WO2022202943A1 - 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム - Google Patents

心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム Download PDF

Info

Publication number
WO2022202943A1
WO2022202943A1 PCT/JP2022/013744 JP2022013744W WO2022202943A1 WO 2022202943 A1 WO2022202943 A1 WO 2022202943A1 JP 2022013744 W JP2022013744 W JP 2022013744W WO 2022202943 A1 WO2022202943 A1 WO 2022202943A1
Authority
WO
WIPO (PCT)
Prior art keywords
waveform data
electrocardiogram
analysis
peak
waveform
Prior art date
Application number
PCT/JP2022/013744
Other languages
English (en)
French (fr)
Inventor
淳 荻野
光久 清水
英樹 橋本
敏也 香川
Original Assignee
アステラス製薬株式会社
株式会社エムハート
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 アステラス製薬株式会社, 株式会社エムハート filed Critical アステラス製薬株式会社
Priority to EP22775725.9A priority Critical patent/EP4316375A1/en
Priority to KR1020237036148A priority patent/KR20230159567A/ko
Priority to AU2022243341A priority patent/AU2022243341A1/en
Priority to CA3213194A priority patent/CA3213194A1/en
Priority to BR112023019428A priority patent/BR112023019428A2/pt
Priority to CN202280024488.4A priority patent/CN117425431A/zh
Priority to IL307211A priority patent/IL307211A/en
Publication of WO2022202943A1 publication Critical patent/WO2022202943A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • 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
    • A61B5/355—Detecting T-waves
    • 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
    • A61B5/36—Detecting PQ interval, PR interval or QT interval
    • 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
    • A61B5/24—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
    • A61B5/24—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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H40/67—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 remote operation
    • 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 electrocardiogram analysis support device, a program, an electrocardiogram analysis support method, and an electrocardiogram analysis support system.
  • a heartbeat type of a training heartbeat waveform is output based on input data about a training heartbeat waveform generated from a data set including a plurality of heartbeat waveform data.
  • Generate the learning model determine the loss weight for each batch sampled from the dataset, and then train the learning model by determining the loss function based on the loss weight for each batch to learn the heart rate waveform for testing. Aspects of inputting a model to classify the heartbeat type of a test heartbeat waveform are described.
  • International Publication No. 2016/092707 discloses a technology for estimating the time of eating for the purpose of preventing lifestyle-related diseases such as metabolic syndrome or diabetes, dieting, and / or healthcare such as medical services.
  • the time-series data of the heart rate is acquired, and for each partial data included in the time-series data of the heart rate, the peak of the heart rate precedes the first peak that appears after the start of the meal.
  • a feature amount related to the second peak that appears is calculated, and using the feature amount related to the second peak calculated for each of the partial data, the presence or absence of a meal in the partial data is determined, and the partial data determined to include the meal.
  • a meal estimating program characterized by executing a process of estimating a meal time from .
  • the present disclosure has been made in view of the above problems, and aims to provide an electrocardiogram analysis support device and program that can contribute to specifying the type of electrocardiogram waveform to be analyzed.
  • waveform data of a partial section of waveform data in an electrocardiogram is used as input information, and indicates whether or not a predetermined type of peak related to the analysis of the electrocardiogram exists in the waveform data.
  • An electrocardiogram analysis support device using a peak estimation model in which peak information is output information comprising an analysis waveform acquisition unit for acquiring waveform data in an electrocardiogram to be analyzed, and the analysis waveform acquired by the analysis waveform acquisition unit an analysis waveform clipping unit for clipping waveform data of a predetermined first period from the waveform data as analysis segmented waveform data; an intermediate information acquiring unit for acquiring intermediate information indicating characteristics of peak shapes included in the segmented waveform data for analysis generated in the intermediate layer of the peak estimation model by inputting to the model; and the intermediate information acquiring unit. and a classification unit that classifies the type of the electrocardiogram waveform to be analyzed using the intermediate information acquired by the electrocardiogram analysis support apparatus.
  • a second aspect of the present disclosure is the electrocardiogram analysis support device of the first aspect, wherein the waveform type is a standard type, a type with a larger T wave than the standard type, and a type with a QRS wave larger than the standard type. It includes at least two types of wide type and other type.
  • a third aspect of the present disclosure is the electrocardiogram analysis support device according to the first aspect or the second aspect, wherein the classification unit performs the classification by clustering the intermediate information.
  • waveform data of a partial section of waveform data in an electrocardiogram is used as input information, and indicates whether or not a predetermined type of peak related to the analysis of the electrocardiogram exists in the waveform data.
  • a program using a peak estimation model in which peak information is output information obtains waveform data in an electrocardiogram to be analyzed, and uses waveform data for a predetermined first period from the obtained waveform data for analysis. Extracting as segmented waveform data, inputting the segmented waveform data for analysis into the peak estimation model, and generating in the intermediate layer of the peak estimation model, the feature of the shape of the peak included in the segmented waveform data for analysis.
  • waveform data of a partial section of waveform data in an electrocardiogram is used as input information, and indicates whether or not a predetermined type of peak related to the analysis of the electrocardiogram exists in the waveform data.
  • segmented waveform data for analysis data for analysis
  • a sixth aspect of the present disclosure is an electrocardiogram analysis support device according to any one of claims 1 to 3, and transferring waveform data in an electrocardiogram to be analyzed to the electrocardiogram analysis support device, and a terminal device that receives and presents information obtained by the electrocardiogram analysis support device in response to transfer of waveform data.
  • FIG. 1 is a block diagram showing an example of a hardware configuration of an electrocardiogram analysis support device according to an embodiment
  • FIG. FIG. 4 is a schematic diagram showing an example of data flow of a peak estimation model and an interval estimation model according to one embodiment
  • FIG. 4 is a block diagram showing an example of a functional configuration during learning of a peak estimation model and an interval estimation model of the electrocardiogram analysis support device according to one embodiment
  • FIG. 3 is a block diagram showing an example of the functional configuration of the electrocardiogram analysis support device according to one embodiment when the peak estimation model and the interval estimation model are in operation
  • 7 is a graph for explaining clustering using a Gaussian mixture model according to one embodiment
  • FIG. 10 is a schematic diagram illustrating an example of a usage state of a middle layer of a peak estimation model according to one embodiment
  • FIG. 3 is a schematic diagram showing an example of a configuration of a first waveform data database for learning according to one embodiment
  • FIG. 5 is a schematic diagram showing an example of a configuration of a second waveform data database for learning according to one embodiment
  • 6 is a flowchart illustrating an example of learning processing according to one embodiment
  • 6 is a flowchart showing an example of electrocardiogram analysis support processing according to one embodiment.
  • FIG. 10 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a waveform diagram showing an example of an extraction state of first analysis segmented waveform data.
  • FIG. 10 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a waveform diagram showing an example of a cutout state of second analysis segmented waveform data.
  • FIG. 4 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a schematic diagram showing an example of a contraction state of outputs from a peak estimation model.
  • FIG. FIG. 4 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a schematic diagram showing an example of an output from an interval estimation model;
  • FIG. FIG. 4 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a schematic diagram showing an example of a synthetic state of an output of a peak estimation model and an output of an interval estimation model;
  • FIG. 4 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a schematic diagram showing an example of a modified state of a result of synthesizing an output of a peak estimation model and an output of an interval estimation model;
  • FIG. 10 is a front view showing an example of the configuration of a result screen displayed during execution of electrocardiogram analysis support processing according to one embodiment;
  • FIG. 4 is a diagram for explaining electrocardiogram analysis support processing according to an embodiment, and is a waveform diagram showing an example of various types of electrocardiogram waveforms indicated by classification result information.
  • an electrocardiogram analysis support device according to the technology of the present disclosure is applied to an information processing device such as a stationary personal computer.
  • an information processing device such as a stationary personal computer
  • the application target of the technology of the present disclosure is not limited to stationary information processing devices, and can also be applied to other portable information processing devices such as smartphones, portable game devices, tablet terminals, and notebook personal computers. can be applied.
  • FIG. 1 is a block diagram showing an example of the hardware configuration of an electrocardiogram analysis support apparatus according to one embodiment.
  • FIG. 2 is a schematic diagram showing an example of the data flow of the peak estimation model and the section estimation model according to one embodiment.
  • FIG. 3 is a block diagram showing an example of the functional configuration of the electrocardiogram analysis support apparatus according to one embodiment during learning of the peak estimation model and the interval estimation model.
  • FIG. 4 is a block diagram showing an example of a functional configuration of the electrocardiogram analysis support device according to one embodiment when the peak estimation model and the interval estimation model are operated.
  • FIG. 5 is a graph for explaining clustering using a Gaussian mixture model according to one embodiment.
  • FIG. 6 is a schematic diagram showing an example of the utilization state of the intermediate layer of the peak estimation model according to one embodiment.
  • an electrocardiogram analysis support device 10 includes a CPU (Central Processing Unit) 11, a memory 12 as a temporary storage area, a nonvolatile storage unit 13, and an input unit such as a keyboard and mouse. 14.
  • the electrocardiogram analysis support device 10 according to this embodiment also includes a display unit 15 such as a liquid crystal display, and a medium read/write device (R/W) 16 .
  • the electrocardiogram analysis support device 10 according to this embodiment includes a communication interface (I/F) section 18 and an audio output section 19 .
  • CPU 11, memory 12, storage unit 13, input unit 14, display unit 15, medium read/write device 16, communication I/F unit 18, and audio output unit 19 are connected to each other via bus B.
  • the medium read/write device 16 reads information written in the recording medium 17 and writes information to the recording medium 17 .
  • the storage unit 13 is implemented by a HDD (Hard Disk Drive), SSD (Solid State Drive), flash memory, or the like.
  • a learning program 13A and an electrocardiogram analysis support program 13B are stored in the storage unit 13 as a storage medium.
  • the learning program 13A is stored in the storage unit 13 by setting the recording medium 17 in which the program 13A is written to the medium reading/writing device 16 and reading the program 13A from the recording medium 17 by the medium reading/writing device 16. be.
  • the electrocardiogram analysis support program 13B is set in the medium reading/writing device 16 by setting the recording medium 17 in which the program 13B is written, and the medium reading/writing device 16 reads the program 13B from the recording medium 17.
  • the CPU 11 reads the learning program 13A and the electrocardiogram analysis support program 13B from the storage unit 13, develops them in the memory 12, and sequentially executes the processes of the learning program 13A and the electrocardiogram analysis support program 13B.
  • the learning program 13A and the electrocardiogram analysis support program 13B are installed in the electrocardiogram analysis support device 10 via the recording medium 17, but this is not the only option. do not have.
  • the learning program 13A and the electrocardiogram analysis support program 13B may be installed in the electrocardiogram analysis support apparatus 10 by downloading via the communication I/F unit 18 .
  • the storage unit 13 stores a peak estimation model 13C and an interval estimation model 13D.
  • the peak estimation model 13C uses waveform data of a partial section of the waveform data in an electrocardiogram as input information, and determines whether or not a predetermined type of peak related to electrocardiogram analysis exists in the waveform data. is output information.
  • the predetermined types include all of the first type indicating normal or premature atrial contraction, the second type indicating atrial fibrillation, and the third type indicating ventricular premature contraction. is intended to include, but is not limited to. For example, one of these three types or a combination of two types may be included as the predetermined type, or other types of arrhythmia may be added to the three types, and the predetermined type It may be included as In the following, the first type is also expressed as "N or S" or "N”, the second type is also expressed as "small_n” or "n”, and the third type is also expressed as "PVC" or "V". express. Further, hereinafter, the type when the predetermined type of peak does not exist is also expressed as "FALSE".
  • the peak estimation model 13C includes information indicating the type of arrhythmia, such as "N or S", in addition to "FALSE" described above, when it is not "FALSE", that is, when the peak exists. It is supposed to be output as peak information.
  • the waveform data of a partial section of the waveform data in the electrocardiogram is used as input information, and the section corresponding to the waveform data is one of the predetermined types of sections.
  • Section type information indicating which section is the output information.
  • the predetermined types of intervals are a normal interval, an atrial fibrillation interval, and a non-analysis interval, which is an interval excluded from analysis. , but is not limited to this.
  • a combination of two types out of these three types may be included as the predetermined type of section, or another section may be added to the three types as the predetermined type of section. may be included.
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • the peak estimation model 13C and the interval estimation model 13D include four CNN layers each including a convolution layer and a pooling layer, and two dense layers. A one-dimensional CNN is applied.
  • the storage unit 13 also stores a first learning waveform data database 13E and a second learning waveform data database 13F. Details of the first learning waveform data database 13E and the second learning waveform data database 13F will be described later.
  • the electrocardiogram analysis support device 10 during learning of the peak estimation model 13C and the interval estimation model 13D includes a learning waveform acquisition unit 11A and a learning waveform extraction unit 11B.
  • the CPU 11 of the electrocardiogram analysis support apparatus 10 executes the learning program 13A, thereby functioning as a learning waveform acquisition section 11A and a learning waveform extraction section 11B.
  • the learning waveform acquisition unit 11A acquires waveform data (hereinafter referred to as "learning waveform data") in an electrocardiogram to be learned for each of the peak estimation model 13C and the interval estimation model 13D.
  • learning waveform data for the peak estimation model 13C (hereinafter referred to as “first learning waveform data”) is acquired by reading from a first learning waveform data database 13E, which will be described later.
  • learning waveform data for the section estimation model 13D (hereinafter referred to as “second learning waveform data”) is acquired by reading from a second learning waveform data database 13F, which will be described later.
