WO2021153801A1 - 心電解析システム - Google Patents

心電解析システム Download PDF

Info

Publication number
WO2021153801A1
WO2021153801A1 PCT/JP2021/004114 JP2021004114W WO2021153801A1 WO 2021153801 A1 WO2021153801 A1 WO 2021153801A1 JP 2021004114 W JP2021004114 W JP 2021004114W WO 2021153801 A1 WO2021153801 A1 WO 2021153801A1
Authority
WO
WIPO (PCT)
Prior art keywords
electrocardiogram
impedance
spectrogram
sample
signal
Prior art date
Application number
PCT/JP2021/004114
Other languages
English (en)
French (fr)
Inventor
哲生 畑中
Original Assignee
哲生 畑中
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 哲生 畑中 filed Critical 哲生 畑中
Priority to CN202180026660.5A priority Critical patent/CN115361907A/zh
Priority to US17/759,543 priority patent/US20230089350A1/en
Priority to EP21748383.3A priority patent/EP4098197A4/en
Publication of WO2021153801A1 publication Critical patent/WO2021153801A1/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • 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
    • A61B5/30—Input circuits therefor
    • A61B5/307—Input circuits therefor specially adapted for particular uses
    • A61B5/308—Input circuits therefor specially adapted for particular uses for electrocardiography [ECG]
    • 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]
    • A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
    • 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
    • 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
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • 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
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms

