JP2019033878A - Abnormality detection method, abnormality detection device and abnormality detection program - Google Patents
Abnormality detection method, abnormality detection device and abnormality detection program Download PDFInfo
- Publication number
- JP2019033878A JP2019033878A JP2017156803A JP2017156803A JP2019033878A JP 2019033878 A JP2019033878 A JP 2019033878A JP 2017156803 A JP2017156803 A JP 2017156803A JP 2017156803 A JP2017156803 A JP 2017156803A JP 2019033878 A JP2019033878 A JP 2019033878A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality detection
- abnormality
- classification model
- calculating
- interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
Description
本発明は、異常検出方法、異常検出装置及び異常検出プログラムに関する。 The present invention relates to an abnormality detection method, an abnormality detection device, and an abnormality detection program.
従来、ユーザの心電データを測定して、心臓機能に関する異常の有無を判定することがあった。心電データは、Ｐ波、Ｑ波、Ｒ波、Ｓ波及びＴ波等と名付けられた複数のピークを含み、正常な心電の場合、それら複数のピークが規則的に測定される。 Conventionally, a user's electrocardiographic data is sometimes measured to determine whether there is an abnormality related to cardiac function. The electrocardiogram data includes a plurality of peaks named P wave, Q wave, R wave, S wave, T wave, and the like. In the case of normal electrocardiogram, the plurality of peaks are regularly measured.
下記特許文献１には、心電図信号を測定する測定部と、心電図信号において第１の所定拍数の心電図波形に対して不整脈判定基準情報に基づき不整脈であるか否かを判定する判定手段と、判定手段が不整脈でないと判定した場合に、第１の所定拍数の心電図波形に基づいて基準波形を決定し、基準波形を用いて、測定される心電図波形が不整脈であるか否かの解析を行う解析手段とを備える心電図解析装置が記載されている。 In the following Patent Document 1, a measurement unit that measures an electrocardiogram signal, a determination unit that determines whether or not an electrocardiogram waveform of the first predetermined number of beats in the electrocardiogram signal is arrhythmia based on arrhythmia determination reference information, When the determination means determines that the arrhythmia is not present, the reference waveform is determined based on the electrocardiogram waveform having the first predetermined number of beats, and the reference waveform is used to analyze whether the measured electrocardiogram waveform is an arrhythmia. An electrocardiogram analyzer comprising an analyzing means for performing is described.
心電データから異常を検出する方法について、これまでに様々な異常検出方法が提案されている。しかしながら、それら従来の異常検出方法は、比較的大規模な演算資源を用いて実行されるものである場合があり、低消費電力で、ユーザが身に着けることができる程度に小型であり、比較的小規模な演算資源を有する機器によって実行するには不向きであることがあった。また、演算資源が限られた機器によって心電データから異常を検出する場合、従来の異常検出方法を用いると異常検出の精度が十分に高くならないことがあった。 Various abnormal detection methods have been proposed so far for detecting abnormalities from electrocardiographic data. However, these conventional abnormality detection methods may be executed using relatively large-scale computing resources, are low power consumption, are small enough to be worn by the user, and compared. In some cases, it is not suitable for execution by a device having a small-scale computing resource. In addition, when an abnormality is detected from electrocardiographic data using a device with limited computational resources, the accuracy of abnormality detection may not be sufficiently high when a conventional abnormality detection method is used.
そこで、本発明は、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる異常検出方法、異常検出装置及び異常検出プログラムを提供する。 Therefore, the present invention provides an abnormality detection method, an abnormality detection device, and an abnormality detection that can accurately detect an abnormality or detect an abnormality sign even when a device having a relatively small computing resource is used. Provide a program.
本発明の一態様に係る異常検出方法は、ハードウェアプロセッサ及びメモリを備えるコンピュータによって、ユーザの心電データを取得することと、心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出することと、ピークの間隔に基づいて、ピークの間隔に関する４種類の特徴量を算出することと、４種類の特徴量を分類モデルに入力し、分類モデルの出力に基づいて心電データに異常が含まれているか否かを判定することと、を実行する。 An abnormality detection method according to an aspect of the present invention includes acquiring a user's electrocardiogram data by a computer including a hardware processor and a memory, and adjacent R waves among a plurality of R waves included in the electrocardiogram data. Extraction of the peak interval of each of them, calculation of four types of feature amounts related to the peak interval based on the peak interval, input of the four types of feature amounts into the classification model, and based on the output of the classification model And determining whether or not abnormality is included in the electrocardiographic data.
この態様によれば、算出する特徴量を４種類に限定し、それら４種類の特徴量を分類モデルに入力して、心電データに異常が含まれているか否かを判定することで、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる。 According to this aspect, the feature amounts to be calculated are limited to four types, and the four types of feature amounts are input to the classification model, and it is determined whether or not abnormality is included in the electrocardiogram data. Even when a device having a small-scale computing resource is used, it is possible to accurately detect an abnormality or detect an abnormality sign.
上記態様において、判定することは、心電データが不整脈を示しているか否かを判定することを含んでもよい。 In the above aspect, determining may include determining whether the electrocardiographic data indicates arrhythmia.
この態様によれば、比較的小規模な演算資源を有する機器を用いる場合であっても、心電データが不整脈を示しているか否かを判定することができ、運動中や睡眠中に生じる不整脈を容易に検出することができる。 According to this aspect, it is possible to determine whether or not the electrocardiogram data indicates an arrhythmia even when a device having a relatively small computing resource is used, and the arrhythmia that occurs during exercise or sleep Can be easily detected.
上記態様において、判定することは、心電データが、頻脈性不整脈及び除脈性不整脈の少なくともいずれかを示しているか否かを判定することを含んでもよい。 In the above aspect, determining may include determining whether the electrocardiographic data indicates at least one of tachyarrhythmia and bradyarrhythmia.
この態様によれば、不整脈の中でも、通常より心拍数が多い頻脈性不整脈であるか、通常より心拍数が少ない除脈性不整脈であるかを判定することができ、異常に関するより詳細な情報を提供することができる。 According to this aspect, it is possible to determine whether the arrhythmia is a tachyarrhythmia with a higher heart rate than normal or a bradyarrhythmia with a lower heart rate than normal, and more detailed information regarding the abnormality Can be provided.
上記態様において、分類モデルは、学習済みの多層パーセプトロンを含み、判定することは、多層パーセプトロンの出力に基づいて、心電データに異常が含まれているか否かを判定することであってもよい。 In the above aspect, the classification model includes a learned multi-layer perceptron, and the determining may be determining whether or not an abnormality is included in the electrocardiographic data based on the output of the multi-layer perceptron. .
この態様によれば、分類モデルが学習済みの多層パーセプトロンを含むことで、比較的単純な演算を繰り返すことで心電データに異常が含まれているか否かを判定することができ、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる。 According to this aspect, since the classification model includes the learned multi-layer perceptron, it is possible to determine whether or not abnormality is included in the electrocardiogram data by repeating relatively simple calculation. Even when a device having a large computing resource is used, it is possible to accurately detect an abnormality or detect an abnormality sign.
上記態様において、特徴量を算出することは、Ｎ個のピークの間隔をｘi（ｉ＝１〜Ｎ）と表すとき、（Σi=1 N-1（ｘi+1−ｘi）2／Ｎ−１）1/2の値により特徴量を算出することを含んでもよい。 In the above aspect, the feature amount is calculated by expressing (Σ i = 1 N−1 (x i + 1 −x i ) 2 ) when the interval between N peaks is expressed as x i (i = 1 to N). / N-1) It may include calculating a feature value by a value of 1/2 .
