JP7421681B2 - Biological signal processing device and automatic analysis data generation method - Google Patents
Biological signal processing device and automatic analysis data generation method Download PDFInfo
- Publication number
- JP7421681B2 JP7421681B2 JP2023097217A JP2023097217A JP7421681B2 JP 7421681 B2 JP7421681 B2 JP 7421681B2 JP 2023097217 A JP2023097217 A JP 2023097217A JP 2023097217 A JP2023097217 A JP 2023097217A JP 7421681 B2 JP7421681 B2 JP 7421681B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- electrocardiogram
- signal processing
- biological signal
- processing device
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 70
- 238000012545 processing Methods 0.000 title claims description 60
- 238000000034 method Methods 0.000 title claims description 32
- 239000002131 composite material Substances 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000003321 amplification Effects 0.000 description 11
- 238000003199 nucleic acid amplification method Methods 0.000 description 11
- 230000000052 comparative effect Effects 0.000 description 10
- 238000012805 post-processing Methods 0.000 description 10
- 206010006578 Bundle-Branch Block Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 201000008803 Wolff-Parkinson-white syndrome Diseases 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000009966 trimming Methods 0.000 description 5
- 206010006580 Bundle branch block left Diseases 0.000 description 4
- 206010006582 Bundle branch block right Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 4
- 201000007916 right bundle branch block Diseases 0.000 description 4
- 101100129750 Arabidopsis thaliana MDN1 gene Proteins 0.000 description 3
- 101100049029 Rattus norvegicus Atp6v0e1 gene Proteins 0.000 description 3
- 101100327317 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) CDC1 gene Proteins 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000000306 qrs interval Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000003663 ventricular fibrillation Diseases 0.000 description 2
- 206010047302 ventricular tachycardia Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
本発明は生体信号処理装置および自動解析用データ生成方法に関する。 The present invention relates to a biological signal processing device and an automatic analysis data generation method.
従来、心電図の自動解析には人間の考え方に比較的近い枝分かれ手法やポイントスコア法が主に用いられている。近年、AI技術の実用化が急速に進んでいることにより、心電図波形を時系列データまたは画像として取扱い、機械学習や深層学習のモデルを用いて自動解析する手法も提案されている（特許文献１）。 Conventionally, automatic analysis of electrocardiograms has mainly used branching methods and point scoring methods that are relatively similar to human thinking. In recent years, as the practical application of AI technology has progressed rapidly, methods have been proposed that treat electrocardiogram waveforms as time-series data or images and automatically analyze them using machine learning or deep learning models (Patent Document 1) ).
特許文献１は、心電図モニタの単一誘導を対象として、異常な心拍リズムが心室頻拍（ＶＴ）または心室細動（ＶＦ）によるものかノイズによるものかを判断するのに機械学習を利用することを開示している。しかしながら、心電図は例えば１２誘導心電図のように、複数種の誘導（チャンネル）について同時に計測されるのが一般的である。
複数種の誘導について深層学習を行おうとした場合、誘導毎に学習すると学習に要する計算時間が長くなる上、誘導間の相互関係を考慮した所見を学習できない。そのため、左室肥大や心筋梗塞などのように、複数の誘導間の相互関係を考慮すべき所見について、自動解析による判別精度が低下するという問題点がある。
When attempting to perform deep learning on multiple types of leads, learning for each lead increases the calculation time required for learning, and it is not possible to learn findings that take into account the interrelationships between the leads. Therefore, there is a problem in that the accuracy of automatic analysis in determining findings such as left ventricular hypertrophy and myocardial infarction that requires consideration of the correlation between multiple leads is reduced.
本発明はこのような従来技術の課題に鑑みてなされたものであり、心電図における複数種の波形情報と誘導間の関係を効率的に深層学習させることが可能な自動解析用データを生成する生体信号処理装置および自動解析用データ生成方法を提供することを目的の１つとする。 The present invention has been made in view of the problems of the prior art, and is a biological system that generates data for automatic analysis that enables efficient deep learning of the relationships between multiple types of waveform information and leads in an electrocardiogram. One of the objects is to provide a signal processing device and a method for automatically generating data for analysis.
本発明はその一態様において、深層学習を利用した心電図解析に用いる心電図解析用データを生成する生体信号処理装置であって、複数種の誘導に関する心電図データを取得する取得手段と、心電図データに基づいて、複数種の誘導に関する波形の情報を表す２次元画像が誘導ごとに異なる予め定められた位置に２次元配置された合成画像のデータを心電図解析用データとして生成する生成手段と、を有し、生成手段は、同一心拍に係る複数種の誘導のそれぞれについて、心電図データの値を波形として表す２次元画像が誘導ごとに異なる予め定められた位置に２次元配置され、波形と背景以外の情報を含まない合成画像のデータを心電図解析用データとして生成する、ことを特徴とする生体信号処理装置を提供する。 In one aspect, the present invention provides a biological signal processing device that generates electrocardiogram analysis data used in electrocardiogram analysis using deep learning, comprising: an acquisition means for acquiring electrocardiogram data regarding multiple types of leads; and generating means for generating data of a composite image in which two-dimensional images representing waveform information regarding a plurality of types of leads are two-dimensionally arranged at different predetermined positions for each lead as data for electrocardiogram analysis. , the generating means arranges two-dimensional images representing the values of electrocardiogram data as waveforms for each of the plurality of types of leads related to the same heartbeat at predetermined positions that are different for each lead, and generates information other than the waveforms and the background. Provided is a biological signal processing device characterized in that it generates composite image data that does not include electrocardiogram analysis data as electrocardiogram analysis data.
本発明によれば、心電図における複数種の波形情報と誘導間の関係を効率的に深層学習させることが可能な自動解析用データを生成する生体信号処理装置および自動解析用データ生成方法を提供することができる。 According to the present invention, there is provided a biological signal processing device and an automatic analysis data generation method that generate automatic analysis data that allows efficient deep learning of the relationships between multiple types of waveform information and leads in an electrocardiogram. be able to.