Definitions

  • the present invention provides information obtained from an automated external defibrillator (AED), a defibrillator, or an electrocardiogram obtained by an electrocardiograph in a patient undergoing cardiopulmonary resuscitation, including thoracic compression. It relates to an electrocardiographic analysis system that virtually continuously determines the need for an electric shock for a patient undergoing CPR with or without thoracic compression.
  • AED automated external defibrillator
  • defibrillator or an electrocardiogram obtained by an electrocardiograph in a patient undergoing cardiopulmonary resuscitation, including thoracic compression.
  • ECG diagnosis to determine the need for electric shock is performed visually by the doctor when performing cardiopulmonary resuscitation, while non-doctors (including nurses / paramedics and the general public in good faith) When performing cardiopulmonary resuscitation, it is performed according to the instructions given by the electrocardiogram automatic diagnosis function incorporated inside the AED.
  • VF ventricular fibrillation
  • VT ventricular tachycardia
  • Such interruption time of chest compressions requires several seconds or more even when a doctor skilled in cardiopulmonary resuscitation visually diagnoses an electrocardiogram, and a person other than a doctor skilled in cardiopulmonary resuscitation entrusts the automatic diagnosis of AED. It takes more than 10 seconds, but according to several research reports, the survival rate of the patient is 2.5 to 3% for every 1 second of interruption of chest compressions associated with ECG diagnosis. It is said that it will decrease little by little.
  • Patent Document 2 Japanese Patent Laid-Open No. 2018-500092
  • CPR-related signal noise artifact in Patent Document 2
  • Invention of AED used during cardiopulmonary resuscitation (CPR) provided with an electrocardiogram analyzer capable of determining the presence or absence of (in Patent Document 2, described as "shock-adaptive cardiac rhythm") in Patent Document 2, described as "shock-adaptive cardiac rhythm" (see claim 1). Is described.
  • the electrocardiogram analyzer of the invention described in Patent Document 2 is capable of operating to determine shock-adaptive cardiac rhythm with a sensitivity of more than about 70% and a specificity (discrimination accuracy) of more than about 95%. (Claim 1), and under certain rules, in some cases, sensitivity can exceed 95% and specificity can exceed 98% (paragraph 0042), but realistically.
  • the AED is not equipped with an electrocardiogram analyzer having a discrimination accuracy of only about 95 to 98%, and the current situation is that further improvement in the discrimination accuracy is required.
  • the present inventor digitally samples the body surface electrocardiogram signal, converts it into electrocardiogram discrete data, converts the electrocardiogram discrete data into an electrocardiogram spectrogram, and determines the necessity of electric shock for the electrocardiogram spectrogram.
  • an electrocardiographic analysis system that outputs and notifies the results using a convolutional neural network, and the need for electric shock for patients undergoing cardiopulmonary resuscitation is 99% or more regardless of whether or not thoracic compression is performed on the patients.
  • We have succeeded in providing an electrocardiographic analysis system that can discriminate continuously with accuracy Patent No. 6640939
  • the accuracy of determining the necessity of electric shock for a patient undergoing cardiopulmonary resuscitation is 99%, there is a possibility that it will fail about once in 100 times.
  • An object to be solved by the present invention is to provide an electrocardiographic analysis system in which the accuracy of determining the necessity of electric shock for a patient undergoing cardiopulmonary resuscitation is higher than that of the electrocardiographic analysis system.
  • An electrocardiographic analysis system that determines the need for electric shock for patients undergoing chest compressions.
  • An electrocardiogram signal acquisition means for acquiring a body surface electrocardiogram signal from the patient
  • An impedance signal acquisition means for acquiring a thoracic impedance signal from the patient
  • An electrocardiogram signal sampling means that digitally samples the body surface electrocardiogram signal and converts it into electrocardiogram discrete data.
  • An impedance signal sampling means that digitally samples the thoracic impedance signal and converts it into impedance discrete data.
  • An electrocardiogram spectrogram conversion means for converting the electrocardiogram discrete data into an electrocardiogram spectrogram
  • An impedance spectrogram conversion means for converting the impedance discrete data into an impedance spectrogram
  • a convolutional neural network that outputs the discriminant result about the necessity of electric shock for the input electrocardiogram spectrogram and the impedance spectrogram
  • An electric shock adaptive notification means for notifying the patient about the necessity of electric shock according to the determination result is provided.
  • the convolutional neural network converts a sample body surface electrocardiogram signal acquired from a large number of subjects during thoracic compression into a sample electrocardiogram spectrogram obtained by converting the electrocardiogram signal sampling means and the electrocardiogram spectrogram conversion means under the same conditions as the electrocardiogram signal sampling means and the electrocardiogram spectrogram conversion means.
  • a sample impedance spectrogram obtained by converting sample thoracic impedance signals obtained from a large number of subjects under the same conditions as the impedance signal sampling means and the impedance spectrogram conversion means, and electricity for each sample electrocardiogram spectrogram and sample impedance spectrogram.
  • Sample data consisting of sample response data about the need for shock is given in advance and optimized by self-learning.
  • the ECG spectrogram transforming means divides the ECG discrete data at a predetermined time into minute sections of a specific time with a constant time difference, and performs a short-time Fourier transform.
  • the sample electrocardiogram spectrogram is a plurality of rows and a plurality of columns of electrocardiogram matrix data obtained along the frequency axis at regular time differences along the time axis.
  • the impedance spectrogram transforming means divides the impedance discrete data of the predetermined time into minute sections of the specific time with the constant time difference, and performs a short-time Fourier transform.
  • the sample impedance spectrogram is characterized by being a plurality of rows of impedance matrix data obtained at regular time differences along the time axis and a plurality of columns of impedance matrix data obtained along the frequency axis.
  • the electrocardiogram signal sampling means samples the body surface electrocardiogram signal at a sampling frequency of 120 to 360 Hz. It consists of a means of downsampling and a means of downsampling at a sampling frequency of 40-80 Hz.
  • the impedance signal sampling means comprises means for sampling the thoracic impedance signal at a sampling frequency of 60 to 360 Hz and means for downsampling at a sampling frequency of 40 to 80 Hz.
  • the invention according to claim 3 for solving the above problems is the electrocardiographic analysis system of the invention according to claim 1 or 2, wherein the predetermined time is 4 to 20 seconds, and the constant time difference is 100 to 200. It is a time difference of milliseconds (hereinafter, referred to as “ms”), and is characterized in that the specific time is 1 to 3 seconds.
  • ms milliseconds
  • the electrocardiographic analysis system of the invention digitally samples the body surface electrocardiogram signal and the thoracic impedance signal acquired from the patient, converts them into electrocardiogram discrete data and impedance discrete data, respectively, and further converts them into an electrocardiogram spectrogram and an impedance spectrogram.
  • a convolutional neural network that outputs a judgment result about the necessity of electric shock for the input electrocardiogram and impedance spectrometer, and an electric shock adaptive notification means that notifies the patient about the necessity of electric shock according to the judgment result.
  • the convolutional neural network converts sample body surface electrocardiogram signals obtained from a large number of subjects during thoracic compression under the same conditions as the electrocardiogram signal sampling means and the electrocardiogram spectrogram conversion means.
  • the sample impedance spectrogram obtained by converting the sample thoracic impedance signal obtained from the sample thoracic impedance signal under the same conditions as the impedance signal sampling means and the impedance spectrogram conversion means, and the necessity of electric shock for each sample electrocardiogram spectrogram and sample impedance spectrogram.
  • Sample data consisting of sample response data is given in advance and optimized by self-learning.
