the epileptic seizure of the patient i is detected based on the fact that the reconstruction error RE (t) has exceeded the management limit L.
  • the control limit L is such that, for a certain patient i, the error of a predetermined ratio, which is the majority of a plurality of errors included in the reconstruction error RE (t) time-series data, falls within the control limit L, but other than the predetermined ratio. Are set to exceed the control limit L.
  • the predetermined ratio is 99%. That is, the control limit L is set so that 99% of a plurality of errors included in the time-series data is determined to be normal. In FIG. 7, only a very small portion (corresponding to 1%) of the reconstruction error RE (t) included in the time-series data exceeds the management limit L.
  • the HRV index data 72 given to the auto-encoder AE is generated from the electrocardiogram signal of the patient i during the interictal period
  • the HRV index at the time t exceeding the control limit L is also normally normal.
  • the error at the time point t is regarded as abnormal.
  • control limit L If the control limit L is to be set so that all of the plurality of errors included in the time-series data are considered to be normal, it should be set above the control limit L shown in FIG. However, since there is no guide as to how much the upper limit should be set, it is difficult to appropriately set the control limit L. On the other hand, in the present embodiment, it is easy to set a clear and unified management limit L.
  • the setting of the management limit L as described above is performed for each patient i, and the management limit L for each patient i is stored in the storage device 70 as a part of the data constituting the epileptic seizure prediction model 73.
  • the epileptic seizure prediction model 73 of the patient i is composed of the learned auto-encoder AE and the management limit L of the patient i.
  • the processing unit 60 can execute a management limit adjustment process 62 (see FIG. 4) for adjusting (changing) the management limit L set as described above.
  • a management limit adjustment process 62 for example, an expert such as a doctor refers to the set management limit L via a network, and sets the set management limit (default value) L suitable for each patient i. This is a process that allows an operation of fine adjustment to a value.
  • the control limit adjustment process 62 includes, for example, a process of outputting a set control limit (default value) L to a terminal used by a specialist such as a doctor, and a process of setting a terminal used by a specialist such as a doctor. Receiving the operation of adjusting the adjusted management limit (default value) L, and storing the adjusted management limit L in the storage device 70.
  • the control limit adjustment process 62 may also be used to set a control limit L for epileptic patients j other than the multiple (I) epileptic patients used in the procedure of FIG.
  • the average value of the management limits L of a plurality of (I) epilepsy patients is set as the value of the general-purpose management limit L, and the general-purpose management limit L is determined by a specialist such as a doctor by the patient j.
  • the control limit adjustment processing 62 may be used to adjust the value to a value corresponding to.
  • the data constituting the epileptic seizure prediction model 73 of the patient i is transferred from the construction device 51 to the prediction device 1 having the patient i as a subject, and stored in the storage device 20 of the prediction device 1 for the patient (subject) i. Is stored as data constituting the epileptic seizure prediction model 22 (see FIG. 3).
  • the migration of the data constituting the model 73 to the prediction apparatus 1 is performed, for example, in order to newly acquire or update the epileptic seizure prediction computer program 21, the data constituting the model 22 is transmitted to the computer constituting the prediction apparatus 1. This is done by being downloaded as part.
  • the processing unit 10 of the prediction device 1 can read out data constituting the epileptic seizure prediction model 22 from the storage device 20 and cause the epileptic seizure prediction model 22 to function.
  • the data transferred to the prediction device 1 includes the management limit L, but may not include the data constituting the auto encoder AE.
  • the data constituting the auto-encoder AE may be held by the construction device 51 or an external device such as a server computer that provides a service for epilepsy prediction.
  • the processing unit 10 of the prediction device 1 can execute the management limit adjustment process 13 in the epileptic seizure prediction model 22 set in the storage device 20 (see FIG. 3).
  • the management limit adjustment process 13 enables, for example, an expert such as a doctor or a user to refer to the management limit L set in the storage device 20 and adjust the set management limit (default value) L. Processing.
  • the control limit adjustment process 13 in the prediction device 1 may also be used by a specialist such as a doctor to adjust the general-purpose control limit L set in the storage device 20 to a value according to the patient j.
  • FIG. 8 shows a seizure prediction process 12 by the prediction device 1 equipped with the epileptic seizure prediction model 22.
  • the seizure detection loop (from step S22-1 to step S22-2) is repeatedly executed.
  • the duration ⁇ [0] is set to zero, and the state C [0] is set to N.
  • the duration ⁇ is a variable indicating the duration of the state where the reconstruction error RE (t) exceeds or does not exceed the management limit L.
  • the state C takes a value of P or N, where P indicates Positive (peri-sounding period) and N indicates Negative (intermittent seizure period).
  • the prediction device 1 receives the R-wave data from the heart rate measuring device 2 and stores the data in the storage device 20.
  • seizure prediction process 12 seizure prediction is performed based on the received R-wave data.
  • t is a counter value, the initial value is zero, and is incremented each time the loop is repeated.
  • the t-th RRI data y [t] of the subject (user of the prediction device 1) is calculated from the received R-wave data (step S23).
  • a t-th HRV index x 0 [t] is obtained from the RRI data y [t] (step S24).
  • the HRV index x 0 [t] is composed of eight HRV indices (meanNN, SDNN, RMSSD, NN50, TotalPower, LF / HF, LFnu, HFnu) as in the case of model construction. Become.
  • preprocessing is performed on the HRV index x 0 [t] to obtain a post-preprocessing HRV index x [t] (step S25).
  • the pre-processing is the same processing as the standardization in step S13 shown in FIG.
  • the preprocessed HRV index x [t] is given as input data to the input layer of the auto-encoder AE that forms the epileptic seizure prediction model 22. From the output layer of the auto encoder AE, reconstructed data of x [t] is output as output data.
  • the output data is composed of eight HRV indices (meanNN, SDNN, RMSSD, NN50, TotalPower, LF / HF, LFnu, HFnu), like the input data.
  • the post-processing is performed, post-processing output data x R [t] is obtained.
  • reconstruction error RE [t] is calculated from the input data x 0 [t] and the output data x R [t] (step S26).
  • reconstruction error RE [t] is the input data x0 [t] and the output data x R [t] vector indicating the difference between (reconstruction error of MeanNN, reconstruction error of SDNN, reconstruction of RMSSD Error, reconstruction error of NN50, reconstruction error of TotalPower, reconstruction error of LF / HF, reconstruction error of LFnu, reconstruction error of HFnu).
  • step S30 detection processing for detecting a seizure peripheral period is performed based on the reconstruction error RE.
  • P detection limit
  • step S30 if the reconstruction error RE continuously exceeds the management limit L for Th [s] (YES in step S30), it is determined to be P (seizure peripheral period). That is, a sign of an epileptic seizure is detected.
  • step S30 if the reconstruction error RE is continuously lower than the control limit L for Th [s] (YES in step S30), it is determined that N (intermittent attack period).
  • Th was set to 10 seconds.
  • the state where the reconstruction error RE exceeds or falls below the management limit L without immediately changing the state C is Th [s]. If the continuation is continued, the state C is changed (reversed: step S31), so that erroneous detection due to an instantaneous change in the reconstruction error RE can be prevented.
  • 99% of the reconstruction error RE during the interictal period is normal, but in the remaining 1%, the reconstruction error RE may exceed the management limit L even during the interictal period. .
  • the reconstruction error RE needs to continuously exceed the control limit L for a predetermined time for detecting the seizure peripheral period, it is assumed that the reconstruction error RE equivalent to 1% occurs. This is also prevented from being erroneously detected as a seizure peripheral period.
  • a notification process is performed to notify that the subject is in the seizure peripheral period (step S33).
  • the notification can adopt various forms such as sound, character display, and light.
  • the notification may be made from the device that has executed the seizure prediction process 12, or may be made from, for example, a device different from the device that has performed the prediction process 12.
  • the seizure prediction process 12 is executed by the subject P's smartphone, and the notification may be made from a wearable terminal such as the subject P's smart watch.
  • learning of the auto encoder AE and setting of the management limit L are performed using HRV index data generated from electrocardiographic signals of a subject who is a user of the prediction device 1.
  • HRV index data generated from the electrocardiogram signal of the subject who is the user of the prediction device 1 it is not necessary to use the HRV index data generated from the electrocardiogram signal of the subject who is the user of the prediction device 1 when constructing the model.
  • the subject is generated from the electrocardiographic signal of the subject. Building a model using HRV index data is practically difficult. Therefore, for example, when the subject starts using the prediction device 1, the prediction device 1 stores a model 22 generated from data of a plurality of other epilepsy patients. 1 can begin to be used. Then, during use of the prediction device 1, an electrocardiographic signal (or R-wave data) of the subject is transmitted to the model construction device 51 via the network.
  • the model construction device 51 executes a model construction process 61 from HRV index data (HRV index data during interictal periods) of a plurality of epilepsy patients to which subjects have been added.
  • the data constituting the new epileptic seizure prediction model 73 thus generated is transmitted to the prediction device 1 via a network.
  • the prediction device 1 can store data constituting a new epileptic seizure prediction model in the storage device 20 and use it for the epileptic seizure prediction process 12.
  • the epileptic seizure prediction model can be updated as the number of users of the prediction device 1 increases.
  • the data constituting the new epileptic seizure prediction model 73 may be transmitted to another subject's prediction device 1 for updating.
  • FIG. 9A, 9B, and 9C show the results of a seizure prediction experiment using the prediction device 1 of the embodiment.
  • a logistic sigmoid function was used as a transfer function of the encoder.
  • FIG. 9A shows the experimental results of sensitivity.
  • the horizontal axis indicates the number of units in the hidden layer, and the vertical axis indicates sensitivity.
  • the prediction device 1 has generally good sensitivity, and particularly when the number of units in the hidden layer is 5, a good result of about 80% is obtained.
  • FIG. 9B shows the experimental result of false positive rate (False Positive rate).
  • the horizontal axis indicates the number of units in the hidden layer, and the vertical axis indicates the false positive rate.
  • the false positive rate indicates the number of times of false detection, that is, the number of times of false detection during the interictal period (per hour). As shown in FIG. 9B, the false positive rate is generally low, and particularly when the number of units in the hidden layer is 5, a favorable result of about 0.7 is obtained.
  • FIG. 9C shows the results of an experiment on the proportion of time (proportion of duration under false alarms) that is falsely detected as a peri-arrival period in the intermittent seizure period for verification.
  • the horizontal axis indicates the number of units in the hidden layer
  • the vertical axis indicates the proportion of time (proportion of duration under false alarms) in which the seizure peripheral period is incorrectly detected in the intermittent seizure period for verification.
  • the ratio of the time in which the intermittent seizure period for verification is erroneously detected as the seizure peripheral period is generally low, and particularly, when the number of units in the hidden layer is 5, about 0.02%. Good results have been obtained.
  • Epileptic seizure prediction device 2 Heart rate measuring device 10: Processing unit 12: Seizure prediction process 13: Control limit adjustment process 20: Storage device 21: Computer program 21A: Electrode 22: Epilepsy seizure prediction model 30: Communication unit 51: Epilepsy Seizure prediction model construction device 60: Processing unit 61: Model construction process 62: Management limit adjustment process 70: Storage device 71: Computer program 72: HRV index data 73: Epileptic seizure prediction model 100: System