上記態様において、特徴量を算出することは、Ｎ個のピークの間隔をｘi（ｉ＝１〜Ｎ）と表すとき、ｉ＝２〜Ｎ−１について、ｘi＞ｘi+1かつｘi＞ｘi-1を満たすｉの個数をカウントして第１個数を算出することと、ｉ＝２〜Ｎ−１について、ｘi＜ｘi+1かつｘi＜ｘi-1を満たすｉの個数をカウントして第２個数を算出することと、第１個数と第２個数の合計をＮ−２で割ることで特徴量を算出することと、を含んでもよい。 In the above aspect, the feature amount is calculated when x i (i = 1 to N) represents an interval between N peaks, and x i > x i + 1 and x for i = 2 to N−1. The number of i satisfying i > x i-1 is counted to calculate the first number, and for i = 2 to N−1, x i <x i + 1 and x i <x i-1 are satisfied. The number of i may be counted to calculate the second number, and the feature amount may be calculated by dividing the sum of the first number and the second number by N−2.
上記態様において、特徴量を算出することは、Ｎ個のピークの間隔をｘi（ｉ＝１〜Ｎ）と表すとき、ｘiのデータ列をＮより小さいｄ個の区間に分割することと、ｄ個の区間のうちｊ番目（ｊ＝１〜ｄ）の区間に所属するデータ数をカウントして第３個数Ｎjを算出することと、自然対数をｌｎと表し、Ｐｒ（Ｎj）＝Ｎj／Ｎと表すとき、Σj=1 dＰｒ（Ｎj）ｌｎ（ｄ×Ｐｒ（Ｎj））の値により特徴量を算出することと、を含んでもよい。 In the above aspect, calculating the feature amount includes dividing the data string of x i into d sections smaller than N when the interval between the N peaks is represented as x i (i = 1 to N). , Calculating the third number N j by counting the number of data belonging to the j-th (j = 1 to d) section of the d sections, and expressing the natural logarithm as ln, Pr (N j ) = N j / N may include calculating a feature amount based on a value of Σ j = 1 d Pr (N j ) ln (d × Pr (N j )).
上記態様において、特徴量を算出することは、Ｎ個のピークの間隔をｘi（ｉ＝１〜Ｎ）と表すとき、Σi=1 Nｘi／Ｎの値により特徴量を算出することを含んでもよい。 In the above aspect, calculating the feature amount is to calculate the feature amount based on a value of Σ i = 1 N x i / N, where an interval between N peaks is represented as x i (i = 1 to N). May be included.
本発明の他の態様に係る異常検出方法は、ハードウェアプロセッサ及びメモリを備えるコンピュータによって、ユーザの心電データを取得することと、心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出することと、ピークの間隔に基づいて、ピークの間隔に関する３種類の特徴量を算出することと、３種類の特徴量を分類モデルに入力し、分類モデルの出力に基づいて心電データに異常が含まれているか否かを判定することと、を実行する。 According to another aspect of the present invention, there is provided an abnormality detection method for acquiring a user's electrocardiographic data by a computer having a hardware processor and a memory, and adjacent R out of a plurality of R waves included in the electrocardiographic data. Extracting wave peak intervals, calculating three types of feature quantities related to peak intervals based on peak intervals, and inputting the three types of feature quantities into the classification model, And determining whether or not an abnormality is included in the electrocardiogram data.
この態様によれば、算出する特徴量を３種類に限定し、それら３種類の特徴量を分類モデルに入力して、心電データに異常が含まれているか否かを判定することで、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる。 According to this aspect, the feature amount to be calculated is limited to three types, the three types of feature amounts are input to the classification model, and whether or not abnormality is included in the electrocardiogram data is compared. Even when a device having a small-scale computing resource is used, it is possible to accurately detect an abnormality or detect an abnormality sign.
本発明の他の態様に係る異常検出装置は、ユーザの心電データを取得する取得部と、心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出する抽出部と、ピークの間隔に基づいて、ピークの間隔に関する４種類の特徴量を算出する算出部と、４種類の特徴量を分類モデルに入力し、分類モデルの出力に基づいて心電データに異常が含まれているか否かを判定する判定部と、を備える。 An abnormality detection apparatus according to another aspect of the present invention includes an acquisition unit that acquires electrocardiographic data of a user, and an extraction that extracts an interval between adjacent R-wave peaks among a plurality of R-waves included in the electrocardiographic data. And a calculation unit that calculates four types of feature values related to the peak interval based on the peak interval, and the four types of feature values are input to the classification model, and the electrocardiogram data is abnormal based on the output of the classification model And a determination unit that determines whether or not is included.
この態様によれば、算出する特徴量を４種類に限定し、それら４種類の特徴量を分類モデルに入力して、心電データに異常が含まれているか否かを判定することで、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる。 According to this aspect, the feature amounts to be calculated are limited to four types, and the four types of feature amounts are input to the classification model, and it is determined whether or not abnormality is included in the electrocardiogram data. Even when a device having a small-scale computing resource is used, it is possible to accurately detect an abnormality or detect an abnormality sign.
本発明の他の態様に係る異常検出プログラムは、異常検出装置に備えられたコンピュータを、ユーザの心電データを取得する取得部、心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出する抽出部、ピークの間隔に基づいて、ピークの間隔に関する４種類の特徴量を算出する算出部、及び４種類の特徴量を分類モデルに入力し、分類モデルの出力に基づいて心電データに異常が含まれているか否かを判定する判定部、として機能させる。 An abnormality detection program according to another aspect of the present invention includes a computer provided in an abnormality detection apparatus, an acquisition unit that acquires electrocardiogram data of a user, and adjacent Rs among a plurality of R waves included in the electrocardiogram data. An extraction unit for extracting wave peak intervals, a calculation unit for calculating four types of feature values related to peak intervals based on the peak intervals, and inputting four types of feature values to the classification model, and outputting the classification model Based on the above, it is made to function as a determination unit that determines whether or not an abnormality is included in the electrocardiogram data.
この態様によれば、算出する特徴量を４種類に限定し、それら４種類の特徴量を分類モデルに入力して、心電データに異常が含まれているか否かを判定することで、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる。 According to this aspect, the feature amounts to be calculated are limited to four types, and the four types of feature amounts are input to the classification model, and it is determined whether or not abnormality is included in the electrocardiogram data. Even when a device having a small-scale computing resource is used, it is possible to accurately detect an abnormality or detect an abnormality sign.
本発明によれば、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる異常検出方法、異常検出装置及び異常検出プログラムを提供することができる。 According to the present invention, an abnormality detection method, an abnormality detection device, and an abnormality detection capable of accurately detecting an abnormality or detecting an abnormality sign even when a device having a relatively small computing resource is used. A program can be provided.
添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。 Embodiments of the present invention will be described with reference to the accompanying drawings. In addition, in each figure, what attached | subjected the same code | symbol has the same or similar structure.