  • the ECG spectrogram transforming means divides the ECG discrete data at a predetermined time into minute sections of a specific time with a constant time difference and performs a short-time Fourier transform.
  • the sample electrocardiogram spectrogram is a multi-row electrocardiogram matrix data obtained at regular time differences along the time axis and a multi-column electrocardiogram matrix data obtained along the frequency axis.
  • the impedance spectrogram transforming means divides the impedance discrete data for a predetermined time into minute sections of a specific time with a constant time difference and performs a short-time Fourier transform.
  • the sample impedance spectrogram is a multi-row impedance matrix data obtained at regular time intervals along the time axis and a multi-column impedance matrix data obtained along the frequency axis, the need for electric shock for patients undergoing cardiopulmonary resuscitation can be determined.
  • the body surface electrocardiogram signal and the thoracic impedance signal regardless of whether or not the patient is subjected to thoracic compression, it is possible to discriminate with an accuracy of 99.5% or more.
  • the electrocardiogram signal sampling means includes means for sampling the body surface electrocardiogram signal at a sampling frequency of 120 to 360 Hz. It consists of means of downsampling at a sampling frequency of 40-80 Hz. Since the impedance signal sampling means includes a means for sampling the thoracic impedance signal at a sampling frequency of 60 to 360 Hz and a means for downsampling at a sampling frequency of 40 to 80 Hz, the information contained in the electrocardiogram waveform and the impedance waveform is impaired. The time required for the calculation process can be shortened without any problem.
  • the electrocardiographic analysis system of the invention according to claim 3 has a predetermined time of 4 to 20 seconds in addition to the above-mentioned effects of the electrocardiographic analysis system of the invention of claim 1 or 2, and a constant time difference of 100 to 100 to.
  • the time difference is 200 ms
  • the specific time is 1 to 3 seconds
  • the body surface electrocardiogram signal and the thoracic impedance signal are discriminated by the convolutional neural network. And since the series of processes required for such discrimination can be repeated about every 100 ms when using a general computer, there is a need for electric shock for patients undergoing chest compressions for cardiopulmonary resuscitation. Can be accurately determined in real time, virtually continuously, regardless of whether or not chest compressions are performed.
  • the block diagram of the electrocardiographic analysis system of an Example The figure which shows an example of a body surface electrocardiogram signal and a thoracic impedance signal. The figure explaining the processing method of the ECG discrete data and the thoracic impedance discrete data. The figure which shows the example of an electrocardiogram spectrogram and an impedance spectrogram. A flow chart showing an algorithm of an electrocardiographic analysis system. Explanatory drawing about update of discriminant section.
  • FIG. 1 is a block diagram of an electrocardiographic analysis system according to an embodiment.
  • the electrocardiographic analysis system according to the embodiment includes an electrocardiogram signal acquisition means 11 and an impedance signal acquisition means possessed by an AED, a defibrillator, an electrocardiograph, or the like attached to a patient P undergoing cardiopulmonary resuscitation. 21 Then, the impedance signal sampling means 22 that converts the discrete impedance data into the ECG signal sampling means 12, the ECG spectral conversion means 13 that converts the ECG discrete data received from the ECG signal sampling means 12 into an ECG spectrum, and the impedance discretes received from the impedance signal sampling means 22.
  • the impedance spectrogram conversion means 23 that converts the data into the impedance spectrogram, the convolutional neural network (CNN) 4, and the discrimination result output from the convolutional neural network 4. It is composed of an electric shock adaptive notification means 5 for performing notification.
  • the body surface electrocardiogram signal acquired by the electrocardiogram signal acquisition means 11 is an analog signal recorded as a potential difference between two electrodes attached to the body surface of the patient P, but the electrocardiogram signal sampling means 12 is a target of electrocardiogram discrimination.
  • the analog signal for about 12 seconds is sampled at a sampling frequency of 120 to 360 Hz and converted into discrete data.
  • the thoracic impedance signal acquired by the impedance signal acquisition means 21 is an analog signal recorded as the impedance between the two electrodes attached to the body surface of the patient P, but the impedance signal sampling means 22 determines the electrocardiogram.
  • An analog signal for about 12 seconds, which is the same period as the target, is sampled at a sampling frequency of 60 to 360 Hz and converted into discrete data.
  • FIG. 2 is a diagram showing an example of the body surface electrocardiogram signal and the thoracic impedance signal.
  • the body surface electrocardiogram signal Before the sternum compression (before 19:46:57), the body surface electrocardiogram signal is affected by the noise (artifact) associated with the sternum compression. No, but during chest compressions (after 19:46:57), noise associated with chest compressions is mixed. Since the thoracic impedance signal changes in impedance according to the expansion and contraction of the sternum of the patient P, it hardly fluctuates when the patient P's breathing is stopped during chest compressions, and the patient during chest compressions. If chest compressions on P are performed regularly, they will fluctuate relatively regularly.
  • the analog signal to be discriminated may or may not include noise (artifact) associated with chest compressions in part or in whole.
  • the function of converting the body surface electrocardiogram signal into such discrete data and outputting it is a function provided in the commercially available AED, and the function of converting the thoracic impedance signal into the same discrete data and outputting it. Is also a function that can be easily added to commercially available AEDs.
  • the electrocardiogram signal sampling means 12 of the present embodiment further downsamples the discrete data obtained by sampling the body surface electrocardiogram signal at a sampling frequency of 120 to 360 Hz at a sampling frequency of about 60 Hz and converts it into electrocardiogram discrete data. do.
  • the impedance signal sampling means 22 of the present embodiment further downsamples the discrete data obtained by sampling the thoracic impedance signal at a sampling frequency of 60 to 360 Hz at a sampling frequency of about 60 Hz to obtain impedance discrete data. Convert.
  • the reason for such downsampling is that the body surface electrocardiogram signal and the thoracic impedance signal contain almost no frequency component of 30 Hz or higher, and in general AED, the frequency component of 30 Hz or higher is contained by the low frequency passing filter. This is because it is often removed.
  • the downsampled electrocardiogram discrete data even if the downsampled electrocardiogram discrete data is used, the information contained in the body surface electrocardiogram signal and the thoracic impedance signal is not impaired, and the amount of data can be reduced by downsampling. The time required for the calculation process can be shortened.
  • the electrocardiogram spectrogram transforming means 13 receives the electrocardiogram discrete data from the electrocardiogram signal sampling means 12, it converts the electrocardiogram spectrogram into an electrocardiogram spectrogram by a short-time Fourier transform (STFT) and outputs the electrocardiogram spectrogram.
  • STFT short-time Fourier transform
  • the impedance spectrogram conversion means 23 receives the impedance discrete data from the impedance signal sampling means 22, it converts it into an impedance spectrogram by a short-time Fourier transform (STFT) and outputs the impedance spectrogram.
  • STFT short-time Fourier transform
  • minute section data of about 2 seconds each is divided and extracted (duplicate is allowed), and short-time Fourier transform is applied to each minute section data to disperse the electrocardiogram of the discrimination target section.
  • the data and impedance discrete data were converted into an electrocardiogram spectrogram and an impedance spectrogram, respectively.
  • the generated electrocardiogram spectrogram and impedance spectrogram are all 80 lines along the time axis as shown in FIG. , 64 columns of matrix data are obtained along the frequency axis.
  • the column components along the frequency axis all of them may be used, or some low frequency components and high frequency components may be excluded.
  • the discrimination target section is lengthened or the time difference of data extraction is shortened, the number of rows along the time axis direction increases, and when the minute section is lengthened, the number of columns along the frequency axis increases. ..