Landscapes

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

Abstract

開示は、発作予測処理（１２）を実行するてんかん発作予測装置（１）に関する。前記発作予測処理（１２）は、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダ（ＡＥ）に対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、前記被検者の前記入力データと前記出力データとの誤差を算出する処理と、前記誤差が、てんかんの発作間欠期である場合に収まるべき管理限界を超えたか否かに基づいて、前記被検者のてんかん発作の兆候を検出する検出処理と、を含む。

Description

てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム
　本開示は、てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラムに関する。
　従来、被検者について計測した心拍パターンからてんかん発作の兆候を予測する装置が提案されている（例えば、特許文献１参照）。特許文献１では、てんかん発作を予測するものとして知られている心拍パターンを記憶しておき、記憶した心拍パターンと計測して得た心拍パターンとの比較結果に基づいててんかん性発作の兆候を検知する。
特表２００９－５１９８０３号公報 特許第６３４４９１２号公報
　しかしながら、実際には、てんかん発作を予測する心拍パターンは知られていない。また、上記特許文献に記載された技術では、てんかん発作を予測する心拍パターンを示すデータが必須となる。しかも、被検者の心拍データ計測中にてんかん発作が起きる頻度は少なく、てんかん発作を予測する心拍パターン（てんかん発作の兆候を示す心拍パターン）を取得することは困難であるという実態がある。
　ここで、特許文献２は、発作兆候検知モデルに基づいて、てんかん発作の兆候を識別することを開示している。特許文献２の発作兆候検知モデルは、心拍に関する前記複数種類の指標それぞれについての指標値を示す複数の第２指標データについて主成分分析を行うことにより生成されている。
　特許文献２の発作兆候検知モデルは、発作間欠期における心電信号から生成されたサンプルデータに基づいて生成されており、てんかん発作の兆候が表れているデータが不要となっている。特許文献２の発明者の一人を含む本発明者らは、特許文献２に開示の方式とは異なるアプローチにより、てんかん発作の兆候が表れているデータを非必須化できる新たな手法を見出した。
　本開示における、ある態様は、発作予測処理を実行するてんかん発作予測装置であって、前記発作予測処理は、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、前記被検者の前記入力データと前記出力データとの誤差を算出する処理と、前記誤差が、てんかんの発作間欠期である場合に収まるべき管理限界を超えたか否かに基づいて、前記被検者のてんかん発作の兆候を検出する検出処理と、を含むてんかん発作予測装置である。
　本開示における他の態様は、被検者の心電信号から生成された心電指標データを分析するためにコンピュータが実行する方法である。
　本開示における他の態様は、コンピュータに発作予測処理を実行させるコンピュータプログラムである。
　本開示における他の態様は、てんかん発作予測のためのモデル構築処理を実行するモデル構築装置であって、前記モデル構築処理は、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、前記入力データと前記出力データとの誤差を算出する算出処理と、前記誤差に基づいて、前記被検者がてんかんの発作間欠期である場合に収まるべき管理限界を設定する設定処理と、を含むモデル構築装置である。
　本開示における他の態様は、てんかん発作予測のためのモデルを構築する方法である。
　本開示における他の態様は、コンピュータにモデル構築処理を実行させるコンピュータプログラムである。
　更なる詳細は、後述の実施形態として説明される。
図１は、てんかん発作予測装置を備えるシステム１００の構成図である。 図２、（ａ）は心電信号の一例を示す。図２（ｂ）は、Ｒ波データを示す。 図３は、てんかん発作予測装置の構成図である。 図４は、てんかん発作予測モデル構築装置の構成図である。 図５は、オートエンコーダの説明図である。 図６は、モデル構築処理のフローチャートである。 図７は、管理限界の設定の説明図である。 図８は、発作予測処理のフローチャートである。 図９は、発作予測実験結果を示す図である。
　＜１．てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラムの概要＞
　（１）実施形態に係るてんかん発作予測装置は、発作予測処理を実行する。前記発作予測処理では、オートエンコーダが用いられる。オートエンコーダは、入力データである学習用データから、入力データ（学習用データ）と等しいデータを再構築し、再構築データとして出力するよう学習させるニューラルネットワークである。実施形態においては、オートエンコーダは、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたものである。てんかん患者の数は、１又は複数である。学習用心電指標データは、てんかん発作の兆候が表れているデータを含む必要はなく、発作間欠期におけるデータであれば足りる。したがって、学習用心電指標データの取得は容易である。
　てんかん発作が起きる頻度は少ないため、てんかん患者の心電信号から生成された学習用心電指標データは、必然的に、発作間欠期のみのデータ又は主に発作間欠期におけるデータとなる。このようなデータによって学習されたオートエンコーダは、発作間欠期の入力データからは、精度よく出力データを再構築できる一方、てんかん発作の兆候が表れると入力データと出力データとの誤差（再構築誤差）が大きくなる。これを利用し、実施形態の発作予測処理は、前記オートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理を含む。前記発作予測処理は、さらに、前記被検者の前記入力データと前記出力データとの誤差を算出する処理と、前記誤差が、てんかんの発作間欠期である場合に収まるべき管理限界を超えたか否かに基づいて、前記被検者のてんかん発作の兆候を検出する検出処理と、を含む。これらの処理によれば、被検者の前記入力データと前記出力データとの誤差が大きくなって管理限界を超えると、てんかん発作の兆候を検出することができる。
　実施形態の発作予測処理によれば、てんかん発作の兆候が表れているデータを非必須化しても、てんかん発作の兆候を検出することができる。
　なお、オートエンコーダは、てんかん発作予測装置が備えていてもよいし、てんかん発作予測装置以外の装置（例えば、インターネット上のサーバコンピュータ）が備えていてもよい。この場合、てんかん発作予測装置とオートエンコーダとして機能する装置（サーバコンピュータ等）とは、ネットワークを介して通信可能に接続される。てんかん発作予測装置は、入力データを、ネットワークを介して、てんかん発作予測装置からオートエンコーダに与えられる。また、てんかん発作予測装置は、出力データを、ネットワークを介してオートエンコーダから、取得する。すなわち、前記発作予測処理において、出力データを取得する前記処理は、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして、ネットワークを介して、与えて、前記入力データの再構築データである出力データを、前記ネットワークを介して前記オートエンコーダから、取得する処理であってもよい。
（２）前記学習用心電指標データは、前記てんかん患者の発作間欠期の心電信号から生成されたものであるのが好ましい。この場合、てんかん発作の兆候が表れているデータが不要であるため有利である。また、被検者の心電指標データも、被検者の発作間欠期の心電信号から生成されたもので足りる。
（３）前記検出処理において、前記被検者のてんかん発作の兆候は、前記誤差が前記管理限界を所定時間連続して超えた場合に検出されるのが好ましい。この場合、瞬間的な誤差の増大による誤検出を抑制することができる。
（４）前記心電指標データは、被検者の心電信号から生成されたＲＲＩ（R-R Interval）から算出されるのが好ましい。
（５）前記学習用心電指標データは、複数のてんかん患者の心電信号から生成されたものであるのが好ましい。また、前記複数のてんかん患者は、前記被検者及び前記被検者以外のてんかん患者を含むのが好ましい。