図１は、本発明の実施形態に係る異常検出装置１０の上面図である。異常検出装置１０は、幅７４ｍｍ、高さ２８ｍｍの装置であり、裏面がユーザの皮膚に接触するように、バンド等でユーザの体に密着させて使用する。また、異常検出装置１０の厚さは１０ｍｍであり、重さは１４ｇである。異常検出装置１０は、小型かつ軽量であり、装着していることをほとんど意識せずに使用することができるため、運動中や睡眠中に身に着けて、ユーザの心電データを連続的に測定することができる。 FIG. 1 is a top view of an abnormality detection apparatus 10 according to an embodiment of the present invention. The abnormality detection device 10 is a device having a width of 74 mm and a height of 28 mm, and is used in close contact with the user's body with a band or the like so that the back surface contacts the user's skin. Moreover, the thickness of the abnormality detection apparatus 10 is 10 mm, and the weight is 14 g. The anomaly detection device 10 is small and lightweight, and can be used with little awareness of wearing, so it can be worn while exercising or sleeping, and the user's electrocardiographic data can be continuously acquired. Can be measured.
図２は、本実施形態に係る異常検出装置１０の物理的構成を示す図である。異常検出装置１０は、ハードウェアプロセッサに相当するＣＰＵ（Central Processing Unit）１０ａと、メモリに相当するＲＡＭ（Random Access Memory）１０ｂと、メモリに相当するＲＯＭ（Read Only Memory）１０ｃと、通信部１０ｄと、測定部１０ｅと、バッテリ１０ｆとを有する。ＣＰＵ１０ａ、ＲＡＭ１０ｂ、ＲＯＭ１０ｃ、通信部１０ｄ及び測定部１０ｅは、バスを介して相互にデータ送受信可能に接続され、それぞれバッテリ１０ｆから電源の供給を受けて動作する。 FIG. 2 is a diagram illustrating a physical configuration of the abnormality detection apparatus 10 according to the present embodiment. The abnormality detection apparatus 10 includes a CPU (Central Processing Unit) 10a corresponding to a hardware processor, a RAM (Random Access Memory) 10b corresponding to a memory, a ROM (Read Only Memory) 10c corresponding to a memory, and a communication unit 10d. And a measuring unit 10e and a battery 10f. The CPU 10a, the RAM 10b, the ROM 10c, the communication unit 10d, and the measurement unit 10e are connected to each other via a bus so as to be able to transmit and receive data to each other, and operate by receiving power from the battery 10f.
ＣＰＵ１０ａは、ＲＡＭ１０ｂ又はＲＯＭ１０ｃに記憶されたプログラムの実行に関する制御やデータの演算、加工を行う制御部である。ＣＰＵ１０ａは、心電データに異常が含まれているか否かを判定するプログラム（異常検出プログラム）を実行する演算装置である。ＣＰＵ１０ａは、通信部１０ｄや測定部１０ｅから種々の入力データを受け取り、入力データの演算結果を通信部１０ｄによって他の機器に送信したり、ＲＡＭ１０ｂやＲＯＭ１０ｃに格納したりする。 The CPU 10a is a control unit that performs control related to execution of a program stored in the RAM 10b or the ROM 10c, and calculates and processes data. The CPU 10a is an arithmetic device that executes a program (abnormality detection program) for determining whether or not an abnormality is included in the electrocardiographic data. The CPU 10a receives various input data from the communication unit 10d and the measurement unit 10e, and transmits the calculation result of the input data to other devices by the communication unit 10d or stores it in the RAM 10b or the ROM 10c.
ＲＡＭ１０ｂは、データの書き換えが可能な記憶部であり、例えば半導体記憶素子で構成される。ＲＡＭ１０ｂは、ＣＰＵ１０ａが実行するアプリケーション等のプログラムやデータを記憶する。 The RAM 10b is a storage unit in which data can be rewritten, and is composed of, for example, a semiconductor storage element. The RAM 10b stores programs such as applications executed by the CPU 10a and data.
ＲＯＭ１０ｃは、データの読み出しのみが可能な記憶部であり、例えば半導体記憶素子で構成される。ＲＯＭ１０ｃは、例えばファームウェア等のプログラムやデータを記憶する。 The ROM 10c is a storage unit that can only read data, and is composed of, for example, a semiconductor storage element. The ROM 10c stores programs such as firmware and data, for example.
通信部１０ｄは、異常検出装置１０を通信ネットワークに接続する通信インタフェースである。通信部１０ｄは、近距離無線通信の通信インタフェースであってよく、例えば低消費電力の通信規格を用いるものであってよい。 The communication unit 10d is a communication interface that connects the abnormality detection device 10 to a communication network. The communication unit 10d may be a communication interface for short-range wireless communication, and may use, for example, a communication standard with low power consumption.
測定部１０ｅは、ユーザの心電データを測定するものであり、測定電極を含む。ユーザは、異常測定装置１０の測定部１０ｅが皮膚に接触するように異常測定装置１０を体に装着する。 The measurement part 10e measures a user's electrocardiogram data, and includes a measurement electrode. The user wears the abnormality measuring device 10 on the body so that the measuring unit 10e of the abnormality measuring device 10 contacts the skin.
バッテリ１０ｆは、他の物理的構成に電源を供給するものであり、例えばリチウムイオンバッテリであってよい。 The battery 10f supplies power to another physical configuration, and may be a lithium ion battery, for example.
異常検出プログラムは、ＲＡＭ１０ｂやＲＯＭ１０ｃ等のコンピュータによって読み取り可能な記憶媒体に記憶されて提供されてもよいし、通信部１０ｄにより接続される通信ネットワークを介して提供されてもよい。異常検出装置１０では、ＣＰＵ１０ａが異常検出プログラムを実行することにより、次図を用いて説明する様々な機能が実現される。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、異常検出装置１０は、ＣＰＵ１０ａとＲＡＭ１０ｂやＲＯＭ１０ｃが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。本実施形態に係る異常検出装置１０は、ＣＰＵ１０ａ、ＲＡＭ１０ｂ、ＲＯＭ１０ｃ、通信部１０ｄ、測定部１０ｅ及びバッテリ１０ｆに相当する構成が単一の筐体に内蔵された装置である。 The abnormality detection program may be provided by being stored in a computer-readable storage medium such as the RAM 10b or the ROM 10c, or may be provided via a communication network connected by the communication unit 10d. In the abnormality detection device 10, the CPU 10a executes the abnormality detection program, thereby realizing various functions described with reference to the following diagram. In addition, these physical structures are illustrations, Comprising: It does not necessarily need to be an independent structure. For example, the abnormality detection apparatus 10 may include an LSI (Large-Scale Integration) in which a CPU 10a, a RAM 10b, and a ROM 10c are integrated. The abnormality detection device 10 according to this embodiment is a device in which a configuration corresponding to a CPU 10a, a RAM 10b, a ROM 10c, a communication unit 10d, a measurement unit 10e, and a battery 10f is built in a single casing.
図３は、本実施形態に係る異常検出装置１０の機能ブロックを示す図である。異常検出装置１０は、測定部１０ｅ、心電データ記憶部１１、取得部１２、抽出部１３、算出部１４、判定部１５、分類モデル記憶部１６及び通信部１０ｄを備える。 FIG. 3 is a functional block diagram of the abnormality detection apparatus 10 according to the present embodiment. The abnormality detection device 10 includes a measurement unit 10e, an electrocardiogram data storage unit 11, an acquisition unit 12, an extraction unit 13, a calculation unit 14, a determination unit 15, a classification model storage unit 16, and a communication unit 10d.
心電データ記憶部１１は、測定部１０ｅによって測定されたユーザの心電データを記憶する。取得部１２は、測定部１０ｅによって測定されたユーザの心電データ及び心電データ記憶部１１に記憶されたユーザの心電データの少なくともいずれかを取得する。 The electrocardiogram data storage unit 11 stores the user's electrocardiogram data measured by the measurement unit 10e. The acquiring unit 12 acquires at least one of the user's electrocardiographic data measured by the measuring unit 10e and the user's electrocardiographic data stored in the electrocardiographic data storage unit 11.