  • the CNN4 includes an input layer 4I, an output layer 4O, a sample data storage means 4L, a sample data input means 4T for inputting a large number of sample data into the sample data storage means 4L, and a plurality of folding layers, pooling layers, and BN layers (Batch) (not shown).
  • -Normalization layer drop-out layer
  • fully connected layer etc.
  • one unit is a combination of two or three convolution layers and one pooling layer, and in many cases, two to four fully connected layers are further combined with a series of several units.
  • the sample data consists of sample electrocardiogram spectrograms and sample impedance spectrograms obtained from subjects undergoing thoracic compression, and sample response data regarding the necessity of electric shock for each sample electrocardiogram spectrogram and sample impedance spectrogram. Then, in the present invention, it is necessary to accumulate a large number of sample data, but not only when the chest compression is interrupted to determine the necessity of electric shock, but also during the chest compression, the body surface electrocardiogram signal and the thorax are obtained from the subject.
  • the sample electrocardiogram spectrogram, sample impedance spectrogram, and sample response data for the subject can be easily obtained based on the body surface electrocardiogram signal and the thoracic impedance signal in both states.
  • the BN layer and the dropout layer are not always necessary, the performance of the entire neural network can be expected to be improved by inserting the BN layer and the dropout layer into the neural network.
  • the input layer 4I is provided with the above-mentioned 80-row, 64-column matrix data (a total of two layers in which one electrocardiogram spectrogram layer and one impedance spectrogram layer are superposed).
  • an electrocardiogram spectrogram and an impedance spectrogram not only a two-dimensional array of general signal strength (power or magnitude), but also the real part and the imaginary part of a complex number obtained as a coefficient of a Fourier class, and the respective coefficients are independent information. These can also be used as two-layered two-dimensional arrays for the purpose of treating them as (complex spectrogram).
  • the signal strength and the phase angle obtained from the complex type spectrogram may be used as two-layer two-dimensional array as independent information (signal strength / phase angle spectrogram).
  • vector (one-dimensional matrix) data representing the determination result of the electric shock adaptation is output, and the number of elements is the number of divisions for classifying the body surface electrocardiogram signal and the thoracic impedance signal.
  • the number of elements is 2
  • the body surface electrocardiogram signal and thoracic impedance signal are “electric shock”.
  • the number of elements is 3 when classified into three categories: "with indication”, “asystole”, or "pulseless electrical activity”.
  • CNN4 is optimized by self-learning a large number of sample data (usually data acquired from tens of thousands to millions of subjects) stored in the sample data storage means 4L. Then, by using the parameters optimized by a sufficient number (usually several hundred thousand or more) of sample data, a discrimination accuracy of 99.5% or more can be obtained. In addition, as the number of accumulated sample data increases, the discrimination accuracy improves. Therefore, in this example, an electric shock is applied to a patient undergoing cardiopulmonary resuscitation, and the electrocardiogram spectrogram, impedance spectrogram, and electric shock adaptation data when the patient is resuscitated ( (Applicable) can be stored in the sample data storage means 4L as sample data.
  • the electric shock adaptation notification means 5 notifies the patient P that an electric shock is necessary, and the output indicates "no electric shock adaptation". (Number of elements 2) or “cardiac rest” or “pulseless electrical activity” (number of elements 3), the patient P is notified that no electric shock is required.
  • the method of displaying the electrocardiogram in red for “with electric shock indication” and the electrocardiogram in green for “without electric shock indication”, whether or not there is a need on the screen When displaying, “Necessary” is displayed for "Electric shock indication”, “No need” is displayed for "Electric shock indication”, etc., and “Electric shock indication is available” for voice notification. Then, there is a method of making the person pronounce “necessary” and “not necessary” in the case of "no electric shock indication”.
  • FIG. 5 is a flow chart showing the above-mentioned method (algorithm), and it is determined and notified whether or not an electric shock is necessary by the following procedure.
  • the procedures (2-1) and (3-1) and the procedures (2-2) and (3-2) can be performed in parallel.
  • (1) Acquire a body surface electrocardiogram signal and a thoracic impedance signal (analog signal).
  • the analog signal of the discrimination target section (about 12 seconds) is digitally sampled. After sampling at a sampling frequency of 120 to 360 Hz, downsampling is performed at a sampling frequency of about 60 Hz and converted into electrocardiogram discrete data.
  • the ECG discrete data is converted into a spectrogram by a short-time Fourier transform (STFT), and the ECG spectrogram is output.
  • STFT short-time Fourier transform
  • the analog signal of the discrimination target section (about 12 seconds) is digitally sampled. After sampling at a sampling frequency of 60 to 360 Hz, it is further downsampled at a sampling frequency of about 60 Hz and converted into impedance discrete data.
  • Impedance discrete data is converted into a spectrogram by short-time Fourier transform (STFT), and the impedance spectrogram is output.
  • the convolutional neural network determines the adaptation of the electric shock.
  • the data obtained by digitally sampling the body surface electrocardiogram signal at a sampling frequency of 120 to 360 Hz and the data obtained by digitally sampling the thoracic impedance signal at a sampling frequency of 60 to 360 Hz are obtained at a sampling frequency of about 60 Hz, respectively. It is downsampled in and converted into ECG discrete data and impedance discrete data, but it is not necessary to downsample. Further, the body surface electrocardiogram signal may be directly sampled at a sampling frequency of about 60 Hz and converted into electrocardiogram discrete data. Further, the sampling frequency in downsampling is not limited to 60 Hz and can be selected in the range of 40 to 80 Hz.
  • the electrocardiogram discrete data and the impedance discrete data for about 12 seconds are targeted for discrimination, and the minute interval data for about 2 seconds is extracted from the data with a time difference of 128 ms, and then short-time Fourier transform is performed.
  • the time difference for minute interval extraction can be selected in the range of 32 to 256 ms instead of 128 ms, and the minute interval data can be selected in the range of 32 to 256 ms instead of 2 seconds for 0.3 to 4 seconds. You can select in the range. If the data length of the minute interval is increased, the time resolution of the spectrogram is lowered, but the number of data that can be used for the Fourier transform is increased, so that the frequency resolution is improved.
  • the discrimination target section is lengthened, the discrimination accuracy is improved, but the calculation amount of the convolutional neural network is increased, so that the calculation processing time is extended and the change when the body surface electrocardiogram signal or the thoracic impedance signal is changed. Prolongs the time until is detected (decreased time responsiveness). For example, when the discrimination target section is 12 seconds, when the body surface electrocardiogram signal changes from the defibrillation adaptive waveform to the non-adaptive waveform, it takes about 6 seconds (theoretically) to be reflected in the discrimination result. It takes.
  • the data length of the discrimination target section, the data length of the minute section, and the time difference at the time of extracting the minute section are preferably selected from the ranges of 4 to 20 seconds, 1 to 3 seconds, and 100 to 200 ms, respectively. It is more preferable to select from the range of 8 to 15 seconds, 1.5 to 2.5 seconds, and 100 to 150 ms, respectively.
  • the electrocardiogram discrete data and the impedance discrete data are converted into spectrograms by short-time Fourier transform (STFT), respectively, and the electrocardiogram spectrogram and the impedance spectrogram are output.
  • STFT short-time Fourier transform
  • the electrocardiogram discrete data and the impedance discrete data are output. Any method may be used as long as it is a conversion method for obtaining the spectral intensity from.
  • Electrocardiogram signal acquisition means 12 Electrocardiogram signal sampling means 13 Electrocardiogram spectrogram conversion means 21 Impedance signal acquisition means 22 Impedance signal sampling means 23 Impedance spectral conversion means 4 Convolutional neural network 4I Input layer 4L Sample data storage means 4O Output layer 4T Sample data input means 5 Electric shock adaptive notification means P Patient during cardiopulmonary resuscitation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