（６）記憶装置に予め記憶された管理限界を調整するための調整処理を更に実行するよう構成されていてもよい。この場合、被検者に応じて、医師又はユーザが管理限界を調整することができる。
（７）実施形態に係る心電指標データの分析方法は、被検者の心電信号から生成された心電指標データを分析するためにコンピュータが実行する方法である。前記方法は、前記コンピュータが、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得し、前記被検者の前記入力データと前記出力データとの誤差を算出し、前記誤差が、てんかんの発作間欠期である場合に収まるべき管理限界を超えたか否かを判定することを含む。
（８）実施形態に係る発作予測コンピュータプログラムは、コンピュータに発作予測処理を実行させるコンピュータプログラムである。前記発作予測処理は、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、前記被検者の前記入力データと前記出力データとの誤差を算出する処理と、前記誤差が、てんかんの発作間欠期である場合に収まるべき管理限界を超えたか否かに基づいて、前記被検者のてんかん発作の兆候を検出する検出処理と、を含む。コンピュータプログラムは、コンピュータ読み取り可能な記憶媒体に格納される。
（９）実施形態に係るモデル構築装置は、てんかん発作予測のためのモデル構築処理を実行する。前記モデル構築処理は、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、前記入力データと前記出力データとの誤差を算出する算出処理と、前記誤差に基づいて、前記被検者がてんかんの発作間欠期である場合に収まるべき管理限界を設定する設定処理と、を含む。
（１０）前記設定処理において、前記管理限界は、前記算出処理により算出された複数の前記誤差のうちの大部分である所定割合の誤差が前記管理限界に収まり、複数の前記誤差のうちの残りが管理限界を超えるように設定されるのが好ましい。前記学習用心電指標データが、前記てんかん患者の発作間欠期の心電信号から生成されている場合には、算出された複数の誤差は、全て発作間欠期において生じる誤差である。これら複数の誤差全てが発作間欠期となるように管理限界を設定しようとすると、管理限界の適切な設定が困難となる。これに対して、実施形態においては、複数の前記誤差のうちの大部分である所定割合の誤差が前記管理限界に収まり、複数の前記誤差のうちの残りが管理限界を超えるように設定すればよいため、管理限界を容易に設定することができる。
（１１）前記大部分である前記所定割合は、例えば、９０％以上１００％未満の範囲内の割合であるのが好ましい。前記所定割合の下限は、９５％以上であるのがより好ましく、９８％以上であるのがさらに好ましい。
（１２）実施形態に係るモデル構築方法は、てんかん発作予測のためのモデルを構築する方法である。方法は、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得し、前記入力データと前記出力データとの誤差を算出し、前記誤差に基づいて、前記被検者がてんかんの発作間欠期である場合に収まるべき管理限界を設定することを含む。
（１３）実施形態に係るモデル構築コンピュータプログラムは、コンピュータにモデル構築処理を実行させる。前記モデル構築処理は、てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、前記入力データと前記出力データとの誤差を算出する算出処理と、前記誤差に基づいて、前記被検者がてんかんの発作間欠期である場合に収まるべき管理限界を設定する設定処理と、を含む。
　＜２．てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラムの例＞
　図１は、実施形態に係るてんかん発作予測装置１を備えるシステム１００の構成の概略を示す図である。システム１００は、てんかん発作予測装置１（以下、「予測装置１」という）と心拍計測器２とを含む。予測装置１と心拍計測器２とは互いに通信可能である。通信は、無線通信であってもよいし、有線通信であってもよい。
　心拍計測器２は、被検者Ｐの身体に取り付けられ、被検者Ｐの心拍を計測するための小型軽量なウェアラブル端末である。心拍計測器２には、被検者Ｐの体表に取り付けられる複数（図１では３つ）の電極２１Ａが接続されている。３つの電極２１Ａは、たとえばプラス電極、マイナス電極、及び、接地電極である。なお、心拍計測器２として機能するウェアラブル端末としては、例えば、心拍計測機能を有するスマートウォッチがあげられる。なお、ウェアラブル端末自体が、予測装置１及び心拍計測器２として機能してもよい。
　図２（ａ）は、心電信号の一例を示す図である。図２（ａ）の縦軸は電位、横軸は時間を示している。電極２１Ａを用いて心拍を計測すると、図２（ａ）に示すようなＰ～Ｔ波からなる電位変化が周期的に現れる。単位周期の電位変化の中で最も電位の高いピークをＲ波といい、Ｒ波のタイミングで心臓が拍動する。心拍計測器２は、Ｒ波を示すＲ波データを予測装置１に送信する。
　図２（ｂ）は、図２（ａ）の心電信号に対応するＲ波データを示す。図２（ｂ）に示すように、Ｒ波データは、心電信号におけるＲ波に対応する期間（信号強度Ｉが所定の強度閾値Ｉｔｈを超える期間）が「１」に設定され、それ以外の期間が「０」に設定された矩形パルス列を表すデータである。Ｒ波の間隔をＲＲＩ（R-R Interval）という。
　予測装置１は、心拍計測器２から送信されたＲ波データを受信し、被検者Ｐのてんかん発作の兆候を検出することで、てんかん発作を予測する。図３に示すように、予測装置１は、処理部１０及び記憶装置２０を備えるコンピュータによって構成される。処理部１０は、例えば、ＣＰＵである。予測装置１は、心拍計測器２との間で通信するための通信部３０をも備える。通信部３０は、Bluetooth（登録商標）などの近距離無線通信のための通信機構であってもよいし、無線ＬＡＮのための通信機構であってもよい。
　予測装置１を構成するコンピュータは、例えば、スマートフォン、タブレットなどのモバイル端末であるのが好ましい。この場合、被検者Ｐが保有するモバイル端末を予測装置１として活用でき好ましい。また、モバイル端末であれば、てんかん発作の予兆検知を被検者Ｐへ報知する場合にも、モバイル端末の報知機能（音、光、文字の出力機能）を活用でき好ましい。なお、モバイル端末は、スマートウォッチなどのウェアラブルデバイスであってもよい。予測装置１を構成するコンピュータは、複数であってもよい。例えば、予測装置１は、複数台のモバイル端末の連携によって構成されてもよい。複数台のモバイル端末は、例えば、スマートフォンとスマートウォッチである。
　また、予測装置１を構成するコンピュータは、インターネット等のネットワーク上のサーバコンピュータであってもよい。この場合、被検者Ｐの心拍計測器２から送信されたＲ波データは、インターネット等のネットワークを介して、サーバコンピュータに送信される。サーバコンピュータが、てんかん発作の予兆を検知した場合には、ネットワークを介して、被検者Ｐの端末（モバイル端末等）へ報知すればよい。
　予測装置１の記憶装置２０には、てんかん発作予測処理１２を処理部１０に実行させるためのコンピュータプログラム２１が記憶されている。処理部１０が、コンピュータプログラム２１を実行することで、コンピュータは、予測装置１として機能する。なお、コンピュータプログラム２１は、後述の管理限界調整処理１３も、処理部１０に実行させることができる。
　予測装置１の記憶装置２０には、てんかん発作予測処理１２に用いられるてんかん発作予測モデル２２を構成するためのデータが記憶されている。実施形態において、発作予測モデル２２を構成するためのデータは、処理部６０を学習済みオートエンコーダＡＥとして機能させるためのパラメータを含む。オートエンコーダＡＥとして機能させるためのパラメータは、ニューラルネットワークにおけるパラメータであって、ニューラルネットワークにおける各ユニット間の重み、各ユニットのバイアス、活性化関数などを含む。重み等のパラメータは、学習により最適化されている。実施形態のモデル２２は、管理限界Ｌも含む。管理限界Ｌについては、後述する。