抽出部１３は、心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出する。本明細書では、Ｒ波のピークの間隔がＮ個抽出されたものとして、それらピークの間隔をｘi（ｉ＝１〜Ｎ）と表す。ここで、Ｎは任意の自然数である。なお、抽出部１３は、隣り合うＲ波のピークの間隔のうち外れ値を除外する前処理を行ってもよい。すなわち、抽出部１３は、心電データに含まれる複数のＲ波のうち、必ずしも全てのＲ波のピーク間隔を抽出しなくてもよく、外れ値を除外することによって一部のピーク間隔を抽出してもよい。 The extraction unit 13 extracts an interval between adjacent R wave peaks from among a plurality of R waves included in the electrocardiogram data. In this specification, assuming that N R wave peak intervals are extracted, the peak intervals are represented as x i (i = 1 to N). Here, N is an arbitrary natural number. Note that the extraction unit 13 may perform preprocessing for excluding outliers from the interval between adjacent R wave peaks. That is, the extraction unit 13 does not necessarily extract all the R wave peak intervals from among a plurality of R waves included in the electrocardiogram data, and extracts some peak intervals by excluding outliers. May be.
算出部１４は、ピークの間隔に基づいて、ピークの間隔に関する４種類又は３種類の特徴量を算出する。算出部１４は、以下に示す第１〜第４特徴量のうち、４種類又は３種類の特徴量を算出する。なお、算出部１４は、以下に示す第１〜第４特徴量以外の特徴量を算出してもよい。 The calculation unit 14 calculates four or three types of feature amounts related to the peak interval based on the peak interval. The calculation unit 14 calculates four or three types of feature amounts among the following first to fourth feature amounts. Note that the calculation unit 14 may calculate feature amounts other than the first to fourth feature amounts described below.
第１特徴量は、隣り合うデータ点の差の二乗平均平方根、ＲＭＳＳＤ（Root Mean Square Successive Difference）と呼ばれる量であり、（Σi=1 N-1（ｘi+1−ｘi）2／Ｎ−１）1/2の値により算出される。第１特徴量は、ピークの間隔のばらつきを表す特徴量である。 The first feature value is a root mean square successive difference (RMSSD), which is a difference between adjacent data points, and is (Σ i = 1 N−1 (x i + 1 −x i ) 2 / N-1) It is calculated by the value of 1/2 . The first feature amount is a feature amount representing variation in peak interval.
第２特徴量は、転回点比、ＴＰＲ（Turning Point Ratio）と呼ばれる量であり、ｉ＝２〜Ｎ−１について、ｘi＞ｘi+1かつｘi＞ｘi-1を満たすｉの個数をカウントして第１個数ｎ１を算出し、ｉ＝２〜Ｎ−１について、ｘi＜ｘi+1かつｘi＜ｘi-1を満たすｉの個数をカウントして第２個数ｎ２を算出して、第１個数ｎ１と第２個数ｎ２の合計をＮ−２で割ることで算出される。すなわち、第２特徴量は、（ｎ１＋ｎ２）／（Ｎ−２）の値により算出される。第２特徴量は、ピークの間隔のばらつきを表す特徴量である。 The second feature amount is an amount called a turning point ratio, TPR (Turning Point Ratio), and for i = 2 to N−1, i satisfies x i > x i + 1 and x i > x i−1 . The first number n1 is calculated by counting the number, and for i = 2 to N−1, the number of i satisfying x i <x i + 1 and x i <x i−1 is counted to obtain the second number n2. And the sum of the first number n1 and the second number n2 is divided by N-2. That is, the second feature amount is calculated by the value of (n1 + n2) / (N-2). The second feature amount is a feature amount representing variation in peak intervals.
第３特徴量は、カルバック・ライブラー・ダイバージェンス、ＫＬＤ（Kullback-Leibler Divergence）と呼ばれる量であり、ピークの間隔ｘiのデータ列をＮより小さいｄ個の区間に分割し、ｄ個の区間のうちｊ番目（ｊ＝１〜ｄ）の区間に所属するデータ数をカウントして第３個数Ｎjを算出して、自然対数をｌｎと表し、Ｐｒ（Ｎj）＝Ｎj／Ｎと表すとき、Σj=1 dＰｒ（Ｎj）ｌｎ（ｄ×Ｐｒ（Ｎj））の値により算出される。すなわち、カルバック・ライブラー・ダイバージェンスをＤKLと表すとき、第３特徴量は、ＤKL（Ｐｒ（Ｎj）｜｜１／ｄ）で算出される。第３特徴量は、ピークの間隔のばらつきを表す特徴量である。 The third feature amount, Kullback-Leibler Divergence, a quantity called KLD (Kullback-Leibler Divergence), a data string spacing x i peak divided into N smaller d number of sections, d pieces of section The third number N j is calculated by counting the number of data belonging to the j-th (j = 1 to d) interval, the natural logarithm is represented as ln, and Pr (N j ) = N j / N When expressed, it is calculated from the value of Σ j = 1 d Pr (N j ) ln (d × Pr (N j )). In other words, when the Cullback librarian divergence is expressed as D KL , the third feature amount is calculated as D KL (Pr (N j ) || 1 / d). The third feature amount is a feature amount representing variation in peak intervals.
第４特徴量は、Ｒ波とＲ波のピーク間隔のある区間における平均、ＭＥＡＮ（Mean of R-R interval segment）と呼ばれる量であり、Σi=1 Nｘi／Ｎの値により算出される。 The fourth feature amount is an average in a section having a peak interval between the R wave and the R wave, an amount called MEAN (Mean of RR interval segment), and is calculated by a value of Σ i = 1 N x i / N.
判定部１５は、４種類又は３種類の特徴量を分類モデルに入力し、分類モデルの出力に基づいて心電データに異常が含まれているか否かを判定する。判定部１５は、心電データが不整脈を示しているか否かを判定してよく、心電データが、頻脈性不整脈及び除脈性不整脈の少なくともいずれかを示しているか否かを判定してよい。ここで、頻脈性不整脈とは、５０〜１００拍／分程度である通常の心拍数と比較して心拍数が多い場合の不整脈であり、心房細動、リエントリー性頻拍、心房粗動、心房頻拍、心室性期外収縮及び心室性頻拍等を含む。また、除脈性不整脈とは、５０〜１００拍／分程度である通常の心拍数と比較して心拍数が少ない場合の不整脈であり、房室ブロック、２枝ブロック及び３枝ブロック等を含む。判定部１５による判定結果は、通信部１０ｄによって他の機器に送信されてよい。 The determination unit 15 inputs four or three types of feature quantities to the classification model, and determines whether or not abnormality is included in the electrocardiogram data based on the output of the classification model. The determination unit 15 may determine whether or not the electrocardiographic data indicates arrhythmia, and determines whether or not the electrocardiographic data indicates at least one of tachyarrhythmia and bradyarrhythmia. Good. Here, tachyarrhythmia is an arrhythmia when the heart rate is higher than a normal heart rate of about 50 to 100 beats / minute, and includes atrial fibrillation, reentrant tachycardia, and atrial flutter. , Including atrial tachycardia, ventricular extrasystole and ventricular tachycardia. In addition, the cardiac arrhythmia is an arrhythmia when the heart rate is low compared to a normal heart rate of about 50 to 100 beats / minute, and includes an atrioventricular block, a 2-branch block, a 3-branch block, and the like. . The determination result by the determination unit 15 may be transmitted to another device by the communication unit 10d.