心電図信号取得手段１１と、心電図信号サンプリング手段１２と、心電図スペクトログラム変換手段１３と、インピーダンス信号取得手段２１と、インピーダンス信号サンプリング手段２２と、インピーダンススペクトログラム変換手段２３と、入力層４Ｉ、出力層４Ｏ、サンプルデータ蓄積手段４Ｌ及びサンプルデータ入力手段４Ｔ等を有する畳み込みニューラルネットワーク４と、電気ショック適応報知手段５を備え、畳み込みニューラルネットワークには、多数の被検者について得られたサンプル心電図スペクトログラム、サンプルインピーダンススペクトログラム及び電気ショックの必要性についてのサンプル回答データからなるサンプルデータが予め与えられ、自己学習させることによって最適化されている心電解析システム。この心電解析システムによれば、心肺蘇生中の患者に対する電気ショックの必要性を判別する精度を、より高い精度とすることができる。

Description

心電解析システム
　この発明は、胸骨圧迫を含む心肺蘇生中の患者において、自動体外式除細動器（ＡＥＤ： automated external defibrillator）、除細動器あるいは心電計で取得される体表心電図から得られる情報を処理し、心肺蘇生中の患者に対する電気ショックの必要性を、胸骨圧迫の有無に関わらず、事実上、連続的に判別する心電解析システムに関する。
　心停止患者においては、人工的血液循環を作り出すための胸骨圧迫をいかに絶え間なく行うかが生存のための重要な要素であると同時に、およそ２分おきに患者の心電図診断を行い、電気ショックが必要である場合には、できるだけ早急に電気ショックを与えることが重要である。
　電気ショックの必要性を見極めるための心電図診断は、医師が心肺蘇生を行う場合には医師による心電図の目視によって行う一方、医師以外の者（看護師・救急隊員や善意の一般市民を含む）が心肺蘇生を行う場合には、ＡＥＤの内部に組み込まれた心電図自動診断機能による指示に従って行っている。
　そして、体表心電図に心室細動（ＶＦ：ventricular fibrillation）及び心拍数が１５０ｂｍｐ（場合によっては１８０ｂｍｐ）以上の心室頻拍（ＶＴ：ventricular tachycardia）が存在していることをもって、電気ショックが必要と判別するのが一般的である。
　しかし、医師が診断する場合及び自動診断機能により判別する場合のいずれにおいても、胸骨圧迫中には圧迫に伴う胸郭の変形等に伴って心電図上に大きなノイズが出現するため、一時的に胸骨圧迫を中断し心電図上にノイズが混入しない状況を作り出す必要がある。
　このような胸骨圧迫の中断時間は、心肺蘇生に熟練した医師が目視で心電図診断を行う場合でも数秒以上必要であり、心肺蘇生に熟練した医師以外の者がＡＥＤの自動診断に委ねて行う場合には１０数秒以上が必要とされているが、複数の研究報告によれば、心電図診断に伴う胸骨圧迫の中断時間が１秒延長するごとに、当該患者の生存率は２．５～３％ずつ低下するとされている。
　そのため、心電図診断のために必要な胸骨圧迫の中断時間を短縮することを目的として、様々な波形判別方法が複数の研究機関やＡＥＤ製造企業から提案されている。
　このような提案の代表的なものとしてノイズ・フィルタリングがある。これは心電図上から、胸骨圧迫に伴うノイズであると思われる部分をデジタル・フィルター（多くは高速フーリエ変換を用いた周波数解析を基本とする）によって取り除き、ノイズに汚染されていない生波形を再現しようとするものである。
　そして、特許文献１（特表２０１７－５２５４１０号公報）には、この種の発明として心電図信号（ＥＣＧ信号）において心臓の活動に由来する本来の心電図（特許文献１においては、「心イベント」と記載）をノイズと区別するための方法（請求項２８参照）が記載されている。
　また、特許文献２（特表２０１８－５０００９２号公報）には、胸骨圧迫に由来するノイズ（特許文献２においては、「ＣＰＲ関連信号ノイズアーチファクト」と記載）の存在下で、電気ショックの必要性の有無（特許文献２においては、「ショック適応心律動」と記載）を判断するように動作可能な心電図解析器を備える心肺機能蘇生（ＣＰＲ）中に使用するＡＥＤの発明（請求項１参照）が記載されている。
　しかし、特許文献２に記載された発明の心電図解析器は、約７０％を超える感度及び約９５％を超える特異度（判別精度）で、ショック適応心律動を判断するように動作可能であるとされ（請求項１）、また、一定のルールの下で場合によっては、感度が９５％を超えることができ、特異度が９８％を超えることができるとされるが（段落００４２）、現実的には９５～９８％程度の判別精度しかない心電図解析器がＡＥＤに搭載されることはなく、さらなる判別精度の向上が求められているのが現状である。
　このような事情に鑑み、本発明者は、体表心電図信号をデジタルサンプリングして心電図離散データに変換し、その心電図離散データを心電図スペクトログラムに変換し、心電図スペクトログラムに対する電気ショックの必要性についての判別結果を、畳み込みニューラルネットワークを利用して出力、報知する心電解析システムを提案し、心肺蘇生中の患者に対する電気ショックの必要性を、その患者に対する胸骨圧迫実施の有無に関わりなく９９％以上の精度で、事実上、連続的に判別できる心電解析システムを提供することに成功している（特許第６６４０９３９号）。
　しかし、心肺蘇生中の患者に対する電気ショックの必要性を判別する精度が９９％といっても、１００回に１回程度は失敗する可能性が残るので、本発明者は上記心電解析システムの判別精度をさらに高めることができないか模索を続けた。
特表２０１７－５２５４１０号公報 特表２０１８－５０００９２号公報
　本発明が解決しようとする課題は、心肺蘇生中の患者に対する電気ショックの必要性を判別する精度を、上記心電解析システムより高められる心電解析システムを提供することである。
　上記の課題を解決するための請求項１に係る発明は、
　胸骨圧迫中の患者に対する電気ショックの必要性を判別する心電解析システムであって、
　前記患者から体表心電図信号を取得する心電図信号取得手段と、
　前記患者から胸郭インピーダンス信号を取得するインピーダンス信号取得手段と、
　前記体表心電図信号をデジタルサンプリングして、心電図離散データに変換する心電図信号サンプリング手段と、
　前記胸郭インピーダンス信号をデジタルサンプリングして、インピーダンス離散データに変換するインピーダンス信号サンプリング手段と、
　前記心電図離散データを心電図スペクトログラムに変換する心電図スペクトログラム変換手段と、
　前記インピーダンス離散データをインピーダンススペクトログラムに変換するインピーダンススペクトログラム変換手段と、
　入力された前記心電図スペクトログラム及び前記インピーダンススペクトログラムに対する電気ショックの必要性についての判別結果を出力する畳み込みニューラルネットワークと、
　前記判別結果に応じて、前記患者への電気ショックの必要性に関する報知を行う電気ショック適応報知手段を備え、
　前記畳み込みニューラルネットワークは、胸骨圧迫中の多数の被検者から取得したサンプル体表心電図信号を前記心電図信号サンプリング手段及び前記心電図スペクトログラム変換手段と同じ条件で変換して得られたサンプル心電図スペクトログラム並びに前記多数の被検者から取得したサンプル胸郭インピーダンス信号を前記インピーダンス信号サンプリング手段及び前記インピーダンススペクトログラム変換手段と同じ条件で変換して得られたサンプルインピーダンススペクトログラムと、それぞれのサンプル心電図スペクトログラム及びサンプルインピーダンススペクトログラムに対する電気ショックの必要性についてのサンプル回答データからなるサンプルデータが予め与えられ、自己学習させることによって最適化されており、
　前記心電図スペクトログラム変換手段が、所定時間の心電図離散データを、一定の時間差で、それぞれ特定時間の微小区間に分割して短時間フーリエ変換を施し、
　前記サンプル心電図スペクトログラムは、時間軸に沿って前記一定の時間差毎に得られる複数行及び周波数軸に沿って得られる複数列の心電図マトリクスデータであり、
　前記インピーダンススペクトログラム変換手段が、前記所定時間のインピーダンス離散データを、前記一定の時間差で、それぞれ前記特定時間の微小区間に分割して短時間フーリエ変換を施し、
　前記サンプルインピーダンススペクトログラムは、時間軸に沿って前記一定の時間差毎に得られる複数行及び周波数軸に沿って得られる複数列のインピーダンスマトリクスデータであることを特徴とする。
　上記の課題を解決するための請求項２に係る発明は、請求項１に係る発明の心電解析システムにおいて、前記心電図信号サンプリング手段が、前記体表心電図信号を１２０～３６０Ｈｚのサンプリング周波数でサンプリングする手段と、４０～８０Ｈｚのサンプリング周波数でダウンサンプリングする手段からなり、
　前記インピーダンス信号サンプリング手段が、前記胸郭インピーダンス信号を６０～３６０Ｈｚのサンプリング周波数でサンプリングする手段と、４０～８０Ｈｚのサンプリング周波数でダウンサンプリングする手段からなることを特徴とする。
　上記の課題を解決するための請求項３に係る発明は、請求項１又は２に係る発明の心電解析システムにおいて、前記所定時間が４～２０秒間であり、前記一定の時間差が１００～２００ミリ秒（以下、「ｍｓ」と記載する。）の時間差であり、前記特定時間が１～３秒間であることを特徴とする。
　請求項１に係る発明の心電解析システムは、患者から取得した体表心電図信号及び胸郭インピーダンス信号をデジタルサンプリングして、それぞれ心電図離散データ及びインピーダンス離散データに変換し、さらに心電図スペクトログラム及びインピーダンススペクトログラムに変換するとともに、