　なお、予測装置１は、それ自体が、オートエンコーダＡＥを備えていなくてもよく、予測装置１と通信可能である外部の装置がオートエンコーダＡＥを備えていてもよい。例えば、コンピュータプログラム提供サーバからインターネットを介してダウンロードされたコンピュータプログラム２１が、被検者Ｐが保有するモバイル端末に、インストールされることで、予測装置１が構築される場合を想定する。この場合において、ダウンロードされたコンピュータプログラム２１は、被検者Ｐが保有するモバイル端末をオートエンコーダＡＥとして機能させるためのデータ（パラメータ）を有している必要はない。オートエンコーダＡＥは、インターネット等のネットワーク上のサーバコンピュータ上に構築されたものでよい。オートエンコーダＡＥの規模が大きくなった場合、演算負荷が大きくなり、被検者Ｐが保有する端末では十分な処理能力が得られないおそれがある。これに対して、サーバコンピュータ等の外部装置であれば、オートエンコーダＡＥの実行に必要な高い処理能力を確保することが容易である。
　図４は、てんかん発作予測モデル構築装置５１（以下、「構築装置５１」という）を示している。構築装置５１は、てんかん発作予測のためのモデル構築処理６１を実行する。モデル構築処理６１により構築されたてんかん発作予測モデル７３を構成するデータは、予測装置１の記憶装置２０に、保存され、予測装置１における予測モデル２２として機能する。
　構築装置５１は、処理部６０及び記憶装置７０を備えるコンピュータによって構成される。処理部６０は、例えば、ＣＰＵである。構築装置５１は、例えば、インターネット等のネットワーク上のサーバコンピュータである。構築装置５１の記憶装置７０には、モデル構築処理６１を処理部６０に実行させるためのコンピュータプログラム７１が記憶されている。処理部６０が、コンピュータプログラム７１を実行することで、コンピュータは、構築装置５１として機能する。なお、コンピュータプログラム７１は、後述の管理限界調整処理６２も、処理部６０に実行させることができる。
　構築装置５１と予測装置１とは、同じコンピュータ（例えば、ネットワーク上のサーバコンピュータ）によって構成されてもよいが、構築装置５１と予測装置１とが異なるコンピュータによって構成されるのが好ましい。後者の場合（例えば、構築装置５１がサーバコンピュータであり、予測装置１がモバイル端末である場合）、発作予測モデルを構成するデータは、構築装置５１から予測装置１に送信される。発作予測モデルを構成するデータは、構築装置５１から、一旦、データ送信用サーバに保存され、データ送信用サーバから、予測装置１に送信されてもよい。また、構築装置５１が、予測装置１によって用いられるオートエンコーダＡＥとして機能してもよい。
　構築装置５１のモデル構築処理６１では、まず、てんかん発作予測に用いられるオートエンコーダＡＥの学習が行われる。図５に示すオートエンコーダＡＥは、入力層、隠れ層、及び出力層を有する。図５に示すオートエンコーダＡＥは、一例として、入力層に８個のユニットＮ１１，Ｎ１２，Ｎ１３，Ｎ１４，Ｎ１５，Ｎ１６，Ｎ１７，Ｎ１８を有し、出力層に８個のユニットＮ２１，Ｎ２２，Ｎ２３，Ｎ２４，Ｎ２５，Ｎ２６，Ｎ２７，Ｎ２８を有する。すなわち、図５のオートエンコーダＡＥの入力変数及び出力変数の数は、それぞれ８である。図５において、隠れ層の数は１であるが、隠れ層の数は１に限られず、適宜決定できる。
　なお、オートエンコーダの符号化器の伝達関数には、例えば、ロジスティックシグモイド伝達関数、正の飽和線形伝達関数、正規化線形ユニット、又は双曲線正接シグモイド伝達関数を採用できる。復号化器の伝達関数には、例えば、線形伝達関数を採用できる。本発明者らの実験によれば、実施形態のてんかん発作予測においては、符号化器の伝達関数としては、ロジスティックシグモイド伝達関数であるのが好ましい。
　実施形態において、学習用入力データとして、オートエンコーダＡＥに与えられる８個の変数は、心拍変動(Heart Rate Variability;ＨＲＶ)に関する８個の指標（ＨＲＶ指標）である。実施形態においては、８個のＨＲＶ指標として、以下のものが採用されている。
１）ｍｅａｎＮＮ：ＲＲＩの平均値
２）ＳＤＮＮ：ＲＲＩの標準偏差
３）ＲＭＳＳＤ：隣接するＲＲＩの差の２乗平均平方根
４）ＮＮ５０：隣接するＲＲＩの差が５０ｍｓを超えた回数
５）ＴｏｔａｌＰｏｗｅｒ：ＲＲＩの分散
６）ＬＦ／ＨＦ：ＨＦに対するＬＦの比
７）ＬＦｎｕ：ＬＦ／ＴｏｔａｌＰｏｗｅｒ
８）ＨＦｎｕ：ＨＦ／ＴｏｔａｌＰｏｗｅｒ
　なお、ＨＦは、ＲＲＩの時系列データのパワースペクトル密度（ＰＳＤ）の高周波（０．１５～０．４０Ｈｚ）のパワーである。ＬＦは、ＰＳＤの低周波（０．０４～０．１５Ｈｚ）のパワーである。
　上記の８個のＨＲＶ指標のうち、１）から５）は時間領域指標であり、６）から８）は周波数領域指標である。時間領域指標は、ＲＲＩの時系列データ（ＲＲＩデータ）から直接算出される。周波数領域指標は、ＲＲＩデータのＰＳＤから算出される。なお、ＲＲＩデータは等間隔にサンプリングされていないため、ＰＳＤを得るためにサンプリングする必要がある。ＰＳＤはリサンプリング後のＲＲＩデータより自己回帰(ＡＲ：Auto Regression）モデル又はＦｏｕｒｉｅｒ変換を用いて算出される。
　構築装置５１の記憶装置７０には、複数（Ｉ人：Ｉは２以上の整数）のてんかん患者の心電指標データであるＨＲＶ指標データ７２が記憶されている。患者ｉ毎（ｉは１からＩまでの整数）のＨＲＶ指標データ７２は、上記の８個のＨＲＶ指標を含む。８個のＨＲＶ指標は、それぞれ時系列データであるため、患者ｉ毎（ｉは１からＩまでの整数）のＨＲＶ指標データは、８個の時系列データの集合となっている。
　実施形態において、ＨＲＶ指標データ７２は、複数のてんかん患者それぞれの発作間欠期の心電信号から生成されている。発作間欠期の心電信号は取得が容易であり好適である。てんかん発作の兆候が表れているときの心電信号が入手可能であれば、ＨＲＶ指標データ７２は、てんかん発作の兆候が表れているときの心電信号と発作間欠期の心電信号とから生成されていてもよい。
　オートエンコーダＡＥの学習に用いられる複数（Ｉ人）のてんかん患者のＨＲＶ指標データ７２は、予測装置１のユーザである被検者のＨＲＶ指標データを含んでいてもよいし、含んでいなくてもよい。複数のてんかん患者のデータ７２が、被検者のデータを含んでいる場合、被検者の特性が反映されたより適切な学習が可能である。
　オートエンコーダＡＥの学習のため、複数のてんかん患者のＨＲＶ指標データ７２に含まれる８個のＨＲＶ指標時系列データは、標準化され、学習用心電指標データとして、オートエンコーダＡＥの入力層に与えられる。例えば、複数のてんかん患者のｍｅａｎＮＮ時系列データが、ユニットＮ１１に与えられる。以下同様に、ＳＤＮＮ時系列データがユニットＮ１２に、ＲＭＳＳＤ時系列データがユニットＮ１３に、ＮＮ５０時系列データがユニットＮ１４に、ＴｏｔａｌＰｏｗｅｒ時系列データがユニットＮ１５に、ＬＦ／ＨＦ時系列データがユニットＮ１６に、ＬＦｎｕ時系列データがユニットＮ１７に、ＨＦｎｕ時系列データがＮ１８に与えられる。なお、ＨＲＶ指標データ７２を学習用心電指標データとしてオートエンコーダＡＥに与える方法は、後述のモデル構築処理６１の際に、管理限界Ｌを設定するために、ＨＲＶ指標データ７２をオートエンコーダＡＥに与える方法と同様であり、詳細は、後述する。
　オートエンコーダＡＥの学習においては、オートエンコーダＡＥの入力層に入力された入力データが、隠れ層によって次元圧縮され、入力データと等しいデータを再構築して、出力層から出力するよう学習がなされる。したがって、学習済みのオートエンコーダＡＥにおいては、入力されたｍｅａｎＮＮを再構築した出力データが出力層のユニットＮ２１から出力される。同様に、ユニットＮ２２からはＳＤＮＮを再構築した出力データが出力され，ユニットＮ２３からはＲＭＳＳＤを再構築した出力データが出力され、ユニットＮ２４からはＮＮ５０を再構築した出力データが出力され、ユニットＮ２５からはＴｏｔａｌＰｏｗｅｒを再構築した出力データが出力され、ユニットＮ２６からはＬＦ／ＨＦを再構築した出力データが出力され、ユニットＮ２７からはＬＦｎｕを再構築した出力データが出力され、ユニットＮ２８からはＨＦｎｕを再構築した出力データが出力される。なお、学習エポック数は特に限定されないが、例えば、２００回から３０００回程度にすることができる。
　学習済みオートエンコーダＡＥのパラメータは、発作予測モデル７３を構成するためのデータの一部として、記憶装置７０に記憶される。
　続いて、学習済みオートエンコーダＡＥを用いて、管理限界Ｌの設定が行われる。図６は、モデル構築処理６１における管理限界Ｌの設定のための手順を示している。まず、ステップＳ１１において、処理部６０は、複数人（Ｉ人）のてんかん患者ｉそれぞれのＨＲＶ指標データ（心電指標データ）７２を、記憶装置７０から読み出す。読み出されたＨＲＶ指標データ７２が、オートエンコーダＡＥへの入力データとなる。以下では、各患者ｉのＨＲＶ指標データ７２を、ＨＲＶ指標行列Ｘ0 [i]として扱う。ＨＲＶ指標行列Ｘ0 [i]は、患者ｉについての８個のＨＲＶ指標時系列データそれぞれを行列の要素として有する。