判定部１５により、比較的小規模な演算資源を有する機器を用いる場合であっても、心電データが不整脈を示しているか否かを判定することができ、運動中や睡眠中に生じる不整脈を容易に検出することができる。また、不整脈の中でも、通常より心拍数が多い頻脈性不整脈であるか、通常より心拍数が少ない除脈性不整脈であるかを判定することができ、異常に関するより詳細な情報を提供することができる。 The determination unit 15 can determine whether or not the electrocardiogram data indicates an arrhythmia even when using a device having a relatively small computing resource, and can detect an arrhythmia that occurs during exercise or sleep. It can be easily detected. In addition, it is possible to determine whether the arrhythmia is a tachyarrhythmia with a higher heart rate than normal, or a bradyarrhythmia with a lower heart rate than normal, and provide more detailed information about the abnormality Can do.
分類モデル記憶部１６は、判定部１５により特徴量が入力される分類モデルを記憶する。分類モデルは、学習済みの多層パーセプトロンを含むものであってよく、判定部１５は、多層パーセプトロンの出力に基づいて、心電データに異常が含まれているか否かを判定したり、心電データが、頻脈性不整脈及び除脈性不整脈の少なくともいずれかを示しているか否かを判定したりしてよい。なお、分類モデルは、任意の層を含む多層パーセプトロンを用いるものであってよく、多層パーセプトロンと他のモデルを組み合わせたモデルであってもよいし、多層パーセプトロンの出力を後処理して最終的な出力とするモデルであってもよいし、多層パーセプトロン以外のモデルを用いるものであってもよい。 The classification model storage unit 16 stores the classification model to which the feature amount is input by the determination unit 15. The classification model may include a learned multi-layer perceptron, and the determination unit 15 determines whether or not the electrocardiogram data includes an abnormality based on the output of the multi-layer perceptron, It may be determined whether or not indicates at least one of tachyarrhythmia and bradyarrhythmia. The classification model may use a multilayer perceptron including an arbitrary layer, may be a model in which the multilayer perceptron is combined with another model, or the final output is obtained by post-processing the output of the multilayer perceptron. The output model may be used, or a model other than the multilayer perceptron may be used.
分類モデルが学習済みの多層パーセプトロンを含むことで、比較的単純な演算を繰り返すことで心電データに異常が含まれているか否かを判定することができ、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる。 Since the classification model includes a learned multi-layer perceptron, it is possible to determine whether an abnormality is included in the electrocardiogram data by repeating a relatively simple calculation, and has a relatively small calculation resource. Even when a device is used, it is possible to accurately detect an abnormality or detect an abnormality sign.
図４は、本実施形態に係る異常検出装置１０によって実行される異常検出の第１処理を示すフローチャートである。異常検出装置１０は、はじめに、取得部１２によって、ユーザの心電データを取得する（Ｓ１０）。そして、抽出部１３によって、心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出する（Ｓ１１）。 FIG. 4 is a flowchart showing a first process of abnormality detection executed by the abnormality detection apparatus 10 according to the present embodiment. First, the abnormality detection device 10 acquires electrocardiogram data of the user by the acquisition unit 12 (S10). And the extraction part 13 extracts the space | interval of the peak of adjacent R wave among several R waves contained in electrocardiogram data (S11).
算出部１４は、抽出されたピークの間隔に基づいて、第１特徴量（ＲＭＳＳＤ）を算出する（Ｓ１２）。また、算出部１４は、抽出されたピークの間隔に基づいて、第２特徴量（ＴＰＲ）を算出し（Ｓ１３）、抽出されたピークの間隔に基づいて、第３特徴量（ＫＬＤ）を算出し（Ｓ１４）、抽出されたピークの間隔に基づいて、第４特徴量（ＭＥＡＮ）を算出する（Ｓ１５）。 The calculation unit 14 calculates a first feature amount (RMSSD) based on the extracted peak interval (S12). Further, the calculation unit 14 calculates a second feature amount (TPR) based on the extracted peak interval (S13), and calculates a third feature amount (KLD) based on the extracted peak interval. Then, based on the extracted peak interval, a fourth feature value (MEAN) is calculated (S15).
判定部１５は、算出された第１特徴量、第２特徴量、第３特徴量及び第４特徴量を分類モデルに入力し（Ｓ１６）、分類モデルの出力に基づいて心電データに異常が含まれているか否かを判定する（Ｓ１７）。判定結果は、通信部１０ｄによって外部機器に送信されてもよい。以上により第１処理が終了する。 The determination unit 15 inputs the calculated first feature value, second feature value, third feature value, and fourth feature value to the classification model (S16), and the electrocardiogram data is abnormal based on the output of the classification model. It is determined whether or not it is included (S17). The determination result may be transmitted to the external device by the communication unit 10d. Thus, the first process ends.
本実施形態に係る異常検出装置１０によれば、算出する特徴量を４種類に限定し、それら４種類の特徴量を分類モデルに入力して、心電データに異常が含まれているか否かを判定することで、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる。 According to the abnormality detection apparatus 10 according to the present embodiment, the feature amounts to be calculated are limited to four types, and these four types of feature amounts are input to the classification model to determine whether or not the electrocardiogram data includes an abnormality. Therefore, even when a device having a relatively small computing resource is used, it is possible to accurately detect an abnormality or detect an abnormality sign.
図５は、分類モデルに入力する特徴量の数と、異常検出の性能を表す指標値との関係を示すグラフである。同図では、横軸に分類モデルに入力する特徴量の数を示し、縦軸に異常検出の性能を表す指標値を示している。異常検出の性能を表す指標値は、実線で示すａｃｃｕｒａｃｙ（正確度）、破線で示すｓｅｎｓｉｔｉｖｉｔｙ（感度）、一点鎖線で示すｓｐｅｃｉｆｉｃｉｔｙ（特異度）、二点鎖線で示すｐｒｅｃｉｓｉｏｎ（精度）の４種類である。 FIG. 5 is a graph showing the relationship between the number of feature quantities input to the classification model and an index value representing the performance of abnormality detection. In the figure, the horizontal axis indicates the number of feature quantities input to the classification model, and the vertical axis indicates an index value indicating the abnormality detection performance. There are four types of index values indicating the performance of abnormality detection: accuracy (accuracy) indicated by a solid line, sensitivity (sensitivity) indicated by a broken line, specificity (specificity) indicated by a one-dot chain line, and precision (accuracy) indicated by a two-dot chain line. is there.
サンプルの中に含まれる異常無し（ポジティブ）のデータ数をＰ、異常有り（ネガティブ）のデータ数をＮと表すとき、判定部１５により正しく異常無しと判定された数をＴＰ、判定部１５により誤って異常有りと判定された数をＦＰ、判定部１５により正しく異常有りと判定された数をＴＮ、判定部１５により誤って異常無しと判定された数をＦＮと表すとき、ａｃｃｕｒａｃｙは（ＴＰ＋ＴＮ）／（Ｐ＋Ｎ）で与えられ、ｓｅｎｓｉｔｉｖｉｔｙはＴＰ／Ｐで与えられ、ｓｐｅｃｉｆｉｃｉｔｙはＴＮ／Ｎで与えられ、ｐｒｅｃｉｓｉｏｎはＴＰ／（ＴＰ＋ＦＰ）で与えられる。これらの指標値は、１に近いほど異常検出の性能が良いことを示す値である。 When the number of non-abnormal (positive) data included in the sample is represented by P and the number of abnormal (negative) data is represented by N, the number determined correctly by the determination unit 15 as TP is determined by TP and the determination unit 15 When the number erroneously determined to be abnormal is expressed as FP, the number correctly determined as abnormal by the determination unit 15 is TN, and the number erroneously determined as abnormal by the determination unit 15 is expressed as FN, accuracy is (TP + TN ) / (P + N), sensitivity is given by TP / P, specificity is given by TN / N, and precision is given by TP / (TP + FP). These index values are values indicating that the closer to 1, the better the performance of abnormality detection.