  • the present invention is not limited to this form, and a form in which waveform data obtained by an electrocardiograph is directly acquired as learning waveform data via the communication I/F section 18 or the like may be employed.
  • the learning waveform cutout section 11B obtains a predetermined first period (hereinafter simply referred to as “first period”) from the first learning waveform data acquired by the learning waveform acquisition section 11A. ) is cut out as segmented waveform data for learning (hereinafter referred to as “first segmented waveform data for learning”).
  • the learning waveform clipping unit 11B cuts out the first segmented waveform data for learning by clipping the waveform data of the first period around the center of the time axis in the first waveform data for learning.
  • the waveform data of the first period may be cut out with the leading end of the time axis in the first learning waveform data as the leading end, or the trailing end of the time axis in the first learning waveform data may be set as the trailing end. It is also possible to adopt a form in which waveform data for one period is cut out.
  • 2 seconds is applied as the first period, but it is not limited to this.
  • a period other than 2 seconds such as 1.8 seconds or 2.5 seconds, may be applied as the first period.
  • the reason why two seconds are applied as the first period is that the general interval between peaks in an electrocardiogram is about one second. You can get the information properly.
  • the learning waveform clipping unit 11B extracts a second period longer than the first period (hereinafter simply “ (hereinafter referred to as “the second period”) is cut out as segmented waveform data for learning (hereinafter referred to as “second segmented waveform data for learning”).
  • the learning waveform cutout section 11B cuts out the second learning segmented waveform data by cutting out the waveform data of the second period around the center of the time axis in the second learning waveform data.
  • the waveform data of the second period may be cut out with the leading end of the time axis in the second learning waveform data as the leading end, or the trailing end of the time axis in the second learning waveform data may be set as the trailing end. It is also possible to adopt a form in which waveform data for two periods are cut out.
  • 5 seconds is applied as the second period, but it is not limited to this.
  • a period other than 5 seconds such as 4.8 seconds or 5.5 seconds, may be applied as the second period.
  • the reason why 5 seconds is applied as the second period is that as a result of trial and error by the present inventors, if the second period is around 5 seconds, the atrial fibrillation interval and the non-analysis interval can be determined. This is because it was possible to obtain sufficient information and to suppress the coexistence of atrial fibrillation intervals and non-analysis intervals.
  • the peak estimation model 13C uses as input information the first learning segmented waveform data extracted by the learning waveform extraction unit 11B, and the peak information corresponding to the first learning segmented waveform data is machine-learned as output information.
  • the section estimation model 13D uses as input information the second learning sectioned waveform data cut out by the learning waveform section 11B, and the section type corresponding to the second learning sectioned waveform data Information is machine-learned as output information.
  • the electrocardiogram analysis support device 10 when operating the peak estimation model 13C and the interval estimation model 13D includes an analysis waveform acquisition unit 11C, an analysis waveform extraction unit 11D, a derivation unit 11E, a second analysis It includes a waveform cutout section 11F, a second derivation section 11G, an estimation section 11H, an intermediate information acquisition section 11I, and a classification section 11J.
  • the CPU 11 of the electrocardiogram analysis support device 10 executes the electrocardiogram analysis support program 13B to obtain the analysis waveform acquisition unit 11C, the analysis waveform cutout unit 11D, the derivation unit 11E, the second analysis waveform cutout unit 11F, the second It functions as a derivation unit 11G, an estimation unit 11H, an intermediate information acquisition unit 11I, and a classification unit 11J.
  • the analysis waveform acquisition unit 11C acquires waveform data (hereinafter referred to as "analysis waveform data") in an electrocardiogram to be analyzed.
  • the analysis waveform data is directly obtained from the electrocardiograph via the communication I/F unit 18 or the like.
  • the present invention is not limited to this form, and a form in which the waveform data of the electrocardiogram to be analyzed is stored in a database and read out from the database to obtain the waveform data for analysis may be employed.
  • the analysis waveform cutout section 11D predetermines the waveform data of the first period from the analysis waveform data acquired by the analysis waveform acquisition section 11C as a period shorter than the first period.
  • the segmented waveform data for first analysis is cut out while moving by each moving period (hereinafter simply referred to as "moving period").
  • 0.1 second is applied as the movement period in this embodiment, it is not limited to this.
  • another period shorter than the first period such as 0.05 seconds or 0.2 seconds, as the movement period.
  • the reason why 0.1 second is applied as the movement period is that, as a result of trial and error by the present inventors, if the movement period is around 0.1 second, non-detection of the electrocardiogram peak can be prevented. In addition, it was found that it is possible to prevent the operation time from becoming long.
  • the derivation unit 11E inputs the first analysis segmented waveform data cut out by the analysis waveform cutout unit 11D to the peak estimation model 13C, thereby providing the peak information to the peak estimation model 13C. Let it be derived.
  • the second analysis waveform clipping unit 11F clips waveform data of the second period as second analysis segmented waveform data from the analysis waveform data acquired by the analysis waveform acquisition unit 11C.
  • the second derivation unit 11G inputs the second analysis piecewise waveform data cut out by the second analysis waveform cutout unit 11F to the section estimation model 13D so that the section estimation model 13D The section type information is derived.
  • the estimating unit 11H receives the peak information derived by the peak estimation model 13C from the input of the first analysis segmented waveform data by the derivation unit 11E, and the second analysis segmented waveform by the second derivation unit 11G.
  • the segment estimation model 13D By synthesizing the segment type information derived by the segment estimation model 13D by inputting data, the situation indicated by the electrocardiogram to be analyzed is estimated.
  • the intermediate information acquiring unit 11I obtains the intermediate information of the peak estimation model 13C by inputting the first analysis segmented waveform data extracted by the analysis waveform extraction unit 11D into the peak estimation model 13C.
  • Intermediate information (hereinafter simply referred to as “intermediate information”) indicating the features of the shape of the peak included in the first analysis segmented waveform data generated in the layer is acquired.
  • the classification unit 11J classifies the types of electrocardiogram waveforms to be analyzed using the intermediate information acquired by the intermediate information acquisition unit 11I.
  • the waveform type includes a standard type, a type with a larger T wave than the standard type, a type with a wider QRS wave than the standard type, and other types.
  • a combination of two or three of these four types may be included as the waveform type, or a combination of the above four types and other types may be included as the waveform type. good too.
  • the classification unit 11J is configured to perform the above classification by clustering the intermediate information.
  • clustering using a Gaussian Mixture Model is applied as an example of the above clustering, as shown in FIG.
  • Clustering by a Gaussian mixture model is a method of approximating an arbitrary continuous function by summing a plurality of Gaussian distributions, and the number of Gaussian distributions is the number of classifications.
  • the above clustering is not limited to clustering using a Gaussian mixture model.
  • the above classification may be performed using another clustering method such as spectral clustering.
  • the data generated by the first Dense layer in the peak estimation model 13C is applied as intermediate information, and the data is clustered. used as
  • FIG. 7 is a schematic diagram showing an example of the configuration of the first learning waveform data database 13E according to one embodiment.
  • the first learning waveform data database 13E is for storing information related to the first learning waveform data used for learning the peak estimation model 13C.
  • the first learning waveform data database 13E stores information of waveform ID (Identification), waveform data, and peak information.
  • the waveform ID is information that is given in advance as being different for each waveform data in order to identify the corresponding waveform data.
  • the waveform data is information indicating the first learning waveform data itself, and the peak information is correct peak information (correct information) to be output from the peak estimation model 13C when the corresponding waveform data is input. ).
  • FIG. 8 is a schematic diagram showing an example of the configuration of the second learning waveform data database 13F according to one embodiment.
  • the second learning waveform data database 13F is for storing information related to the second learning waveform data used for learning the section estimation model 13D.
  • the second learning waveform data database 13F stores information such as waveform IDs, waveform data, and section type information.
  • the waveform ID is information that is given in advance as being different for each waveform data in order to identify the corresponding waveform data.
  • the waveform data is information indicating the second learning waveform data itself, and the section type information is correct section type information ( correct answer information).
  • FIG. 9 is a flowchart illustrating an example of learning processing according to one embodiment.
  • the learning process shown in FIG. 9 is executed by the CPU 11 of the electrocardiogram analysis support device 10 executing the learning program 13A.
  • the learning process shown in FIG. 9 is executed when the user inputs an instruction via the input unit 14 to start execution of the learning program 13A.
  • the first learning waveform data database 13E and the second learning waveform data database 13F have already been constructed will be described below.
  • the CPU 11 reads out a set of waveform data (first learning waveform data) and peak information from the first learning waveform data database 13E.
  • the CPU 11 cuts out the first learning divided waveform data from the read first learning waveform data as described above.
  • the CPU 11 performs machine learning on the peak estimation model 13C using the extracted first learning segmented waveform data as input information and the read peak information as output information (correct information).
  • the CPU 11 determines whether or not the machine learning at step 104 has been completed for all the waveform data stored in the first learning waveform data database 13E. On the other hand, if the determination is affirmative, the process proceeds to step 108 . It should be noted that when the processing of steps 100 to 106 is repeatedly executed, the CPU 11 makes the first learning waveform data to be processed, which has not been processed until then.
  • the CPU 11 reads out a set of waveform data (second learning waveform data) and section type information from the second learning waveform data database 13F.
  • the CPU 11 cuts out the second learning divided waveform data from the read second learning waveform data as described above.
  • the CPU 11 uses the extracted second learning segmented waveform data as input information and the read segment type information as output information (correct information) to machine-learn the segment estimation model 13D.
  • the CPU 11 determines whether or not the machine learning at step 112 has been completed for all the waveform data stored in the second learning waveform data database 13F. On the other hand, if the determination is affirmative, the learning process is terminated. It should be noted that when the processing of steps 108 to 114 is repeatedly executed, the CPU 11 makes the second learning waveform data, which has not been subjected to processing until then, subject to processing.
  • the peak estimation model 13C and the section estimation model 13D are learned. If the estimation accuracy of the peak estimation model 13C and the interval estimation model 13D obtained by the above learning process is not sufficient, the same learning process may be repeated.
  • FIG. 10 is a flowchart illustrating an example of electrocardiogram analysis support processing according to one embodiment.
  • FIG. 11 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a waveform diagram showing an example of an extraction state of segmented waveform data for first analysis.
  • FIG. 12 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a waveform diagram showing an example of a cutout state of the second segmented waveform data for analysis.
  • the CPU 11 of the electrocardiogram analysis support device 10 executes the electrocardiogram analysis support program 13B to execute the electrocardiogram analysis support process shown in FIG.
  • the electrocardiogram analysis support process shown in FIG. 10 is executed when the user inputs an instruction via the input unit 14 to start execution of the electrocardiogram analysis support program 13B.
  • finished is demonstrated.
  • an electrocardiogram (not shown) attached to a person whose electrocardiogram is to be analyzed is connected to the communication I/F unit 18 of the electrocardiogram analysis support device 10, and the waveform data of the electrocardiogram from the electrocardiogram is is in a receivable state by the electrocardiogram analysis support device 10 will be described.
  • the CPU 11 starts storing the waveform data received from the electrocardiogram (corresponding to the analysis waveform data described above, hereinafter referred to as "analysis waveform data") in the storage unit 13. do.
  • the CPU 11 determines whether or not a predetermined timing (hereinafter referred to as "first timing") has arrived for estimation by the peak estimation model 13C. Go to step 212 . Further, when the determination in step 202 is affirmative, the CPU 11 proceeds to step 204 .
  • the first timing the first period ends with a predetermined reference time (in the present embodiment, the time when the execution of the electrocardiogram analysis support process is started) as a starting point, and The timing is applied when the movement period ends.
  • the CPU 11 reads the analysis waveform data for the first period from the storage unit 13, thereby extracting the first analysis divided waveform data.
  • the CPU 11 inputs the extracted first analysis segmented waveform data to the peak estimation model 13C. Get output peak information.
  • the CPU 11 stores the acquired peak information in the storage section 13 .
  • the first segmented waveform data for analysis having a width of the first period (two seconds in this embodiment) is obtained.
  • step 212 the CPU 11 determines whether or not a predetermined timing (hereinafter referred to as "second timing") for performing estimation by the interval estimation model 13D has arrived. Go to step 222 . Further, when the determination in step 212 is affirmative, the CPU 11 proceeds to step 214 . Note that, in the present embodiment, the timing at which the second period ends with the reference time as a starting point is applied as the second timing.
  • the CPU 11 reads out the analysis waveform data for the second period from the storage unit 13, thereby cutting out the second analysis divided waveform data.
  • the CPU 11 inputs the segmented waveform data for second analysis into the section estimation model 13D. Acquire output section type information.
  • the CPU 11 stores the acquired section type information in the storage unit 13 .
  • the second analysis segmented waveform data having a width of the second period (5 seconds in this embodiment) is obtained as shown in FIG. 12 as an example. is input to the section estimation model 13D, and the section type information output from the section estimation model 13D is stored in the storage unit 13 accordingly.
  • step 222 the CPU 11 determines whether or not a predetermined timing (hereinafter referred to as "third timing”) has arrived as the timing for acquiring intermediate information to be clustered by the classification unit 11J. If the determination is made, the process proceeds to step 232 . Further, when the determination in step 222 is affirmative, the CPU 11 proceeds to step 224 .
  • the third timing the timing at which the peak information stored by the processing in step 210 is other than "FALSE", that is, the timing at which some peak is detected in the waveform data for analysis is applied.