　続いて、ステップＳ１２において、複数のてんかん患者ｉ全員のＨＲＶ指標行列Ｘ0 [i]が、一つの行列Ｘ0に統合され、ステップＳ１３において、各ＨＲＶ指標が、平均０分散１を持つように、行列Ｘ0が標準化される（標準化入力データである行列Ｘの生成）。図５には、複数人分が統合された標準化入力データＸが示されている。なお、複数人（Ｉ人）分の統合は、１番目のてんかん患者（第１患者）の時系列データの後に、２番目のてんかん患者（第２患者）の時系列データを繋げ、以下同様に、Ｉ番目のてんかん患者（第Ｉ患者）まで、Ｉ人分の時系列データを繋げたものである。
　なお、各患者ｉのＨＲＶ指標時系列データの時間長さを、Ｔi［ｓ］とした場合、統合された標準化入力データにおいて、各ＨＲＶ指標時系列データの時間長さＴは、Ｔ＝Σi=1 I(Ｔｉ)［ｓ］となる。標準化入力データは、離散時間ｔ（ｔは０からＴまでの値）毎の値が、順次、オートエンコーダＡＥに与えられる。ここで、行列Ｘとして表される標準化入力データにおいては、行列Ｘの同一行に含まれる８個の要素が、（同一人の）同一の時間ｔにおける８個のＨＲＶ指標の値を示すものとする。
　ある時間ｔの８個のＨＲＶ指標の値が入力データとしてオートエンコーダＡＥに与えられると、オートエンコーダＡＥは、その時間ｔの８個のＨＲＶ指標の値を再構築し、出力データとして出力する。したがって、全時間長さＴ分の標準化入力データ（行列Ｘ）が、オートエンコーダＡＥに与えられると、オートエンコーダＡＥは、時間長さＴ分の出力データ、すなわち、行列Ｘと同じ行列サイズの行列Ｘnormを出力データとして出力することになる（ステップＳ１４）。
　処理部６０は、出力データＸnormを非標準化し、非標準化出力データＸRを得る（ステップＳ１５）。非標準化は、ステップＳ１３の標準化と逆の処理である。
　続いて、処理部６０は、Ｘ0－ＸRを計算し、各てんかん患者ｉの時間ｔ毎の再構築誤差ＲＥ（ｔ）を算出する（ステップＳ１６）。再構築誤差ＲＥ（ｔ）は、時間ｔにおける入力データと出力データとの誤差である。
　入力データと出力データとの誤差は、ＨＲＶ指標毎に算出されるが、実施形態においては、再構築誤差ＲＥ（ｔ）は、Ｘ0－ＸRの各行のＬ１ノルムとして算出される。Ｘ0－ＸRの各行は、その行に対応した時間ｔにおける（ｍｅａｎＮＮの再構築誤差，ＳＤＮＮの再構築誤差，ＲＭＳＳＤの再構築誤差，ＮＮ５０の再構築誤差，ＴｏｔａｌＰｏｗｅｒの再構築誤差，ＬＦ／ＨＦの再構築誤差，ＬＦｎｕの再構築誤差，ＨＦｎｕの再構築誤差）を示している。Ｘ0－ＸRのある行（時間ｔに対応）が、例えば、（－１，－２，－３，－４，４，３，２，１）であれば、Ｌ１ノルムは、２０である。したがって、時間ｔにおける再構築誤差ＲＥ（ｔ）は、２０である。
　また、行列Ｘ0－ＸRにおいて、患者ｉに対応する行は、統合（ステップＳ１２）の操作から既知であるため、各行のＬ１ノルムの算出により、各てんかん患者ｉの時間ｔ毎の再構築誤差ＲＥ（ｔ）が得られる。すなわち、ステップＳ１６により、各てんかん患者ｉの再構築誤差ＲＥ（ｔ）の時系列データが得られる。患者ｉの再構築誤差ＲＥ（ｔ）時系列データは、データ時間幅であるＴｉの時間内において、離散的な複数の誤差を有して構成されている。
　上記のように、実施形態においては、管理限界Ｌは、複数のＨＲＶ指標毎に設定されるのではなく、複数のＨＲＶ指標の誤差（入力データと出力データとの差）から単一の管理限界Ｌが設定される。なお、管理限界Ｌは複数のＨＲＶ指標毎に設定されてもよいが、本発明者らの実験によれば、実施形態のてんかん発作予測においては、管理限界Ｌを複数のＨＲＶ指標毎に設定し、管理限界を超えたＨＲＶ指標が所定数以上になることによって発作兆候を予測するよりも、複数のＨＲＶ指標の誤差から単一の管理限界Ｌを設定するほうが、発作予測精度が良好であった。
　図７は、再構築誤差ＲＥ（ｔ）の時系列データの模式図を示している。処理部６０は、この再構築誤差ＲＥ（ｔ）の時系列データに基づいて、各てんかん患者ｉについての再構築誤差の管理限界Ｌを設定する（ステップＳ１７）。管理限界Ｌは、患者ｉのＨＲＶ指標が正常であると判断するための指標であり、再構築誤差ＲＥ（ｔ）が管理限界Ｌに収まる場合、すなわち、管理限界Ｌ以下である場合、ＨＲＶ指標は正常であると判断される。ここで、正常であるとは、患者ｉが発作間欠期にあることをいう。実施形態では、再構築誤差ＲＥ（ｔ）が管理限界Ｌを超えたことに基づいて、患者ｉのてんかん発作の兆候が検出される。
　管理限界Ｌは、ある患者ｉについて、再構築誤差ＲＥ（ｔ）時系列データに含まれる複数の誤差のうちの大部分である所定割合の誤差が、その管理限界Ｌに収まるが、所定割合以外の残りは管理限界Ｌを超えるように設定される。ここでは、所定割合を９９％とする。すなわち、管理限界Ｌは、時系列データに含まれる複数の誤差のうち、９９％が正常であると判定されるように設定される。図７では、時系列データに含まれる再構築誤差ＲＥ（ｔ）のうちごく一部（１％相当）だけが、管理限界Ｌを超えている。オートエンコーダＡＥに与えられるＨＲＶ指標データ７２が、患者ｉの発作間欠期の心電信号から生成されたものである場合、管理限界Ｌを超えている時点ｔのＨＲＶ指標も、本来、正常であるとみなされるべきものであるが、実施形態では、この時点ｔの誤差を非正常とみなす。
　仮に、時系列データに含まれる複数の誤差の全てが正常であるとみなされるように、管理限界Ｌを設定しようとする場合、図７に示す管理限界Ｌよりも上方に設定されるべきであるが、どの程度上方に設定すべきであるのかの指針が存在しないため、管理限界Ｌの適切な設定が困難になる。これに対して、本実施形態では、明確かつ統一的な管理限界Ｌの設定が容易である。
　上記のような管理限界Ｌの設定は、患者ｉ毎に行われ、患者ｉ毎の管理限界Ｌが、てんかん発作予測モデル７３を構成するデータの一部として、記憶装置７０に記憶される。実施形態では、患者ｉのてんかん発作予測モデル７３は、学習済みオートエンコーダＡＥと患者ｉの管理限界Ｌとから構成される。
　処理部６０は、上記のように設定された管理限界Ｌを調整（変更）するための、管理限界調整処理６２（図４参照）を実行することができる。管理限界調整処理６２は、例えば、医師等の専門家が、ネットワークを介して、設定された管理限界Ｌを参照し、設定された管理限界（デフォルト値）Ｌを、個々の患者ｉに適した値に微調整する操作を可能とする処理である。管理限界調整処理６２は、例えば、医師等の専門家が利用する端末に対して、設定された管理限界（デフォルト値）Ｌを出力させる処理と、医師等の専門家が利用する端末から、設定された管理限界（デフォルト値）Ｌを調整する操作を受け付け、調整された管理限界Ｌを記憶装置７０に保存する処理と、を含む。
　管理限界調整処理６２は、また、図６の手順で用いられた複数（Ｉ人）のてんかん患者以外のてんかん患者ｊのための管理限界Ｌを設定するために用いられてもよい。例えば、複数（Ｉ人）のてんかん患者の管理限界Ｌの平均値を、汎用的な管理限界Ｌの値として設定しておき、汎用的な管理限界Ｌを、医師等の専門家が、患者ｊに応じた値に調整するために管理限界調整処理６２が用いられていてもよい。
　患者ｉのてんかん発作予測モデル７３を構成するデータは、構築装置５１から、患者ｉを被検者とする予測装置１に移行され、予測装置１の記憶装置２０に、患者（被検者）ｉのてんかん発作予測モデル２２を構成するデータとして保存される（図３参照）。モデル７３を構成するデータの予測装置１への移行は、例えば、てんかん発作予測コンピュータプログラム２１の新規入手又はアップデートのため、予測装置１を構成するコンピュータに、モデル２２を構成するデータがプログラム２１の一部としてダウンロードされることで行われる。予測装置１の処理部１０は、記憶装置２０からてんかん発作予測モデル２２を構成するデータを読み出し、てんかん発作予測モデル２２を機能させることができる。なお、患者ｉのてんかん発作予測モデル７３を構成するデータのうち、予測装置１へ移行されるデータは、管理限界Ｌを含むが、オートエンコーダＡＥを構成するデータを含まなくてもよい。この場合、オートエンコーダＡＥを構成するデータは、構築装置５１又はてんかん予測のためのサービスを提供するサーバコンピュータ等の外部装置が保有していればよい。
　予測装置１の処理部１０は、記憶装置２０に設定されたてんかん発作予測モデル２２における管理限界調整処理１３を実行することができる（図３参照）。管理限界調整処理１３は、例えば、医師等の専門家又はユーザが、記憶装置２０に設定された管理限界Ｌを参照し、設定された管理限界（デフォルト値）Ｌを調整する操作を可能とする処理である。