同図に示すグラフによると、分類モデルに入力する特徴量の数が３の場合、全ての指標値が０．９以上であり、異常検出の性能が十分に高いことを示している。一方、分類モデルに入力する特徴量の数が１又は２の場合、ｓｅｎｓｉｔｉｖｉｔｙのみ０．９程度であるものの、他の指標値は０．８５程度であり、異常検出の性能が十分に高くないことを示している。 According to the graph shown in the figure, when the number of feature quantities input to the classification model is 3, all index values are 0.9 or more, which indicates that the abnormality detection performance is sufficiently high. On the other hand, when the number of feature quantities input to the classification model is 1 or 2, only the sensitivity is about 0.9, but the other index value is about 0.85, and the abnormality detection performance is not sufficiently high. Is shown.
また、グラフは、分類モデルに入力する特徴量の数が４の場合、全ての指標値が０．９５程度であり、異常検出の性能が十分に高いことを示している。一方、分類モデルに入力する特徴量の数が５以上の場合、全ての指標値が０．９５程度のまま横ばいであり、分類モデルに入力する特徴量の数が４である場合と比較して、異常検出の性能が改善しないことを示している。 The graph also shows that when the number of feature quantities input to the classification model is 4, all index values are about 0.95, and the abnormality detection performance is sufficiently high. On the other hand, when the number of feature quantities input to the classification model is 5 or more, all index values remain unchanged at about 0.95, compared with the case where the number of feature quantities input to the classification model is 4. This indicates that the performance of anomaly detection does not improve.
比較的小規模な演算資源を有する機器を用いる場合には、算出する特徴量の種類を減らして演算量を減らすことが望まれるが、グラフからは、分類モデルに入力する特徴量の数が１又は２の場合、異常検出の性能が十分に高くないことがわかり、分類モデルに入力する特徴量の数が３以上であれば異常検出の性能が十分に高くなることがわかる。また、分類モデルに入力する特徴量の数が４以上の場合に、異常検出の性能がほとんど変わらないことがわかる。よって、分類モデルに入力する特徴量の数は、３又は４が最適であるといえる。 When using a device having a relatively small computing resource, it is desirable to reduce the amount of computation by reducing the types of feature quantities to be calculated. From the graph, the number of feature quantities input to the classification model is one. Alternatively, in the case of 2, it can be seen that the abnormality detection performance is not sufficiently high, and that the abnormality detection performance is sufficiently high if the number of feature quantities input to the classification model is 3 or more. It can also be seen that when the number of feature quantities input to the classification model is 4 or more, the performance of abnormality detection hardly changes. Therefore, it can be said that 3 or 4 is the optimum number of feature amounts to be input to the classification model.
図６は、本実施形態に係る異常検出装置１０によって実行される異常検出の第２処理を示すフローチャートである。第２処理は、心電データのＲ−Ｒピーク間隔に基づいて３種類の特徴量を算出し、分類モデルによって心電データに異常が含まれているか否かを判定する処理である。 FIG. 6 is a flowchart showing the second process of abnormality detection executed by the abnormality detection apparatus 10 according to the present embodiment. The second process is a process of calculating three types of feature quantities based on the RR peak interval of the electrocardiogram data and determining whether or not the electrocardiogram data includes an abnormality using the classification model.
異常検出装置１０は、はじめに、取得部１２によって、ユーザの心電データを取得する（Ｓ２０）。そして、抽出部１３によって、心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出する（Ｓ２１）。 First, the abnormality detection device 10 acquires the electrocardiogram data of the user by the acquisition unit 12 (S20). And the extraction part 13 extracts the space | interval of the peak of adjacent R wave among several R waves contained in electrocardiogram data (S21).
算出部１４は、抽出されたピークの間隔に基づいて、第１特徴量（ＲＭＳＳＤ）を算出する（Ｓ２２）。また、算出部１４は、抽出されたピークの間隔に基づいて、第２特徴量（ＴＰＲ）を算出し（Ｓ２３）、抽出されたピークの間隔に基づいて、第３特徴量（ＫＬＤ）を算出する（Ｓ２４）。なお、ここでは、算出部１４によって第１特徴量、第２特徴量及び第３特徴量を算出する例を示したが、算出部１４は、第１特徴量、第２特徴量、第３特徴量及び第４特徴量（ＭＥＡＮ）のうちいずれか３種類を算出すればよく、その組み合わせは任意である。 The calculation unit 14 calculates a first feature amount (RMSSD) based on the extracted peak interval (S22). In addition, the calculation unit 14 calculates a second feature amount (TPR) based on the extracted peak interval (S23), and calculates a third feature amount (KLD) based on the extracted peak interval. (S24). In addition, although the example which calculates 1st feature-value, 2nd feature-value, and 3rd feature-value by the calculation part 14 was shown here, the calculation part 14 is 1st feature-value, 2nd feature-value, 3rd feature-value. Any three of the quantity and the fourth feature quantity (MEAN) may be calculated, and the combination thereof is arbitrary.
判定部１５は、算出された第１特徴量、第２特徴量及び第３特徴量を分類モデルに入力し（Ｓ２５）、分類モデルの出力に基づいて心電データに異常が含まれているか否かを判定する（Ｓ２６）。判定結果は、通信部１０ｄによって外部機器に送信されてもよい。以上により第２処理が終了する。 The determination unit 15 inputs the calculated first feature value, second feature value, and third feature value to the classification model (S25), and whether or not an abnormality is included in the electrocardiogram data based on the output of the classification model. Is determined (S26). The determination result may be transmitted to the external device by the communication unit 10d. Thus, the second process ends.
本実施形態に係る異常検出装置１０によれば、算出する特徴量を３種類に限定し、それら３種類の特徴量を分類モデルに入力して、心電データに異常が含まれているか否かを判定することで、比較的小規模な演算資源を有する機器を用いる場合であっても、精度の良い異常検出又は異常の兆候の検出を行うことができる。算出する特徴量を３種類に限定することで、４種類の特徴量を算出する場合よりも演算負荷を減らすことができる。 According to the abnormality detection apparatus 10 according to the present embodiment, the calculated feature amounts are limited to three types, and these three types of feature amounts are input to the classification model to determine whether or not the electrocardiogram data includes an abnormality. Therefore, even when a device having a relatively small computing resource is used, it is possible to accurately detect an abnormality or detect an abnormality sign. By limiting the feature quantities to be calculated to three types, the calculation load can be reduced as compared with the case of calculating four types of feature quantities.
以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。 The embodiments described above are for facilitating the understanding of the present invention, and are not intended to limit the present invention. Each element included in the embodiment and its arrangement, material, condition, shape, size, and the like are not limited to those illustrated, and can be changed as appropriate. In addition, the structures shown in different embodiments can be partially replaced or combined.