以下、添付図面を参照して本発明をその例示的な実施形態に基づいて詳細に説明する。なお、以下に説明する実施形態は本発明をいかなる意味においても限定しない。また、実施形態で説明される構成の全てが本発明に必須とは限らない。また、明らかに不可能である場合や、それが否定されている場合を除き、異なる実施形態に含まれる構成を組み合わせたり、入れ替えたりしてもよい。また、重複した説明を省略するために、添付図面においては全体を通じて同一もしくは同様の構成要素には同一の参照番号を付してある。 Hereinafter, the present invention will be described in detail based on exemplary embodiments thereof with reference to the accompanying drawings. Note that the embodiments described below do not limit the present invention in any way. Furthermore, not all of the configurations described in the embodiments are essential to the present invention. Furthermore, unless it is clearly impossible or denied, configurations included in different embodiments may be combined or replaced. Furthermore, in order to avoid redundant explanation, the same or similar components are designated by the same reference numerals throughout in the accompanying drawings.
図１は、本実施形態に係る生体信号処理装置１００の機能構成例を示すブロック図である。生体信号処理装置１００は、例えばプログラマブルプロセッサにより、後述する動作を実現するアプリケーションプログラムを実行することによって実現することができる。したがって、生体信号処理装置は、プログラマブルプロセッサを有する電子機器一般で実施することができる。ただし、ニューラルネットワークを用いた学習処理や学習済みモデルを適用する処理に必要なメモリ容量や演算量が多いため、ＧＰＵや深層学習に適したコプロセッサとメモリを搭載したボードなど、深層学習に関する演算を高速に実行可能なハードウェアを有する（あるいは内蔵する）電子機器で実施することが好ましい。
FIG. 1 is a block diagram showing an example of the functional configuration of a biological
生体信号処理装置１００は、複数種の誘導を含んだ心電図の時系列データ（以下、心電図データと呼ぶ）から、複数種の誘導間の関係をも勘案した心電図解析を実現するニューラルネットワークの深層学習および学習済みニューラルネットワークを用いた自動解析に適したデータ（心電図解析用データ）を生成する。なお、生体信号処理装置が生成する心電図解析用データは、ニューラルネットワークの学習時および、学習済みのニューラルネットワークを用いた自動解析時に用いられる。
The biological
制御部１１０は、プログラマブルプロセッサ、ＲＯＭ、ＲＡＭを有し、ＲＯＭや記録部１３０に記憶されているプログラムをＲＡＭに読み込んで実行することにより、後述する心電図解析用データ生成処理を含む、生体信号処理装置１００の処理を実現する。
The
外部Ｉ／Ｆ１２０は生体信号処理装置１００が外部装置と有線および／または無線通信するためのインタフェースである。生体信号処理装置１００は、外部Ｉ／Ｆ１２０を通じて、解析結果を外部機器へ出力したり、自動血圧計、IDリーダ等の外部機器から必要なデータを取得したりすることができる。外部Ｉ／Ｆ１２０は例えば、ＵＳＢ、無線ＬＡＮ、有線ＬＡＮ、ｂｌｕｅｔｏｏｔｈ（登録商標）などの規格の１つ以上に準じた外部装置と通信可能であってよい。
External I/
記録部１３０は心電図データ及び解析結果を収録するための装置であり、ＳＳＤ、ＨＤＤなどの記憶装置、および／またはＵＳＢメモリなどが使用できる。制御部１１０は、記録部１３０にデータを記録したり、記録部１３０に記録されたデータを読み出したりする。
The
信号処理部１４０は、心電図などの生体信号に対して予め定められた処理を適用する。信号処理部１４０は例えばＧＰＵやＤＳＰなど、信号処理や、ニューラルネットワークに関する処理（深層学習および学習済みニューラルネットワークの適用）に適したプログラマブルプロセッサと、プログラムを記憶するＲＯＭ、プログラムの実行に用いられるＲＡＭから構成することができる。本実施形態では、ニューラルネットワークの深層学習処理および、心電図解析用データを深層学習済のニューラルネットワークを用いて自動解析処理することを、信号処理部１４０が実現するものとする。なお、本明細書において、深層学習とは、複数層を有するニューラルネットワークの学習を意味するものとする。
The
表示部１５０はＬＣＤなどの表示装置であり、生体信号処理装置１００のユーザインタフェースや生体信号などを表示する。
操作部１６０はキーボード、ポインティングデバイス、タッチパネル、スイッチ、ボタンなど、ユーザが生体信号処理装置１００に指示を入力するための入力デバイスの総称である。
The
The
図２は、自動解析用データ生成処理のフローチャートである。
Ｓ２１０で制御部１１０は、複数種の誘導に関する心電図データ（例えば１２誘導心電図のデータ）を、例えば記録部１３０から取得する。なお、ここでは予め記録された心電図データを取得するものとするが、生体信号処理装置１００が心電計に組み込まれる場合などにはリアルタイムで心電図データを取得してもよい。
FIG. 2 is a flowchart of automatic analysis data generation processing.
In S210, the
後述するように、本実施形態では各誘導について１心拍分の波形を用いて自動解析用データを生成するため、Ｓ２１０で制御部１１０は１心拍分の心電図データを取得する。あるいは、制御部１１０は、所定時間分の心電図データを１心拍分ずつ分割し、それらを加算平均することにより１心拍分の心電図データを生成してもよい。しかしながら、各誘導について１心拍分より長い心電図データを用いて自動解析用データを生成してもよい。なお、心電図データを１心拍ずつ分割したり、１心拍内を複数の区間に分割したりするための区分点は、複数種の誘導のうちの１つを用いて決定し、全誘導について共通に使用することができる。区分点の決定に用いる誘導は予め定めておいてもよいし、振幅の最も大きな誘導を用いてもよい。また、これらの分割には公知の任意の方法を用いることができる。
As described later, in this embodiment, data for automatic analysis is generated using a waveform for one heartbeat for each lead, so in S210, the
Ｓ２２０で制御部１１０は、取得した心電図データに対して前処理を適用する。前処理は、各誘導について、波形の特徴を残しつつデータ量を削減する処理である。前処理の詳細については後述する。前処理は必須ではないが、実施した方が深層学習および自動解析の演算負荷を低減でき、また学習および自動解析の精度が向上する。
In S220, the
Ｓ２３０で制御部１１０は、前処理された各誘導のデータを用いて、複数種の誘導に関する波形の情報を表す１フレームの画像（合成画像）のデータを生成する。Ｓ２３０における画像データ生成処理の詳細については後述する。
In S230, the
Ｓ２４０で制御部１１０は、Ｓ２３０で生成した合成画像に対し、必要に応じて後処理を適用する。後処理は例えば解像度の低減処理であってよい。後処理は必ずしも行わなくてもよい。したがって、Ｓ２３０で生成される合成画像のデータ、あるいはＳ２４０で後処理が適用された合成画像のデータが、自動解析用データとなる。制御部１１０は、生成した自動解析用データを、例えば記録部１３０に記録する。
In S240, the
信号処理部１４０が実現するニューラルネットワークの深層学習（または検証）を行う場合、制御部１１０は、学習用（または検証用）の心電図データ（既知の心電図データ）から生成した自動解析用データを信号処理部１４０に供給する。また、信号処理部１４０が実現する学習済みのニューラルネットワークを用いた自動解析処理を行う場合、制御部１１０は、解析用の心電図データ（未知の心電図データ）から生成した自動解析用データを信号処理部１４０に供給する。
When performing deep learning (or verification) of the neural network realized by the
次に、図３に示すフローチャートを用いて、図２のＳ２２０で行う前処理の詳細について説明する。
Ｓ２２２で制御部１１０は、心電図データに対して非線形増幅処理を適用する。非線形増幅処理は、心電図データの振幅値（基線レベルとの差）が小さい部分に大きなゲインを、振幅値が大きい部分に小さなゲインを適用する。非線形増幅の特性には特に制限はないが、対数関数的な利得曲線を用いることができる。非線形増幅は心電図データのダイナミックレンジの非線形圧縮ということもできる。
Next, details of the preprocessing performed in S220 of FIG. 2 will be described using the flowchart shown in FIG.