　入力された心電図スペクトログラム及びインピーダンススペクトログラムに対する電気ショックの必要性についての判別結果を出力する畳み込みニューラルネットワークと、その判別結果に応じて、患者への電気ショックの必要性に関する報知を行う電気ショック適応報知手段を備え、
　畳み込みニューラルネットワークは、胸骨圧迫中の多数の被検者から取得したサンプル体表心電図信号を心電図信号サンプリング手段及び心電図スペクトログラム変換手段と同じ条件で変換して得られたサンプル心電図スペクトログラム並びに同被検者から取得したサンプル胸郭インピーダンス信号をインピーダンス信号サンプリング手段及びインピーダンススペクトログラム変換手段と同じ条件で変換して得られたサンプルインピーダンススペクトログラムと、それぞれのサンプル心電図スペクトログラム及びサンプルインピーダンススペクトログラムに対する電気ショックの必要性についてのサンプル回答データからなるサンプルデータが予め与えられ、自己学習させることによって最適化されており、
　心電図スペクトログラム変換手段が、所定時間の心電図離散データを、一定の時間差で、それぞれ特定時間の微小区間に分割して短時間フーリエ変換を施し、
　サンプル心電図スペクトログラムは、時間軸に沿って一定の時間差毎に得られる複数行及び周波数軸に沿って得られる複数列の心電図マトリクスデータであり、
　インピーダンススペクトログラム変換手段が、所定時間のインピーダンス離散データを、一定の時間差で、それぞれ特定時間の微小区間に分割して短時間フーリエ変換を施し、
　サンプルインピーダンススペクトログラムは、時間軸に沿って一定の時間差毎に得られる複数行及び周波数軸に沿って得られる複数列のインピーダンスマトリクスデータであるので、心肺蘇生中の患者に対する電気ショックの必要性を、その患者に対する胸骨圧迫実施の有無に関わりなく体表心電図信号及び胸郭インピーダンス信号を取得することにより、９９．５％以上の精度で判別することができる。
　請求項２に係る発明の心電解析システムは、請求項１に係る発明が奏する上記の効果に加え、心電図信号サンプリング手段が、体表心電図信号を１２０～３６０Ｈｚのサンプリング周波数でサンプリングする手段と、４０～８０Ｈｚのサンプリング周波数でダウンサンプリングする手段からなり、
　インピーダンス信号サンプリング手段が、胸郭インピーダンス信号を６０～３６０Ｈｚのサンプリング周波数でサンプリングする手段と、４０～８０Ｈｚのサンプリング周波数でダウンサンプリングする手段からなっているので、心電図波形及びインピーダンス波形に含まれる情報を損なうことなく、計算処理に必要な時間を短縮することができる。
　請求項３に係る発明の心電解析システムは、請求項１又は２に係る発明の心電解析システムが奏する上記の効果に加え、所定時間が４～２０秒間であり、一定の時間差が１００～２００ｍｓの時間差であり、特定時間が１～３秒間であって、畳み込みニューラルネットワークによる体表心電図信号及び胸郭インピーダンス信号の判別を行う。
　そして、このような判別に必要な一連の処理は一般的なコンピュータを使う場合、約１００ｍｓごとに繰り返し行うことができるので、心肺蘇生のための胸骨圧迫を受けている患者に対する電気ショックの必要性を、胸骨圧迫実施の有無に関わりなく、事実上、連続的・リアルタイムに精度よく判別することができる。
実施例の心電解析システムのブロック図。 体表心電図信号及び胸郭インピーダンス信号の一例を示す図。 心電図離散データ及び胸郭インピーダンス離散データの処理方法を説明する図。 心電図スペクトログラム及びインピーダンススペクトログラムの例を示す図。 心電解析システムのアルゴリズムを示すフロー図。 判別対象区間の更新についての説明図。
　以下、実施例によって、本発明の実施の形態を説明する。
　図１は実施例に係る心電解析システムのブロック図である。
　図１に示すように、実施例に係る心電解析システムは、心肺蘇生中の患者Ｐに装着されたＡＥＤ、除細動器あるいは心電計等が有する心電図信号取得手段１１及びインピーダンス信号取得手段２１と、心電図信号取得手段１１で取得された体表心電図信号をデジタルサンプリングして、心電図離散データに変換する心電図信号サンプリング手段１２と、インピーダンス信号取得手段２１で取得された胸郭インピーダンス信号をデジタルサンプリングして、インピーダンス離散データに変換するインピーダンス信号サンプリング手段２２と、心電図信号サンプリング手段１２から受信した心電図離散データを心電図スペクトログラムに変換する心電図スペクトログラム変換手段１３と、インピーダンス信号サンプリング手段２２から受信したインピーダンス離散データをインピーダンススペクトログラムに変換するインピーダンススペクトログラム変換手段２３と、畳み込みニューラルネットワーク（ＣＮＮ：convolutional neural network）４と、畳み込みニューラルネットワーク４から出力される判別結果に基づいて患者Ｐへの電気ショックの必要性に関する報知を行う電気ショック適応報知手段５からなっている。
　心電図信号取得手段１１で取得される体表心電図信号は、患者Ｐの体表面に貼付した２つの電極間の電位差として記録されるアナログ信号であるが、心電図信号サンプリング手段１２は、心電図判別の対象とする約１２秒間のアナログ信号を１２０～３６０Ｈｚのサンプリング周波数でサンプリングし、離散的データに変換する。
　また、インピーダンス信号取得手段２１で取得される胸郭インピーダンス信号は、患者Ｐの体表面に貼付した２つの電極間のインピーダンスとして記録されるアナログ信号であるが、インピーダンス信号サンプリング手段２２は、心電図判別の対象と同じ期間である約１２秒間のアナログ信号を６０～３６０Ｈｚのサンプリング周波数でサンプリングし、離散的データに変換する。
　図２は体表心電図信号及び胸郭インピーダンス信号の一例を示す図であるが、体表心電図信号は胸骨圧迫前（19:46:57以前）においては胸骨圧迫に伴うノイズ（アーチファクト）の影響を受けないが、胸骨圧迫中（19:46:57以降）においては胸骨圧迫に伴うノイズが混入する。そして、胸郭インピーダンス信号は患者Ｐの胸郭の拡張と収縮に応じてインピーダンスが変化する関係で、胸骨圧迫中断中において患者Ｐの呼吸が停止している場合はほとんど変動せず、胸骨圧迫中において患者Ｐへの胸骨圧迫が規則的に行われている場合は比較的規則的に変動する。
　ここで、判別対象とするアナログ信号には、胸骨圧迫に伴うノイズ（アーチファクト）が一部又は全体にわたって含まれていてもよいし、全く含まれてなくてもよい。
　なお、体表心電図信号を、このような離散的データに変換して出力する機能は市販のＡＥＤに備わっている機能であり、胸郭インピーダンス信号を、同様の離散的データに変換して出力する機能についても市販のＡＥＤに容易に追加できる機能である。
　本実施例の心電図信号サンプリング手段１２は、体表心電図信号を１２０～３６０Ｈｚのサンプリング周波数でサンプリングして得られた離散的データを、さらに６０Ｈｚ程度のサンプリング周波数でダウンサンプリングして心電図離散データに変換する。
　また、本実施例のインピーダンス信号サンプリング手段２２は、胸郭インピーダンス信号を６０～３６０Ｈｚのサンプリング周波数でサンプリングして得られた離散的データを、さらに６０Ｈｚ程度のサンプリング周波数でダウンサンプリングしてインピーダンス離散データに変換する。
　このようなダウンサンプリングを行う理由は、体表心電図信号及び胸郭インピーダンス信号には３０Ｈｚ以上の周波数成分がほとんど含まれていないこと、及び一般的なＡＥＤでは低周波通過フィルターによって３０Ｈｚ以上の周波数成分が取り除かれていることが多いからである。
　そのため、ダウンサンプリングを施した心電図離散データを用いても体表心電図信号及び胸郭インピーダンス信号に含まれる情報が損なわれることはなく、また、ダウンサンプリングによってデータ量を小さくすることができるので、その後の計算処理に必要な時間を短縮することができる。
　心電図スペクトログラム変換手段１３は、心電図信号サンプリング手段１２から心電図離散データを受信すると、短時間フーリエ変換（ＳＴＦＴ：short-time Fourier transform）によって心電図スペクトログラムに変換し、心電図スペクトログラムを出力する。
　また、インピーダンススペクトログラム変換手段２３は、インピーダンス信号サンプリング手段２２からインピーダンス離散データを受信すると、短時間フーリエ変換（ＳＴＦＴ：short-time Fourier transform）によってインピーダンススペクトログラムに変換し、インピーダンススペクトログラムを出力する。
　本実施例では、図３に示すように、受信した心電図離散データ及びインピーダンス離散データから約１２秒間にわたる範囲を抽出して判別対象区間とする。その判別対象区間から１２８ｍｓの時間差で、約２秒間ずつの微小区間データを分割抽出（重複を許す）し、それぞれの微小区間データに対して短時間フーリエ変換を施すことによって判別対象区間の心電図離散データ及びインピーダンス離散データを、それぞれ心電図スペクトログラム及びインピーダンススペクトログラムに変換した。
　判別対象区間のデータ長、データ抽出の時間差、微小区間のデータ長を上述の通りとした場合、生成される心電図スペクトログラム及びインピーダンススペクトログラムは、いずれも図４に示すような時間軸に沿って８０行、周波数軸に沿って６４列のマトリクスデータとなる。
　なお、周波数軸に沿った列成分については、そのすべてを用いてもよいし、一部の低周波成分および高周波成分を除いてもよい。
　また、判別対象区間を長くした場合、あるいはデータ抽出の時間差を短くした場合には、時間軸方向に沿った行数が増え、微小区間を長くした場合には周波数軸に沿った列数が増える。