１０…異常検出装置、１０ａ…ＣＰＵ、１０ｂ…ＲＡＭ、１０ｃ…ＲＯＭ、１０ｄ…通信部、１０ｅ…測定部、１０ｆ…バッテリ、１１…心電データ記憶部、１２…取得部、１３…抽出部、１４…算出部、１５…判定部、１６…分類モデル記憶部 DESCRIPTION OF SYMBOLS 10 ... Abnormality detection apparatus, 10a ... CPU, 10b ... RAM, 10c ... ROM, 10d ... Communication part, 10e ... Measurement part, 10f ... Battery, 11 ... Electrocardiogram data storage part, 12 ... Acquisition part, 13 ... Extraction part, 14 ... calculation unit, 15 ... determination unit, 16 ... classification model storage unit
Claims (11)
ユーザの心電データを取得することと、
前記心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出することと、
前記ピークの間隔に基づいて、前記ピークの間隔に関する４種類の特徴量を算出することと、
前記４種類の特徴量を分類モデルに入力し、前記分類モデルの出力に基づいて前記心電データに異常が含まれているか否かを判定することと、
を実行する異常検出方法。 By a computer with a hardware processor and memory,
Getting user electrocardiogram data,
Extracting an interval between adjacent R-wave peaks among a plurality of R-waves included in the electrocardiogram data;
Calculating four types of feature values related to the peak interval based on the peak interval;
Inputting the four types of feature quantities into a classification model, and determining whether an abnormality is included in the electrocardiogram data based on an output of the classification model;
Anomaly detection method to execute.
請求項１に記載の異常検出方法。 The determining includes determining whether the electrocardiographic data indicates arrhythmia;
The abnormality detection method according to claim 1.
請求項２に記載の異常検出方法。 The determining includes determining whether the electrocardiographic data indicates at least one of tachyarrhythmia and bradyarrhythmia.
The abnormality detection method according to claim 2.
前記判定することは、前記多層パーセプトロンの出力に基づいて、前記心電データに異常が含まれているか否かを判定することである、
請求項１から３のいずれか一項に記載の異常検出方法。 The classification model includes a trained multilayer perceptron,
The determination is to determine whether an abnormality is included in the electrocardiogram data based on the output of the multilayer perceptron.
The abnormality detection method according to any one of claims 1 to 3.
Ｎ個の前記ピークの間隔をｘi（ｉ＝１〜Ｎ）と表すとき、
（Σi=1 N-1（ｘi+1−ｘi）2／Ｎ−１）1/2
の値により前記特徴量を算出することを含む、
請求項１から４のいずれか一項に記載の異常検出方法。 Calculating the feature amount
When the interval between the N peaks is expressed as x i (i = 1 to N),
(Σ i = 1 N−1 (x i + 1 −x i ) 2 / N−1) 1/2
Calculating the feature amount from the value of
The abnormality detection method according to any one of claims 1 to 4.
Ｎ個の前記ピークの間隔をｘi（ｉ＝１〜Ｎ）と表すとき、ｉ＝２〜Ｎ−１について、ｘi＞ｘi+1かつｘi＞ｘi-1を満たすｉの個数をカウントして第１個数を算出することと、
ｉ＝２〜Ｎ−１について、ｘi＜ｘi+1かつｘi＜ｘi-1を満たすｉの個数をカウントして第２個数を算出することと、
前記第１個数と前記第２個数の合計をＮ−２で割ることで前記特徴量を算出することと、を含む、
請求項１から５のいずれか一項に記載の異常検出方法。 Calculating the feature amount
When the interval between the N peaks is expressed as x i (i = 1 to N), the number of i satisfying x i > x i + 1 and x i > x i−1 for i = 2 to N−1. To calculate the first number,
For i = 2 to N−1, calculating the second number by counting the number of i satisfying x i <x i + 1 and x i <x i−1 ,
Calculating the feature amount by dividing the sum of the first number and the second number by N−2.
The abnormality detection method according to any one of claims 1 to 5.
Ｎ個の前記ピークの間隔をｘi（ｉ＝１〜Ｎ）と表すとき、ｘiのデータ列をＮより小さいｄ個の区間に分割することと、
前記ｄ個の区間のうちｊ番目（ｊ＝１〜ｄ）の区間に所属するデータ数をカウントして第３個数Ｎjを算出することと、
自然対数をｌｎと表し、Ｐｒ（Ｎj）＝Ｎj／Ｎと表すとき、
Σj=1 dＰｒ（Ｎj）ｌｎ（ｄ×Ｐｒ（Ｎj））
の値により前記特徴量を算出することと、を含む、
請求項１から６のいずれか一項に記載の異常検出方法。 Calculating the feature amount
When the interval between the N peaks is represented as x i (i = 1 to N), the data string of x i is divided into d sections smaller than N;
Calculating the third number N j by counting the number of data belonging to the j-th (j = 1 to d) section of the d sections;
When the natural logarithm is expressed as ln and Pr (N j ) = N j / N,
Σ j = 1 d Pr (N j ) ln (d × Pr (N j ))
Calculating the feature amount from the value of
The abnormality detection method according to any one of claims 1 to 6.
Ｎ個の前記ピークの間隔をｘi（ｉ＝１〜Ｎ）と表すとき、
Σi=1 Nｘi／Ｎ
の値により前記特徴量を算出することを含む、
請求項１から７のいずれか一項に記載の異常検出方法。 Calculating the feature amount
When the interval between the N peaks is expressed as x i (i = 1 to N),
Σ i = 1 N x i / N
Calculating the feature amount from the value of
The abnormality detection method according to any one of claims 1 to 7.
ユーザの心電データを取得することと、
前記心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出することと、
前記ピークの間隔に基づいて、前記ピークの間隔に関する３種類の特徴量を算出することと、
前記３種類の特徴量を分類モデルに入力し、前記分類モデルの出力に基づいて前記心電データに異常が含まれているか否かを判定することと、
を実行する異常検出方法。 By a computer with a hardware processor and memory,
Getting user electrocardiogram data,
Extracting an interval between adjacent R-wave peaks among a plurality of R-waves included in the electrocardiogram data;
Calculating three types of feature values related to the peak interval based on the peak interval;
Inputting the three types of feature quantities into a classification model, and determining whether an abnormality is included in the electrocardiogram data based on an output of the classification model;
Anomaly detection method to execute.