In S222, the
Ｓ２２４で制御部１１０は、非線形増幅した心電図データを正規化する。例えば全誘導の最大値を用いて各誘導の心電図データを正規化してもよいし、誘導ごとに、その誘導の最大値で正規化してもよい。正規化により各誘導の心電図データは－１から１までの値を有するようになる。
In S224, the
Ｓ２２６で制御部１１０は、各誘導の正規化後の心電図データにダウンサンプリングを適用して時間軸方向のデータ（サンプル）数を削減する。ダウンサンプリングは必須ではないが、学習や解析の負荷を軽減する効果がある。
In S226, the
ダウンサンプリングを実施する場合には、サンプリングレートを一定とするよりも、波形の変化が大きい区間は変化の小さい区間よりも高いサンプリングレートとして、サンプル数の減少を抑制することが好ましい。例えば制御部１１０は、１心拍の期間をＱＲＳ区間（例えばＲ波のピークを基準として前後所定サンプル数（時間）の第１の区間と、Ｐ区間（例えばＱＲＳ区間の前の所定サンプル数（時間）の第２の区間と、他の第３の区間とに分割する。そして、間引かれるサンプルの割合が多い方から第３の区間＞第２の区間＞第１の区間となるように、ダウンサンプリングのサンプリングレートを異ならせることができる。また、区間内において、等間隔にサンプルを間引かずに、例えば値の差が大きい隣接サンプルについては間引かないよう、間引くサンプルを調整してもよい。なお、ここでは単純にサンプルを間引く構成としたが、補間を伴うサブサンプリングを実施してもよい。
When performing downsampling, rather than keeping the sampling rate constant, it is preferable to set a sampling rate higher in sections where the waveform changes are large than in sections where the changes are small, to suppress a decrease in the number of samples. For example, the
Ｓ２２８で制御部１１０は、必要に応じて、心電図データのうち重要でない区間のデータをトリミング（削除）する。例えば制御部１１０は、１心拍期間のうち、Ｔ波終了後からＰ波開始前の区間においてデータを削除することができる。なお、トリミングは必須ではないが、トリミングを行うことによりデータ量が削減できるため、学習時や自動解析時の演算負荷が低減できるという効果がある。なお、トリミングはダウンサンプリングの前に実行してもよい。
In S228, the
このような前処理が行われた後、Ｓ２３０で実施される画像データ生成処理の詳細について、図４のフローチャートを用いて説明する。
Ｓ２３２で制御部１１０は、誘導ごとに、心電図データから画像データを生成する。本実施形態では、各誘導の時系列データである心電図データから、予め定められた共通の大きさ（水平および垂直方向の画素数）を有する矩形状の画像に対応する画像データを生成する。
Details of the image data generation process performed in S230 after such preprocessing is performed will be described using the flowchart of FIG. 4.
In S232, the
心電図データを構成する各サンプルの値（すなわち、誘導の波形に関する情報）をどのような画像で表現するかに特に制限はなく、様々な方法が考えられる。ここでは２つの例を説明する。第１の方法は、画像の水平方向を時間軸、垂直方向を振幅軸として、各サンプル値に対応する座標をプロットすることにより、波形を表す画像を生成する方法である。また、第２の方法は、サンプル値を輝度値とした画像を生成する方法である。 There is no particular restriction on the type of image that represents the values of each sample (that is, information regarding the waveform of the leads) constituting the electrocardiogram data, and various methods can be considered. Two examples will be explained here. The first method is to generate an image representing a waveform by plotting the coordinates corresponding to each sample value, with the horizontal direction of the image as the time axis and the vertical direction as the amplitude axis. Moreover, the second method is a method of generating an image using a sample value as a luminance value.
まず、第１の方法について説明する。ここで、各誘導の心電図データから生成する画像の大きさが、垂直方向が振幅値の量子化により一定の画素数、水平方向がサンプル数に等しい画素数であるものとする。例えば、前処理において心電図データが正規化されている場合、垂直方向の６３画素を＋１から－１の値の範囲に割り当てて各サンプル値に対応する垂直方向の座標を決定する。水平方向の座標はサンプルごとに１ずつ加算すればよい。このようにして決定された各サンプル値の座標に該当する画素の値を１、他の座標に該当する画素の値を０とした２値画像を生成する。これにより、黒の背景にサンプル値が白でプロットされた、誘導波形を表す画像が生成される。 First, the first method will be explained. Here, it is assumed that the size of the image generated from the electrocardiogram data of each lead has a constant number of pixels in the vertical direction due to quantization of the amplitude value, and a number of pixels in the horizontal direction equal to the number of samples. For example, if electrocardiogram data is normalized in preprocessing, 63 pixels in the vertical direction are assigned to a value range of +1 to -1 to determine the vertical coordinates corresponding to each sample value. The horizontal coordinates may be added by 1 for each sample. A binary image is generated in which the value of the pixel corresponding to the coordinate of each sample value determined in this way is 1, and the value of the pixel corresponding to the other coordinates is 0. This produces an image representing the guided waveform, with the sample values plotted in white on a black background.