　ＣＮＮ４は、入力層４Ｉ、出力層４Ｏ、サンプルデータ蓄積手段４Ｌ、サンプルデータ蓄積手段４Ｌに多数のサンプルデータを入力するサンプルデータ入力手段４Ｔ並びに図示しない複数の畳み込み層、プーリング層、ＢＮ層（Batch-normalization層）、ドロップアウト層（drop-out層）、全結合層、その他で構築される。
　一般には２～３層の畳み込み層と１層のプーリング層を組み合わせたものを１単位とし、この数単位を直列させたものに、さらに２～４層の全結合層を組み合わせることが多い。
　なお、サンプルデータは、胸骨圧迫中の被検者から取得したサンプル心電図スペクトログラム及びサンプルインピーダンススペクトログラム並びにそれぞれのサンプル心電図スペクトログラム及びサンプルインピーダンススペクトログラムに対する電気ショックの必要性についてのサンプル回答データからなるものである。
　そして、本発明では多数のサンプルデータを蓄積する必要があるが、胸骨圧迫を中断して電気ショックの必要性を判別する時だけでなく、胸骨圧迫中に被検者から体表心電図信号及び胸郭インピーダンス信号を取得することは容易なので、両方の状態における体表心電図信号及び胸郭インピーダンス信号に基づけば、被検者に対するサンプル心電図スペクトログラム、サンプルインピーダンススペクトログラム及びサンプル回答データは容易に入手できる。
　また、ＢＮ層及びドロップアウト層は必ずしも必要ないが、ニューラルネットワーク中に挿入することにより、ニューラルネットワーク全体のパフォーマンス向上が期待できる。
　入力層４Ｉには、上述の８０行、６４列のマトリクスデータ（心電図スペクトログラム１層とインピーダンススペクトログラム１層を重ね合わせた合計２層）が与えられる。
　また、心電図スペクトログラム及びインピーダンススペクトログラムとしては、一般的な信号強度（パワーまたはマグニチュード）の二次元配列だけでなく、フーリエ級数の係数として得られる複素数の実数部と虚数部、それぞれの係数を独立した情報として取り扱う目的で、これらを２層の二次元配列とみなして用いることもできる（複素型スペクトログラム）。この場合には信号強度だけでなく、実数部と虚数部の間の位相差に関する情報が保持されるため、判別精度が若干向上するが、判別のための計算に要する時間が延長する。あるいは同様の目的で、複素数型スペクトログラムから得られる信号強度と位相角を、それぞれ独立した情報として２層の二次元配列として用いてもよい（信号強度・位相角スペクトログラム）。
　出力層４Ｏからは、電気ショック適応の判別結果を表すベクトル（１次元行列）データが出力され、その要素数は体表心電図信号及び胸郭インピーダンス信号を分類する区分数となる。
　例えば、体表心電図信号及び胸郭インピーダンス信号を「電気ショックの適応あり」又は「電気ショックの適応なし」の２つに分類する場合は要素数２、体表心電図信号及び胸郭インピーダンス信号を「電気ショックの適応あり」、「心静止」又は「無脈性電気活動」の３つに分類する場合は要素数３である。
　ＣＮＮ４は、サンプルデータ蓄積手段４Ｌに蓄えられる多数のサンプルデータ（通常は数万人～数百万人の被検者から取得したデータ）を自己学習させることによって最適化される。そして、十分な数（通常は数１０万以上）のサンプルデータによって最適化されたパラメータを用いることにより９９．５％以上の判別精度を得ることができる。
　また、サンプルデータの蓄積数は多いほど判別精度が向上するため、本実施例では、心肺蘇生中の患者に対して電気ショックを施し、蘇生した場合の心電図スペクトログラム、インピーダンススペクトログラム及び電気ショック適応データ（適応あり）をサンプルデータとしてサンプルデータ蓄積手段４Ｌに蓄積できるようになっている。
　電気ショック適応報知手段５は、ＣＮＮ４の出力が「電気ショックの適応あり」を示す場合には、患者Ｐへの電気ショックが必要である旨の報知を行い、同出力が「電気ショックの適応なし」（要素数２）又は「心静止」若しくは「無脈性電気活動」（要素数３）である場合には、患者Ｐへの電気ショックが必要ない旨の報知を行う。
　例えば、画面上に心電図を表示する場合、「電気ショックの適応あり」では心電図を赤色で表示し、「電気ショックの適応なし」等では心電図を緑色で表示する方法、画面上に必要性の有無を表示する場合、「電気ショックの適応あり」では「必要有り」を表示し、「電気ショックの適応なし」等では「必要無し」を表示する方法、音声で知らせる場合「電気ショックの適応あり」では「必要です」と発音させ、「電気ショックの適応なし」等では「必要なし」と発音させる方法などが挙げられる。
　図５は、上述の手法（アルゴリズム）を示すフロー図であり、以下の手順で電気ショックが必要であるか否か判別し報知する。
　なお、（２－１）（３－１）の手順と（２－２）（３－２）の手順は並行して行える。
（１）体表心電図信号及び胸郭インピーダンス信号（アナログ信号）を取得する。
（２－１）判別対象区間（約１２秒間）のアナログ信号をデジタルサンプリングする。
　１２０～３６０Ｈｚのサンプリング周波数でサンプリングした後、さらに６０Ｈｚ程度のサンプリング周波数でダウンサンプリングして心電図離散データに変換する。
（３－１）心電図離散データを、短時間フーリエ変換（ＳＴＦＴ）によってスペクトログラムに変換し、心電図スペクトログラムを出力する。
（２－２）判別対象区間（約１２秒間）のアナログ信号をデジタルサンプリングする。
　６０～３６０Ｈｚのサンプリング周波数でサンプリングした後、さらに６０Ｈｚ程度のサンプリング周波数でダウンサンプリングしてインピーダンス離散データに変換する。
（３－２）インピーダンス離散データを、短時間フーリエ変換（ＳＴＦＴ）によってスペクトログラムに変換し、インピーダンススペクトログラムを出力する。
（４）心電図スペクトログラム及びインピーダンススペクトログラムを畳み込みニューラルネットワークに送る。
（５）畳み込みニューラルネットワークが電気ショックの適応を判別する。
（６）判別結果に基づいた報知（電気ショックが必要又は必要ない旨の報知）を行う。
（７）以後、１００～２００ｍｓの時間間隔（判別を行うコンピュータの性能によって異なる）で、図６に示すように新たな判別対象区間（約１２秒間）について、（２－１）（３－１）の手順と（２－２）（３－２）の手順及び（４）～（６）の手順を繰り返すことにより、事実上、連続的・リアルタイムの判別及び報知を行う。
　実施例の変形例を列記する。
（１）実施例においては、体表心電図信号を１２０～３６０Ｈｚのサンプリング周波数でデジタルサンプリングされたデータ及び胸郭インピーダンス信号を６０～３６０Ｈｚのサンプリング周波数でデジタルサンプリングされたデータを、それぞれ６０Ｈｚ程度のサンプリング周波数でダウンサンプリングして心電図離散データ及びインピーダンス離散データに変換しているが、ダウンサンプリングしなくても良い。
　また、体表心電図信号を直接６０Ｈｚ程度のサンプリング周波数でサンプリングして心電図離散データに変換しても良い。
　さらに、ダウンサンプリングにおけるサンプリング周波数は６０Ｈｚに限らず、４０～８０Ｈｚの範囲で選択できる。
（２）実施例においては、約１２秒間の心電図離散データ及びインピーダンス離散データを判別対象とし、そのデータから約２秒間の微小区間データを、それぞれ１２８ｍｓの時間差で抽出した上で、短時間フーリエ変換を施して心電図スペクトログラム及びインピーダンススペクトログラムに変換したが、微小区間抽出の時間差については１２８ｍｓに代えて３２～２５６ｍｓの範囲で選択でき、微小区間データについては２秒間に代えて０．３～４秒間の範囲で選択できる。
　なお、微小区間のデータ長を長くすると、スペクトログラムの時間分解能は下がるが、フーリエ変換に利用できるデータ数が増えるので、周波数分解能は向上する。逆に微小区間のデータ長を短くすると、スペクトログラムの時間分解能は上がるが、周波数分解能が低下する。
　また、判別対象区間を長くすると、判別精度は向上するが、畳み込みニューラルネットワークの計算量が増加するため、計算処理時間が延長するほか、体表心電図信号又は胸郭インピーダンス信号が変化した場合、その変化が検出されるまでの時間が延長する（時間応答性の低下）。例えば、判別対象区間を１２秒とした場合、体表心電図信号が除細動適応波形から非適応波形に変化した場合、それが判別結果に反映されるまでに（理論上は）約６秒を要する。ただし、本発明は事実上連続的な判別を可能としているため、このような時間遅れが実用上の問題となることはない。逆に判別対象区間を短くすると、時間応答性は向上するが、判別精度は低下する。
　そして、判別対象区間のデータ長、微小区間のデータ長、微小区間抽出の際の時間差については、それぞれ４～２０秒、１～３秒、１００～２００ｍｓの範囲から選択するのが好ましく、さらに、それぞれ８～１５秒、１．５～２．５秒、１００～１５０ｍｓの範囲から選択するのがより好ましい。
（３）実施例においては、心電図離散データ及びインピーダンス離散データを、それぞれ短時間フーリエ変換（ＳＴＦＴ）によってスペクトログラムに変換し、心電図スペクトログラム及びインピーダンススペクトログラムを出力しているが、心電図離散データ及びインピーダンス離散データからスペクトル強度を求める変換手法であればどのような手法を用いても良い。
１１　心電図信号取得手段　　　１２　心電図信号サンプリング手段
１３　心電図スペクトログラム変換手段　　　
２１　インピーダンス信号取得手段　　　２２　インピーダンス信号サンプリング手段
２３　インピーダンススペクトログラム変換手段
　４　畳み込みニューラルネットワーク　　　４Ｉ　入力層
４Ｌ　サンプルデータ蓄積手段　　　４Ｏ　出力層　　　４Ｔ　サンプルデータ入力手段
　５　電気ショック適応報知手段
　Ｐ　心肺蘇生中の患者