　予測装置１における管理限界調整処理１３も、記憶装置２０に設定された汎用的な管理限界Ｌを、医師等の専門家が、患者ｊに応じた値に調整するために用いられてもよい。
　図８は、てんかん発作予測モデル２２を搭載した予測装置１による発作予測処理１２を示している。発作予測処理１２では、ステップＳ２１の初期設定の後、発作検出ループ（ステップＳ２２－１からステップＳ２２－２まで）が繰り返し実行される。
　初期設定では、継続時間τ［０］がゼロにセットされ、状態Ｃ［０］がＮにセットされる。継続時間τは、再構築誤差ＲＥ（ｔ）が管理限界Ｌを超えている状態、又は超えていない状態の継続時間を示す変数である。状態Ｃは、Ｐ又はＮの値をとり、Ｐは、Ｐｏｓｉｔｉｖｅ（発作周辺期）を示し、ＮはＮｅｇａｔｉｖｅ（発作間欠期）を示す。発作検出ループの実行中において、予測装置１は、心拍計測器２からＲ波データを受信し、記憶装置２０に保存する。発作予測処理１２では、受信したＲ波データに基づいて、発作予測がなされる。なお、発作検出ループにおいて、ｔはカウンタ値であり、初期値はゼロであって、ループが繰り返される度にインクリメントされる。
　発作検出ループでは、まず、被験者（予測装置１のユーザ）のｔ番目のＲＲＩデータｙ［ｔ］を、受信したＲ波データから算出する（ステップＳ２３）。続いて、ＲＲＩデータｙ［ｔ］からｔ番目のＨＲＶ指標ｘ０［ｔ］を得る（ステップＳ２４）。ＨＲＶ指標ｘ０［ｔ］は、モデル構築と同様に、８個のＨＲＶ指標（ｍｅａｎＮＮ，ＳＤＮＮ，ＲＭＳＳＤ，ＮＮ５０，ＴｏｔａｌＰｏｗｅｒ，ＬＦ／ＨＦ，ＬＦｎｕ，ＨＦｎｕ）からなり、オートエンコーダＡＥへの入力データとなる。
　さらに、ＨＲＶ指標ｘ０［ｔ］に対する前処理を行い、前処理後ＨＲＶ指標ｘ［ｔ］を得る（ステップＳ２５）。前処理は、図６に示すステップＳ１３における標準化と同様の処理である。
　前処理後ＨＲＶ指標ｘ［ｔ］は、入力データとして、てんかん発作予測モデル２２を構成するオートエンコーダＡＥの入力層に与えられる。オートエンコーダＡＥの出力層からは、ｘ［ｔ］の再構築データが出力データとして出力される。出力データは、入力データと同様に、８個のＨＲＶ指標（ｍｅａｎＮＮ，ＳＤＮＮ，ＲＭＳＳＤ，ＮＮ５０，ＴｏｔａｌＰｏｗｅｒ，ＬＦ／ＨＦ，ＬＦｎｕ，ＨＦｎｕ）からなる。出力データに対しては、後処理が行われ、後処理された出力データｘＲ［ｔ］が得られる。
　そして、入力データｘ０［ｔ］と出力データｘＲ［ｔ］とから、再構築誤差ＲＥ［ｔ］が算出される（ステップＳ２６）。実施形態において、再構築誤差ＲＥ［ｔ］は、入力データｘ０［ｔ］と出力データｘＲ［ｔ］との差を示すベクトル（ｍｅａｎＮＮの再構築誤差，ＳＤＮＮの再構築誤差，ＲＭＳＳＤの再構築誤差，ＮＮ５０の再構築誤差，ＴｏｔａｌＰｏｗｅｒの再構築誤差，ＬＦ／ＨＦの再構築誤差，ＬＦｎｕの再構築誤差，ＨＦｎｕの再構築誤差）のＬ１ノルムとして算出される。
　続く、ステップＳ２７，Ｓ２８，Ｓ２９，Ｓ３０，Ｓ３１，Ｓ３２では、再構築誤差ＲＥに基づいて、発作周辺期を検出する検出処理が行われる。この検出処理では、再構築誤差ＲＥが、管理限界ＬをＴｈ［ｓ］連続して超えれば（ステップＳ３０でＹＥＳ）、Ｐ（発作周辺期）と判定される。すなわち、てんかん発作の兆候が検出される。一方、再構築誤差ＲＥが、管理限界ＬをＴｈ［ｓ］連続して下回っていれば（ステップＳ３０でＹＥＳ）、Ｎ（発作間欠期）と判定される。ここでは、Ｔｈを１０秒に設定した。
　実施形態では、再構築誤差ＲＥが、瞬間的に管理限界Ｌを超えたり、下回ったりしても、直ちに状態Ｃを変更せずに、管理限界Ｌを超えるか下回った状態が、Ｔｈ［ｓ］継続した場合に、状態Ｃを変更（反転：ステップＳ３１）するため、瞬間的な再構築誤差ＲＥの変動による誤検出を防止できる。また、本実施形態では、発作間欠期における再構築誤差ＲＥの９９％が正常となるが残り１％においては、発作間欠期であっても、再構築誤差ＲＥが管理限界Ｌを超えることがある。しかし、上記のように、発作周辺期の検出には、再構築誤差ＲＥが管理限界Ｌを所定時間継続して超える必要があるため、上記の１％に相当する再構築誤差ＲＥが発生したとしても、発作周辺期として誤検出されることが防止されている。
　発作検出ループにおいて、状態ＣがＰ（発作周辺期）である場合には、被験者が発作周辺期であることを知らせる報知処理が行われる（ステップＳ３３）。報知は、音、文字表示、光など様々な形態を採用できる。報知は、発作予測処理１２を実行した装置自体からなされてもよいし、例えば、予測処理１２を実行した装置とは別の装置からなされてもよい。例えば、発作予測処理１２は、被検者Ｐのスマートフォンによって実行され、報知は、被検者Ｐのスマートウォッチなどのウェアラブル端末からなされてもよい。
　なお、本実施形態では、モデル構築の際に、予測装置１のユーザとなる被検者の心電信号から生成されたＨＲＶ指標データを用いて、オートエンコーダＡＥの学習と管理限界Ｌの設定とが行われたが、モデル構築の際に、予測装置１のユーザとなる被検者の心電信号から生成されたＨＲＶ指標データを用いる必要はない。
　例えば、予測装置１の新規ユーザである被験者が、予測装置１を使い始める前の段階（予測装置１又は発作予測コンピュータプログラム２１の購入時点など）では、被検者の心電信号から生成されたＨＲＶ指標データを用いたモデル構築は、事実上、困難である。そこで、例えば、被験者が、予測装置１を使い始める時点では、予測装置１には、他の複数のてんかん患者のデータから生成されたモデル２２が格納されており、被験者は、その状態で予測装置１の使用を開始することができる。そして、予測装置１の使用中において、被験者の心電信号（又はＲ波データ）が、ネットワークを介して、モデル構築装置５１に送信される。モデル構築装置５１は、被験者を追加した複数のてんかん患者のＨＲＶ指標データ（発作間欠期のＨＲＶ指標データ）からモデル構築処理６１を実行する。生成された新たなてんかん発作予測モデル７３を構成するデータは、予測装置１へネットワークを介して送信される。予測装置１は、新たなてんかん発作予測モデルを構成するデータを記憶装置２０に格納し、てんかん発作予測処理１２に用いることができる。
　このようにすることで、予測装置１のユーザが増えるにしたがって、てんかん発作予測モデルをアップデートすることができる。なお、新たなてんかん発作予測モデル７３を構成するデータは、アップデートのため、他の被検者の予測装置１へ送信されてもよい。
　図９Ａ，図９Ｂ，図９Ｃは、実施形態の予測装置１を用いた発作予測実験結果を示している。実験では、符号化器の伝達関数としてロジスティックシグモイド関数を用いた。図９Ａは、感度（sensitivity）の実験結果を示している。図９Ａにおいて、横軸は、隠れ層のユニット数を示し、縦軸は、感度を示す。図９Ａに示すように、予測装置１は、概ね良好な感度を有しており、特に、隠れ層のユニット数が５であるときに、８０％程度の良好な結果が得られている。
　図９Ｂは、偽陽性率（False Positive rate）の実験結果を示している。図９Ｂにおいて、横軸は、隠れ層のユニット数を示し、縦軸は、偽陽性率を示している。偽陽性率は、誤検出、すなわち、発作間欠期において発作周辺期と誤検出された回数（１時間あたり回数）を示している。図９Ｂに示すように、偽陽性率はおおむね低く、特に、隠れ層のユニット数が５であるときに、０．７程度の良好な結果が得られている。
　図９Ｃは、検証用発作間欠期のうち発作周辺期と誤検出された時間の割合（proportion of duration under false alarms）についての実験結果を示している。図９Ｃにおいて、横軸は、隠れ層のユニット数を示し、縦軸は、検証用発作間欠期のうち発作周辺期と誤検出された時間の割合（proportion of duration under false alarms）を示している。図９Ｃに示すように、検証用発作間欠期のうち発作周辺期と誤検出された時間の割合は、おおむね低く、特に、隠れ層のユニット数が５であるときに、０．０２％程度の良好な結果が得られている。
　＜３．付記＞
　本発明は、上記実施形態に限定されるものではなく、様々な変形が可能である。
１　　　　　：てんかん発作予測装置
２　　　　　：心拍計測器
１０　　　　：処理部
１２　　　　：発作予測処理
１３　　　　：管理限界調整処理
２０　　　　：記憶装置
２１　　　　：コンピュータプログラム
２１Ａ　　　：電極
２２　　　　：てんかん発作予測モデル
３０　　　　：通信部
５１　　　　：てんかん発作予測モデル構築装置
６０　　　　：処理部
６１　　　　：モデル構築処理
６２　　　　：管理限界調整処理
７０　　　　：記憶装置
７１　　　　：コンピュータプログラム
７２　　　　：ＨＲＶ指標データ
７３　　　　：てんかん発作予測モデル
１００　　　：システム