  • the CPU 11 reads out the analysis waveform data for the first period from the storage unit 13, thereby extracting the analysis divided waveform data.
  • the CPU 11 inputs the segmented waveform data for analysis into the peak estimation model 13C.
  • intermediate information generated in the first Dense layer is obtained.
  • the CPU 11 stores the obtained intermediate information in the storage section 13 .
  • the CPU 11 determines whether or not a predetermined timing for ending the measurement (hereinafter referred to as "end timing") has arrived. If the determination is made, the process proceeds to step 234 .
  • the end timing the timing at which the number of occurrences of peaks in the analysis waveform data from the reference time reaches a predetermined threshold value (60 in the present embodiment) is applied. , but not limited to this. For example, a timing when a predetermined time (60 seconds in this embodiment) has passed from the reference time may be applied as the end timing.
  • the CPU 11 stops storing the analysis waveform data started by the process of step 200 in the storage unit 13 .
  • the CPU 11 reads from the storage unit 13 all of the peak information, section type information, and intermediate information stored by the above processing.
  • FIG. 13 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a schematic diagram showing an example of a contraction state of outputs from a peak estimation model.
  • FIG. 14 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a schematic diagram showing an example of an output from an interval estimation model.
  • FIG. 15 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a schematic diagram showing an example of a synthesized state of the output of the peak estimation model and the output of the interval estimation model.
  • FIG. 16 is a diagram for explaining an electrocardiogram analysis support process according to an embodiment, and is a schematic diagram showing an example of a modified state of the synthesized result of the output of the peak estimation model and the output of the interval estimation model.
  • each of the two-column diagrams in FIGS. 13 to 16 represents the elapsed time
  • the lower part represents the output information from the corresponding model.
  • "FALSE” is represented as "F”
  • "N or S” is represented as "N”
  • "PVC” is represented as "V”.
  • "small_n” is represented as "n”.
  • the section type information output from the section estimation model 13D in FIGS. 14 to 16 the normal section is represented as "N"
  • the atrial fibrillation section is represented as "n”
  • the non-analysis section is represented as "N/A”. (No Analyze).
  • the CPU 11 condenses the read peak information to only information indicating the position and type of the peak according to a predetermined rule.
  • the following rule is applied as said rule.
  • Peak position The peak position is applied to a single peak, and the central position of the peak group is applied to a plurality of consecutive peaks.
  • Peak type The peak type is applied to a single peak, and the peak group with the largest number of types is applied to a peak that continues multiple times. In this case, there may be a plurality of types with the highest number, but in this case, the priority is determined as follows: "PVC" ⁇ "N or S" ⁇ "small_n".
  • ventricular premature contraction V (PVC) needs to be overlooked as little as possible. Therefore, based on the idea that if there is a possibility of ventricular premature contraction V, it should be determined as the ventricular premature contraction V, the priority of ventricular premature contraction V is set to the highest. .
  • Atrial fibrillation n small_n
  • the determination of atrial fibrillation n by the peak estimation model 13C is only complementary. Therefore, the lowest priority is set for atrial fibrillation n.
  • the CPU 11 synthesizes the contracted peak information and the read section type information. At this time, the CPU 11 synthesizes the peak information and the section type information as described below.
  • the CPU 11 corrects the peak of "small_n" in the section determined as the normal section N in the section estimation model 13D to "N or S".
  • the CPU 11 corrects the peak of "N or S” in the section determined as the atrial fibrillation section n in the section estimation model 13D to "small_n".
  • the CPU 11 considers that the peaks in the section determined as the non-analysis section N/A in the section estimation model 13D are erroneously detected noise, and excludes them from all the peaks. (However, it is retained internally.)
  • FIG. 13 shows the contracted information output from the peak estimation model 13C, and the combination is performed when the section type information output from the section estimation model 13D is shown in FIG. The result obtained is shown in FIG.
  • the peaks at 3.45 seconds and 6.9 seconds are modified from “small_n” to "N or S”. Also, the peaks at 13.6 seconds and 14.45 seconds are corrected from “N or S” to "small_n”. Additionally, peaks after 15.25 seconds have been excluded from the peaks.
  • the synthesized data shown in the lower diagram of FIG. 15 is data indicating the situation indicated by the electrocardiogram to be analyzed, which is obtained by the estimation unit 11H, and the data is hereinafter referred to as "electrocardiogram situation information".
  • the CPU 11 uses the same rate-of-shortening rule as the existing rule-based analysis to determine whether the "N or S" output from the peak estimation model 13C is divided into normal N and premature atrial contraction APC. to modify the ECG status information.
  • the shortening rate rule according to this embodiment will be described below.
  • the normal N peaks appear regularly, whereas the peaks of premature atrial contraction APC appear earlier than usual. do. Therefore, in the rule-based algorithm, if the interval from the immediately preceding peak is shorter than normal, it is determined as premature atrial contraction APC. Specifically, if the interval from the immediately preceding peak is 0.8 times the moving average or less, it is determined as an atrial extrasystole APC. This threshold of 0.8 times is called a "shortening rate".
  • the final electrocardiogram status information is obtained as shown in FIG. 16 as an example.
  • step 240 the CPU 11 clusters the read intermediate information as described above (clustering using GMM in this embodiment), thereby classifying the types of electrocardiograms to be analyzed. Derive the classification result information shown.
  • the CPU 11 controls the display unit 15 to display a result screen with a predetermined configuration using the electrocardiogram status information and classification result information derived by the above processing, and at step 244, , the CPU 11 waits until predetermined information is input.
  • FIG. 17 shows an example of a result screen according to this embodiment.
  • the result screen according to the present embodiment displays information indicating the type of each peak of the electrocardiogram to be analyzed, the position of each peak, and the classification result. Therefore, the user can grasp each of these pieces of information by referring to the result screen.
  • FIG. 18 shows waveform diagrams showing examples of various types of electrocardiogram waveforms indicated by the classification result information.
  • (A) in FIG. 18 is an example of a waveform belonging to the standard type
  • (B) is an example of a waveform belonging to a type with a larger T wave than the standard type.
  • (C) in FIG. 18 is an example of a waveform belonging to a type with a wider QRS wave width than the standard type
  • (D) is an example of a waveform belonging to another type.
  • step 244 when the result screen shown in FIG.
  • the end button 15A is specified by the user, affirmative determination is made in step 244, and the main electrocardiogram analysis support process is terminated.
  • waveform data of a partial section of waveform data in an electrocardiogram is used as input information, and the waveform data has a predetermined type of peak related to the analysis of the electrocardiogram.
  • a peak estimation model 13C whose output information is peak information indicating whether or not, an analysis waveform acquisition unit 11C that acquires waveform data in an electrocardiogram to be analyzed, and waveform data acquired by the analysis waveform acquisition unit 11C an analysis waveform extracting unit 11D that extracts the waveform data of a predetermined first period from the first period as segmented waveform data for analysis while moving the waveform data for a period that is shorter than the first period by a predetermined moving period; and a derivation unit 11E for deriving peak information by inputting the segmented waveform data for analysis cut out by the waveform cutout unit 11D to the peak estimation model 13C. Therefore, the peak information obtained by the peak estimation model 13C can be used to help determine whether a particular type of arrhythmia is occurring.
  • the learning waveform acquisition unit 11A acquires waveform data in an electrocardiogram to be learned, and the waveform data of the first period is used for learning from the waveform data acquired by the learning waveform acquisition unit 11A. and a learning waveform cutout unit 11B for cutting out as divided waveform data, and the learning divided waveform data cut out by the learning waveform cutout unit 11B is used as input information for the peak estimation model 13C, and the learning divided waveform is cut out. It is assumed that machine learning is performed using peak information corresponding to data as output information.
  • the predetermined types are a first type indicating normal or premature atrial contraction, a second type indicating atrial fibrillation, and a third type indicating premature ventricular contraction. It shall contain at least one of Therefore, it can contribute to the detection of arrhythmias of the type applied.
  • the waveform data of a partial section of the waveform data in the electrocardiogram is used as the input information, and the section corresponding to the waveform data is any one of the predetermined types of sections.
  • the waveform data of the second period which is longer than the first period, is obtained from the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtained by the waveform data obtaining unit 11C for the waveform estimation model 13D for outputting the data indicating the duration of the period.
  • the section type can be determined.
  • a second derivation unit 11G that derives information, and by synthesizing the peak information derived by the derivation unit 11E and the section type information derived by the second derivation unit 11G, the situation indicated by the electrocardiogram to be analyzed is estimated. and an estimating unit 11H. Therefore, compared with the case where the interval estimation model 13D is not used, it is possible to contribute to the determination of whether or not the specific type of arrhythmia is occurring with higher accuracy.
  • the predetermined types of intervals are a normal interval, an atrial fibrillation interval, and a non-analysis interval. At least two of the analysis intervals are included. Therefore, it is possible to contribute to the specification of the applied section.
  • waveform data of a partial section of waveform data in an electrocardiogram is used as input information, and whether or not a predetermined type of peak related to analysis of the electrocardiogram exists in the waveform data is determined.
  • the waveform type is a standard type, a type with a larger T wave than the standard type, a type with a wider QRS wave than the standard type, and other types. At least two types of these are included. Therefore, it can contribute to the identification of the applied type.
  • a type with a larger T wave than the above standard type corresponds to hyperkalemia, and by including this type in the above waveform types, it was found that there is a possibility of serum electrolyte abnormalities. can do.
  • a type with a wider QRS wave width than the standard type is a type corresponding to bundle branch block. can grasp.
  • the above classification is performed by clustering the intermediate information. Therefore, compared to the case where the intermediate information is not clustered, it is possible to more accurately identify the type of electrocardiogram waveform to be analyzed.
  • the electrocardiogram status information and the classification result information are presented by the display unit
  • the electrocardiogram status information and classification result information may be presented by voice from the audio output unit 19, or the electrocardiogram status information and classification result information may be presented by printing with an image forming apparatus such as a printer.
  • the electrocardiogram analysis support device of the present disclosure has been described as a single device, but the present invention is not limited to this.
  • the electrocardiogram analysis support device according to the present disclosure may be configured by a system using a plurality of devices such as a server device such as a cloud server and a terminal device.
  • the user's electrocardiogram is measured by the terminal device, the waveform data obtained by the measurement is transferred to the server device, and the waveform data received by the server device is used as an analysis target, as shown in FIG. 10 as an example.
  • ECG analysis support processing is executed. Then, it is possible to exemplify a mode in which the electrocardiogram status information and the classification result information thus obtained are transmitted to the terminal device and the information is presented on the terminal device.
  • the learning waveform acquisition unit 11A, the learning waveform extraction unit 11B, the analysis waveform acquisition unit 11C, the analysis waveform extraction unit 11D, the derivation unit 11E, and the second analysis waveform extraction unit As a hardware structure of a processing unit that executes each process of the unit 11F, the second derivation unit 11G, the estimation unit 11H, the intermediate information acquisition unit 11I, and the classification unit 11J, the following various processors (processor) can be used.
  • the above various processors include, in addition to the CPU, which is a general-purpose processor that executes software (programs) and functions as a processing unit, FPGA (Field-Programmable Gate Array), etc. Programmable Logic Device (PLD), ASIC (Application Specific Integrated Circuit), etc. etc. are included.
  • the processing unit may be configured with one of these various processors, or a combination of two or more processors of the same or different type (for example, a combination of multiple FPGAs, or a combination of a CPU and an FPGA). may consist of Also, the processing unit may be configured with a single processor.
  • one processor is configured by combining one or more CPUs and software, as typified by computers such as clients and servers. There is a form that functions as a processing unit. Second, as represented by System On Chip (SoC), etc., there is a form of using a processor that realizes the function of the entire system including the processing unit with one IC (Integrated Circuit) chip. In this way, the processing unit is configured using one or more of the above various processors as a hardware structure.
  • SoC System On Chip
  • an electric circuit combining circuit elements such as semiconductor elements can be used.
  • An electrocardiogram analysis support device comprising a processor, The processor A non-transitory storage medium storing a program using the peak estimation model, Acquire the waveform data in the electrocardiogram to be analyzed, Cutting out waveform data of a predetermined first period from the acquired waveform data as segmented waveform data for analysis, The segmented waveform data for analysis is cut out, and the waveform data of a part of the waveform data in the electrocardiogram is used as input information, and it is determined whether or not the waveform data has a predetermined type of peak related to the analysis of the electrocardiogram.
  • the intermediate information indicating the characteristics of the shape of the peak contained in the segmented waveform data for analysis generated in the intermediate layer of the peak estimation model Acquired, classifying the types of electrocardiogram waveforms to be analyzed using the acquired intermediate information;
  • An electrocardiogram analysis support device that executes processing.
  • Waveform data of a partial section of waveform data in an electrocardiogram is used as input information, and peak information indicating whether or not a predetermined type of peak related to the analysis of the electrocardiogram exists in the waveform data is used as output information.
  • a non-transitory storage medium storing a program using the peak estimation model, Acquire the waveform data in the electrocardiogram to be analyzed, Cutting out waveform data of a predetermined first period from the acquired waveform data as segmented waveform data for analysis, By inputting the segmented waveform data for analysis that has been cut out into the peak estimation model, intermediate information indicating the characteristics of the shape of the peak included in the segmented waveform data for analysis that is generated in the intermediate layer of the peak estimation model is obtained. , classifying the types of electrocardiogram waveforms to be analyzed using the acquired intermediate information; A non-temporary storage medium that stores a program for causing a computer to execute processing.