なお、生成する画像の水平方向の大きさ（画素数）よりも心電図データのサンプル数が少ない場合には、画像の水平方向をサンプル数に合わせて小さくしてもよいし、サンプルがプロットされない領域は背景のままとしてもよい。前処理を行う場合には、サブサンプリングのサンプリングレートやトリミングするサンプル数を調整して、心電図データのサンプル数を、生成する画像の水平方向の大きさ（画素数）に合わせることが好ましい。 Note that if the number of samples of electrocardiogram data is smaller than the horizontal size (number of pixels) of the image to be generated, the horizontal direction of the image may be reduced to match the number of samples, or the area where no samples are plotted may be may remain in the background. When performing preprocessing, it is preferable to adjust the sampling rate of subsampling and the number of samples to be trimmed so that the number of samples of electrocardiogram data matches the horizontal size (number of pixels) of the image to be generated.
次に、第２の方法について説明する。第２の方法は、時系列データである心電図データを、複数の区間に分割し、各区間を、そこに含まれる複数のサンプルの値を輝度値とした１次元画像に変換する。そして、各区間の１次元画像を時系列に従って垂直方向に並べることにより、２次元の多値画像を生成する。 Next, the second method will be explained. The second method divides electrocardiogram data, which is time-series data, into a plurality of sections, and converts each section into a one-dimensional image whose brightness values are the values of a plurality of samples included therein. Then, a two-dimensional multivalued image is generated by arranging the one-dimensional images of each section vertically in time series.
各誘導の心電図データから生成する画像の大きさが垂直方向ｙ画素、水平方向ｘ画素とすると、時系列データを構成するサンプル数がｘ×ｙ以下となるように、画像の大きさおよび／またはサンプル数を調整する。サンプル数がｘ×ｙに等しい場合、心電図データをｙ分割して各区間を１次元画像に変換すれば、水平方向ｘ画素の１次元画像がｙ個生成される。したがって、ｙ個の１次元画像を垂直方向に並べることで、所定の大きさの画像を生成することができる。サンプル数がｘ×ｙ未満の場合、サンプルが足りない部分については基線レベルに等しい輝度を有する画素とすることができる。 Assuming that the size of the image generated from the electrocardiogram data of each lead is y pixels in the vertical direction and x pixels in the horizontal direction, the image size and/or Adjust the number of samples. When the number of samples is equal to x x y, if the electrocardiogram data is divided into y parts and each section is converted into a one-dimensional image, y one-dimensional images of x pixels in the horizontal direction are generated. Therefore, by arranging y one-dimensional images in the vertical direction, an image of a predetermined size can be generated. When the number of samples is less than x x y, pixels having a luminance equal to the baseline level can be used for the portion where there are insufficient samples.
以上のようにして、各誘導の心電図データから同じ大きさの２次元画像を表す画像データを生成したら、制御部１１０は処理をＳ２３４に進める。
After generating image data representing a two-dimensional image of the same size from the electrocardiogram data of each lead as described above, the
Ｓ２３４で制御部１１０は、Ｓ２３２で生成した誘導種に等しい数の２次元画像を隣接配置した合成画像のデータを生成する。一般的に利用可能なニューラルネットワークのプログラムライブラリは正方形状の画像を取り扱うことを前提としているものが多いため、合成画像は好ましくは正方形状とするが、矩形状であってもよい。
In S234, the
最終的に正方形状の合成画像が生成できるように、合成画像の大きさを誘導種の数で分割してＳ２３２で誘導ごとに生成する２次元画像の大きさを定めてもよい。そして、２次元画像の大きさに基づいて、前処理におけるサブサンプリングレートやトリミングするサンプル数を決定すれば、効率よく合成画像のデータを生成することができる。 In order to finally generate a square-shaped composite image, the size of the composite image may be divided by the number of guided species to determine the size of the two-dimensional image to be generated for each guide in S232. Then, by determining the sub-sampling rate in preprocessing and the number of samples to be trimmed based on the size of the two-dimensional image, it is possible to efficiently generate data for a composite image.
上述のように、Ｓ２３４で生成する合成画像のデータは、そのまま自動解析用データとして用いてもよいし、さらに後処理を適用してもよい。 As described above, the data of the composite image generated in S234 may be used as is as data for automatic analysis, or may be further subjected to post-processing.
図５は、前処理の具体例を示している。図５（ａ）は取得した１心拍分の心電図データを示しており、サンプル数は５００である。この心電図データに対して、非線形増幅を適用し、全誘導の最大値で正規化した結果を図５（ｂ）に示す。この状態ではサンプル数は変化していない。 FIG. 5 shows a specific example of preprocessing. FIG. 5(a) shows the acquired electrocardiogram data for one heartbeat, and the number of samples is 500. Nonlinear amplification was applied to this electrocardiogram data, and the result normalized by the maximum value of all leads is shown in FIG. 5(b). In this state, the number of samples remains unchanged.
ダウンサンプリングに際して、Ｐ波区間、ＱＲＳ区間、Ｔ波区間、および他の区間に分割し、それぞれサンプリングレートをＤＳＲ２、ＤＳＲ３、ＤＳＲ４、ＤＳＲ１に設定する。ここで、ダウンサンプリングによって間引かれるサンプルの割合は、ＤＳＲ１＞ＤＳＲ４＞＝ＤＳＲ２＞ＤＳＲ３という関係を有する。ここでは、ダウンサンプリングレートＤＳＲ１の区間についてはトリミングによって削除するものとし、ＤＳＲ３を１／２、ＤＳＲ２を１／６、ＤＳＲ４を１／６とした。ここでダウンサンプリングレート１／ｎは、ダウンサンプリングによってサンプル数がもとの１／ｎに減少することを示す。図５（ｃ）は、サブサンプリングおよびトリミング後の心電図データを示している。サンプル数が５００から８４に削減されているが、誘導に関する波形の特徴は保持されている。
During downsampling, it is divided into a P-wave section, a QRS section, a T-wave section, and other sections, and the sampling rates are set to DSR2, DSR3, DSR4, and DSR1, respectively. Here, the ratio of samples thinned out by downsampling has a relationship of DSR1>DSR4>=DSR2>DSR3. Here, the section with the downsampling rate DSR1 is deleted by trimming, and DSR3 is set to 1/2, DSR2 is set to 1/6, and DSR4 is set to 1/6. Here, the
図６は、１２誘導心電図データに対して図５に示した前処理を適用し、第１の方法によって各誘導に関する画像を生成し、さらに合成画像を生成した例を示している。
図６（ａ）は、各誘導の心電図データから第１の方法によって生成した、水平方向８４画素、垂直方向６３画素の画像データが表す矩形画像を模式的に示している。ただし、図６（ａ）の例では、前処理における正規化が、誘導ごとに、その最大値を用いて行われている。
FIG. 6 shows an example in which the preprocessing shown in FIG. 5 is applied to 12-lead electrocardiogram data, images related to each lead are generated by the first method, and a composite image is further generated.