Claims (13)

  1. 　発作予測処理を実行するてんかん発作予測装置であって、
    　前記発作予測処理は、
    　てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、
    　前記被検者の前記入力データと前記出力データとの誤差を算出する処理と、
    　前記誤差が、てんかんの発作間欠期である場合に収まるべき管理限界を超えたか否かに基づいて、前記被検者のてんかん発作の兆候を検出する検出処理と、
    　を含むてんかん発作予測装置。
  2. 　前記学習用心電指標データは、前記てんかん患者の発作間欠期の心電信号から生成されたものである
    　請求項１に記載のてんかん発作予測装置。
  3. 　前記検出処理において、前記被検者のてんかん発作の兆候は、前記誤差が前記管理限界を所定時間連続して超えた場合に検出される
    　請求項１又は２に記載のてんかん発作予測装置。
  4. 　前記心電指標データは、前記被検者の心電信号から生成されたＲＲＩ（R-R Interval）から算出される
    　請求項１から３のいずれか１項に記載のてんかん発作予測装置。
  5. 　前記学習用心電指標データは、複数のてんかん患者の心電信号から生成されたものであり、
    　前記複数のてんかん患者は、前記被検者及び前記被検者以外のてんかん患者を含む
    　請求項１から４のいずれか１項に記載のてんかん発作予測装置。
  6. 　記憶装置に予め記憶された前記管理限界を調整するための調整処理を更に実行するよう構成されている
    　請求項１から５のいずれか１項に記載のてんかん発作予測装置。
  7. 　被検者の心電信号から生成された心電指標データを分析するためにコンピュータが実行する方法であって、
    　前記コンピュータが、
    　　てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、前記被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得し、
    　　前記被検者の前記入力データと前記出力データとの誤差を算出し、
    　　前記誤差が、てんかんの発作間欠期である場合に収まるべき管理限界を超えたか否かを判定する
    　ことを含む心電指標データの分析方法。
  8. 　コンピュータに発作予測処理を実行させるコンピュータプログラムであって、
    　前記発作予測処理は、
    　てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、
    　前記被検者の前記入力データと前記出力データとの誤差を算出する処理と、
    　前記誤差が、てんかんの発作間欠期である場合に収まるべき管理限界を超えたか否かに基づいて、前記被検者のてんかん発作の兆候を検出する検出処理と、
    　を含む発作予測コンピュータプログラム。
  9. 　てんかん発作予測のためのモデル構築処理を実行するモデル構築装置であって、
    　前記モデル構築処理は、
    　てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、
    　前記入力データと前記出力データとの誤差を算出する算出処理と、
    　前記誤差に基づいて、前記被検者がてんかんの発作間欠期である場合に収まるべき管理限界を設定する設定処理と、
    を含むモデル構築装置。
  10. 　前記設定処理において、前記管理限界は、前記算出処理により算出された複数の前記誤差のうちの大部分である所定割合の誤差が前記管理限界に収まり、複数の前記誤差のうちの残りが管理限界を超えるように設定される
    　請求項９に記載のモデル構築装置。
  11. 　前記大部分である前記所定割合は、９０％以上１００％未満の範囲内の割合である
    　請求項１０に記載のモデル構築装置。
  12. 　てんかん発作予測のためのモデルを構築する方法であって、
    　てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得し、
    　前記入力データと前記出力データとの誤差を算出し、
    　前記誤差に基づいて、前記被検者がてんかんの発作間欠期である場合に収まるべき管理限界を設定する
    　ことを含むモデル構築方法。
  13. 　コンピュータにモデル構築処理を実行させるコンピュータプログラムであって、
    　前記モデル構築処理は、
    　てんかん患者の心電信号から生成された学習用心電指標データを学習用入力データとして与えて学習されたオートエンコーダに対して、被検者の心電信号から生成された心電指標データを入力データとして与えて、前記入力データの再構築データである出力データを取得する処理と、
    　前記入力データと前記出力データとの誤差を算出する算出処理と、
    　前記誤差に基づいて、前記被検者がてんかんの発作間欠期である場合に収まるべき管理限界を設定する設定処理と、
    を含むモデル構築コンピュータプログラム。
PCT/JP2019/033590 2018-09-27 2019-08-27 てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム WO2020066430A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/279,181 US20220000415A1 (en) 2018-09-27 2019-08-27 Epileptic seizure predicting device, method for analyzing electrocardiographic index data, seizure predicting computer program, model constructing device, model constructing method, and model constructing computer program
JP2020548217A JP7416432B2 (ja) 2018-09-27 2019-08-27 てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018181414 2018-09-27
JP2018-181414 2018-09-27