Claims (3)

  1. 　胸骨圧迫中の患者に対する電気ショックの必要性を判別する心電解析システムであって、
    　前記患者から体表心電図信号を取得する心電図信号取得手段と、
    　前記患者から胸郭インピーダンス信号を取得するインピーダンス信号取得手段と、
    　前記体表心電図信号をデジタルサンプリングして、心電図離散データに変換する心電図信号サンプリング手段と、
    　前記胸郭インピーダンス信号をデジタルサンプリングして、インピーダンス離散データに変換するインピーダンス信号サンプリング手段と、
    　前記心電図離散データを心電図スペクトログラムに変換する心電図スペクトログラム変換手段と、
    　前記インピーダンス離散データをインピーダンススペクトログラムに変換するインピーダンススペクトログラム変換手段と、
    　入力された前記心電図スペクトログラム及び前記インピーダンススペクトログラムに対する電気ショックの必要性についての判別結果を出力する畳み込みニューラルネットワークと、
    　前記判別結果に応じて、前記患者への電気ショックの必要性に関する報知を行う電気ショック適応報知手段を備え、
    　前記畳み込みニューラルネットワークは、胸骨圧迫中の多数の被検者から取得したサンプル体表心電図信号を前記心電図信号サンプリング手段及び前記心電図スペクトログラム変換手段と同じ条件で変換して得られたサンプル心電図スペクトログラム並びに前記多数の被検者から取得したサンプル胸郭インピーダンス信号を前記インピーダンス信号サンプリング手段及び前記インピーダンススペクトログラム変換手段と同じ条件で変換して得られたサンプルインピーダンススペクトログラムと、それぞれのサンプル心電図スペクトログラム及びサンプルインピーダンススペクトログラムに対する電気ショックの必要性についてのサンプル回答データからなるサンプルデータが予め与えられ、自己学習させることによって最適化されており、
    　前記心電図スペクトログラム変換手段が、所定時間の心電図離散データを、一定の時間差で、それぞれ特定時間の微小区間に分割して短時間フーリエ変換を施し、
    　前記サンプル心電図スペクトログラムは、時間軸に沿って前記一定の時間差毎に得られる複数行及び周波数軸に沿って得られる複数列の心電図マトリクスデータであり、
    　前記インピーダンススペクトログラム変換手段が、前記所定時間のインピーダンス離散データを、前記一定の時間差で、それぞれ前記特定時間の微小区間に分割して短時間フーリエ変換を施し、
    　前記サンプルインピーダンススペクトログラムは、時間軸に沿って前記一定の時間差毎に得られる複数行及び周波数軸に沿って得られる複数列のインピーダンスマトリクスデータである
    　ことを特徴とする心電解析システム。
  2. 　前記心電図信号サンプリング手段が、前記体表心電図信号を１２０～３６０Ｈｚのサンプリング周波数でサンプリングする手段と、４０～８０Ｈｚのサンプリング周波数でダウンサンプリングする手段からなり、
    　前記インピーダンス信号サンプリング手段が、前記胸郭インピーダンス信号を６０～３６０Ｈｚのサンプリング周波数でサンプリングする手段と、４０～８０Ｈｚのサンプリング周波数でダウンサンプリングする手段からなる
    　ことを特徴とする請求項１に記載の心電解析システム。
  3. 　前記所定時間が４～２０秒間であり、
    　前記一定の時間差が１００～２００ｍｓの時間差であり、
    　前記特定時間が１～３秒間である
    　ことを特徴とする請求項１又は２に記載の心電解析システム。
PCT/JP2021/004114 2020-01-31 2021-02-04 心電解析システム WO2021153801A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202180026660.5A CN115361907A (zh) 2020-01-31 2021-02-04 心电解析系统
US17/759,543 US20230089350A1 (en) 2020-01-31 2021-02-04 Electrocardiogram analysis system
EP21748383.3A EP4098197A4 (en) 2020-01-31 2021-02-04 ELECTROCARDIOGRAM ANALYSIS SYSTEM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-015346 2020-01-31
JP2020015346A JP7394642B2 (ja) 2020-01-31 2020-01-31 心電解析システム

Publications (1)

Publication Number Publication Date
WO2021153801A1 true WO2021153801A1 (ja) 2021-08-05

Family

ID=77079178

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/004114 WO2021153801A1 (ja) 2020-01-31 2021-02-04 心電解析システム

Country Status (5)

Country Link
US (1) US20230089350A1 (ja)
EP (1) EP4098197A4 (ja)
JP (1) JP7394642B2 (ja)
CN (1) CN115361907A (ja)
WO (1) WO2021153801A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0340939B2 (ja) 1981-09-01 1991-06-20
JP2005339533A (ja) * 2004-05-12 2005-12-08 Zoll Medical Corp Ｅｃｇ調律助言方法
JP2016515031A (ja) * 2013-03-14 2016-05-26 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ ショックの成果を同定する窓関数の適用
WO2018050092A1 (zh) 2016-09-14 2018-03-22 四川蓝光英诺生物科技股份有限公司 人工组织前体及制备其的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006509614A (ja) * 2002-12-13 2006-03-23 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ 前胸部圧縮停止により活性化されるショックを有する外部除細動装置
WO2011134499A1 (en) * 2010-04-27 2011-11-03 St. Jude Medical Ab Arrhythmia classification
US20170095214A1 (en) * 2014-06-26 2017-04-06 University Of Washington Apparatuses and methods for determining whether cardiopulmonary resuscitation is conducted based on an impedance signal
JP6640939B1 (ja) * 2018-08-06 2020-02-05 哲生 畑中 心電解析システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0340939B2 (ja) 1981-09-01 1991-06-20
JP2005339533A (ja) * 2004-05-12 2005-12-08 Zoll Medical Corp Ｅｃｇ調律助言方法
JP2016515031A (ja) * 2013-03-14 2016-05-26 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ ショックの成果を同定する窓関数の適用
WO2018050092A1 (zh) 2016-09-14 2018-03-22 四川蓝光英诺生物科技股份有限公司 人工组织前体及制备其的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HATANAKA TETSUO, ET. AL.: "Judgment of adaptation to an electric shock during chest compression by AI", NIHON KYUKYU IGAKUKAI ZASSHI, 9 September 2019 (2019-09-09), XP055844496, Retrieved from the Internet <URL:https://onlinelibrary.wiley.com/doi/epdf/10.1002/jja2.12406> DOI: 10.1002/jja2.12406 *
See also references of EP4098197A4

Also Published As

Publication number Publication date
EP4098197A1 (en) 2022-12-07
CN115361907A (zh) 2022-11-18
EP4098197A4 (en) 2024-01-24
JP7394642B2 (ja) 2023-12-08
JP2021122303A (ja) 2021-08-30
US20230089350A1 (en) 2023-03-23

Similar Documents

Publication Publication Date Title
Amann et al. Detecting ventricular fibrillation by time-delay methods
Anas et al. Sequential algorithm for life threatening cardiac pathologies detection based on mean signal strength and EMD functions
CN104363823B (zh) 用于在cpr期间分析心律的方法和装置
Amann et al. A new ventricular fibrillation detection algorithm for automated external defibrillators
CN109893118A (zh) 一种基于深度学习的心电信号分类诊断方法
Manik et al. Classification of electrocardiogram signals using principal component analysis and levenberg marquardt backpropagation for detection ventricular tachyarrhythmia
JP6640939B1 (ja) 心電解析システム
Manibardo et al. ECG-based random forest classifier for cardiac arrest rhythms
Ross-Howe et al. Atrial fibrillation detection using deep features and convolutional networks
KR101251081B1 (ko) 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법
Akhmed-Zaki et al. Using Wavelet Transform and Machine Learning to Predict Heart Fibrillation Disease on ECG
WO2021153801A1 (ja) 心電解析システム
Isasi et al. A robust machine learning architecture for a reliable ECG rhythm analysis during CPR
Pestana et al. Detection of Abnormalities in Electrocardiogram (ECG) using Deep Learning.
Kusumandari et al. Application of convolutional neural network classifier for wireless arrhythmia detection
WO1992020284A1 (en) Seismocardiographic analysis system
Hajeb-M et al. Enhancing the accuracy of shock advisory algorithms in automated external defibrillators during ongoing cardiopulmonary resuscitation using a deep convolutional Encoder-Decoder filtering model
Isasi et al. ECG rhythm analysis during manual chest compressions using an artefact removal filter and random forest classifiers
Isasi et al. Detection of shockable rhythms using convolutional neural networks during chest compressions provided by a load distributing band
Dembrani et al. Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE
Meltzer et al. A clustering approach to construct multi-scale overcomplete dictionaries for ECG modeling
Zulfiqar et al. Abnormality detection in cardiac signals using pseudo Wigner-Ville distribution with pre-trained convolutional neural network
US20240000364A1 (en) Biosignal analysis system
RU2737860C1 (ru) Способ и устройство поддержки принятия решения при оказании экстренной кардиологической помощи
Barbieri et al. Continuous quantification of respiratory and baroreflex control of heart rate: use of time-variant bivariate spectral analysis

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: 21748383

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021748383

Country of ref document: EP

Effective date: 20220831