FIG. 6A schematically shows a rectangular image represented by image data of 84 pixels in the horizontal direction and 63 pixels in the vertical direction, generated by the first method from the electrocardiogram data of each lead. However, in the example of FIG. 6(a), normalization in preprocessing is performed using the maximum value for each lead.
図６（ｂ）は、図６（ａ）に示す各誘導の画像を、水平方向に３つ、垂直方向に４つ隣接配置して生成した、水平方向２５２画素、垂直方向２５２画素の正方形状の合成画像を示している。この合成画像が大きすぎる場合には、後処理を適用して、図６（ｃ）～図６（ｅ）のような縮小画像を生成してもよい。この場合、後処理では例えばバイキュービック法のような公知の画像縮小処理を適用することができる。 FIG. 6(b) shows a square shape of 252 pixels in the horizontal direction and 252 pixels in the vertical direction, which is generated by arranging three images of each guidance shown in FIG. 6(a) adjacently in the horizontal direction and four in the vertical direction. shows a composite image of If this composite image is too large, post-processing may be applied to generate reduced images as shown in FIGS. 6(c) to 6(e). In this case, in the post-processing, for example, known image reduction processing such as the bicubic method can be applied.
図７は、１２誘導心電図データに対し、図５に示した前処理のうち、非線形増幅および正規化処理を適用した後、第２の方法によって各誘導に関する画像を生成し、さらに合成画像を生成した例を示している。図７（ａ）は、１２誘導のうち１つの心電図データを例示的に示している。ここでは、水平方向に７２画素の画像を生成するため、５００に最も近い７２の倍数である４３２サンプルを用いることとし、残りの６８サンプルについてはトリミングしている。トリミングする区間は、Ｔ波終了からＰ波開始までの区間（図７（ａ）の両端部分）としている。 Figure 7 shows that after applying the nonlinear amplification and normalization processing of the preprocessing shown in Figure 5 to 12-lead electrocardiogram data, an image for each lead is generated using the second method, and then a composite image is generated. An example is shown below. FIG. 7(a) exemplarily shows electrocardiogram data for one of the 12 leads. Here, in order to generate an image of 72 pixels in the horizontal direction, 432 samples, which is the multiple of 72 closest to 500, are used, and the remaining 68 samples are trimmed. The section to be trimmed is the section from the end of the T wave to the start of the P wave (both ends of FIG. 7(a)).
次に、制御部１１０は、４３２サンプルを１～６の区間（セグメント）に等分割する。そして、制御部１１０は、セグメントごとに、サンプル値を輝度値とする１次元画像のデータに変換し、得られた６ラインの画像を時系列に従って垂直方向に並べた、垂直方向６画素、水平方向７２画素の画像のデータを生成する（図７（ｂ））。ここでは、最も古いサンプル群からなるセグメント１が一番下のラインとなるように並べているが、セグメント１を一番上のラインとして、セグメント２以降を順次下に並べてもよい。
Next, the
同様にして各誘導に関する心電図データから垂直方向６画素、水平方向７２画素の画像のデータを生成すると、制御部１１０は、各誘導の画像を予め定めた順序で垂直方向に並べた垂直方向７２画素、水平方向７２画素の画像の合成画像のデータを生成する（図７（ｃ））。
Similarly, when image data of 6 pixels in the vertical direction and 72 pixels in the horizontal direction is generated from the electrocardiogram data regarding each lead, the
なお、合成画像のサイズを小さくしたい場合、図７（ｄ）に示すように、各誘導の心電図データをサブサンプリングしてから画像を生成してもよいし、後処理において合成画像データを縮小してもよい。 Note that if you want to reduce the size of the composite image, you can generate the image after subsampling the electrocardiogram data of each lead, as shown in Figure 7(d), or you can reduce the composite image data in post-processing. You can.
以上説明したように、本実施形態によれば、複数の誘導に関する心電図データから、全誘導の心電図波形の情報をまとめた１つの２次元画像を自動解析用データとして生成する。本実施形態によって生成した自動解析用データを用いることにより、個々の誘導に関する学習とともに、複数の誘導間の関係についても学習が可能になる。 As described above, according to the present embodiment, from electrocardiogram data regarding a plurality of leads, one two-dimensional image that summarizes information on electrocardiogram waveforms of all the leads is generated as data for automatic analysis. By using the automatic analysis data generated according to this embodiment, it is possible to learn not only individual guidance but also relationships between multiple guidance.
以下、本実施形態による自動解析用データを、２次元の畳み込みニューラルネットワーク（２Ｄ ＣＮＮ）に適用した例について説明する。ここで、評価に用いた２Ｄ ＣＮＮに関するパラメータは以下の通りである。
層数：６～１０層
カーネルサイズ：３×３
活性化関数：ＲｅＬＵ
バッチサイズ：６４
Ｅｐｏｃｈ数：１０～２０
Ｄｒｏｐｏｕｔ割合：０．５
An example in which the automatic analysis data according to this embodiment is applied to a two-dimensional convolutional neural network (2D CNN) will be described below. Here, the parameters regarding the 2D CNN used for the evaluation are as follows.
Number of layers: 6 to 10 layers Kernel size: 3×3
Activation function: ReLU
Batch size: 64
Epoch number: 10-20
Dropout ratio: 0.5
また、比較例として以下の方法についても評価した。
・時系列データとして学習
比較例１：１次元ＣＮＮ
比較例２：ＲＮＮ(Recurrent Neural Network)
比較例３：Wavelet変換＋Kernel ＳＶＭ(Support Vector Machine)
・画像として学習
比較例４：ＡＥ(Auto Encoder)
比較例はいずれも誘導ごとに学習を行った。
Additionally, the following method was also evaluated as a comparative example.
・Learning as time series data Comparative example 1: 1-dimensional CNN
Comparative example 2: RNN (Recurrent Neural Network)
Comparative example 3: Wavelet conversion + Kernel SVM (Support Vector Machine)
・Learning as an image Comparative example 4: AE (Auto Encoder)
In all comparative examples, learning was performed for each lead.