Landscapes

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

Abstract

心電図解析支援装置（１０）は、解析対象とする心電図における波形データを取得する解析用波形取得部（１１Ｃ）と、解析用波形取得部（１１Ｃ）によって取得された波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出す解析用波形切出部（１１Ｄ）と、解析用波形切出部（１１Ｄ）によって切り出された解析用区分波形データをピーク推定モデル（１３Ｃ）に入力することで当該ピーク推定モデル（１３Ｃ）の中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得する中間情報取得部（１１Ｉ）と、中間情報取得部（１１Ｉ）によって取得された中間情報を用いて、解析対象とする心電図の波形のタイプを分類分けする分類部（１１Ｊ）と、を備える。

Description

心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム
　本開示は、心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システムに関する。
　近年、新たな心電計の普及により、心電図の計測データは増大しているが、当該計測データを解析する専門家の数は余り増加しておらず、人員不足が問題となっている。一方で、心電図の解析を行うルールベース型の解析エンジンもあるが、その性能の向上には限界があり、解析結果を手動で修正する作業が伴う場合が多く、解析を行う医師及び／又は臨床検査技師等の医療従事者の負担が大きい。このため、医療従事者の負担を軽減することができる技術が要望されている。
　従来、医療従事者の負担を軽減するために適用することのできる、心電図の解析に関する技術として、以下の技術があった。
　米国特許出願公開第２０２０／０２８９０１０号明細書には、複数の心拍波形データを含むデータセットから生成されたトレーニング用の心拍波形に関する入力データに基づいてトレーニング用の心拍波形の心拍タイプが出力される学習モデルを生成し、データセットからサンプリングされた各バッチの損失重みを決定し、各バッチの損失重みに基づいて損失関数を決定することにより、学習モデルをトレーニングし、テスト用の心拍波形を学習モデルに入力してテスト用の心拍波形の心拍タイプを分類する態様が記載されている。
　国際公開第２０１６／０９２７０７号公報には、メタボリック症候群又は糖尿病を始めとする生活習慣病の予防、ダイエット、及び／又は医療サービスなどのヘルスケアを目的とした、食事を行った時刻を推定する技術として、コンピュータに、心拍数の時系列データを取得し、前記心拍数の時系列データに含まれる部分データごとに、食事開始後に心拍数のピークが先行して現れる第１ピークよりも後続して現れる第２ピークに関する特徴量を算出し、前記部分データごとに算出された第２ピークに関する特徴量を用いて、前記部分データにおける食事の有無を判定し、前記食事が有りと判定された部分データから食事時刻を推定する処理を実行させることを特徴とする食事推定プログラムが開示されている。
　ところで、心電図を解析する上で、波形のタイプが標準的なタイプであるか否か、標準的なタイプでなければ、どのようなタイプであるのか、といったことを特定することは極めて重要であり、当該特定のための技術が要望されている。
　しかしながら、米国特許出願公開第２０２０／０２８９０１０号明細書及び国際公開第２０１６／０９２７０７号公報に開示されている技術では、心電図の波形のタイプを特定することに関しては考慮されておらず、必ずしも解析対象とする心電図の波形のタイプの特定に寄与することができるとは限らない、という問題点があった。
　本開示は、上記の問題点に鑑みてなされたものであり、解析対象とする心電図の波形のタイプの特定に寄与することができる心電図解析支援装置及びプログラムを提供することを目的とする。
　本開示の第１態様は、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いた心電図解析支援装置であって、解析対象とする心電図における波形データを取得する解析用波形取得部と、前記解析用波形取得部によって取得された波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出す解析用波形切出部と、前記解析用波形切出部によって切り出された解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得する中間情報取得部と、前記中間情報取得部によって取得された中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする分類部と、を備えた心電図解析支援装置である。
　本開示の第２態様は、第１態様の心電図解析支援装置において、前記波形のタイプは、標準的なタイプ、当該標準的なタイプよりＴ波が大きなタイプ、前記標準的なタイプよりＱＲＳ波の幅が広いタイプ、及びその他のタイプのうちの少なくとも２つのタイプを含む。
　本開示の第３態様は、第１態様又は第２態様の心電図解析支援装置において、前記分類部は、前記中間情報をクラスタリングすることで前記分類分けを行う。
　本開示の第４態様は、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いたプログラムであって、解析対象とする心電図における波形データを取得し、取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、処理をコンピュータに実行させるためのプログラムである。
　本開示の第５態様は、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いた心電図解析支援方法であって、解析対象とする心電図における波形データを取得し、取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、心電図解析支援方法である。
　本開示の第６態様は、請求項１～請求項３の何れか１項に記載の心電図解析支援装置と、前記心電図解析支援装置に対して解析対象とする心電図における波形データを転送し、当該波形データの転送に応じて前記心電図解析支援装置によって得られた情報を受信して提示する端末装置と、を含む心電図解析支援システムである。
　本開示によれば、解析対象とする心電図の波形のタイプの特定に寄与することができる。
一実施形態に係る心電図解析支援装置のハードウェア構成の一例を示すブロック図である。 一実施形態に係るピーク推定モデル及び区間推定モデルのデータの流れの一例を示す模式図である。 一実施形態に係る心電図解析支援装置のピーク推定モデル及び区間推定モデルの学習時における機能的な構成の一例を示すブロック図である。 一実施形態に係る心電図解析支援装置のピーク推定モデル及び区間推定モデルの運用時における機能的な構成の一例を示すブロック図である。 一実施形態に係る混合ガウスモデルを用いたクラスタリングの説明に供するグラフである。 一実施形態に係るピーク推定モデルの中間層の利用状態の一例を示す模式図である。 一実施形態に係る第１学習用波形データデータベースの構成の一例を示す模式図である。 一実施形態に係る第２学習用波形データデータベースの構成の一例を示す模式図である。 一実施形態に係る学習処理の一例を示すフローチャートである。 一実施形態に係る心電図解析支援処理の一例を示すフローチャートである。 一実施形態に係る心電図解析支援処理の説明に供する図であり、第１解析用区分波形データの切り出し状態の一例を示す波形図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、第２解析用区分波形データの切り出し状態の一例を示す波形図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルからの出力の縮約状況の一例を示す模式図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、区間推定モデルからの出力の一例を示す模式図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルの出力と区間推定モデルの出力との合成状態の一例を示す模式図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルの出力と区間推定モデルの出力との合成結果の修正状態の一例を示す模式図である。 一実施形態に係る心電図解析支援処理の実行時において表示される結果画面の構成の一例を示す正面図である。 一実施形態に係る心電図解析支援処理の説明に供する図であり、分類結果情報により示される各種タイプの心電図波形の一例を示す波形図である。
　以下、図面を参照して、本開示の実施形態の一例を詳細に説明する。なお、各図面において同一または等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
　本実施形態では、本開示の技術における心電図解析支援装置を据え置き型のパーソナルコンピュータ等の情報処理装置に適用した場合について説明する。但し、本開示の技術の適用対象は据え置き型の情報処理装置に限るものではなく、スマートフォン、携帯型のゲーム装置、タブレット端末、ノートブック型パーソナルコンピュータ等の他の携帯型の情報処理装置にも適用することができる。
　まず、図１～図６を参照して、本実施形態に係る心電図解析支援装置の構成を説明する。図１は、一実施形態に係る心電図解析支援装置のハードウェア構成の一例を示すブロック図である。また、図２は、一実施形態に係るピーク推定モデル及び区間推定モデルのデータの流れの一例を示す模式図である。また、図３は、一実施形態に係る心電図解析支援装置のピーク推定モデル及び区間推定モデルの学習時における機能的な構成の一例を示すブロック図である。また、図４は、一実施形態に係る心電図解析支援装置のピーク推定モデル及び区間推定モデルの運用時における機能的な構成の一例を示すブロック図である。また、図５は、一実施形態に係る混合ガウスモデルを用いたクラスタリングの説明に供するグラフである。更に、図６は、一実施形態に係るピーク推定モデルの中間層の利用状態の一例を示す模式図である。
　図１に示すように、本実施形態に係る心電図解析支援装置１０は、ＣＰＵ（Central Processing Unit）１１、一時記憶領域としてのメモリ１２、不揮発性の記憶部１３、及びキーボードとマウス等の入力部１４を備えている。また、本実施形態に係る心電図解析支援装置１０は、液晶ディスプレイ等の表示部１５、及び媒体読み書き装置（Ｒ／Ｗ）１６を備えている。更に、本実施形態に係る心電図解析支援装置１０は、通信インタフェース（Ｉ／Ｆ）部１８、及び音声出力部１９を備えている。ＣＰＵ１１、メモリ１２、記憶部１３、入力部１４、表示部１５、媒体読み書き装置１６、通信Ｉ／Ｆ部１８、及び音声出力部１９はバスＢを介して互いに接続されている。媒体読み書き装置１６は、記録媒体１７に書き込まれている情報の読み出し及び記録媒体１７への情報の書き込みを行う。
　一方、記憶部１３はＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等によって実現される。記憶媒体としての記憶部１３には、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂが記憶されている。学習プログラム１３Ａは、当該プログラム１３Ａが書き込まれた記録媒体１７が媒体読み書き装置１６にセットされ、媒体読み書き装置１６が記録媒体１７からの当該プログラム１３Ａの読み出しを行うことで、記憶部１３へ記憶される。また、心電図解析支援プログラム１３Ｂは、当該プログラム１３Ｂが書き込まれた記録媒体１７が媒体読み書き装置１６にセットされ、媒体読み書き装置１６が記録媒体１７からの当該プログラム１３Ｂの読み出しを行うことで、記憶部１３へ記憶される。ＣＰＵ１１は、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂを記憶部１３から読み出してメモリ１２に展開し、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂが有するプロセスを順次実行する。
　このように、本実施形態に係る心電図解析支援装置１０では、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂを、記録媒体１７を介して心電図解析支援装置１０にインストールしているが、これに限るものではない。例えば、通信Ｉ／Ｆ部１８を介してダウンロードすることにより、学習プログラム１３Ａ及び心電図解析支援プログラム１３Ｂを心電図解析支援装置１０にインストールする形態としてもよい。
　また、記憶部１３には、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄが記憶される。
　本実施形態に係るピーク推定モデル１３Ｃは、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされている。