前記心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出する抽出部と、
前記ピークの間隔に基づいて、前記ピークの間隔に関する４種類の特徴量を算出する算出部と、
前記４種類の特徴量を分類モデルに入力し、前記分類モデルの出力に基づいて前記心電データに異常が含まれているか否かを判定する判定部と、
を備える異常検出装置。 An acquisition unit for acquiring electrocardiogram data of the user;
An extraction unit that extracts an interval between peaks of adjacent R waves among a plurality of R waves included in the electrocardiogram data;
A calculation unit that calculates four types of feature values related to the peak interval based on the peak interval;
A determination unit that inputs the four types of feature quantities into a classification model and determines whether or not an abnormality is included in the electrocardiogram data based on an output of the classification model;
An abnormality detection device comprising:
ユーザの心電データを取得する取得部、
前記心電データに含まれる複数のＲ波のうち、隣り合うＲ波のピークの間隔を抽出する抽出部、
前記ピークの間隔に基づいて、前記ピークの間隔に関する４種類の特徴量を算出する算出部、及び
前記４種類の特徴量を分類モデルに入力し、前記分類モデルの出力に基づいて前記心電データに異常が含まれているか否かを判定する判定部、
として機能させる異常検出プログラム。 The computer equipped with the abnormality detection device,
An acquisition unit for acquiring electrocardiogram data of the user;
An extraction unit that extracts an interval between peaks of adjacent R waves among a plurality of R waves included in the electrocardiogram data;
A calculation unit that calculates four types of feature amounts related to the peak interval based on the peak interval; and the four types of feature amounts are input to a classification model, and the electrocardiogram data based on the output of the classification model A determination unit for determining whether or not an abnormality is included in
An anomaly detection program that functions as
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017156803A JP2019033878A (en) | 2017-08-15 | 2017-08-15 | Abnormality detection method, abnormality detection device and abnormality detection program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017156803A JP2019033878A (en) | 2017-08-15 | 2017-08-15 | Abnormality detection method, abnormality detection device and abnormality detection program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2019033878A true JP2019033878A (en) | 2019-03-07 |
Family
ID=65636102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017156803A Pending JP2019033878A (en) | 2017-08-15 | 2017-08-15 | Abnormality detection method, abnormality detection device and abnormality detection program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2019033878A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022113792A1 (en) * | 2020-11-24 | 2022-06-02 | 東レ株式会社 | Biological signal analysis system |
| JP2022172458A (en) * | 2021-05-04 | 2022-11-16 | 株式会社エイティセンス | Electrocardiogram signal processing method and apparatus thereof |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04279175A (en) * | 1990-07-03 | 1992-10-05 | Telectronics Nv | Arhythmia controller and arhythmia detecting method |
| JPH0767844A (en) * | 1993-09-03 | 1995-03-14 | Fukuda Denshi Co Ltd | Device and method for detecting qrs wave in long time electrocardiogram |
| JP2003225216A (en) * | 2002-01-31 | 2003-08-12 | Sanyo Electric Co Ltd | Portable type electrocardiograph |
| JP2007301101A (en) * | 2006-05-10 | 2007-11-22 | Toyota Motor Corp | Arrhythmia monitoring apparatus for vehicle |
| JP2008504073A (en) * | 2004-06-24 | 2008-02-14 | カーディアック ペースメーカーズ，インコーポレイテッド | Automatic orientation determination for ECG measurements using multiple electrodes |
| JP2009082664A (en) * | 2007-09-28 | 2009-04-23 | Shuji Doshita | System of analysis, display, storage, filing and management for comprehensive processing of electrocardiograph data |
| JP2012524615A (en) * | 2009-04-22 | 2012-10-18 | カーディアック ペースメイカーズ， インコーポレイテッド | Detection of ischemia using a non-linear heart rate variability measure |
| US20140330134A1 (en) * | 2013-05-01 | 2014-11-06 | Worcester Polytechnic Institute | Detection and monitoring of atrial fibrillation |
-
2017
- 2017-08-15 JP JP2017156803A patent/JP2019033878A/en active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04279175A (en) * | 1990-07-03 | 1992-10-05 | Telectronics Nv | Arhythmia controller and arhythmia detecting method |
| JPH0767844A (en) * | 1993-09-03 | 1995-03-14 | Fukuda Denshi Co Ltd | Device and method for detecting qrs wave in long time electrocardiogram |
| JP2003225216A (en) * | 2002-01-31 | 2003-08-12 | Sanyo Electric Co Ltd | Portable type electrocardiograph |
| JP2008504073A (en) * | 2004-06-24 | 2008-02-14 | カーディアック ペースメーカーズ，インコーポレイテッド | Automatic orientation determination for ECG measurements using multiple electrodes |
| JP2007301101A (en) * | 2006-05-10 | 2007-11-22 | Toyota Motor Corp | Arrhythmia monitoring apparatus for vehicle |
| JP2009082664A (en) * | 2007-09-28 | 2009-04-23 | Shuji Doshita | System of analysis, display, storage, filing and management for comprehensive processing of electrocardiograph data |
| JP2012524615A (en) * | 2009-04-22 | 2012-10-18 | カーディアック ペースメイカーズ， インコーポレイテッド | Detection of ischemia using a non-linear heart rate variability measure |
| US20140330134A1 (en) * | 2013-05-01 | 2014-11-06 | Worcester Polytechnic Institute | Detection and monitoring of atrial fibrillation |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022113792A1 (en) * | 2020-11-24 | 2022-06-02 | 東レ株式会社 | Biological signal analysis system |
| JPWO2022113792A1 (en) * | 2020-11-24 | 2022-06-02 | ||
| JP7294459B2 (en) | 2020-11-24 | 2023-06-20 | 東レ株式会社 | Biosignal analysis system |
| JP2022172458A (en) * | 2021-05-04 | 2022-11-16 | 株式会社エイティセンス | Electrocardiogram signal processing method and apparatus thereof |
| JP7388761B2 (en) | 2021-05-04 | 2023-11-29 | 株式会社エイティセンス | Electrocardiogram signal processing method and device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sopic et al. | Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems | |
| US20200046286A1 (en) | System for characterizing cardiovascular systems from single channel data | |
| Herry et al. | Heart beat classification from single-lead ECG using the synchrosqueezing transform | |
| Yang et al. | Using PPG signals and wearable devices for atrial fibrillation screening | |
| Ho et al. | Predicting survival in heart failure case and control subjects by use of fully automated methods for deriving nonlinear and conventional indices of heart rate dynamics | |
| US10299689B2 (en) | System and method of determining a risk score for triage | |
| Ramirez-Villegas et al. | Heart rate variability dynamics for the prognosis of cardiovascular risk | |
| US9295397B2 (en) | Method and apparatus for beat-space frequency domain prediction of cardiovascular death after acute coronary event | |
| Shi et al. | Early detection of sudden cardiac death by using ensemble empirical mode decomposition-based entropy and classical linear features from heart rate variability signals | |
| WO2012158984A1 (en) | Methods and apparatus for assessment of atypical brain activity | |
| Zhang et al. | Automatic recognition of cardiac arrhythmias based on the geometric patterns of Poincaré plots | |
| CN109009084B (en) | QRS wave group calibration method, device, equipment and medium for multi-lead electrocardiosignal | |
| Vanitha et al. | Hybrid SVM classification technique to detect mental stress in human beings using ECG signals | |
| Khan et al. | Automated detection of posterior myocardial infarction from vectorcardiogram signals using Fourier–Bessel series expansion based empirical wavelet transform | |
| Kangwanariyakul et al. | Data mining of magnetocardiograms for prediction of ischemic heart disease | |
| US20140194761A1 (en) | Method and apparatus for monitoring biosignal with low power consumption | |
| JP2019033878A (en) | Abnormality detection method, abnormality detection device and abnormality detection program | |
| Mortensen et al. | Multi-class stress detection through heart rate variability: A deep neural network based study | |
| Shah et al. | Extraction of Dynamical Information and Classification of Heart Rate Variability Signals Using Scale Based Permutation Entropy Measures. | |
| John et al. | Binary classifiers for data integrity detection in wearable IoT edge devices | |
| KR20130011567A (en) | A method to detect myocardial ischemia using comparison analysis of heart rate variability time and frequency domain features | |
| KR102551184B1 (en) | Method and apparatus for processing biosignal | |
| WO2019160504A1 (en) | System and method for assessing clinical event risk based on heart rate complexity | |
| KR102017582B1 (en) | R-peak detection method and system using portable bio-information measuring terminal | |
| Marwaha et al. | Cardiac variability time–series analysis by sample entropy and multiscale entropy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190227 |