図８は、１２誘導心電図データとして、正常心電図(Normal)２５０件、右脚ブロック(RBBB)２５０件、左脚ブロック(LBBB)２５０件、ウォルフ・パーキンソン・ホワイト症候群(WPW)２００件、心筋梗塞(IMI)２５０件を用いて学習を行った後、それぞれ１００件（ＷＰＷのみ５０件）について検証を行った結果を示している。 Figure 8 shows 12-lead electrocardiogram data including 250 cases of normal electrocardiogram (Normal), 250 cases of right bundle branch block (RBBB), 250 cases of left bundle branch block (LBBB), 200 cases of Wolff-Parkinson-White syndrome (WPW), and 200 cases of myocardial infarction. (IMI) The results are shown after learning using 250 items and then verifying 100 items each (50 items for WPW only).
本実施形態に係る自動解析用データについては、図６の後処理により合成画像を４２×４２画素、と図７の後処理により、合成画像を３６×３６画素に縮小したものを用いた。また、ＡＥについては誘導ごとに１００×１００画素の波形画像を用いた。図８において、比較例１～４はいずれも、１２誘導のそれぞれについて別個に検証を行い、最も成績の良かった１誘導についての値（％）を示している。感度は正解率であり、陽性的中率は、陽性と判定されたもののうち、実際に陽性であった確率を示している。 Regarding the data for automatic analysis according to the present embodiment, a composite image reduced to 42×42 pixels by post-processing in FIG. 6 and a composite image reduced to 36×36 pixels by post-processing in FIG. 7 was used. Furthermore, for AE, a 100×100 pixel waveform image was used for each lead. In FIG. 8, in each of Comparative Examples 1 to 4, each of the 12 leads was verified separately, and the value (%) for the 1 lead with the best performance is shown. Sensitivity is the rate of correct answers, and positive predictive value indicates the probability that among those determined to be positive, the results are actually positive.
１つの誘導から判別が可能な右脚ブロック(RBBB)、左脚ブロック(LBBB)、ウォルフ・パーキンソン・ホワイト症候群(WPW)についての感度（R_Acc、L_Acc、W_Acc）および陽性的中率(R_PPR、L_PPR、W_PPR)を比較すると、本実施形態による自動解析用データを用いることにより、比較例と同等以上の精度が得られていることがわかる。
また、複数の誘導の相互関係を考慮して判別する必要がある心筋梗塞(IMI)の感度（I_Acc）および陽性的中率（I_PPR）を比較すると、本実施形態による自動解析用データを用いることにより、比較例に対して精度が大幅に向上していることが分かる。
Sensitivity (R_Acc, L_Acc, W_Acc) and positive predictive value (R_PPR, L_PPR) for right bundle branch block (RBBB), left bundle branch block (LBBB), and Wolff-Parkinson-White syndrome (WPW) that can be distinguished from one lead. , W_PPR), it can be seen that by using the automatic analysis data according to this embodiment, accuracy equal to or higher than that of the comparative example is obtained.
In addition, when comparing the sensitivity (I_Acc) and positive predictive value (I_PPR) of myocardial infarction (IMI), which needs to be determined by considering the interrelationship of multiple leads, it is found that using the automatic analysis data according to this embodiment It can be seen that the accuracy is significantly improved compared to the comparative example.
さらに、本実施形態による自動解析用データを用いる場合、３６×３６画素は４２×４２画素よりも画素数が２５％以上少ないものの、それでも比較例よりも良好な精度が得られている。また、学習に要する時間も短いことが分かる。 Furthermore, when using the automatic analysis data according to this embodiment, although the number of pixels is 25% or more smaller in 36×36 pixels than in 42×42 pixels, better accuracy is still obtained than in the comparative example. It can also be seen that the time required for learning is short.
図９は、前処理において非線形増幅を適用することの効果を評価した結果を示している。非線形増幅の特性を対数関数としているため、図９では対数圧縮(Log Compression)と記載している。対数圧縮後、全誘導の最大値で各誘導を正規化している。
比較のため、対数圧縮を行わずに、誘導ごとに最大値で正規化を行った場合(Each Ch Normalization)と、対数圧縮を行わずに、最大振幅を飽和させた後、全誘導の最大値で各誘導を正規化した場合(Saturation)についても評価した。
FIG. 9 shows the results of evaluating the effect of applying nonlinear amplification in preprocessing. Since the nonlinear amplification characteristic is a logarithmic function, it is described as log compression in FIG. 9. After logarithmic compression, each lead is normalized by the maximum value of all leads.
For comparison, the case where normalization is performed at the maximum value for each lead without logarithmic compression (Each Ch Normalization) and the maximum value of all leads after saturating the maximum amplitude without logarithmic compression. We also evaluated the case where each lead was normalized (Saturation).
ここでは、正常心電図１０５００件、異常心電図１０５００件を用いて学習し、その後、正常心電図４５００件、異常心電図４５００件について、正常（Normal）か異常（Abnormal）かの判定精度を評価した。また、それぞれの方法について、自動解析用データのサイズを２５２×２５２画素の場合と、８４×８４画素の場合について、感度および陽性的中率を評価した。AVG_Accは平均感度、AVG_Pprは平均陽性的中率であり、AVG_Accの下に記載したNormal、Abnormalがそれぞれの感度、AVG_Pprの下に記載したNormal、Abnormalがそれぞれの陽性的中率である。 Here, learning was performed using 10,500 normal electrocardiograms and 10,500 abnormal electrocardiograms, and then the accuracy of determining whether the electrocardiograms were normal or abnormal was evaluated for 4,500 normal electrocardiograms and 4,500 abnormal electrocardiograms. Furthermore, for each method, the sensitivity and positive predictive value were evaluated for cases in which the size of data for automatic analysis was 252 x 252 pixels and 84 x 84 pixels. AVG_Acc is the average sensitivity, AVG_Ppr is the average positive predictive value, Normal and Abnormal listed under AVG_Acc are the respective sensitivities, and Normal and Abnormal listed under AVG_Ppr are the respective positive predictive rates.
非線形増幅を適用した場合、データサイズを小さくした場合の精度の低下がほとんど見られないことが分かる。８４×８４画素のデータサイズは２５２×２５２画素のデータサイズのほぼ１／９である。データサイズは計算量に直結するため、精度の低下を抑制しながら大幅にデータサイズを低減可能である点において、非線形増幅の有用性が理解される。 It can be seen that when nonlinear amplification is applied, there is almost no decrease in accuracy when the data size is reduced. The data size of 84×84 pixels is approximately 1/9 of the data size of 252×252 pixels. Since the data size is directly linked to the amount of calculation, the usefulness of nonlinear amplification is understood in that it is possible to significantly reduce the data size while suppressing a decrease in accuracy.