　なお、本実施形態では、上記予め定められた種類として、正常又は心房性期外収縮を示す第１種類、心房細動を示す第２種類、及び心室性期外収縮を示す第３種類の全てを含むものとしているが、これに限るものではない。例えば、これらの３種類のうちの１種類又は２種類の組み合わせを上記予め定められた種類として含むものとしてもよいし、上記３種類に他の不整脈の種類を加えて、上記予め定められた種類として含むものとしてもよい。以下では、上記第１種類を「Ｎ　ｏｒ　Ｓ」又は「Ｎ」とも表現し、上記第２種類を「ｓｍａｌｌ＿ｎ」又は「ｎ」とも表現し、上記第３種類を「ＰＶＣ」又は「Ｖ」とも表現する。また、以下では、上記予め定められた種類のピークが存在しない場合の種類を「ＦＡＬＳＥ」とも表現する。
　また、本実施形態では、上記ピーク情報として、上記波形データに心電図の解析に関する予め定められた種類のピークが存在するか否かを示す情報のみならず、当該ピークが存在する場合における、上記予め定められた種類を示す情報も含むものとしている。従って、本実施形態に係るピーク推定モデル１３Ｃは、上述した「ＦＡＬＳＥ」に加えて、「ＦＡＬＳＥ」でない場合、即ち当該ピークが存在する場合における「Ｎ　ｏｒ　Ｓ」等の不整脈の種類を示す情報もピーク情報として出力するものとされている。
　一方、本実施形態に係る区間推定モデル１３Ｄは、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに対応する区間が、予め定められた種類の区間のうちの何れの区間であるかを示す区間種類情報が出力情報とされている。
　なお、本実施形態では、上記予め定められた種類の区間として、通常の区間である通常区間、心房細動の区間である心房細動区間、及び解析の対象外とする区間である非解析区間の全ての区間を含むものとしているが、これに限るものではない。例えば、これらの３種類のうちの２種類の組み合わせを上記予め定められた種類の区間として含むものとしてもよいし、上記３種類に他の区間を加えて、上記予め定められた種類の区間として含むものとしてもよい。
　本実施形態では、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄとして、ＣＮＮ（Convolutional Neural Network、畳み込みニューラルネットワーク）によるものを適用しているが、これに限るものではない。例えば、ＲＮＮ（Recurrent Neural Network、再帰型ニューラルネットワーク）によるものをピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの少なくとも一方として適用する形態としてもよい。
　一例として図２に示すように、本実施形態では、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄとして、畳み込み層及びプーリング層を含んで構成されたＣＮＮ層が４層で、Ｄｅｎｓｅ層が２層とされた１次元ＣＮＮを適用している。
　また、記憶部１３には、第１学習用波形データデータベース１３Ｅ及び第２学習用波形データデータベース１３Ｆが記憶される。第１学習用波形データデータベース１３Ｅ及び第２学習用波形データデータベース１３Ｆについては、詳細を後述する。
　次に、図３を参照して、本実施形態に係る心電図解析支援装置１０のピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの学習時における機能的な構成について説明する。
　図３に示すように、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの学習時における心電図解析支援装置１０は、学習用波形取得部１１Ａ及び学習用波形切出部１１Ｂを含む。心電図解析支援装置１０のＣＰＵ１１が学習プログラム１３Ａを実行することで、学習用波形取得部１１Ａ及び学習用波形切出部１１Ｂとして機能する。
　本実施形態に係る学習用波形取得部１１Ａは、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの各モデルに対する学習対象とする心電図における波形データ（以下、「学習用波形データ」という。）を取得する。
　なお、本実施形態では、ピーク推定モデル１３Ｃに対する学習用波形データ（以下、「第１学習用波形データ」という。）を、後述する第１学習用波形データデータベース１３Ｅから読み出すことにより取得する。また、本実施形態では、区間推定モデル１３Ｄに対する学習用波形データ（以下、「第２学習用波形データ」という。）を、後述する第２学習用波形データデータベース１３Ｆから読み出すことにより取得する。但し、この形態に限るものではなく、心電計によって得られた波形データを学習用波形データとして、通信Ｉ／Ｆ部１８等を介して直接取得する形態としてもよい。
　また、本実施形態に係る学習用波形切出部１１Ｂは、学習用波形取得部１１Ａによって取得された第１学習用波形データから予め定められた第１期間（以下、単に「第１期間」という。）の波形データを学習用区分波形データ（以下、「第１学習用区分波形データ」という。）として切り出す。
　なお、本実施形態に係る学習用波形切出部１１Ｂでは、第１学習用区分波形データの切り出しを、第１学習用波形データにおける時間軸の中心を中心として第１期間の波形データを切り出すことにより行っているが、これに限るものではない。例えば、第１学習用波形データにおける時間軸の先端を先端として第１期間の波形データを切り出すことにより行う形態としてもよいし、第１学習用波形データにおける時間軸の後端を後端として第１期間の波形データを切り出すことにより行う形態としてもよい。
　また、本実施形態では、第１期間として２秒を適用しているが、これに限るものではない。例えば、１．８秒、２．５秒等といった２秒以外の期間を第１期間として適用する形態としてもよい。ここで、第１期間として２秒を適用しているのは、心電図の一般的なピークの間隔が約１秒であるためであり、２秒前後であれば、ピーク、及び当該ピークの前後の情報を適切に得ることができる。
　また、本実施形態に係る学習用波形切出部１１Ｂは、学習用波形取得部１１Ａによって取得された第２学習用波形データから、第１期間より長い期間である第２期間（以下、単に「第２期間」という。）の波形データを学習用区分波形データ（以下、「第２学習用区分波形データ」という。）として切り出す。
　なお、本実施形態に係る学習用波形切出部１１Ｂでは、第２学習用区分波形データの切り出しを、第２学習用波形データにおける時間軸の中心を中心として第２期間の波形データを切り出すことにより行っているが、これに限るものではない。例えば、第２学習用波形データにおける時間軸の先端を先端として第２期間の波形データを切り出すことにより行う形態としてもよいし、第２学習用波形データにおける時間軸の後端を後端として第２期間の波形データを切り出すことにより行う形態としてもよい。
　また、本実施形態では、第２期間として５秒を適用しているが、これに限るものではない。例えば、４．８秒、５．５秒等といった５秒以外の期間を第２期間として適用する形態としてもよい。ここで、第２期間として５秒を適用しているのは、本発明者らの試行錯誤の結果、第２期間が５秒前後であれば、心房細動区間及び非解析区間を判定するのに十分な情報が得られ、かつ、心房細動区間及び非解析区間が混在することも抑制することができるとの結果が得られたためである。
　そして、本実施形態に係るピーク推定モデル１３Ｃは、学習用波形切出部１１Ｂによって切り出された第１学習用区分波形データを入力情報とし、当該第１学習用区分波形データに対応する上記ピーク情報を出力情報として機械学習される。また、本実施形態に係る区間推定モデル１３Ｄは、学習用波形切出部１１Ｂによって切り出された第２学習用区分波形データを入力情報とし、当該第２学習用区分波形データに対応する上記区間種類情報を出力情報として機械学習される。
　次に、図４を参照して、本実施形態に係る心電図解析支援装置１０のピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの運用時における機能的な構成について説明する。
　図４に示すように、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの運用時における心電図解析支援装置１０は、解析用波形取得部１１Ｃ、解析用波形切出部１１Ｄ、導出部１１Ｅ、第２解析用波形切出部１１Ｆ、第２導出部１１Ｇ、推定部１１Ｈ、中間情報取得部１１Ｉ、及び分類部１１Ｊを含む。心電図解析支援装置１０のＣＰＵ１１が心電図解析支援プログラム１３Ｂを実行することで、解析用波形取得部１１Ｃ、解析用波形切出部１１Ｄ、導出部１１Ｅ、第２解析用波形切出部１１Ｆ、第２導出部１１Ｇ、推定部１１Ｈ、中間情報取得部１１Ｉ、及び分類部１１Ｊとして機能する。
　本実施形態に係る解析用波形取得部１１Ｃは、解析対象とする心電図における波形データ（以下、「解析用波形データ」という。）を取得する。なお、本実施形態では、解析用波形データを心電計から通信Ｉ／Ｆ部１８等を介して直接取得する形態としている。但し、この形態に限るものではなく、解析対象とする心電図の波形データをデータベース化しておき、当該データベースから読み出すことで、解析用波形データを取得する形態としてもよい。
　また、本実施形態に係る解析用波形切出部１１Ｄは、解析用波形取得部１１Ｃによって取得された解析用波形データから、第１期間の波形データを、当該第１期間より短い期間として予め定められた移動期間（以下、単に「移動期間」という。）ずつ移動させながら第１解析用区分波形データとして切り出す。
　なお、本実施形態では、移動期間として０．１秒を適用しているが、これに限るものではない。例えば、０．０５秒、０．２秒等の第１期間より短い他の期間を移動期間として適用する形態としてもよい。ここで、移動期間として０．１秒を適用しているのは、本発明者らの試行錯誤の結果、移動期間が０．１秒前後であれば、心電図のピークの未検出が防止でき、かつ、演算時間の長時間化を防止できるとの結果が得られたためである。
　そして、本実施形態に係る導出部１１Ｅは、解析用波形切出部１１Ｄによって切り出された第１解析用区分波形データをピーク推定モデル１３Ｃに入力することで、ピーク推定モデル１３Ｃに上記ピーク情報を導出させる。
　一方、本実施形態に係る第２解析用波形切出部１１Ｆは、解析用波形取得部１１Ｃによって取得された解析用波形データから、第２期間の波形データを第２解析用区分波形データとして切り出す。また、本実施形態に係る第２導出部１１Ｇは、第２解析用波形切出部１１Ｆによって切り出された第２解析用区分波形データを区間推定モデル１３Ｄに入力することで、区間推定モデル１３Ｄに上記区間種類情報を導出させる。
　そして、本実施形態に係る推定部１１Ｈは、導出部１１Ｅによる第１解析用区分波形データの入力によってピーク推定モデル１３Ｃにより導出されたピーク情報、及び第２導出部１１Ｇによる第２解析用区分波形データの入力によって区間推定モデル１３Ｄにより導出された区間種類情報を合成することで、解析対象とする心電図が示す状況を推定する。
　一方、本実施形態に係る中間情報取得部１１Ｉは、解析用波形切出部１１Ｄによって切り出された第１解析用区分波形データがピーク推定モデル１３Ｃに入力されることで当該ピーク推定モデル１３Ｃの中間層で生成される、当該第１解析用区分波形データに含まれるピークの形状の特徴を示す中間情報（以下、単に「中間情報」という。）を取得する。
　そして、本実施形態に係る分類部１１Ｊは、中間情報取得部１１Ｉによって取得された中間情報を用いて、解析対象とする心電図の波形のタイプを分類分けする。
　なお、本実施形態では、上記波形のタイプとして、標準的なタイプ、当該標準的なタイプよりＴ波が大きなタイプ、上記標準的なタイプよりＱＲＳ波の幅が広いタイプ、及びその他のタイプの全てのタイプを含むものとしているが、これに限るものではない。例えば、これらの４種類のタイプのうちの２種類又は３種類の組み合わせを上記波形のタイプとして含むものとしてもよいし、上記４種類に他のタイプを加えて、上記波形のタイプとして含むものとしてもよい。
　また、本実施形態に係る分類部１１Ｊでは、中間情報をクラスタリングすることで上記分類分けを行う形態とされている。
　なお、本実施形態では、上記クラスタリングとして、一例として図５に示すように、混合ガウスモデル（Gaussian Mixture Model, GMM）を用いたクラスタリングを適用している。混合ガウスモデルによるクラスタリングは、複数のガウス分布を足し合わせることで任意の連続関数を近似する手法であり、ガウス分布の数が分類数となる。但し、上記クラスタリングは混合ガウスモデルによるクラスタリングに限るものではなく、例えば、スペクトラル・クラスタリング（Spectral Clustering）等の他のクラスタリングの手法を用いて上記分類分けを行う形態としてもよい。
　一例として図６に示すように、本実施形態に係る心電図解析支援装置１０では、ピーク推定モデル１３Ｃにおける１層目のＤｅｎｓｅ層によって生成されたデータを中間情報として適用し、当該データをクラスタリングの対象として用いる。
　次に、図７を参照して、本実施形態に係る第１学習用波形データデータベース１３Ｅについて説明する。図７は、一実施形態に係る第１学習用波形データデータベース１３Ｅの構成の一例を示す模式図である。
　本実施形態に係る第１学習用波形データデータベース１３Ｅは、上述したように、ピーク推定モデル１３Ｃの学習に用いる第１学習用波形データに関する情報を記憶するためのものである。
　図７に示すように、本実施形態に係る第１学習用波形データデータベース１３Ｅは、波形ＩＤ（Identification）、波形データ、及びピーク情報の各情報が記憶される。
　上記波形ＩＤは、対応する波形データを識別するために、波形データの各々毎に異なるものとして予め付与された情報である。また、上記波形データは、第１学習用波形データそのものを示す情報であり、上記ピーク情報は、対応する波形データが入力された場合にピーク推定モデル１３Ｃから出力されるべき正しいピーク情報（正解情報）を示す情報である。
　次に、図８を参照して、本実施形態に係る第２学習用波形データデータベース１３Ｆについて説明する。図８は、一実施形態に係る第２学習用波形データデータベース１３Ｆの構成の一例を示す模式図である。
　本実施形態に係る第２学習用波形データデータベース１３Ｆは、上述したように、区間推定モデル１３Ｄの学習に用いる第２学習用波形データに関する情報を記憶するためのものである。
　図８に示すように、本実施形態に係る第２学習用波形データデータベース１３Ｆは、波形ＩＤ、波形データ、及び区間種類情報の各情報が記憶される。
　上記波形ＩＤは、対応する波形データを識別するために、波形データの各々毎に異なるものとして予め付与された情報である。また、上記波形データは、第２学習用波形データそのものを示す情報であり、上記区間種類情報は、対応する波形データが入力された場合に区間推定モデル１３Ｄから出力されるべき正しい区間種類情報（正解情報）を示す情報である。
　次に、図９～図１８を参照して、本実施形態に係る心電図解析支援装置１０の作用を説明する。まず、図９を参照して、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄを学習させる場合における心電図解析支援装置１０の作用を説明する。図９は、一実施形態に係る学習処理の一例を示すフローチャートである。
　心電図解析支援装置１０のＣＰＵ１１が学習プログラム１３Ａを実行することによって、図９に示す学習処理が実行される。図９に示す学習処理は、ユーザにより、学習プログラム１３Ａの実行を開始する指示入力が入力部１４を介して行われた場合に実行される。なお、錯綜を回避するために、以下では、第１学習用波形データデータベース１３Ｅ及び第２学習用波形データデータベース１３Ｆが既に構築済みである場合について説明する。
　図９のステップ１００で、ＣＰＵ１１は、第１学習用波形データデータベース１３Ｅから一組の波形データ（第１学習用波形データ）及びピーク情報を読み出す。ステップ１０２で、ＣＰＵ１１は、読み出した第１学習用波形データから第１学習用区分波形データを上述したように切り出す。
　ステップ１０４で、ＣＰＵ１１は、切り出した第１学習用区分波形データを入力情報とし、読み出したピーク情報を出力情報（正解情報）として、ピーク推定モデル１３Ｃを機械学習する。ステップ１０６で、ＣＰＵ１１は、第１学習用波形データデータベース１３Ｅに記憶されている全ての波形データについてステップ１０４による機械学習が終了したか否かを判定し、否定判定となった場合はステップ１００に戻る一方、肯定判定となった場合はステップ１０８に移行する。なお、ステップ１００～ステップ１０６の処理を繰り返し実行する場合にＣＰＵ１１は、それまでに処理対象としなかった第１学習用波形データを処理対象とするようにする。
　ステップ１０８で、ＣＰＵ１１は、第２学習用波形データデータベース１３Ｆから一組の波形データ（第２学習用波形データ）及び区間種類情報を読み出す。ステップ１１０で、ＣＰＵ１１は、読み出した第２学習用波形データから第２学習用区分波形データを上述したように切り出す。
　ステップ１１２で、ＣＰＵ１１は、切り出した第２学習用区分波形データを入力情報とし、読み出した区間種類情報を出力情報（正解情報）として、区間推定モデル１３Ｄを機械学習する。ステップ１１４で、ＣＰＵ１１は、第２学習用波形データデータベース１３Ｆに記憶されている全ての波形データについてステップ１１２による機械学習が終了したか否かを判定し、否定判定となった場合はステップ１０８に戻る一方、肯定判定となった場合は本学習処理を終了する。なお、ステップ１０８～ステップ１１４の処理を繰り返し実行する場合にＣＰＵ１１は、それまでに処理対象としなかった第２学習用波形データを処理対象とするようにする。
　以上の学習処理により、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄが学習されることになる。なお、以上の学習処理によって得られるピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの推定精度が十分でない場合等には、同様の学習処理を繰り返し実行する形態としてもよい。
　次に、図１０～図１８を参照して、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄを運用する場合における心電図解析支援装置１０の作用を説明する。図１０は、一実施形態に係る心電図解析支援処理の一例を示すフローチャートである。また、図１１は、一実施形態に係る心電図解析支援処理の説明に供する図であり、第１解析用区分波形データの切り出し状態の一例を示す波形図である。更に、図１２は、一実施形態に係る心電図解析支援処理の説明に供する図であり、第２解析用区分波形データの切り出し状態の一例を示す波形図である。
　心電図解析支援装置１０のＣＰＵ１１が心電図解析支援プログラム１３Ｂを実行することによって、図１０に示す心電図解析支援処理が実行される。図１０に示す心電図解析支援処理は、ユーザにより、心電図解析支援プログラム１３Ｂの実行を開始する指示入力が入力部１４を介して行われた場合に実行される。なお、錯綜を回避するために、以下では、ピーク推定モデル１３Ｃ及び区間推定モデル１３Ｄの学習が終了している場合について説明する。また、以下では、心電図の解析対象とする人に装着された図示しない心電計が心電図解析支援装置１０の通信Ｉ／Ｆ部１８に接続されており、当該心電計からの心電図の波形データが心電図解析支援装置１０によって受信可能な状態となっている場合について説明する。
　図１０のステップ２００で、ＣＰＵ１１は、上記心電図から受信している波形データ（上述した解析用波形データに相当し、以下、「解析用波形データ」という。）の記憶部１３への記憶を開始する。ステップ２０２で、ＣＰＵ１１は、ピーク推定モデル１３Ｃによる推定を行うタイミングとして予め定められたタイミング（以下、「第１タイミング」という。）が到来したか否かを判定し、否定判定となった場合はステップ２１２に移行する。また、ＣＰＵ１１は、ステップ２０２で肯定判定となった場合はステップ２０４に移行する。なお、本実施形態では、上記第１タイミングとして、予め定められた基準時間（本実施形態では、本心電図解析支援処理の実行が開始された時刻）を起点として第１期間が終了し、かつ、移動期間が終了したタイミングを適用している。
　ステップ２０４で、ＣＰＵ１１は、記憶部１３から第１期間分の解析用波形データを読み出すことにより、第１解析用区分波形データを切り出す。ステップ２０６で、ＣＰＵ１１は、切り出した第１解析用区分波形データをピーク推定モデル１３Ｃに入力し、ステップ２０８で、ＣＰＵ１１は、当該第１解析用区分波形データの入力に応じてピーク推定モデル１３Ｃから出力されるピーク情報を取得する。ステップ２１０で、ＣＰＵ１１は、取得したピーク情報を記憶部１３に記憶する。
　以上のステップ２０２～ステップ２１０の処理が繰り返し実行されることで、一例として図１１に示すように、第１期間（本実施形態では、２秒）の幅とされた第１解析用区分波形データが、移動期間（本実施形態では、０．１秒）の刻み幅で、ピーク推定モデル１３Ｃに入力され、これに応じてピーク推定モデル１３Ｃから出力されたピーク情報が記憶部１３に記憶されることになる。
　ステップ２１２で、ＣＰＵ１１は、区間推定モデル１３Ｄによる推定を行うタイミングとして予め定められたタイミング（以下、「第２タイミング」という。）が到来したか否かを判定し、否定判定となった場合はステップ２２２に移行する。また、ＣＰＵ１１は、ステップ２１２で肯定判定となった場合はステップ２１４に移行する。なお、本実施形態では、上記第２タイミングとして、上記基準時間を起点として第２期間が終了したタイミングを適用している。
　ステップ２１４で、ＣＰＵ１１は、記憶部１３から第２期間分の解析用波形データを読み出すことにより、第２解析用区分波形データを切り出す。ステップ２１６で、ＣＰＵ１１は、切り出した第２解析用区分波形データを区間推定モデル１３Ｄに入力し、ステップ２１８で、ＣＰＵ１１は、当該第２解析用区分波形データの入力に応じて区間推定モデル１３Ｄから出力される区間種類情報を取得する。ステップ２２０で、ＣＰＵ１１は、取得した区間種類情報を記憶部１３に記憶する。
　以上のステップ２１２～ステップ２２０の処理が繰り返し実行されることで、一例として図１２に示すように、第２期間（本実施形態では、５秒）の幅とされた第２解析用区分波形データが区間推定モデル１３Ｄに入力され、これに応じて区間推定モデル１３Ｄから出力された区間種類情報が記憶部１３に記憶されることになる。
　ステップ２２２で、ＣＰＵ１１は、分類部１１Ｊによるクラスタリングの対象とする中間情報を取得するタイミングとして予め定められたタイミング（以下、「第３タイミング」という。）が到来したか否かを判定し、否定判定となった場合はステップ２３２に移行する。また、ＣＰＵ１１は、ステップ２２２で肯定判定となった場合はステップ２２４に移行する。なお、本実施形態では、上記第３タイミングとして、ステップ２１０の処理によって記憶したピーク情報が「ＦＡＬＳＥ」以外であったタイミング、即ち、解析用波形データにおいて何らかのピークが検出されたタイミングを適用している。
　ステップ２２４で、ＣＰＵ１１は、記憶部１３から第１期間分の解析用波形データを読み出すことにより、解析用区分波形データを切り出す。ステップ２２６で、ＣＰＵ１１は、切り出した解析用区分波形データをピーク推定モデル１３Ｃに入力し、ステップ２２８で、ＣＰＵ１１は、当該解析用区分波形データの入力に応じてピーク推定モデル１３Ｃの中間層（本実施形態では、１層目のＤｅｎｓｅ層）で生成される中間情報を取得する。ステップ２３０で、ＣＰＵ１１は、取得した中間情報を記憶部１３に記憶する。
　ステップ２３２で、ＣＰＵ１１は、予め定められた計測を終了するタイミング（以下、「終了タイミング」という。）が到来したか否かを判定し、否定判定となった場合はステップ２０２に戻る一方、肯定判定となった場合はステップ２３４に移行する。なお、本実施形態では、上記終了タイミングとして、上記基準時間からの解析用波形データにおけるピークの発生数が予め定められた閾値（本実施形態では、６０）に達したタイミングを適用しているが、これに限るものではない。例えば、上記基準時間から予め定められた時間（本実施形態では、６０秒）が経過したタイミングを上記終了タイミングとして適用する形態としてもよい。
　ステップ２３４で、ＣＰＵ１１は、ステップ２００の処理によって開始した解析用波形データの記憶部１３への記憶を停止する。ステップ２３６で、ＣＰＵ１１は、以上の処理によって記憶されたピーク情報、区間種類情報、及び中間情報を全て記憶部１３から読み出す。
　ステップ２３８で、ＣＰＵ１１は、読み出したピーク情報及び区間種類情報を用いて、解析対象とする心電図が示す状況を推定する。以下、図１３～図１６を参照して、当該推定について説明する。なお、図１３は、一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルからの出力の縮約状況の一例を示す模式図である。また、図１４は、一実施形態に係る心電図解析支援処理の説明に供する図であり、区間推定モデルからの出力の一例を示す模式図である。また、図１５は、一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルの出力と区間推定モデルの出力との合成状態の一例を示す模式図である。更に、図１６は、一実施形態に係る心電図解析支援処理の説明に供する図であり、ピーク推定モデルの出力と区間推定モデルの出力との合成結果の修正状態の一例を示す模式図である。
　また、図１３～図１６における各２列構成の図の上段が経過時間を表し、下段が対応するモデルからの出力情報を表す。また、図１３～図１６におけるピーク推定モデル１３Ｃから出力されたピーク情報では、「ＦＡＬＳＥ」を「Ｆ」と表し、「Ｎ　ｏｒ　Ｓ」を「Ｎ」と表し、「ＰＶＣ」を「Ｖ」と表し、「ｓｍａｌｌ＿ｎ」を「ｎ」と表す。更に、図１４～図１６における区間推定モデル１３Ｄから出力された区間種類情報では、通常区間を「Ｎ」と表し、心房細動区間を「ｎ」と表し、非解析区間を「Ｎ／Ａ」（No Analyze）と表す。
　まず、ＣＰＵ１１は、読み出したピーク情報を、予め定められたルールに従ってピークの位置及びピークの種類を示す情報のみに縮約する。なお、本実施形態では、上記ルールとして、次のルールを適用する。
（ルール１）ピークの位置：単独のピークについては当該ピークの位置を適用し、複数回連続するピークについては当該ピーク群の中心位置を適用する。
（ルール２）ピークの種類：単独のピークについては当該ピークの種類を適用し、複数回連続するピークについては当該ピーク群の種類の最も多い種類を適用する。この場合、最も多い種類が複数存在する場合があるが、この場合は、「ＰＶＣ」→「Ｎ　ｏｒ　Ｓ」→「ｓｍａｌｌ＿ｎ」の優先順位で決定する。
　なお、上記優先順位としたのは、以下に示す理由からである。
　即ち、心室性期外収縮Ｖ（ＰＶＣ）は、見逃しを可能な限り少なくする必要がある。このため、心室性期外収縮Ｖの可能性があれば当該心室性期外収縮Ｖと判定すべき、との考えに基づいて、心室性期外収縮Ｖの優先度を最も高く設定している。
　一方、心房細動ｎ（ｓｍａｌｌ＿ｎ）かどうかは、最終的には区間推定モデル１３Ｄの結果に基づいて判定し、ピーク推定モデル１３Ｃの心房細動ｎの判定は補完的なものでしかない。このため、心房細動ｎの優先度を最も低く設定している。
　この処理により、読み出したピーク情報が図１３の上図である場合の縮約結果は図１３の下図に示すものとなる。
　次いで、ＣＰＵ１１は、縮約されたピーク情報と、読み出した区間種類情報とを合成する。この際、ＣＰＵ１１は、以下に示すようにピーク情報と区間種類情報との合成を行う。
　第１に、ＣＰＵ１１は、区間推定モデル１３Ｄで通常区間Ｎと判定された区間内にある「ｓｍａｌｌ＿ｎ」のピークは「Ｎ　ｏｒ　Ｓ」に修正する。
　第２に、ＣＰＵ１１は、区間推定モデル１３Ｄで心房細動区間ｎと判定された区間内にある「Ｎ　ｏｒ　Ｓ」のピークは「ｓｍａｌｌ＿ｎ」に修正する。
　第３に、ＣＰＵ１１は、区間推定モデル１３Ｄで非解析区間Ｎ／Ａと判定された区間内にあるピークはノイズを誤検出したものと見なして、すべてピークから除外する。（但し、内部的には保持する。）
　ピーク推定モデル１３Ｃから出力されて上記縮約が行われた情報が図１３に示すものであり、区間推定モデル１３Ｄから出力された区間種類情報が図１４に示すものである場合における上記合成が行われた結果は図１５に示すものとなる。
　この場合、３．４５秒及び６．９秒のピークが「ｓｍａｌｌ＿ｎ」から「Ｎ　ｏｒ　Ｓ」に修正されている。また、１３．６秒及び１４．４５秒のピークが「Ｎ　ｏｒ　Ｓ」から「ｓｍａｌｌ＿ｎ」に修正されている。更に、１５．２５秒以降のピークがピークから除外されている。
　一例として図１５の下図に示す合成後のデータが推定部１１Ｈによって得られる、解析対象とする心電図が示す状況を示すデータであり、当該データを以下では「心電図状況情報」という。
　最後に、ＣＰＵ１１は、既存のルールベース型の解析と同様の短縮率ルールを用いて、ピーク推定モデル１３Ｃから出力された「Ｎ　ｏｒ　Ｓ」を正常Ｎと心房性期外収縮ＡＰＣに振り分ける判定を行い、心電図状況情報を修正する。以下、本実施形態に係る短縮率ルールについて説明する。
　即ち、正常Ｎと心房性期外収縮ＡＰＣは波形自体に大きな差はないが、正常Ｎのピークが規則的に出現するのに対し、心房性期外収縮ＡＰＣのピークは通常より早いタイミングで出現する。このため、ルールベース型のアルゴリズムでは、直前のピークとの間隔が通常より短ければ心房性期外収縮ＡＰＣと判定する。具体的には、直前のピークとの間隔が移動平均の０．８倍以下なら、心房性期外収縮ＡＰＣと判定する。この０．８倍という閾値のことを「短縮率」と呼ぶ。
　この修正により、一例として図１６に示すように、最終的な心電図状況情報が得られる。
　ステップ２４０で、ＣＰＵ１１は、読み出した中間情報に対して、上述したようにクラスタリング（本実施形態では、ＧＭＭを用いたクラスタリング）を行うことで、解析対象とする心電図のタイプを分類分けした結果を示す分類結果情報を導出する。
　ステップ２４２で、ＣＰＵ１１は、以上の処理によって導出された心電図状況情報及び分類結果情報を用いて、予め定められた構成とされた結果画面を表示するように表示部１５を制御し、ステップ２４４で、ＣＰＵ１１は、所定情報が入力されるまで待機する。
　図１７には、本実施形態に係る結果画面の一例が示されている。図１７に示すように、本実施形態に係る結果画面では、解析対象とする心電図の各ピークの種別、各ピークの位置、及び分類結果を示す情報が表示される。従って、ユーザは、結果画面を参照することにより、これらの各情報を把握することができる。なお、図１８には、分類結果情報により示される各種タイプの心電図波形の一例を示す波形図が示されている。図１８における（Ａ）が標準的なタイプに属する波形の一例であり、（Ｂ）が標準的なタイプよりＴ波が大きなタイプに属する波形の一例である。また、図１８における（Ｃ）が標準的なタイプよりＱＲＳ波の幅が広いタイプに属する波形の一例であり、（Ｄ）がその他のタイプに属する波形の一例である。
　一例として図１７に示す結果画面が表示部１５に表示されると、ユーザは、表示内容を把握した後、終了ボタン１５Ａを、入力部１４を介して指定する。ユーザによって終了ボタン１５Ａが指定されると、ステップ２４４が肯定判定となって本心電図解析支援処理が終了する。
　以上説明したように、一実施形態によれば、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに当該心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデル１３Ｃと、解析対象とする心電図における波形データを取得する解析用波形取得部１１Ｃと、解析用波形取得部１１Ｃによって取得された波形データから、予め定められた第１期間の波形データを、当該第１期間より短い期間として予め定められた移動期間ずつ移動させながら解析用区分波形データとして切り出す解析用波形切出部１１Ｄと、解析用波形切出部１１Ｄによって切り出された解析用区分波形データをピーク推定モデル１３Ｃに入力することでピーク情報を導出する導出部１１Ｅと、を備えている。従って、ピーク推定モデル１３Ｃによって得られたピーク情報を用いることで、特定の種類の不整脈が生じているか否かの判断に寄与することができる。
　また、一実施形態によれば、学習対象とする心電図における波形データを取得する学習用波形取得部１１Ａと、学習用波形取得部１１Ａによって取得された波形データから第１期間の波形データを学習用区分波形データとして切り出す学習用波形切出部１１Ｂと、を更に備え、ピーク推定モデル１３Ｃを、学習用波形切出部１１Ｂによって切り出された学習用区分波形データを入力情報とし、当該学習用区分波形データに対応するピーク情報を出力情報として機械学習されたものとしている。従って、ピーク推定モデル１３Ｃの運用時における波形データとは異なる期間で切り出された波形データを用いて機械学習する場合に比較して、より高精度な特定の種類の不整脈が生じているか否かの判断に寄与することができる。
　また、一実施形態によれば、上記予め定められた種類を、正常又は心房性期外収縮を示す第１種類、心房細動を示す第２種類、及び心室性期外収縮を示す第３種類のうちの少なくとも１種類を含むものとしている。従って、適用した種類の不整脈の発見に寄与することができる。
　また、一実施形態によれば、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに対応する区間が、予め定められた種類の区間のうちの何れの区間であるかを示す区間種類情報が出力情報とされた区間推定モデル１３Ｄと、解析用波形取得部１１Ｃによって取得された波形データから、第１期間より長い期間である第２期間の波形データを第２解析用区分波形データとして切り出す第２解析用波形切出部１１Ｆと、第２解析用波形切出部１１Ｆによって切り出された第２解析用区分波形データを区間推定モデル１３Ｄに入力することで区間種類情報を導出する第２導出部１１Ｇと、導出部１１Ｅによって導出されたピーク情報及び第２導出部１１Ｇによって導出された区間種類情報を合成することで、解析対象とする心電図が示す状況を推定する推定部１１Ｈと、を更に備えている。従って、区間推定モデル１３Ｄを用いない場合に比較して、より高精度な特定の種類の不整脈が生じているか否かの判断に寄与することができる。
　また、一実施形態によれば、上記予め定められた種類の区間を、通常の区間である通常区間、心房細動の区間である心房細動区間、及び解析の対象外とする区間である非解析区間のうちの少なくとも２つの区間を含むものとしている。従って、適用した区間の特定に寄与することができる。
　また、一実施形態によれば、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに当該心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデル１３Ｃを用いた心電図解析支援装置であって、解析対象とする心電図における波形データを取得する解析用波形取得部１１Ｃと、解析用波形取得部１１Ｃによって取得された波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出す解析用波形切出部１１Ｄと、解析用波形切出部１１Ｄによって切り出された解析用区分波形データをピーク推定モデル１３Ｃに入力することで当該ピーク推定モデル１３Ｃの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得する中間情報取得部１１Ｉと、中間情報取得部１１Ｉによって取得された中間情報を用いて、解析対象とする心電図の波形のタイプを分類分けする分類部１１Ｊと、を備えている。従って、解析対象とする心電図の波形のタイプの特定に寄与することができる。
　また、一実施形態によれば、上記波形のタイプを、標準的なタイプ、当該標準的なタイプよりＴ波が大きなタイプ、標準的なタイプよりＱＲＳ波の幅が広いタイプ、及びその他のタイプのうちの少なくとも２つのタイプを含むものとしている。従って、適用したタイプの特定に寄与することができる。なお、上記標準的なタイプよりＴ波が大きなタイプは、高カリウム血症に対応するタイプであり、当該タイプを上記波形のタイプに含めることで、血清電解質異常である可能性があることを把握することができる。また、上記標準的なタイプよりＱＲＳ波の幅が広いタイプは、脚ブロックに対応するタイプであり、当該タイプを上記波形のタイプに含めることで、重い心筋疾患等である可能性があることを把握することができる。
　更に、一実施形態によれば、中間情報をクラスタリングすることで上記分類分けを行う。従って、中間情報をクラスタリングしない場合に比較して、より的確に解析対象とする心電図の波形のタイプの特定に寄与することができる。
　なお、上記実施形態では、心電図状況情報及び分類結果情報を表示部による表示により提示する場合について説明したが、これに限定されない。例えば、音声出力部１９による音声によって心電図状況情報及び分類結果情報を提示する形態としてもよいし、プリンタ等の画像形成装置による印刷によって心電図状況情報及び分類結果情報を提示する形態としてもよい。
　また、上記実施形態では、本開示の心電図解析支援装置を単体構成とされた装置により構成した場合について説明したが、これに限定されない。例えば、クラウドサーバ等のサーバ装置と端末装置との、複数の装置を用いたシステムによって本開示に係る心電図解析支援装置を構成する形態としてもよい。この場合、例えば、端末装置にてユーザの心電図を計測して当該計測により得られた波形データをサーバ装置に転送し、サーバ装置にて受信した波形データを解析対象として、一例として図１０に示した心電図解析支援処理を実行する。そして、これによって得られた心電図状況情報及び分類結果情報を端末装置に送信し、端末装置にて、これらの情報を提示する形態を例示することができる。
　また、上記実施形態において、例えば、学習用波形取得部１１Ａ、学習用波形切出部１１Ｂ、解析用波形取得部１１Ｃ、解析用波形切出部１１Ｄ、導出部１１Ｅ、第２解析用波形切出部１１Ｆ、第２導出部１１Ｇ、推定部１１Ｈ、中間情報取得部１１Ｉ、及び分類部１１Ｊの各処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
　処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、又はＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、処理部を１つのプロセッサで構成してもよい。
　処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：SoC）等に代表されるように、処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
　更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。
（付記）
　以上の実施形態に関し、更に以下の付記を開示する。
（付記項１）
　プロセッサを備えた心電図解析支援装置であって、
　前記プロセッサは、
　ピーク推定モデルを用いたプログラムを記憶した非一時的記憶媒体であって、
　解析対象とする心電図における波形データを取得し、
　取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、
　切り出した解析用区分波形データを、心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルに、入力することで、当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、
　取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、
　処理を実行する心電図解析支援装置。
（付記項２）
　心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いたプログラムを記憶した非一時的記憶媒体であって、
　解析対象とする心電図における波形データを取得し、
　取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、
　切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、
　取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、
　処理をコンピュータに実行させるためのプログラムを記憶した非一時的記憶媒体。
　２０２１年３月２４日に出願された日本国特許出願２０２１－０５０３８２号の開示は、その全体が参照により本明細書に取り込まれる。

Claims (6)

  1. 　心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いた心電図解析支援装置であって、
    　解析対象とする心電図における波形データを取得する解析用波形取得部と、
    　前記解析用波形取得部によって取得された波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出す解析用波形切出部と、
    　前記解析用波形切出部によって切り出された解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得する中間情報取得部と、
    　前記中間情報取得部によって取得された中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする分類部と、
    　を備えた心電図解析支援装置。
  2. 　前記波形のタイプは、標準的なタイプ、当該標準的なタイプよりＴ波が大きなタイプ、前記標準的なタイプよりＱＲＳ波の幅が広いタイプ、及びその他のタイプのうちの少なくとも２つのタイプを含む、
    　請求項１に記載の心電図解析支援装置。
  3. 　前記分類部は、前記中間情報をクラスタリングすることで前記分類分けを行う、
    　請求項１又は請求項２に記載の心電図解析支援装置。
  4. 　心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いたプログラムであって、
    　解析対象とする心電図における波形データを取得し、
    　取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、
    　切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、
    　取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、
    　処理をコンピュータに実行させるためのプログラム。
  5. 　心電図における波形データの一部の区間の波形データが入力情報とされ、当該波形データに前記心電図の解析に関する予め定められた種類のピークが存在するか否かを示すピーク情報が出力情報とされたピーク推定モデルを用いた心電図解析支援方法であって、
    　解析対象とする心電図における波形データを取得し、
    　取得した波形データから、予め定められた第１期間の波形データを解析用区分波形データとして切り出し、
    　切り出した解析用区分波形データを前記ピーク推定モデルに入力することで当該ピーク推定モデルの中間層で生成される、当該解析用区分波形データに含まれるピークの形状の特徴を示す中間情報を取得し、
    　取得した中間情報を用いて、前記解析対象とする心電図の波形のタイプを分類分けする、
    　心電図解析支援方法。
  6. 　請求項１～請求項３の何れか１項に記載の心電図解析支援装置と、
    　前記心電図解析支援装置に対して解析対象とする心電図における波形データを転送し、当該波形データの転送に応じて前記心電図解析支援装置によって得られた情報を受信して提示する端末装置と、
    　を含む心電図解析支援システム。
PCT/JP2022/013744 2021-03-24 2022-03-23 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム WO2022202943A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
EP22775725.9A EP4316375A1 (en) 2021-03-24 2022-03-23 Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, and electrocardiogram analysis assistance system
KR1020237036148A KR20230159567A (ko) 2021-03-24 2022-03-23 심전도 해석 지원 장치, 프로그램, 심전도 해석 지원 방법, 및 심전도 해석 지원 시스템
AU2022243341A AU2022243341A1 (en) 2021-03-24 2022-03-23 Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, and electrocardiogram analysis assistance system
CA3213194A CA3213194A1 (en) 2021-03-24 2022-03-23 Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, and electrocardiogram analysis assistance system
BR112023019428A BR112023019428A2 (pt) 2021-03-24 2022-03-23 Dispositivo de assistência à análise de eletrocardiograma, programa, método de assistência à análise de eletrocardiograma e sistema de assistência à análise de eletrocardiograma
CN202280024488.4A CN117425431A (zh) 2021-03-24 2022-03-23 心电图解析辅助装置、程序、心电图解析辅助方法、以及心电图解析辅助系统
IL307211A IL307211A (en) 2021-03-24 2022-03-23 Device, software, method and system for assisting in electrocardiogram analysis

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-050382 2021-03-24
JP2021050382A JP6931880B1 (ja) 2021-03-24 2021-03-24 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム

Publications (1)

Publication Number Publication Date
WO2022202943A1 true WO2022202943A1 (ja) 2022-09-29

Family

ID=77549900

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/013744 WO2022202943A1 (ja) 2021-03-24 2022-03-23 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム

Country Status (9)

Country Link
EP (1) EP4316375A1 (ja)
JP (1) JP6931880B1 (ja)
KR (1) KR20230159567A (ja)
CN (1) CN117425431A (ja)
AU (1) AU2022243341A1 (ja)
BR (1) BR112023019428A2 (ja)
CA (1) CA3213194A1 (ja)
IL (1) IL307211A (ja)
WO (1) WO2022202943A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023218788A1 (ja) * 2022-05-10 2023-11-16 国立大学法人東海国立大学機構 不整脈重症度分類装置
WO2023248308A1 (ja) * 2022-06-20 2023-12-28 日本電信電話株式会社 学習装置、情報提供装置、学習方法、情報提供方法及びプログラム

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012183168A (ja) * 2011-03-04 2012-09-27 Olympus Corp 体内埋込型装置
WO2016092707A1 (ja) 2014-12-12 2016-06-16 富士通株式会社 食事推定プログラム、食事推定方法及び食事推定装置
US20190059763A1 (en) * 2017-08-25 2019-02-28 Cambridge Heartwear Limited Method of detecting abnormalities in ecg signals
CN109864714A (zh) * 2019-04-04 2019-06-11 北京邮电大学 一种基于深度学习的心电信号分析方法
CN110367969A (zh) * 2019-07-05 2019-10-25 复旦大学 一种改进的心电信号快速聚类分析方法
US20190379589A1 (en) * 2018-06-12 2019-12-12 Ciena Corporation Pattern detection in time-series data
US20200289010A1 (en) 2019-03-14 2020-09-17 University Of Seoul Industry Cooperation Foundation Method for classifying type of heartbeat and apparatus using the same
CN111714111A (zh) * 2019-03-22 2020-09-29 安徽华米信息科技有限公司 心电数据处理方法、装置、可穿戴设备及存储介质
JP2021050382A (ja) 2019-09-25 2021-04-01 芝浦機械株式会社 表面処理装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012183168A (ja) * 2011-03-04 2012-09-27 Olympus Corp 体内埋込型装置
WO2016092707A1 (ja) 2014-12-12 2016-06-16 富士通株式会社 食事推定プログラム、食事推定方法及び食事推定装置
US20190059763A1 (en) * 2017-08-25 2019-02-28 Cambridge Heartwear Limited Method of detecting abnormalities in ecg signals
US20190379589A1 (en) * 2018-06-12 2019-12-12 Ciena Corporation Pattern detection in time-series data
US20200289010A1 (en) 2019-03-14 2020-09-17 University Of Seoul Industry Cooperation Foundation Method for classifying type of heartbeat and apparatus using the same
CN111714111A (zh) * 2019-03-22 2020-09-29 安徽华米信息科技有限公司 心电数据处理方法、装置、可穿戴设备及存储介质
CN109864714A (zh) * 2019-04-04 2019-06-11 北京邮电大学 一种基于深度学习的心电信号分析方法
CN110367969A (zh) * 2019-07-05 2019-10-25 复旦大学 一种改进的心电信号快速聚类分析方法
JP2021050382A (ja) 2019-09-25 2021-04-01 芝浦機械株式会社 表面処理装置

Also Published As

Publication number Publication date
CN117425431A (zh) 2024-01-19
JP6931880B1 (ja) 2021-09-08
IL307211A (en) 2023-11-01
CA3213194A1 (en) 2022-09-29
JP2022148632A (ja) 2022-10-06
KR20230159567A (ko) 2023-11-21
AU2022243341A1 (en) 2023-11-09
BR112023019428A2 (pt) 2023-10-24
EP4316375A1 (en) 2024-02-07

Similar Documents

Publication Publication Date Title
WO2022202943A1 (ja) 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム
CN113613559A (zh) 用于描绘和分类的心电图处理系统
JP6986724B2 (ja) 人工知能に基づく心電図干渉識別方法
EP3479763B1 (en) System and method for photoplethysmogram (ppg) signal quality assessment
US11051741B2 (en) Non-invasive detection of coronary heart disease from short single-lead ECG
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
US20210204858A1 (en) Automatic sensing of features within an electrocardiogram
EP3453321A1 (en) Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing
US20200074281A1 (en) Computer-readable recording medium, abnormality determination method, and abnormality determination device
CN110664395B (zh) 图像处理方法、图像处理装置以及存储介质
US11354339B2 (en) Method and system for clustering users using cognitive stress report for classifying stress levels
CN111657925A (zh) 基于机器学习的心电信号分类方法、系统、终端以及存储介质
CN116322479A (zh) 用于检测和/或预测心脏事件的心电图处理系统
WO2022202942A1 (ja) 心電図解析支援装置、プログラム、心電図解析支援方法、心電図解析支援システム、ピーク推定モデル生成方法、及び区間推定モデル生成方法
CN110432894B (zh) 心电图关键点标注方法及电子设备
KR102272413B1 (ko) 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체
CN115281685A (zh) 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质
CN112690802B (zh) 一种检测心电信号的方法、装置、终端及存储介质
Madona et al. Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care
US20210298625A1 (en) System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms
CN113208609A (zh) 心电信息管理系统
JP2019211935A (ja) 分析装置、分析方法および分析プログラム
CN114469126B (zh) 心电数据的分类处理方法、装置、存储介质及计算机设备
EP4368115A1 (en) Cardiotocographic scanning session duration
CN115919324A (zh) 心电图的分类方法、训练方法、装置、设备和存储介质

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: 22775725

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18283483

Country of ref document: US

Ref document number: MX/A/2023/011249

Country of ref document: MX

Ref document number: 3213194

Country of ref document: CA

WWE Wipo information: entry into national phase

Ref document number: 307211

Country of ref document: IL

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112023019428

Country of ref document: BR

ENP Entry into the national phase

Ref document number: 20237036148

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020237036148

Country of ref document: KR

WWE Wipo information: entry into national phase

Ref document number: AU2022243341

Country of ref document: AU

Ref document number: 804818

Country of ref document: NZ

Ref document number: 2022243341

Country of ref document: AU

ENP Entry into the national phase

Ref document number: 112023019428

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20230922

WWE Wipo information: entry into national phase

Ref document number: 2023125984

Country of ref document: RU

Ref document number: 2022775725

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 11202307240T

Country of ref document: SG

ENP Entry into the national phase

Ref document number: 2022775725

Country of ref document: EP

Effective date: 20231024

ENP Entry into the national phase

Ref document number: 2022243341

Country of ref document: AU

Date of ref document: 20220323

Kind code of ref document: A