Publications (1)

Publication Number Publication Date
WO2020066430A1 true WO2020066430A1 (ja) 2020-04-02

Family

ID=69950461

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/033590 WO2020066430A1 (ja) 2018-09-27 2019-08-27 てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム

Country Status (3)

Country Link
US (1) US20220000415A1 (ja)
JP (1) JP7416432B2 (ja)
WO (1) WO2020066430A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220112911A (ko) * 2021-02-04 2022-08-12 에이아이메딕(주) 기립경사검사 시뮬레이션 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1965696A2 (en) 2005-12-20 2008-09-10 Koninklijke Philips Electronics N.V. Device for detecting and warning of a medical condition
JP6344912B2 (ja) 2013-12-13 2018-06-20 国立大学法人京都大学 てんかん性発作兆候検知装置、てんかん性発作兆候検知モデル生成装置、てんかん性発作兆候検知方法、てんかん性発作兆候検知モデル生成方法、てんかん性発作兆候検知プログラムおよびてんかん性発作兆候検知モデル生成プログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HASHIMOTO, HIROTSUGU ET AL.: "Analysis of changes in HRV of epileptic patients in preictal period", JAPANESE SOCIETY FOR MEDICAL AND BIOLOGICAL ENGINEERING, vol. 51, 2013, pages R-198, XP055700480 *
TATSUOKA, TETSURO: "Research on embedded AI biometrics for wearables", INTERFACE, vol. 44, no. 6, June 2018 (2018-06-01), pages 117 - 125 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220112911A (ko) * 2021-02-04 2022-08-12 에이아이메딕(주) 기립경사검사 시뮬레이션 방법
KR102552349B1 (ko) 2021-02-04 2023-07-07 에이아이메딕(주) 기립경사검사 시뮬레이션 방법

Also Published As

Publication number Publication date
US20220000415A1 (en) 2022-01-06
JP7416432B2 (ja) 2024-01-17
JPWO2020066430A1 (ja) 2021-08-30

Similar Documents

Publication Publication Date Title
US10561321B2 (en) Continuous monitoring of a user's health with a mobile device
US11877830B2 (en) Machine learning health analysis with a mobile device
JP6423487B2 (ja) 痙攣の検出のためのシステムおよびその作動方法
US20190076031A1 (en) Continuous monitoring of a user's health with a mobile device
JP2020536623A (ja) モバイルデバイスを用いたユーザの健康の連続的監視
US11317840B2 (en) Method for real time analyzing stress using deep neural network algorithm
US20170258410A1 (en) Method and apparatus for prediction of epileptic seizures
US20130041275A1 (en) System, apparatus and method for diagnosing seizures
Shen et al. Bio-signal analysis system design with support vector machines based on cloud computing service architecture
WO2020066430A1 (ja) てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム
JP7495397B2 (ja) モバイルデバイスを用いたユーザの健康状態の継続的監視
JP2020188963A (ja) 心電波形推定装置
JP7495398B2 (ja) モバイルデバイスを用いる機械学習健康分析
EP3644324A1 (en) Detecting an ictal of a subject
US20240099593A1 (en) Machine learning health analysis with a mobile device
US20220125376A1 (en) Sleep apnea syndrome determination apparatus, sleep apnea syndrome determination method, and sleep apnea syndrome determination program
WO2024090350A1 (ja) 情報処理装置、情報処理方法及びプログラム
WO2024014875A1 (ko) 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치
WO2023008099A1 (ja) 睡眠覚醒判定システム、睡眠覚醒判定方法及びプログラム
KR20220087137A (ko) 생체 정보를 이용한 행동장애 진단 및 치료 장치 및 방법
WO2023159223A1 (en) Parallel adaptive motion artifact removal
JP2021186461A (ja) 熱中症発症検知装置
KR20240009890A (ko) 심박 변이도에 대한 특징 추출의 정확도를 향상시키는방법, 프로그램 및 장치
CN113712513A (zh) 生理检测方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19867468

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020548217

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19867468

Country of ref document: EP

Kind code of ref document: A1