以上説明したように、本実施形態によれば、深層学習を利用した心電図解析用のデータとして、複数種の誘導に関する波形の情報を表す画像を生成するようにした。これにより、単一の誘導に関する情報からでは判別が難しい所見についても、精度のよい自動解析が実現できる。また、心電図データに対して非線形増幅を適用してから２次元画像を生成することにより、判定精度の低下を抑制しながら２次元画像のサイズを小さくすることが可能であり、学習や自動解析の演算コストおよび時間を大幅に削減することができる。 As described above, according to the present embodiment, images representing waveform information regarding multiple types of leads are generated as data for electrocardiogram analysis using deep learning. As a result, highly accurate automatic analysis can be achieved even for findings that are difficult to distinguish from information regarding a single lead. In addition, by applying nonlinear amplification to electrocardiogram data and then generating a 2D image, it is possible to reduce the size of the 2D image while suppressing a decline in judgment accuracy, which is useful for learning and automatic analysis. Computation costs and time can be significantly reduced.
発明は上述した実施形態に制限されるものではなく、発明の要旨の範囲内で、種々の変形・変更が可能である。例えば、上述した実施形態では１２誘導心電図データを用いる場合について説明したが、本発明は任意の複数種の誘導に関する心電図データに対して適用可能である。 The invention is not limited to the embodiments described above, and various modifications and changes can be made within the scope of the invention. For example, in the above-described embodiment, the case where 12-lead electrocardiogram data is used has been described, but the present invention is applicable to electrocardiogram data related to any plurality of types of leads.
なお、本発明に係る生体信号処理装置は、一般的に入手可能な、パーソナルコンピュータ、スマートフォン、タブレット端末のようなプログラムを実行可能な電子機器で、図２～図４に示したフローチャートの動作を実行させるプログラム（アプリケーションソフトウェア）を実行することによっても実現できる。従って、このようなプログラムおよび、プログラムを格納した記憶媒体（ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ等の光学記録媒体や、磁気ディスクのような磁気記録媒体、半導体メモリカードなど）もまた本発明を構成する。 The biological signal processing device according to the present invention is a generally available electronic device capable of executing programs such as a personal computer, a smartphone, or a tablet terminal, and can perform the operations shown in the flowcharts shown in FIGS. 2 to 4. This can also be achieved by executing a program (application software). Therefore, such programs and storage media storing the programs (optical recording media such as CD-ROMs and DVD-ROMs, magnetic recording media such as magnetic disks, semiconductor memory cards, etc.) also constitute the present invention. .
１００…生体信号処理装置、１１０…制御部、１４０…信号処理部 100... Biological signal processing device, 110... Control unit, 140... Signal processing unit
Claims (12)
複数種の誘導に関する心電図データを取得する取得手段と、
前記心電図データに基づいて、前記複数種の誘導に関する波形の情報を表す２次元画像が誘導ごとに異なる予め定められた位置に２次元配置された合成画像のデータを前記心電図解析用データとして生成する生成手段と、を有し、
前記生成手段は、
同一心拍に係る前記複数種の誘導のそれぞれについて、前記心電図データの値を波形として表す２次元画像が誘導ごとに異なる予め定められた位置に２次元配置され、前記波形と背景以外の情報を含まない合成画像のデータを前記心電図解析用データとして生成する、
ことを特徴とする生体信号処理装置。 A biological signal processing device that generates electrocardiogram analysis data used in electrocardiogram analysis using deep learning,
acquisition means for acquiring electrocardiogram data regarding multiple types of leads;
Based on the electrocardiogram data, data of a composite image in which two-dimensional images representing waveform information regarding the plurality of types of leads are two-dimensionally arranged at different predetermined positions for each lead is generated as the electrocardiogram analysis data. generating means;
The generating means is
For each of the plurality of types of leads related to the same heartbeat, a two-dimensional image representing the value of the electrocardiogram data as a waveform is two-dimensionally arranged at a different predetermined position for each lead, and includes information other than the waveform and background. generating data of a composite image that does not exist as the electrocardiogram analysis data;
A biological signal processing device characterized by:
複数種の誘導に関する心電図データを取得する取得工程と、
前記心電図データに基づいて、前記複数種の誘導に関する波形の情報を表す２次元画像が誘導ごとに異なる予め定められた位置に２次元配置された合成画像のデータを前記心電図解析用データとして生成する生成工程と、を有し、
前記生成工程は、
同一心拍に係る前記複数種の誘導のそれぞれについて、前記心電図データの値を波形として表す２次元画像が誘導ごとに異なる予め定められた位置に２次元配置され、前記波形と背景以外の情報を含まない合成画像のデータを前記心電図解析用データとして生成することと、
を有することを特徴とする心電図解析用データの生成方法。 A method for generating electrocardiogram analysis data used in electrocardiogram analysis using deep learning, the method comprising:
an acquisition step of acquiring electrocardiogram data regarding multiple types of leads;
Based on the electrocardiogram data, data of a composite image in which two-dimensional images representing waveform information regarding the plurality of types of leads are two-dimensionally arranged at different predetermined positions for each lead is generated as the electrocardiogram analysis data. a generation step;
The production step includes:
For each of the plurality of types of leads related to the same heartbeat, a two-dimensional image representing the value of the electrocardiogram data as a waveform is two-dimensionally arranged at a different predetermined position for each lead, and includes information other than the waveform and background. generating data of a composite image that does not exist as the electrocardiogram analysis data;
1. A method for generating data for electrocardiogram analysis, comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023097217A JP7421681B2 (en) | 2019-02-22 | 2023-06-13 | Biological signal processing device and automatic analysis data generation method |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019030386A JP7297464B2 (en) | 2019-02-22 | 2019-02-22 | BIOLOGICAL SIGNAL PROCESSING DEVICE AND DATA GENERATION METHOD FOR AUTOMATIC ANALYSIS |
| JP2023097217A JP7421681B2 (en) | 2019-02-22 | 2023-06-13 | Biological signal processing device and automatic analysis data generation method |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019030386A Division JP7297464B2 (en) | 2019-02-22 | 2019-02-22 | BIOLOGICAL SIGNAL PROCESSING DEVICE AND DATA GENERATION METHOD FOR AUTOMATIC ANALYSIS |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023120282A JP2023120282A (en) | 2023-08-29 |
| JP7421681B2 true JP7421681B2 (en) | 2024-01-24 |
Family
ID=72277161
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019030386A Active JP7297464B2 (en) | 2019-02-22 | 2019-02-22 | BIOLOGICAL SIGNAL PROCESSING DEVICE AND DATA GENERATION METHOD FOR AUTOMATIC ANALYSIS |
| JP2023097217A Active JP7421681B2 (en) | 2019-02-22 | 2023-06-13 | Biological signal processing device and automatic analysis data generation method |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019030386A Active JP7297464B2 (en) | 2019-02-22 | 2019-02-22 | BIOLOGICAL SIGNAL PROCESSING DEVICE AND DATA GENERATION METHOD FOR AUTOMATIC ANALYSIS |
Country Status (1)
| Country | Link |
|---|---|
| JP (2) | JP7297464B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112022144B (en) * | 2020-09-09 | 2022-05-24 | 生物岛实验室 | Network training method for detecting electrocardio abnormality, electrocardio abnormality early warning method and device |
| CN112885459A (en) * | 2021-02-09 | 2021-06-01 | 清华珠三角研究院 | System and device for predicting ventricular hypertrophy and storage medium |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005287849A (en) | 2004-03-31 | 2005-10-20 | Eucalyptus:Kk | Body surface electrocardiograph |
| US20150141862A1 (en) | 2013-11-21 | 2015-05-21 | Welch Allyn, Inc. | Navigation Features for Electrocardiograph Device User Interface |
| JP2018089005A (en) | 2016-11-30 | 2018-06-14 | フクダ電子株式会社 | Electrocardiographic waveform display method and electrocardiographic waveform display device |
| JP2018175631A (en) | 2017-04-19 | 2018-11-15 | 日本光電工業株式会社 | Biological information waveform processing method, storage medium, program, and biological information waveform processing device |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009207837A (en) * | 2008-03-06 | 2009-09-17 | Nippon Koden Corp | Biological signal measuring device |
| KR102563044B1 (en) * | 2016-11-04 | 2023-08-02 | 이센티아 아이엔씨. | Computer-implemented method of handling electrocardiogram data |
| CN107837082B (en) * | 2017-11-27 | 2020-04-24 | 乐普（北京）医疗器械股份有限公司 | Automatic electrocardiogram analysis method and device based on artificial intelligence self-learning |
| WO2020004369A1 (en) * | 2018-06-29 | 2020-01-02 | 学校法人東京女子医科大学 | Electrocardiogram diagnostic device based on machine learning using electrocardiogram images |
-
2019
- 2019-02-22 JP JP2019030386A patent/JP7297464B2/en active Active
-
2023
- 2023-06-13 JP JP2023097217A patent/JP7421681B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005287849A (en) | 2004-03-31 | 2005-10-20 | Eucalyptus:Kk | Body surface electrocardiograph |
| US20150141862A1 (en) | 2013-11-21 | 2015-05-21 | Welch Allyn, Inc. | Navigation Features for Electrocardiograph Device User Interface |
| JP2018089005A (en) | 2016-11-30 | 2018-06-14 | フクダ電子株式会社 | Electrocardiographic waveform display method and electrocardiographic waveform display device |
| JP2018175631A (en) | 2017-04-19 | 2018-11-15 | 日本光電工業株式会社 | Biological information waveform processing method, storage medium, program, and biological information waveform processing device |
Non-Patent Citations (1)
| Title |
|---|
| 古林 せなみ、他4名，深層学習を用いた心電図波形の正常異常判定に関する研究，医療情報学会・人工知能学会 ＡＩＭ 合同研究会資料，第5巻第5号，一般社団法人人工知能学会，2018年03月15日，pp.05-01～05-05 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7297464B2 (en) | 2023-06-26 |
| JP2023120282A (en) | 2023-08-29 |
| JP2020130772A (en) | 2020-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7421681B2 (en) | Biological signal processing device and automatic analysis data generation method | |
| US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
| Cao et al. | A novel data augmentation method to enhance deep neural networks for detection of atrial fibrillation | |
| CN109411041B (en) | Electrocardio information processing method and electrocardio workstation system | |
| EP3731748B1 (en) | Detecting atrial fibrillation using short single-lead ecg recordings | |
| CN109411042B (en) | Electrocardio information processing method and electrocardio workstation | |
| CN113408508B (en) | Transformer-based non-contact heart rate measurement method | |
| WO2021027224A1 (en) | Electrocardiosignal recognition apparatus and method based on group convolutional neural network | |
| EP3801238A1 (en) | Detecting abnormalities in ecg signals | |
| US20120071730A1 (en) | Adaptive Processing of Ambulatory Electrocardiogram Signals | |
| CN110522442B (en) | Multi-lead electrocardiographic abnormality detection device, electronic apparatus, and storage medium | |
| CN110680278B (en) | Electrocardiosignal recognition device based on convolutional neural network | |
| KR20140139564A (en) | Systems and methods for ecg monitoring | |
| US9591977B2 (en) | Method and apparatus for comparing and visualizing serial ECG data | |
| CN111631705A (en) | Electrocardio abnormality detection method, model training method, device, equipment and medium | |
| CN113786200A (en) | Electrocardiosignal processing method, electrocardiosignal processing device, electrocardiosignal processing equipment and readable medium | |
| US20150065907A1 (en) | Apparatus and method for selectively collecting electroencephalogram data through motion recognition | |
| US10743789B2 (en) | ECG signal parallel analysis apparatus, method and mobile terminal | |
| Ji et al. | MSGformer: A multi-scale grid transformer network for 12-lead ECG arrhythmia detection | |
| CN111528833B (en) | Rapid identification and processing method and system for electrocardiosignals | |
| CN115486849A (en) | Electrocardiosignal quality evaluation method, device and equipment | |
| CN110179451B (en) | Electrocardiosignal quality detection method and device, computer equipment and storage medium | |
| Lee et al. | Adaptive ecg signal compression method based on look-ahead linear approximation for ultra long-term operating of healthcare iot devices (sci) | |
| KR102373778B1 (en) | Apparatus and method for generating photoplethysmography wave data from electrocardiogram data | |
| CN111265211B (en) | Sliding detection method and device for heartbeat data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230713 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230713 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231212 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231218 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240112 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7421681 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |