KR20230159567A - 심전도 해석 지원 장치, 프로그램, 심전도 해석 지원 방법, 및 심전도 해석 지원 시스템 - Google Patents
심전도 해석 지원 장치, 프로그램, 심전도 해석 지원 방법, 및 심전도 해석 지원 시스템 Download PDFInfo
- Publication number
- KR20230159567A KR20230159567A KR1020237036148A KR20237036148A KR20230159567A KR 20230159567 A KR20230159567 A KR 20230159567A KR 1020237036148 A KR1020237036148 A KR 1020237036148A KR 20237036148 A KR20237036148 A KR 20237036148A KR 20230159567 A KR20230159567 A KR 20230159567A
- Authority
- KR
- South Korea
- Prior art keywords
- waveform data
- analysis
- electrocardiogram
- peak
- waveform
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 204
- 238000012545 processing Methods 0.000 claims description 45
- 238000005520 cutting process Methods 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 42
- 238000003860 storage Methods 0.000 description 24
- 238000009795 derivation Methods 0.000 description 14
- 206010003658 Atrial Fibrillation Diseases 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 208000002102 Atrial Premature Complexes Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 6
- 206010003119 arrhythmia Diseases 0.000 description 6
- 230000006793 arrhythmia Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 206010014418 Electrolyte imbalance Diseases 0.000 description 1
- 208000002682 Hyperkalemia Diseases 0.000 description 1
- 208000001145 Metabolic Syndrome Diseases 0.000 description 1
- 208000021908 Myocardial disease Diseases 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/355—Detecting T-waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/36—Detecting PQ interval, PR interval or QT interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
심전도 해석 지원 장치(10)는, 해석 대상으로 하는 심전도에서의 파형 데이터를 취득하는 해석용 파형 취득부(11C)와, 해석용 파형 취득부(11C)에 의해 취득된 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하는 해석용 파형 절취부(11D)와, 해석용 파형 절취부(11D)에 의해 절취된 해석용 구분 파형 데이터를 피크 추정 모델(11C)에 입력함으로써 해당 피크 추정 모델(13C)의 중간층에서 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하는 중간 정보 취득부(11I)와, 중간 정보 취득부(11I)에 의해 취득된 중간 정보를 이용하여 해석 대상으로 하는 심전도의 파형 타입을 분류하는 분류부(11J)를 구비한다.
Description
본 발명은, 심전도 해석 지원 장치, 프로그램, 심전도 해석 지원 방법, 및 심전도 해석 지원 시스템에 관한 것이다.
최근 새로운 심전계의 보급에 의해, 심전도의 계측 데이터는 증대되고 있지만, 해당 계측 데이터를 해석하는 전문가의 수는 그리 증가하지 않아 인원 부족이 문제가 되고 있다. 한편, 심전도를 해석하는 룰 베이스형 해석 엔진도 있지만, 그 성능의 향상에는 한계가 있으며, 해석 결과를 수동으로 수정하는 작업이 수반되는 경우가 많아, 해석을 하는 의사 및/또는 임상 검사 기사 등의 의료 종사자의 부담이 크다. 따라서 의료 종사자의 부담을 줄일 수 있는 기술이 요구되고 있다.
종래, 의료 종사자의 부담을 줄이기 위해 적용할 수 있는 심전도의 해석에 관한 기술로서, 이하의 기술이 있었다.
미국 특허 출원 공개 제2020/0289010호 명세서에는, 복수의 심박 파형 데이터를 포함한 데이터 세트로 생성된 트레이닝용 심박 파형에 관한 입력 데이터에 기초하여 트레이닝용 심박 파형의 심박 타입이 출력되는 학습 모델을 생성하고, 데이터 세트로부터 샘플링된 각 배치의 손실 중량을 결정하고, 각 배치의 손실 중량에 기초하여 손실 함수를 결정함으로써 학습 모델을 트레이닝하고, 테스트용 심박 파형을 학습 모델에 입력하여 테스트용 심박 파형의 심박 타입을 분류하는 형태가 기재되어 있다.
국제 공개 제2016/092707호 공보에는, 메타볼릭 증후군 또는 당뇨병을 비롯한 생활 습관병의 예방, 다이어트, 및/또는 의료 서비스 등의 헬스케어를 목적으로 한, 식사를 한 시각을 추정하는 기술로서, 컴퓨터에 심박수의 시계열 데이터를 취득하고, 상기 심박수의 시계열 데이터에 포함되는 부분 데이터마다, 식사 개시 후에 심박수의 피크가 선행되어 나타나는 제1 피크보다 후속하여 나타나는 제2 피크에 관한 특징량을 산출하고, 상기 부분 데이터마다 산출된 제2 피크에 관한 특징량을 이용하여 상기 부분 데이터에서의 식사 유무를 판정하고, 상기 식사가 있었다고 판정된 부분 데이터로부터 식사 시각을 추정하는 처리를 실행시키는 것을 특징으로 하는 식사 추정 프로그램이 개시되어 있다.
그런데, 심전도를 해석하기 위해 파형 타입이 표준적인 타입인지 여부, 표준적인 타입이 아니라면 어떤 타입인지를 특정하는 것은 매우 중요하여 해당 특정을 위한 기술이 요구되고 있다.
그러나, 미국 특허 출원 공개 제2020/0289010호 명세서 및 국제 공개 제2016/092707호 공보에 개시되어 있는 기술에서는, 심전도의 파형 타입을 특정하는 것에 관해서는 고려되어 있지 않아, 반드시 해석 대상으로 하는 심전도의 파형 타입의 특정에 기여할 수 있다고는 볼 수 없다는 문제점이 있었다.
본 발명은, 상기 문제점을 감안하여 이루어진 것으로서, 해석 대상으로 하는 심전도의 파형 타입의 특정에 기여할 수 있는 심전도 해석 지원 장치 및 프로그램을 제공하는 것을 목적으로 한다.
또 일 실시 형태에 의하면, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 상기 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델을 이용한 심전도 해석 지원 장치로서, 해석 대상으로 하는 심전도에서의 파형 데이터를 취득하는 해석용 파형 취득부와, 상기 해석용 파형 취득부에 의해 취득된 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하는 해석용 파형 절취부와, 상기 해석용 파형 절취부에 의해 절취된 해석용 구분 파형 데이터를 상기 피크 추정 모델에 입력함으로써 해당 피크 추정 모델의 중간층에서 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하는 중간 정보 취득부와, 상기 중간 정보 취득부에 의해 취득된 중간 정보를 이용하여 상기 해석 대상으로 하는 심전도의 파형 타입을 분류하는 분류부를 구비한 심전도 해석 지원 장치이다.
본 발명의 제2 형태는, 제1 형태의 심전도 해석 지원 장치에서, 상기 파형 타입은, 표준적인 타입, 해당 표준적인 타입보다 T파가 큰 타입, 상기 표준적인 타입보다 QRS파의 폭이 넓은 타입, 및 그 외의 타입 중 적어도 2개의 타입을 포함한다.
본 발명의 제3 형태는, 제1 형태 또는 제2 형태의 심전도 해석 지원 장치에서, 상기 분류부는, 상기 중간 정보를 클러스터링함으로써 상기 분류를 실시한다.
본 발명의 제4 형태는, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 상기 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델을 이용한 프로그램으로서, 해석 대상으로 하는 심전도에서의 파형 데이터를 취득하고, 취득한 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하고, 절취한 해석용 구분 파형 데이터를 상기 피크 추정 모델에 입력함으로써 해당 피크 추정 모델의 중간층으로 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하고, 취득한 중간 정보를 이용하여 상기 해석 대상으로 하는 심전도의 파형 타입을 분류하는 처리를 컴퓨터에 실행시키기 위한 프로그램이다.
본 발명의 제5 형태는, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 상기 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델을 이용한 심전도 해석 지원 방법으로서, 해석 대상으로 하는 심전도에서의 파형 데이터를 취득하고, 취득한 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하고, 절취한 해석용 구분 파형 데이터를 상기 피크 추정 모델에 입력함으로써 해당 피크 추정 모델의 중간층으로 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크의 형상의 특징을 나타내는 중간 정보를 취득하고, 취득한 중간 정보를 이용하여 상기 해석 대상으로 하는 심전도의 파형 타입을 분류하는, 심전도 해석 지원 방법이다.
본 발명의 제6 형태는, 청구항 1∼청구항 3 중 어느 한 항에 기재된 심전도 해석 지원 장치와, 상기 심전도 해석 지원 장치에 대해 해석 대상으로 하는 심전도에서의 파형 데이터를 전송하고, 해당 파형 데이터의 전송에 따라 상기 심전도 해석 지원 장치에 의해 얻어진 정보를 수신하여 제시하는 단말 장치를 포함한 심전도 해석 지원 시스템이다.
본 발명에 의하면, 해석 대상으로 하는 심전도의 파형 타입의 특정에 기여할 수 있다.
[도 1] 일 실시 형태에 관한 심전도 해석 지원 장치의 하드웨어 구성의 일례를 도시한 블럭도이다.
[도 2] 일 실시 형태에 관한 피크 추정 모델 및 구간 추정 모델의 데이터의 흐름의 일례를 도시한 모식도이다.
[도 3] 일 실시 형태에 관한 심전도 해석 지원 장치의 피크 추정 모델 및 구간 추정 모델의 학습시의 기능적인 구성의 일례를 도시한 블럭도이다.
[도 4] 일 실시 형태에 관한 심전도 해석 지원 장치의 피크 추정 모델 및 구간 추정 모델의 운용시의 기능적인 구성의 일례를 도시한 블럭도이다.
[도 5] 일 실시 형태에 관한 혼합 가우스 모델을 이용한 클러스터링의 설명에 제공하는 그래프이다.
[도 6] 일 실시 형태에 관한 피크 추정 모델의 중간층의 이용 상태의 일례를 도시한 모식도이다.
[도 7] 일 실시 형태에 관한 제1 학습용 파형 데이터 데이터베이스의 구성의 일례를 도시한 모식도이다.
[도 8] 일 실시 형태에 관한 제2 학습용 파형 데이터 데이터베이스의 구성의 일례를 도시한 모식도이다.
[도 9] 일 실시 형태에 관한 학습 처리의 일례를 도시한 흐름도이다.
[도 10] 일 실시 형태에 관한 심전도 해석 지원 처리의 일례를 도시한 흐름도이다.
[도 11] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 제1 해석용 구분 파형 데이터의 절취 상태의 일례를 도시한 파형도이다.
[도 12] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 제2 해석용 구분 파형 데이터의 절취 상태의 일례를 도시한 파형도이다.
[도 13] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델로부터의 출력의 축약 상황의 일례를 도시한 모식도이다.
[도 14] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 구간 추정 모델로부터의 출력의 일례를 도시한 모식도이다.
[도 15] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델의 출력과 구간 추정 모델의 출력과의 합성 상태의 일례를 도시한 모식도이다.
[도 16] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델의 출력과 구간 추정 모델의 출력과의 합성 결과의 수정 상태의 일례를 도시한 모식도이다.
[도 17] 일 실시 형태에 관한 심전도 해석 지원 처리의 실행시에 표시되는 결과 화면의 구성의 일례를 도시한 정면도이다.
[도 18] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 분류 결과 정보에 의해 나타나는 각종 타입의 심전도 파형의 일례를 도시한 파형도이다.
[도 2] 일 실시 형태에 관한 피크 추정 모델 및 구간 추정 모델의 데이터의 흐름의 일례를 도시한 모식도이다.
[도 3] 일 실시 형태에 관한 심전도 해석 지원 장치의 피크 추정 모델 및 구간 추정 모델의 학습시의 기능적인 구성의 일례를 도시한 블럭도이다.
[도 4] 일 실시 형태에 관한 심전도 해석 지원 장치의 피크 추정 모델 및 구간 추정 모델의 운용시의 기능적인 구성의 일례를 도시한 블럭도이다.
[도 5] 일 실시 형태에 관한 혼합 가우스 모델을 이용한 클러스터링의 설명에 제공하는 그래프이다.
[도 6] 일 실시 형태에 관한 피크 추정 모델의 중간층의 이용 상태의 일례를 도시한 모식도이다.
[도 7] 일 실시 형태에 관한 제1 학습용 파형 데이터 데이터베이스의 구성의 일례를 도시한 모식도이다.
[도 8] 일 실시 형태에 관한 제2 학습용 파형 데이터 데이터베이스의 구성의 일례를 도시한 모식도이다.
[도 9] 일 실시 형태에 관한 학습 처리의 일례를 도시한 흐름도이다.
[도 10] 일 실시 형태에 관한 심전도 해석 지원 처리의 일례를 도시한 흐름도이다.
[도 11] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 제1 해석용 구분 파형 데이터의 절취 상태의 일례를 도시한 파형도이다.
[도 12] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 제2 해석용 구분 파형 데이터의 절취 상태의 일례를 도시한 파형도이다.
[도 13] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델로부터의 출력의 축약 상황의 일례를 도시한 모식도이다.
[도 14] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 구간 추정 모델로부터의 출력의 일례를 도시한 모식도이다.
[도 15] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델의 출력과 구간 추정 모델의 출력과의 합성 상태의 일례를 도시한 모식도이다.
[도 16] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델의 출력과 구간 추정 모델의 출력과의 합성 결과의 수정 상태의 일례를 도시한 모식도이다.
[도 17] 일 실시 형태에 관한 심전도 해석 지원 처리의 실행시에 표시되는 결과 화면의 구성의 일례를 도시한 정면도이다.
[도 18] 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 분류 결과 정보에 의해 나타나는 각종 타입의 심전도 파형의 일례를 도시한 파형도이다.
이하, 도면을 참조하여 본 발명의 실시 형태를 상세히 설명하기로 한다. 아울러 각 도면에서 동일 또는 등가의 구성요소 및 부분에는 동일한 참조 부호를 부여한다. 또 도면의 치수 비율은 설명의 편의상 과장되어 있으며 실제 비율과는 다른 경우가 있다.
본 실시 형태에서는, 본 발명의 기술에서의 심전도 해석 지원 장치를 거치형 퍼스널 컴퓨터 등의 정보처리 장치에 적용한 경우에 대해 설명하기로 한다. 단, 본 발명의 기술의 적용 대상은 거치형 정보처리 장치에 한정되지는 않으며, 스마트폰, 휴대형 게임 장치, 태블릿 단말, 노트북 퍼스널 컴퓨터 등 다른 휴대형 정보처리 장치에도 적용할 수 있다.
우선, 도 1∼도 6을 참조하여 본 실시 형태에 관한 심전도 해석 지원 장치의 구성을 설명하기로 한다. 도 1은, 일 실시 형태에 관한 심전도 해석 지원 장치의 하드웨어 구성의 일례를 도시한 블럭도이다. 도 2는, 일 실시 형태에 관한 피크 추정 모델 및 구간 추정 모델의 데이터의 흐름의 일례를 도시한 모식도이다. 또 도 3은, 일 실시 형태에 관한 심전도 해석 지원 장치의 피크 추정 모델 및 구간 추정 모델의 학습시의 기능적인 구성의 일례를 도시한 블럭도이다. 또 도 4는, 일 실시 형태에 관한 심전도 해석 지원 장치의 피크 추정 모델 및 구간 추정 모델의 운용시의 기능적인 구성의 일례를 도시한 블럭도이다. 또 도 5는, 일 실시 형태에 관한 혼합 가우스 모델을 이용한 클러스터링의 설명에 제공하는 그래프이다. 또한 도 6은, 일 실시 형태에 관한 피크 추정 모델의 중간층의 이용 상태의 일례를 도시한 모식도이다.
도 1에 도시한 것처럼, 본 실시 형태에 관한 심전도 해석 지원 장치(10)는, CPU(Central Processing Unit)(11), 일시 기억 영역으로서의 메모리(12), 불휘발성 기억부(13), 및 키보드와 마우스 등의 입력부(14)를 구비하고 있다. 또, 본 실시 형태에 관한 심전도 해석 지원 장치(10)는, 액정 디스플레이 등의 표시부(15), 및 매체 읽고 쓰기 장치(R/W)(16)를 구비하고 있다. 또한 본 실시 형태에 관한 심전도 해석 지원 장치(10)는, 통신 인터페이스(I/F)부(18), 및 음성 출력부(19)를 구비하고 있다. CPU(11), 메모리(12), 기억부(13), 입력부(14), 표시부(15), 매체 읽고 쓰기 장치(16), 통신 I/F부(18), 및 음성 출력부(19)는 버스(B)를 통해 서로 접속되어 있다. 매체 읽고 쓰기 장치(16)는, 기록 매체(17)에 기입되어 있는 정보의 독출 및 기록 매체(17)로의 정보의 기입을 실시한다.
한편, 기억부(13)는 HDD(Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리 등에 의해 실현된다. 기억 매체로서의 기억부(13)에는, 학습 프로그램(13A) 및 심전도 해석 지원 프로그램(13B)이 기억되어 있다. 학습 프로그램(13A)은, 해당 프로그램(13A)이 기입된 기록 매체(17)가 매체 읽고 쓰기 장치(16)에 세팅되고, 매체 읽고 쓰기 장치(16)가 기록 매체(17)로부터 해당 프로그램(13A)을 독출함으로써 기억부(13)에 기억된다. 또, 심전도 해석 지원 프로그램(13B)은, 해당 프로그램(13B)이 기입된 기록 매체(17)가 매체 읽고 쓰기 장치(16)에 세팅되고, 매체 읽고 쓰기 장치(16)가 기록 매체(17)로부터 해당 프로그램(13B)을 독출함으로써 기억부(13)에 기억된다. CPU(11)는, 학습 프로그램(13A) 및 심전도 해석 지원 프로그램(13B)을 기억부(13)로부터 독출 메모리(12)에 전개하고, 학습 프로그램(13A) 및 심전도 해석 지원 프로그램(13B)이 가진 프로세스를 차례차례 실행한다.
이와 같이, 본 실시 형태에 관한 심전도 해석 지원 장치(10)에서는, 학습 프로그램(13A) 및 심전도 해석 지원 프로그램(13B)을, 기록 매체(17)를 통해 심전도 해석 지원 장치(10)에 인스톨하였으나, 이에 한정되지는 않는다. 예를 들면, 통신 I/F부(18)를 통해 다운로드함으로써, 학습 프로그램(13A) 및 심전도 해석 지원 프로그램(13B)을 심전도 해석 지원 장치(10)에 인스톨하는 형태로 해도 좋다.
또 기억부(13)에는, 피크 추정 모델(13C) 및 구간 추정 모델(13D)이 기억된다.
본 실시 형태에 관한 피크 추정 모델(13C)은, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정되어 있다.
아울러 본 실시 형태에서는, 상기 미리 정해진 종류로서, 정상 또는 심방성기외 수축을 나타내는 제1 종류, 심방세동을 나타내는 제2 종류, 및 심실성기외 수축을 나타내는 제3 종류 모두를 포함하는 것으로 되어 있지만, 이에 한정되지는 않는다. 예를 들면, 이러한 3 종류 중 1종류 또는 2종류의 조합을 상기 미리 정해진 종류로서 포함한 것으로 해도 좋고, 상기 3 종류에 다른 부정맥의 종류를 더해, 상기 미리 정해진 종류로서 포함한 것으로 해도 좋다. 이하에서는, 상기 제1 종류를 「N or S」 또는 「N」이라고도 표현하고, 상기 제2 종류를 「small_n」 또는 「n」이라고도 표현하고, 상기 제3 종류를 「PVC」 또는 「V」라고도 표현한다. 또, 이하에서는, 상기 미리 정해진 종류의 피크가 존재하지 않는 경우의 종류를 「FALSE」라고도 표현한다.
또, 본 실시 형태에서는, 상기 피크 정보로서 상기 파형 데이터에 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 정보뿐 아니라, 해당 피크가 존재하는 경우의, 상기 미리 정해진 종류를 나타내는 정보도 포함한 것으로 한다. 따라서, 본 실시 형태에 관한 피크 추정 모델(13C)은, 상술한 「FALSE」에 추가하여, 「FALSE」가 아닌 경우, 즉 해당 피크가 존재하는 경우의 「N or S」등의 부정맥의 종류를 나타내는 정보도 피크 정보로서 출력하는 것으로 설정되어 있다.
한편, 본 실시 형태에 관한 구간 추정 모델(13D)은, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 대응하는 구간이, 미리 정해진 종류의 구간 중 어느쪽 구간인지를 나타내는 구간 종류 정보가 출력 정보로 설정되어 있다.
아울러 본 실시 형태에서는, 상기 미리 정해진 종류의 구간으로서, 통상의 구간인 통상 구간, 심방세동의 구간인 심방세동 구간, 및 해석의 대상외로 하는 구간인 비해석 구간의 모든 구간을 포함하는 것으로 되어 있지만, 이에 한정되지는 않는다. 예를 들면, 이러한 3 종류 중 2종류의 조합을 상기 미리 정해진 종류로서 포함한 것으로 해도 좋고, 상기 3 종류에 다른 구간을 더해, 상기 미리 정해진 종류의 구간으로서 포함한 것으로 해도 좋다.
본 실시 형태에서는, 피크 추정 모델(13C) 및 구간 추정 모델(13D)로서 CNN(Convolutional Neural Network, 콘볼루션 뉴럴 네트워크)에 의한 것을 적용하였으나, 이에 한정되지는 않는다. 예를 들면, RNN(Recurrent Neural Network, 재귀형 뉴럴 네트워크)에 의한 것을 피크 추정 모델(13C) 및 구간 추정 모델(13D) 중 적어도 하나로서 적용하는 형태로 해도 좋다.
일례로서 도 2에 도시한 것처럼, 본 실시 형태에서는, 피크 추정 모델(13C) 및 구간 추정 모델(13D)로서, 콘볼루션층 및 풀링층을 포함하여 구성된 CNN층이 4층으로, Dense층이 2층으로 설정된 1차원 CNN을 적용하였다.
또, 기억부(13)에는, 제1 학습용 파형 데이터 데이터베이스(13E) 및 제2 학습용 파형 데이터 데이터베이스(13F)가 기억된다. 제1 학습용 파형 데이터 데이터베이스(13E) 및 제2 학습용 파형 데이터 데이터베이스(13F)에 대해서는, 상세를 후술하기로 한다.
다음으로, 도 3을 참조하여 본 실시 형태에 관한 심전도 해석 지원 장치(10)의 피크 추정 모델(13C) 및 구간 추정 모델(13D)의 학습시의 기능적인 구성에 대해 설명하기로 한다.
도 3에 도시한 것처럼, 피크 추정 모델(13C) 및 구간 추정 모델(13D)의 학습시의 심전도 해석 지원 장치(10)는, 학습용 파형 취득부(11A) 및 학습용 파형 절취부(11B)를 포함한다. 심전도 해석 지원 장치(10)의 CPU(11)가 학습 프로그램(13A)을 실행함으로써 학습용 파형 취득부(11A) 및 학습용 파형 절취부(11B)로서 기능한다.
본 실시 형태에 관한 학습용 파형 취득부(11A)는, 피크 추정 모델(13C) 및 구간 추정 모델(13D)의 각 모델에 대한 학습 대상으로 하는 심전도에서의 파형 데이터(이하, 「학습용 파형 데이터」라고 한다.) 를 취득한다.
아울러 본 실시 형태에서는, 피크 추정 모델(13C)에 대한 학습용 파형 데이터(이하, 「제1 학습용 파형 데이터」라고 한다.)를, 후술하는 제1 학습용 파형 데이터 데이터베이스(13E)로부터 독출함으로써 취득한다. 또, 본 실시 형태에서는, 구간 추정 모델(13D)에 대한 학습용 파형 데이터(이하, 「제2 학습용 파형 데이터」라고 한다.)를, 후술하는 제2 학습용 파형 데이터 데이터베이스(13F)로부터 독출함으로써 취득한다. 단, 이 형태에 한정되지는 않으며, 심전계에 의해 얻어진 파형 데이터를 학습용 파형 데이터로서 통신 I/F부(18) 등을 통해 직접 취득하는 형태로 해도 좋다.
또, 본 실시 형태에 관한 학습용 파형 절취부(11B)는, 학습용 파형 취득부(11A)에 의해 취득된 제1 학습용 파형 데이터로부터 미리 정해진 제1 기간(이하, 단순히 「제1 기간」이라고 한다.) 의 파형 데이터를 학습용 구분 파형 데이터(이하, 「제1 학습용 구분 파형 데이터」라고 한다.) 로서 절취한다.
아울러 본 실시 형태에 관한 학습용 파형 절취부(11B)에서는, 제1 학습용 구분 파형 데이터의 절취를, 제1 학습용 파형 데이터에서의 시간축의 중심을 중심으로 하여 제1 기간의 파형 데이터를 절취함으로써 실시하였으나, 이에 한정되지는 않는다. 예를 들면, 제1 학습용 파형 데이터에서의 시간축의 끝단을 끝단으로 하여 제1 기간의 파형 데이터를 절취함으로써 실시하는 형태로 해도 좋고, 제1 학습용 파형 데이터에서의 시간축의 후단을 후단으로 하여 제1 기간의 파형 데이터를 절취함으로써 실시하는 형태로 해도 좋다.
또, 본 실시 형태에서는, 제1 기간으로서 2초를 적용하였으나, 이에 한정되지는 않는다. 예를 들면, 1.8초, 2.5초 등이라는 2초 이외의 기간을 제1 기간으로서 적용하는 형태로 해도 좋다. 여기서, 제1 기간으로서 2초를 적용하는 것은, 심전도의 일반적인 피크의 간격이 약 1초이기 때문이며, 2초 전후이면, 피크 및 해당 피크 전후의 정보를 적절히 얻을 수 있다.
또, 본 실시 형태에 관한 학습용 파형 절취부(11B)는, 학습용 파형 취득부(11A)에 의해 취득된 제2 학습용 파형 데이터로부터, 제1 기간보다 긴 기간인 제2 기간(이하, 단순히 「제2 기간」이라고 한다.) 의 파형 데이터를 학습용 구분 파형 데이터(이하, 「제2 학습용 구분 파형 데이터」라고 한다.) 로서 절취한다.
아울러 본 실시 형태에 관한 학습용 파형 절취부(11B)에서는, 제2 학습용 구분 파형 데이터의 절취를, 제2 학습용 파형 데이터에서의 시간축의 중심을 중심으로 하여 제2 기간의 파형 데이터를 절취함으로써 실시하였으나, 이에 한정되지는 않는다. 예를 들면, 제2 학습용 파형 데이터에서의 시간축의 끝단을 끝단으로 하여 제2 기간의 파형 데이터를 절취함으로써 실시하는 형태로 해도 좋고, 제2 학습용 파형 데이터에서의 시간축의 후단을 후단으로 하여 제2 기간의 파형 데이터를 절취함으로써 실시하는 형태로 해도 좋다.
또, 본 실시 형태에서는, 제2 기간으로서 5초를 적용하였으나, 이에 한정되지는 않는다. 예를 들면, 4.8초, 5.5초 등이라는 5초 이외의 기간을 제2 기간으로서 적용하는 형태로 해도 좋다. 여기서, 제2 기간으로서 5초를 적용하는 것은, 본 발명자들의 시행 착오 결과, 제2 기간이 5초 전후이면, 심방세동 구간 및 비해석 구간을 판정하기에 충분한 정보를 얻을 수 있고, 또한 심방세동 구간 및 비해석 구간이 혼재되는 것도 억제할 수 있다는 결과를 얻을 수 있었기 때문이다.
그리고, 본 실시 형태에 관한 피크 추정 모델(13C)은, 학습용 파형 절취부(11B)에 의해 절취된 제1 학습용 구분 파형 데이터를 입력 정보로 하고, 해당 제1 학습용 구분 파형 데이터에 대응하는 상기 피크 정보를 출력 정보로 하여 기계 학습된다. 또, 본 실시 형태에 관한 구간 추정 모델(13D)은, 학습용 파형 절취부(11B)에 의해 절취된 제2 학습용 구분 파형 데이터를 입력 정보로 하고, 해당 제2 학습용 구분 파형 데이터에 대응하는 상기 구간 종류 정보를 출력 정보로 하여 기계 학습된다.
다음으로, 도 4를 참조하여 본 실시 형태에 관한 심전도 해석 지원 장치(10)의 피크 추정 모델(13C) 및 구간 추정 모델(13D)의 운용시의 기능적인 구성에 대해 설명하기로 한다.
도 4에 도시한 것처럼, 피크 추정 모델(13C) 및 구간 추정 모델(13D)의 학습시의 심전도 해석 지원 장치(10)는, 해석용 파형 취득부(11C), 해석용 파형 절취부(11D), 도출부(11E), 제2 해석용 파형 절취부(11F), 제2 도출부(11G), 추정부(11H), 중간 정보 취득부(11I), 및 분류부(11J)를 포함한다. 심전도 해석 지원 장치(10)의 CPU(11)가 심전도 해석 지원 프로그램(13B)을 실행함으로써 해석용 파형 취득부(11C), 해석용 파형 절취부(11D), 도출부(11E), 제2 해석용 파형 절취부(11F), 제2 도출부(11G), 추정부(11H), 중간 정보 취득부(11I), 및 분류부(11J)로서 기능한다.
본 실시 형태에 관한 해석용 파형 취득부(11C)는, 해석 대상으로 하는 심전도에서의 파형 데이터(이하, 「해석용 파형 데이터」라고 한다.) 를 취득한다. 아울러 본 실시 형태에서는, 해석용 파형 데이터를 심전계로부터 통신 I/F부(18) 등을 통해 직접 취득하는 형태로 되어 있다. 단, 이 형태에 한정되지는 않으며, 해석 대상으로 하는 심전도의 파형 데이터를 데이터베이스화해두고 해당 데이터베이스로부터 독출함으로써, 해석용 파형 데이터를 취득하는 형태로 해도 좋다.
또, 본 실시 형태에 관한 해석용 파형 절취부(11D)는, 해석용 파형 취득부(11C)에 의해 취득된 해석용 파형 데이터로부터, 제1 기간의 파형 데이터를, 해당 제1 기간보다 짧은 기간으로서 미리 정해진 이동 기간(이하, 단순히 「이동 기간」이라고 한다.)씩 이동시키면서 제1 해석용 구분 파형 데이터로서 절취한다.
아울러, 본 실시 형태에서는, 이동 기간으로서 0.1초를 적용하였으나, 이에 한정되지는 않는다. 예를 들면, 0.05초, 0.2초 등의 제1 기간보다 짧은 다른 기간을 이동 기간으로서 적용하는 형태로 해도 좋다. 여기서, 이동 기간으로서 0.1초를 적용하는 것은, 본 발명자들의 시행 착오 결과, 이동 기간이 0.1초 전후이면, 심전도 피크의 미검출을 방지할 수 있고, 또한 연산 시간의 장시간화를 방지할 수 있다는 결과를 얻을 수 있었기 때문이다.
그리고, 본 실시 형태에 관한 도출부(11E)는, 해석용 파형 절취부(11D)에 의해 절취된 제1 해석용 구분 파형 데이터를 피크 추정 모델(13C)에 입력함으로써 피크 추정 모델(13C)에 상기 피크 정보를 도출시킨다.
한편, 본 실시 형태에 관한 제2 해석용 파형 절취부(11F)는, 해석용 파형 취득부(11C)에 의해 취득된 해석용 파형 데이터로부터, 제2 기간의 파형 데이터를 제2 해석용 구분 파형 데이터로서 절취한다. 또, 본 실시 형태에 관한 제2 도출부(11G)는, 제2 해석용 파형 절취부(11F)에 의해 절취된 제2 해석용 구분 파형 데이터를 구분 추정 모델(13D)에 입력함으로써 구분 추정 모델(13D)에 상기 구간 정류 정보를 도출시킨다.
그리고, 본 실시 형태에 관한 추정부(11H)는, 도출부(11E)에 의한 제1 해석용 구분 파형 데이터의 입력에 의해 피크 추정 모델(13C)에 의해 도출된 피크 정보, 및 제2 도출부(11G)에 의한 제2 해석용 구분 파형 데이터의 입력에 의해 구간 추정 모델(13D)에 의해 도출된 구간 종류 정보를 합성함으로써 해석 대상으로 하는 심전도가 가리키는 상황을 추정한다.
한편, 본 실시 형태에 관한 중간 정보 취득부(11I)는, 해석용 파형 절취부(11D)에 의해 절취된 제1 해석용 구분 파형 데이터가 피크 추정 모델(13C)에 입력됨으로써 해당 피크 추정 모델(13C)의 중간층으로 생성되는, 해당 제1 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보(이하, 단순히 「중간 정보」라고 한다.) 를 취득한다.
그리고, 본 실시 형태에 관한 분류부(11J)는, 중간 정보 취득부(11I)에 의해 취득된 중간 정보를 이용하여 해석 대상으로 하는 심전도의 파형의 타입을 분류한다.
아울러 본 실시 형태에서는, 상기 파형의 타입으로서 표준적인 타입, 해당 표준적인 타입보다 T파가 큰 타입, 상기 표준적인 타입보다 QRS파의 폭이 넓은 타입, 및 그 외의 타입의 모든 타입을 포함한 것으로 되어 있지만, 이에 한정되지는 않는다. 예를 들면, 이들 4 종류의 타입 중 2종류 또는 3종류의 조합을 상기 파형의 타입으로서 포함하는 것으로 해도 좋고, 상기 4 종류에 다른 타입을 더해 상기 파형의 타입으로서 포함한 것으로 해도 좋다.
또, 본 실시 형태에 관한 분류부(11J)에서는, 중간 정보를 클러스터링함으로써 상기 분류를 하는 형태로 되어 있다.
아울러 본 실시 형태에서는, 상기 클러스터링으로서 일례로서 도 5에 도시한 것처럼, 혼합 가우스 모델(Gaussian Mixture Model, GMM)을 이용한 클러스터링을 적용하고 있다. 혼합 가우스 모델에 의한 클러스터링은, 복수의 가우스 분포를 서로 더함으로써 임의의 연속 함수를 근사하는 수법으로서, 가우스 분포의 수가 분류수가 된다. 단, 상기 클러스터링은 혼합 가우스 모델에 의한 클러스터링에 한정되지는 않으며, 예를 들면, 스펙트럴·클러스터링(Spectral Clustering) 등의 다른 클러스터링의 수법을 이용하여 상기 분류하는 형태로 해도 좋다.
일례로서 도 6에 도시한 것처럼, 본 실시 형태에 관한 심전도 해석 지원 장치(10)에서는, 피크 추정 모델(13C)에서의 1층째의 Dense층에 의해 생성된 데이터를 중간 정보로서 적용하고, 해당 데이터를 클러스터링의 대상으로 하여 이용한다.
다음으로, 도 7을 참조하여 본 실시 형태에 관한 제1 학습용 파형 데이터 데이터베이스(13E)에 대해 설명하기로 한다. 도 7은, 일 실시 형태에 관한 제1 학습용 파형 데이터 데이터베이스(13E)의 구성의 일례를 도시한 모식도이다.
본 실시 형태에 관한 제1 학습용 파형 데이터 데이터베이스(13E)는, 상술한 것처럼, 피크 추정 모델(13C)의 학습에 이용하는 제1 학습용 파형 데이터에 관한 정보를 기억하기 위한 것이다.
도 7에 도시한 것처럼, 본 실시 형태에 관한 제1 학습용 파형 데이터 데이터베이스(13E)는, 파형 ID(Identification), 파형 데이터, 및 피크 정보의 각 정보가 기억된다.
상기 파형 ID는, 대응하는 파형 데이터를 식별하기 위해, 파형 데이터의 각각마다 다른 것으로서 미리 부여된 정보이다. 또, 상기 파형 데이터는, 제1 학습용 파형 데이터 그 자체를 나타내는 정보이며, 상기 피크 정보는, 대응하는 파형 데이터가 입력된 경우에 피크 추정 모델(13C)로부터 출력되어야 할 올바른 피크 정보(정답 정보)를 나타내는 정보이다.
다음으로, 도 8을 참조하여 본 실시 형태에 관한 제2 학습용 파형 데이터 데이터베이스(13F)에 대해 설명하기로 한다. 도 8은, 일 실시 형태에 관한 제2 학습용 파형 데이터 데이터베이스(13F)의 구성의 일례를 도시한 모식도이다.
본 실시 형태에 관한 제2 학습용 파형 데이터 데이터베이스(13F)는, 상술한 것처럼, 구간 추정 모델(13D)의 학습에 이용하는 제2 학습용 파형 데이터에 관한 정보를 기억하기 위한 것이다.
도 8에 도시한 것처럼, 본 실시 형태에 관한 제2 학습용 파형 데이터 데이터베이스(13F)는, 파형 ID, 파형 데이터, 및 구간 종류 정보의 각 정보가 기억된다.
상기 파형 ID는, 대응하는 파형 데이터를 식별하기 위해, 파형 데이터의 각각마다 다른 것으로서 미리 부여된 정보이다. 또, 상기 파형 데이터는, 제2 학습용 파형 데이터 그 자체를 나타내는 정보이며, 상기 구간 종류 정보는, 대응하는 파형 데이터가 입력된 경우에 구간 추정 모델(13D)로부터 출력되어야 할 올바른 구간 종류 정보(정답 정보)를 나타내는 정보이다.
다음으로, 도 9∼도 18을 참조하여 본 실시 형태에 관한 심전도 해석 지원 장치(10)의 작용을 설명하기로 한다. 우선, 도 9을 참조하여 피크 추정 모델(13C) 및 구간 추정 모델(13D)을 학습시키는 경우의 심전도 해석 지원 장치(10)의 작용을 설명하기로 한다. 도 9는, 일 실시 형태에 관한 학습 처리의 일례를 도시한 흐름도이다.
심전도 해석 지원 장치(10)의 CPU(11)가 학습 프로그램(13A)을 실행함으로써 도 9에 도시한 학습 처리가 실행된다. 도 9에 도시한 학습 처리는, 사용자에 의해, 학습 프로그램(13A)의 실행을 개시하는 지시 입력이 입력부(14)를 통해 이루어진 경우에 실행된다. 아울러 착종(錯綜)을 막기 위해, 이하에서는, 제1 학습용 파형 데이터 데이터베이스(13E) 및 제2 학습용 파형 데이터 데이터베이스(13F)가 이미 구축 완료된 경우에 대해 설명하기로 한다.
도 9의 단계100에서, CPU(11)는, 제1 학습용 파형 데이터 데이터베이스(13E)로부터 1조의 파형 데이터(제1 학습용 파형 데이터) 및 피크 정보를 독출한다. 단계102에서, CPU(11)는, 독출한 제1 학습용 파형 데이터로부터 제1 학습용 구분 파형 데이터를 상술한 것처럼 절취한다.
단계104에서, CPU(11)는, 절취한 제1 학습용 구분 파형 데이터를 입력 정보로 하고, 독출한 피크 정보를 출력 정보(정답 정보)로 하여 피크 추정 모델(13C)을 기계 학습한다. 단계106에서, CPU(11)는, 제1 학습용 파형 데이터 데이터베이스(13E)에 기억되어 있는 모든 파형 데이터에 대해 단계104에 의한 기계 학습이 종료되었는지 여부를 판정하고, 부정 판정이 된 경우는 단계100으로 돌아오는 한편, 긍정 판정이 된 경우에는 단계108로 이행한다. 아울러 단계100∼단계106의 처리를 반복 실행하는 경우에 CPU(11)는, 그때까지 처리 대상으로 하지 않았던 제1 학습용 파형 데이터를 처리 대상으로 하도록 한다.
단계108에서, CPU(11)는, 제2 학습용 파형 데이터 데이터베이스(13F)에서 1조의 파형 데이터(제2 학습용 파형 데이터) 및 구간 종류 정보를 독출한다. 단계110에서, CPU(11)는, 독출한 제2 학습용 파형 데이터로부터 제2 학습용 구분 파형 데이터를 상술한 것처럼 절취한다.
단계112에서, CPU(11)는, 절취한 제2 학습용 구분 파형 데이터를 입력 정보로 하고, 독출한 구간 종류 정보를 출력 정보(정답 정보)로 하여 구간 추정 모델(13D)을 기계 학습한다. 단계114에서, CPU(11)는, 제2 학습용 파형 데이터 데이터베이스(13F)에 기억되어 있는 모든 파형 데이터에 대해 단계112에 의한 기계 학습이 종료되었는지 여부를 판정하고, 부정 판정이 된 경우는 단계108으로 돌아오는 한편, 긍정 판정이 된 경우에는 본 학습 처리를 종료한다. 아울러 단계108∼단계114의 처리를 반복 실행하는 경우에 CPU(11)는, 그때까지 처리 대상으로 하지 않았던 제2 학습용 파형 데이터를 처리 대상으로 하도록 한다.
이상의 학습 처리에 의해, 피크 추정 모델(13C) 및 구간 추정 모델(13D)이 학습된다. 아울러 이상의 학습 처리에 의해 얻어지는 피크 추정 모델(13C) 및 구간 추정 모델(13D)의 추정 정밀도가 충분하지 않은 경우 등에는, 같은 학습 처리를 반복하여 실행하는 형태로 해도 좋다.
다음으로, 도 10∼도 18을 참조하여 피크 추정 모델(13C) 및 구간 추정 모델(13D)을 운용하는 경우의 심전도 해석 지원 장치(10)의 작용을 설명하기로 한다. 도 10은, 일 실시 형태에 관한 심전도 해석 지원 처리의 일례를 도시한 흐름도이다. 또 도 11은, 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 제1 해석용 구분 파형 데이터의 절취 상태의 일례를 도시한 파형도이다. 또한 도 12는, 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 제2 해석용 구분 파형 데이터의 절취 상태의 일례를 도시한 파형도이다.
심전도 해석 지원 장치(10)의 CPU(11)가 심전도 해석 지원 프로그램(13B)을 실행함으로써 도 10에 도시한 심전도 해석 지원 처리가 실행된다. 도 10에 도시한 심전도 해석 지원 처리는, 사용자에 의해, 심전도 해석 지원 프로그램(13B)의 실행을 개시하는 지시 입력이 입력부(14)를 통해 이루어진 경우에 실행된다. 아울러 착종을 막기 위해, 이하에서는, 피크 추정 모델(13C) 및 구간 추정 모델(13D)의 학습이 종료된 경우에 대해 설명하기로 한다. 또 이하에서는, 심전도의 해석 대상으로 하는 사람에 장착된 미도시된 심전계가 심전도 해석 지원 장치(10)의 통신 I/F부(18)에 접속되어 있고, 해당 심전계으로의 심전도의 파형 데이터가 심전도 해석 지원 장치(10)에 의해 수신 가능한 상태로 되어 있는 경우에 대해 설명하기로 한다.
도 10의 단계200에서, CPU(11)는, 상기 심전도로부터 수신한 파형 데이터(상술한 해석용 파형 데이터에 상당하고, 이하, 「해석용 파형 데이터」라고 한다.) 의 기억부(13)로의 기억을 개시한다. 단계202에서, CPU(11)는, 피크 추정 모델(13C)에 의한 추정을 실시하는 타이밍으로서 미리 정해진 타이밍(이하, 「제1 타이밍」이라고 한다.) 이 도래했는지 여부를 판정하고, 부정 판정이 된 경우에는 단계212로 이행한다. 또, CPU(11)는, 단계202에서 긍정 판정이 된 경우에는 단계204로 이행한다. 아울러 본 실시 형태에서는, 상기 제1 타이밍으로서, 미리 정해진 기준 시간(본 실시 형태에서는, 본 심전도 해석 지원 처리의 실행이 개시된 시각)을 기점으로 하여 제1 기간이 종료되고, 또한 이동 기간이 종료된 타이밍을 적용하였다.
단계204에서, CPU(11)는, 기억부(13)로부터 제1 기간분의 해석용 파형 데이터를 독출함으로써, 제1 해석용 구분 파형 데이터를 절취한다. 단계206에서, CPU(11)는, 절취한 제1 해석용 구분 파형 데이터를 피크 추정 모델(13C)에 입력하고, 단계208에서, CPU(11)는, 해당 제1 해석용 구분 파형 데이터의 입력에 따라 피크 추정 모델(13C)로부터 출력되는 피크 정보를 취득한다. 단계210에서, CPU(11)는, 취득한 피크 정보를 기억부(13)에 기억한다.
이상의 단계202∼단계210의 처리가 반복하여 실행됨으로써, 일례로서 도 11에 도시한 것처럼, 제1 기간(본 실시 형태에서는, 2초)의 폭으로 설정된 제1 해석용 구분 파형 데이터가, 이동 기간(본 실시 형태에서는, 0.1초)의 피치폭으로 피크 추정 모델(13C)에 입력되고, 이에 따라 피크 추정 모델(13C)로부터 출력된 피크 정보가 기억부(13)에 기억되게 된다.
단계212에서, CPU(11)는, 구간 추정 모델(13D)에 의한 추정을 실시하는 타이밍으로서 미리 정해진 타이밍(이하, 「제2 타이밍」이라고 한다.)이 도래했는지 여부를 판정하고, 부정 판정이 된 경우에는 단계222로 이행한다. 또, CPU(11)는, 단계212에서 긍정 판정이 된 경우에는 단계214로 이행한다. 아울러 본 실시 형태에서는, 상기 제2 타이밍으로서, 상기 기준 시간을 기점으로 하여 제2 기간이 종료된 타이밍을 적용하였다.
단계214에서, CPU(11)는, 기억부(13)로부터 제2 기간분의 해석용 파형 데이터를 독출함으로써, 제2 해석용 구분 파형 데이터를 절취한다. 단계216에서, CPU(11)는, 절취한 제2 해석용 구분 파형 데이터를 구간 추정 모델(13D)에 입력하고, 단계218에서, CPU(11)는, 해당 제2 해석용 구분 파형 데이터의 입력에 따라 구간 추정 모델(13D)로부터 출력되는 구간 종류 정보를 취득한다. 단계220에서, CPU(11)는, 취득한 구간 종류 정보를 기억부(13)에 기억한다.
이상의 단계212∼단계220의 처리가 반복하여 실행됨으로써, 일례로서 도 12에 도시한 것처럼, 제2 기간(본 실시 형태에서는, 5초)의 폭으로 설정된 제2 해석용 구분 파형 데이터가 구간 추정 모델(13D)에 입력되고, 이에 따라 구간 추정 모델(13D)로부터 출력된 구간 종류 정보가 기억부(13)에 기억되게 된다.
단계222에서, CPU(11)는, 분류부(11J)에 의한 클러스터링의 대상으로 하는 중간 정보를 취득하는 타이밍으로서 미리 정해진 타이밍(이하, 「제3 타이밍」이라고 한다.)이 도래했는지 여부를 판정하고, 부정 판정이 된 경우에는 단계232로 이행한다. 또, CPU(11)는, 단계222에서 긍정 판정이 된 경우에는 단계224로 이행한다. 아울러 본 실시 형태에서는, 상기 제3 타이밍으로서, 단계210의 처리에 의해 기억한 피크 정보가 「FALSE」 이외인 타이밍, 즉, 해석용 파형 데이터에서 어느 한 피크가 검출된 타이밍을 적용하였다.
단계224에서, CPU(11)는, 기억부(13)로부터 제1 기간분의 해석용 파형 데이터를 독출함으로써, 해석용 구분 파형 데이터를 절취한다. 단계226에서, CPU(11)는, 절취한 해석용 구분 파형 데이터를 피크 추정 모델(13C)에 입력하고, 단계228에서, CPU(11)는, 해당 해석용 구분 파형 데이터의 입력에 따라 피크 추정 모델(13C)의 중간층(본 실시 형태에서는, 1층째의 Dense층)에서 생성되는 중간 정보를 취득한다. 단계230에서, CPU(11)는, 취득한 중간 정보를 기억부(13)에 기억한다.
단계232에서, CPU(11)는, 미리 정해진 계측을 종료하는 타이밍(이하, 「종료 타이밍」이라고 한다.) 이 도래했는지 여부를 판정하고, 부정 판정이 된 경우에는 단계202로 돌아오는 한편, 긍정 판정이 된 경우에는 단계234로 이행한다. 아울러 본 실시 형태에서는, 상기 종료 타이밍으로서, 상기 기준 시간부터의 해석용 파형 데이터에서의 피크 발생수가 미리 정해진 문턱값(본 실시 형태에서는, 60)에 도달한 타이밍을 적용하였으나, 이에 한정되지는 않는다. 예를 들면, 상기 기준 시간부터 미리 정해진 시간(본 실시 형태에서는, 60초)이 경과한 타이밍을 상기 종료 타이밍으로서 적용하는 형태로 해도 좋다.
단계234에서, CPU(11)는, 단계200의 처리에 의해 개시한 해석용 파형 데이터의 기억부(13)로의 기억을 정지한다. 단계236에서, CPU(11)는, 이상의 처리에 의해 기억된 피크 정보, 구간 종류 정보, 및 중간 정보를 모두 기억부(13)로부터 독출한다.
단계238에서, CPU(11)는, 독출한 피크 정보 및 구간 종류 정보를 이용하여 해석 대상으로 하는 심전도가 가리키는 상황을 추정한다. 이하, 도 13∼도 16을 참조하여 해당 추정에 대해 설명하기로 한다. 아울러, 도 13은, 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델로부터의 출력의 축약 상황의 일례를 도시한 모식도이다. 또 도 14는, 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 구간 추정 모델로부터의 출력의 일례를 도시한 모식도이다. 또 도 15는, 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델의 출력과 구간 추정 모델의 출력과의 합성 상태의 일례를 도시한 모식도이다. 또한 도 16은, 일 실시 형태에 관한 심전도 해석 지원 처리의 설명에 제공하는 도면으로서, 피크 추정 모델의 출력과 구간 추정 모델의 출력과의 합성 결과의 수정 상태의 일례를 도시한 모식도이다.
또, 도 13∼도 16에서의 각 2열 구성의 도면의 상단이 경과 시간을 나타내고, 하단이 대응하는 모델로부터의 출력 정보를 나타낸다. 또, 도 13∼도 16에서의 피크 추정 모델(13C)로부터 출력된 피크 정보에서는, 「FALSE」를 「F」로 표시하고, 「N or S」를 「N」으로 표시하고, 「PVC」를 「V」로 표시하고, 「small_n」을 「n」으로 표시한다. 또한 도 14∼도 16에서의 구간 추정 모델(13D)로부터 출력된 구간 종류 정보에서는, 통상 구간을 「N」으로 표시하고, 심방세동 구간을 「n」으로 표시하고, 비해석 구간을 「N/A」(No Analyze)로 표시한다.
우선, CPU(11)는, 독출한 피크 정보를, 미리 정해진 룰에 따라 피크의 위치 및 피크의 종류를 나타내는 정보만으로 축약한다. 아울러 본 실시 형태에서는, 상기 룰로서 다음의 룰을 적용한다.
(룰 1) 피크의 위치: 단독 피크에 대해서는 해당 피크의 위치를 적용하고, 여러 차례 연속하는 피크에 대해서는 해당 피크군의 중심 위치를 적용한다.
(룰 2) 피크의 종류: 단독 피크에 대해서는 해당 피크의 종류를 적용하고, 여러 차례 연속하는 피크에 대해서는 해당 피크군의 종류가 가장 많은 종류를 적용한다. 이 경우, 가장 많은 종류가 복수 존재하는 경우가 있지만, 이 경우에는 「PVC」→「N or S」→「small_n」의 우선 순위로 결정한다.
아울러 상기 우선 순위로 한 것은, 이하에 나타내는 이유 때문이다.
즉, 심실성기외 수축(V)(PVC)은, 놓치는 것을 최대한 줄일 필요가 있다. 따라서 심실성기외 수축(V)의 가능성이 있으면 해당 심실성기외 수축(V)으로 판정해야 한다는 생각에 기초하여 심실성기외 수축(V)의 우선도를 가장 높게 설정하였다.
한편, 심방세동(n)(small_n)인지 여부는, 최종적으로는 구간 추정 모델(13D)의 결과에 기초하여 판정하고, 피크 추정 모델(13C)의 심방세동(n)의 판정은 보완적인 것에 불과하다. 따라서 심방세동(n)의 우선도를 가장 낮게 설정하였다.
이 처리에 의해, 독출한 피크 정보가 도 13의 위쪽 도면인 경우의 축약 결과는 도 13의 아래 도면에 도시한 것이 된다.
다음으로, CPU(11)는, 축약된 피크 정보와 독출한 구간 종류 정보를 합성한다. 이 때, CPU(11)는, 이하에 나타낸 것처럼 피크 정보와 구간 종류 정보를 합성한다.
첫째로, CPU(11)는, 구간 추정 모델(13D)에서 통상 구간(N)으로 판정된 구간 내에 있는 「small_n」의 피크는 「N or S」로 수정한다.
둘째로, CPU(11)는, 구간 추정 모델(13D)에서 심방세동 구간(N)으로 판정된 구간 내에 있는 「N or S」의 피크는 「small_n」으로 수정한다.
세째로, CPU(11)는, 구간 추정 모델(13D)에서 비해석 구간(N/A)으로 판정된 구간 내에 있는 피크는 노이즈를 오류 검출한 것으로 간주하여, 모두 피크에서 제외한다.(단, 내부적으로는 보존 유지한다.)
피크 추정 모델(13C)로부터 출력되어 상기 축약을 한 정보가 도 13에 도시한 것이며, 구간 추정 모델(13D)로부터 출력된 구간 종류 정보가 도 14에 도시한 것인 경우의 상기 합성을 한 결과는 도 15에 도시한 것이 된다.
이 경우, 3.45초 및 6.9초의 피크가 「small_n」에서 「N or S」로 수정되었다. 또, 13.6초 및 14.45초의 피크가 「N or S」에서 「small_n」으로 수정되었다. 또한 15.25초 이후의 피크가 피크에서 제외되었다.
일례로서 도 15의 아래 도면에 도시한 합성 후의 데이터가 추정부(11H)에 의해 얻어지는, 해석 대상으로 하는 심전도가 가리키는 상황을 나타내는 데이터이며, 해당 데이터를 이하에서는 「심전도 상황 정보」라고 한다.
마지막으로, CPU(11)는, 기존의 룰 베이스형 해석과 동일한 단축률 룰을 이용하여 피크 추정 모델(13C)로부터 출력된 「N or S」를 정상(N)과 심방성기외 수축(APC)으로 배분하는 판정을 실시하여 심전도 상황 정보를 수정한다. 이하, 본 실시 형태에 관한 단축률 룰에 대해 설명하기로 한다.
즉, 정상(N)과 심방성기외 수축(APC)은 파형 자체에 큰 차이는 없지만, 정상(N)의 피크가 규칙적으로 출현하는데 반해, 심방성기외 수축(APC)의 피크는 통상보다 빠른 타이밍으로 출현한다. 따라서 룰 베이스형 알고리즘에서는, 직전 피크와의 간격이 통상보다 짧으면 심방성기외 수축(APC)으로 판정한다. 구체적으로는, 직전 피크와의 간격이 이동 평균의 0.8배 이하라면, 심방성기외 수축(APC)으로 판정한다. 이 0.8배라는 문턱값을 「단축률」이라고 부른다.
이 수정에 의해, 일례로서 도 16에 도시한 것처럼, 최종적인 심전도 상황 정보를 얻을 수 있다.
단계240에서, CPU(11)는, 독출한 중간 정보에 대해, 상술한 것처럼 클러스터링(본 실시 형태에서는, GMM을 이용한 클러스터링)을 실시함으로써 해석 대상으로 하는 심전도의 타입을 분류한 결과를 나타내는 분류 결과 정보를 도출한다.
단계242에서, CPU(11)는, 이상의 처리에 의해 도출된 심전도 상황 정보 및 분류 결과 정보를 이용하여 미리 정해진 구성으로 설정된 결과 화면을 표시하도록 표시부(15)를 제어하고, 단계244에서, CPU(11)는 소정 정보가 입력될 때까지 대기한다.
도 17에는, 본 실시 형태에 관한 결과 화면의 일례가 도시되어 있다. 도 17에 도시한 것처럼, 본 실시 형태에 관한 결과 화면에서는, 해석 대상으로 하는 심전도의 각 피크의 종별, 각 피크의 위치, 및 분류 결과를 나타내는 정보가 표시된다. 따라서 사용자는, 결과 화면을 참조함으로써 이들 각 정보를 파악할 수 있다. 아울러 도 18에는, 분류 결과 정보에 의해 나타나는 각종 타입의 심전도 파형의 일례를 도시한 파형도가 도시되어 있다. 도 18에서의 (A)가 표준적인 타입에 속한 파형의 일례이며, (B)가 표준적인 타입보다 T파가 큰 타입에 속한 파형의 일례이다. 또, 도 18에서의 (C)가 표준적인 타입보다 QRS파의 폭이 넓은 타입에 속한 파형의 일례이며, (D)가 그 외의 타입에 속한 파형의 일례이다.
일례로서 도 17에 도시한 결과 화면이 표시부(15)에 표시되면, 사용자는, 표시 내용을 파악한 후, 종료 버튼(15A)을 입력부(14)를 통해 지정한다. 사용자에 의해 종료 버튼(15A)이 지정되면, 단계244가 긍정 판정이 되어 본 심전도 해석 지원 처리가 종료된다.
이상 설명한 것처럼, 일 실시 형태에 의하면, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 해당 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델(13C)과, 해석 대상으로 하는 심전도에서의 파형 데이터를 취득하는 해석용 파형 취득부(11C)와, 상기 해석용 파형 취득부(11C)에 의해 취득된 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를, 해당 제1 기간보다 짧은 기간으로 하여 미리 정해진 이동 기간씩 이동시키면서 해석용 구분 파형 데이터로서 절취하는 해석용 파형 절취부(11D)와, 상기 해석용 파형 절취부(11D)에 의해 절취된 해석용 구분 파형 데이터를 상기 피크 추정 모델(11C)에 입력함으로써 상기 피크 정보를 도출하는 도출부(11E)를 구비한다. 따라서, 피크 추정 모델(13C)에 의해 얻어진 피크 정보를 이용함으로써, 특정 종류의 부정맥이 발생했는지 여부의 판단에 기여할 수 있다.
또, 일 실시 형태에 의하면, 학습 대상으로 하는 심전도에서의 파형 데이터를 취득하는 학습용 파형 취득부(11A)와, 학습용 파형 취득부(11A)에 의해 취득된 파형 데이터로부터 제1 기간의 파형 데이터를 학습용 구분 파형 데이터로서 절취하는 학습용 파형 절취부(11B)를 더 구비하고, 피크 추정 모델(11C)은, 학습용 파형 절취부(11B)에 의해 절취된 학습용 구분 파형 데이터를 입력 정보로 하고, 해당 학습용 구분 파형 데이터에 대응하는 피크 정보를 출력 정보로 하여 기계 학습된 것이다. 따라서, 피크 추정 모델(13C)의 운용시의 파형 데이터와는 다른 기간에 절취된 파형 데이터를 이용하여 기계 학습하는 경우와 비교하여, 보다 고정밀의 특정 종류의 부정맥이 발생했는지 여부의 판단에 기여할 수 있다.
또, 일 실시 형태에 의하면, 상기 미리 정해진 종류를, 정상 또는 심방성기외 수축을 나타내는 제1 종류, 심방세동을 나타내는 제2 종류, 및 심실성기외 수축을 나타내는 제3 종류 중 적어도 1 종류를 포함한 것으로 한다. 따라서, 적용한 종류의 부정맥의 발견에 기여할 수 있다.
또, 일 실시 형태에 의하면, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 대응하는 구간이, 미리 정해진 종류의 구간 중 어느쪽 구간인지를 나타내는 구간 종류 정보가 출력 정보로 설정된 구간 추정 모델(13D)과, 해석용 파형 취득부(11C)에 의해 취득된 파형 데이터로부터, 제1 기간보다 긴 기간인 제2 기간의 파형 데이터를 제2 해석용 구분 파형 데이터로서 절취하는 제2 해석용 파형 절취부(11F)와, 제2 해석용 파형 절취부(11F)에 의해 절취된 제2 해석용 구분 파형 데이터를 구간 추정 모델(13D)에 입력함으로써 구간 종류 정보를 도출하는 제2 도출부(11G)와, 도출부(11E)에 의해 도출된 피크 정보 및 제2 도출부(11G)에 의해 도출된 구간 종류 정보를 합성함으로써 해석 대상으로 하는 심전도가 가리키는 상황을 추정하는 추정부(11H)를 더 구비하고 있다. 따라서, 구간 추정 모델(13D)을 사용하지 않는 경우와 비교하여, 보다 고정밀의 특정 종류의 부정맥이 발생했는지 여부의 판단에 기여할 수 있다.
또 이 실시 형태에 의하면, 상기 미리 정해진 종류의 구간을, 통상의 구간인 통상 구간, 심방세동의 구간인 심방세동 구간, 및 해석의 대상외로 하는 구간인 비해석 구간 중 적어도 2개의 구간을 포함한 것으로 한다. 따라서, 적용한 구간의 특정에 기여할 수 있다.
또 일 실시 형태에 의하면, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 해당 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델(13C)을 이용한 심전도 해석 지원 장치로서, 해석 대상으로 하는 심전도에서의 파형 데이터를 취득하는 해석용 파형 취득부(11C)와, 해석용 파형 취득부(11C)에 의해 취득된 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하는 해석용 파형 절취부(11D)와, 해석용 파형 절취부(11D)에 의해 절취된 해석용 구분 파형 데이터를 피크 추정 모델(11C)에 입력함으로써 해당 피크 추정 모델(13C)의 중간층에서 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하는 중간 정보 취득부(11I)와, 중간 정보 취득부(11I)에 의해 취득된 중간 정보를 이용하여 해석 대상으로 하는 심전도의 파형 타입을 분류하는 분류부(11J)를 구비하고 있다. 따라서, 해석 대상으로 하는 심전도의 파형 타입의 특정에 기여할 수 있다.
또 일 실시 형태에 의하면, 상기 파형의 타입을, 표준적인 타입, 해당 표준적인 타입보다 T파가 큰 타입, 표준적인 타입보다 QRS파의 폭이 넓은 타입, 및 그 외의 타입 중 적어도 2개의 타입을 포함한 것으로 한다. 따라서, 적용한 타입의 특정에 기여할 수 있다. 아울러 상기 표준적인 타입보다 T파가 큰 타입은, 고칼륨혈증에 대응하는 타입이며, 해당 타입을 상기 파형의 타입에 포함시킴으로써 혈청 전해질 이상일 가능성이 있다는 것을 파악할 수 있다. 또, 상기 표준적인 타입보다 QRS파의 폭이 넓은 타입은, 다리 블록에 대응하는 타입이며, 해당 타입을 상기 파형의 타입에 포함함으로써 위중한 심근 질환 등일 가능성이 있다는 것을 파악할 수 있다.
또한 일 실시 형태에 의하면, 중간 정보를 클러스터링함으로써 상기 분류를 실시한다. 따라서, 중간 정보를 클러스터링하지 않는 경우와 비교하여, 보다 적확하게 해석 대상으로 하는 심전도의 파형의 타입의 특정에 기여할 수 있다.
아울러 상기 실시 형태에서는, 심전도 상황 정보 및 분류 결과 정보를 표시부에 의한 표시에 의해 제시하는 경우에 대해 설명하였으나, 이에 한정되지는 않는다. 예를 들면, 음성 출력부(19)에 의한 음성에 의해 심전도 상황 정보 및 분류 결과 정보를 제시하는 형태로 해도 좋고, 프린터 등의 화상 형성 장치에 의한 인쇄에 의해 심전도 상황 정보 및 분류 결과 정보를 제시하는 형태로 해도 좋다.
또, 상기 실시 형태에서는, 본 발명의 심전도 해석 지원 장치를 단체(單體) 구성으로 설정된 장치에 의해 구성한 경우에 대해 설명하였으나, 이에 한정되지는 않는다. 예를 들면, 클라우드 서버 등의 서버 장치와 단말 장치의, 복수의 장치를 이용한 시스템에 의해 본 발명에 관한 심전도 해석 지원 장치를 구성하는 형태로 해도 좋다. 이 경우, 예를 들면, 단말 장치에서 사용자의 심전도를 계측하여 해당 계측에 의해 얻어진 파형 데이터를 서버 장치에 전송하고, 서버 장치에서 수신한 파형 데이터를 해석 대상으로 하여, 일례로서 도 10에 도시한 심전도 해석 지원 처리를 실행한다. 그리고, 이로써 얻어진 심전도 상황 정보 및 분류 결과 정보를 단말 장치에 송신하고, 단말 장치에서 이러한 정보를 제시하는 형태를 예시할 수 있다.
또, 상기 실시 형태에서, 예를 들면, 학습용 파형 취득부(11A), 학습용 파형 절취부(11B), 해석용 파형 취득부(11C), 해석용 파형 절취부(11D), 도출부(11E), 제2 해석용 파형 절취부(11F), 제2 도출부(11G), 추정부(11H), 중간 정보 취득부(11I), 및 분류부(11J)의 각 처리를 실행하는 처리부(processing unit)의 하드웨어적인 구조로서는, 다음에 도시한 각종 프로세서(processor)를 이용할 수 있다. 상기 각종 프로세서에는, 전술한 것처럼, 소프트웨어(프로그램)를 실행하여 처리부로서 기능하는 범용적인 프로세서인 CPU에 추가하여, FPGA(Field-Programmable Gate Array) 등의 제조 후에 회로 구성을 변경 가능한 프로세서인 programmable logic 디바이스(Programmable Logic Device:PLD), ASIC(Application Specific Integrated Circuit) 등의 특정 처리를 실행시키기 위해 전용으로 설계된 회로 구성을 가진 프로세서인 전용 전기 회로 등이 포함된다.
처리부는, 이들 각종 프로세서 중 하나로 구성되어도 좋고, 동종 또는 이종의 2개 이상의 프로세서의 조합(예를 들면, 복수의 FPGA의 조합, 또는 CPU와 FPGA와의 조합)으로 구성되어도 좋다. 또, 처리부를 1개의 프로세서로 구성해도 좋다.
처리부를 1개의 프로세서로 구성하는 예로서는, 첫째로, 클라이언트 및 서버 등의 컴퓨터로 대표되듯이, 1개 이상의 CPU와 소프트웨어의 조합으로 1개의 프로세서를 구성하고, 이 프로세서가 처리부로서 기능하는 형태가 있다. 둘째로, 시스템 온 칩(System On Chip:SoC) 등으로 대표되듯이, 처리부를 포함한 시스템 전체의 기능을 1개의 IC(Integrated Circuit) 칩으로 실현되는 프로세서를 사용하는 형태가 있다. 이와 같이, 처리부는, 하드웨어적인 구조로서 상기 각종 프로세서의 하나 이상을 이용하여 구성된다.
또한 이들 각종 프로세서의 하드웨어적인 구조로서는, 보다 구체적으로는, 반도체 소자 등의 회로 소자를 조합한 전기 회로(circuitry)를 이용할 수 있다.
(부기)
이상의 실시 형태에 관하여 이하의 부기를 더 개시한다.
(부기항 1)
프로세서를 구비한 심전도 해석 지원 장치로서,
상기 프로세서는,
피크 추정 모델을 이용한 프로그램을 기억한 비일시적 기억 매체로서,
해석 대상으로 하는 심전도에서의 파형 데이터를 취득하고,
취득한 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하고,
절취한 해석용 구분 파형 데이터를, 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 상기 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델에 입력함으로써 해당 피크 추정 모델의 중간층에서 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하고,
취득한 중간 정보를 이용하여 상기 해석 대상으로 하는 심전도의 파형 타입을 분류하는,
처리를 실행하는 심전도 해석 지원 장치.
(부기항 2)
심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 상기 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델을 이용한 프로그램을 기억한 비일시적 기억 매체로서,
해석 대상으로 하는 심전도에서의 파형 데이터를 취득하고,
취득한 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하고,
절취한 해석용 구분 파형 데이터를 상기 피크 추정 모델에 입력함으로써 해당 피크 추정 모델의 중간층에서 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하고,
취득한 중간 정보를 이용하여 상기 해석 대상으로 하는 심전도의 파형 타입을 분류하는,
처리를 컴퓨터에 실행시키기 위한 프로그램을 기억한 비일시적 기억 매체.
2021년 3월 24일에 출원된 일본 특허 출원 2021-050382호의 개시는, 그 전체가 참조에 의해 본 명세서에 편입된다.
Claims (6)
- 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 상기 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델을 이용한 심전도 해석 지원 장치로서,
해석 대상으로 하는 심전도에서의 파형 데이터를 취득하는 해석용 파형 취득부와,
상기 해석용 파형 취득부에 의해 취득된 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하는 해석용 파형 절취부와,
상기 해석용 파형 절취부에 의해 절취된 해석용 구분 파형 데이터를 상기 피크 추정 모델에 입력함으로써 해당 피크 추정 모델의 중간층에서 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하는 중간 정보 취득부와,
상기 중간 정보 취득부에 의해 취득된 중간 정보를 이용하여 상기 해석 대상으로 하는 심전도의 파형 타입을 분류하는 분류부,
를 구비한 심전도 해석 지원 장치. - 청구항 1에 있어서,
상기 파형 타입은, 표준적인 타입, 해당 표준적인 타입보다 T파가 큰 타입, 상기 표준적인 타입보다 QRS파의 폭이 넓은 타입, 및 그 외의 타입 중 적어도 2개의 타입을 포함한,
심전도 지원 장치. - 청구항 1 또는 2에 있어서,
상기 분류부는, 상기 중간 정보를 클러스터링함으로써 상기 분류를 실시하는,
심전도 지원 장치. - 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 상기 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델을 이용한 프로그램으로서,
해석 대상으로 하는 심전도에서의 파형 데이터를 취득하고,
취득한 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하고,
절취한 해석용 구분 파형 데이터를 상기 피크 추정 모델에 입력함으로써 해당 피크 추정 모델의 중간층에서 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하고,
취득한 중간 정보를 이용하여 상기 해석 대상으로 하는 심전도의 파형 타입을 분류하는,
처리를 컴퓨터에 실행시키기 위한 프로그램. - 심전도에서의 파형 데이터의 일부 구간의 파형 데이터가 입력 정보로 설정되고, 해당 파형 데이터에 상기 심전도의 해석에 관한 미리 정해진 종류의 피크가 존재하는지 여부를 나타내는 피크 정보가 출력 정보로 설정된 피크 추정 모델을 이용한 심전도 해석 지원 방법으로서,
해석 대상으로 하는 심전도에서의 파형 데이터를 취득하고,
취득한 파형 데이터로부터, 미리 정해진 제1 기간의 파형 데이터를 해석용 구분 파형 데이터로서 절취하고,
절취한 해석용 구분 파형 데이터를 상기 피크 추정 모델에 입력함으로써 해당 피크 추정 모델의 중간층에서 생성되는, 해당 해석용 구분 파형 데이터에 포함되는 피크 형상의 특징을 나타내는 중간 정보를 취득하고,
취득한 중간 정보를 이용하여 상기 해석 대상으로 하는 심전도의 파형 타입을 분류하는,
심전도 해석 지원 방법. - 청구항 1 내지 3 중 어느 한 항에 기재된 심전도 해석 지원 장치와,
상기 심전도 해석 지원 장치에 대해 해석 대상으로 하는 심전도에서의 파형 데이터를 전송하고, 해당 파형 데이터의 전송에 따라 상기 심전도 해석 지원 장치에 의해 얻어진 정보를 수신하여 제시하는 단말 장치,
를 포함한 심전도 해석 지원 시스템.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JPJP-P-2021-050382 | 2021-03-24 | ||
JP2021050382A JP6931880B1 (ja) | 2021-03-24 | 2021-03-24 | 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム |
PCT/JP2022/013744 WO2022202943A1 (ja) | 2021-03-24 | 2022-03-23 | 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230159567A true KR20230159567A (ko) | 2023-11-21 |
Family
ID=77549900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020237036148A KR20230159567A (ko) | 2021-03-24 | 2022-03-23 | 심전도 해석 지원 장치, 프로그램, 심전도 해석 지원 방법, 및 심전도 해석 지원 시스템 |
Country Status (11)
Country | Link |
---|---|
US (1) | US20240164691A1 (ko) |
EP (1) | EP4316375A1 (ko) |
JP (1) | JP6931880B1 (ko) |
KR (1) | KR20230159567A (ko) |
CN (1) | CN117425431A (ko) |
AU (1) | AU2022243341A1 (ko) |
BR (1) | BR112023019428A2 (ko) |
CA (1) | CA3213194A1 (ko) |
IL (1) | IL307211A (ko) |
MX (1) | MX2023011249A (ko) |
WO (1) | WO2022202943A1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023218788A1 (ja) * | 2022-05-10 | 2023-11-16 | 国立大学法人東海国立大学機構 | 不整脈重症度分類装置 |
WO2023248308A1 (ja) * | 2022-06-20 | 2023-12-28 | 日本電信電話株式会社 | 学習装置、情報提供装置、学習方法、情報提供方法及びプログラム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012183168A (ja) * | 2011-03-04 | 2012-09-27 | Olympus Corp | 体内埋込型装置 |
JP6489130B2 (ja) | 2014-12-12 | 2019-03-27 | 富士通株式会社 | 食事推定プログラム、食事推定方法及び食事推定装置 |
US10602942B2 (en) * | 2017-08-25 | 2020-03-31 | Cambridge Heartwear Limited | Method of detecting abnormalities in ECG signals |
US11620528B2 (en) * | 2018-06-12 | 2023-04-04 | Ciena Corporation | Pattern detection in time-series data |
KR102171236B1 (ko) | 2019-03-14 | 2020-10-28 | 서울시립대학교 산학협력단 | 심장 박동의 타입을 분류하는 방법 및 이를 이용한 장치 |
CN111714111A (zh) * | 2019-03-22 | 2020-09-29 | 安徽华米信息科技有限公司 | 心电数据处理方法、装置、可穿戴设备及存储介质 |
CN109864714A (zh) * | 2019-04-04 | 2019-06-11 | 北京邮电大学 | 一种基于深度学习的心电信号分析方法 |
CN110367969A (zh) * | 2019-07-05 | 2019-10-25 | 复旦大学 | 一种改进的心电信号快速聚类分析方法 |
JP7202274B2 (ja) | 2019-09-25 | 2023-01-11 | 芝浦機械株式会社 | 表面処理装置 |
-
2021
- 2021-03-24 JP JP2021050382A patent/JP6931880B1/ja active Active
-
2022
- 2022-03-23 MX MX2023011249A patent/MX2023011249A/es unknown
- 2022-03-23 IL IL307211A patent/IL307211A/en unknown
- 2022-03-23 KR KR1020237036148A patent/KR20230159567A/ko unknown
- 2022-03-23 US US18/283,483 patent/US20240164691A1/en active Pending
- 2022-03-23 BR BR112023019428A patent/BR112023019428A2/pt unknown
- 2022-03-23 EP EP22775725.9A patent/EP4316375A1/en active Pending
- 2022-03-23 WO PCT/JP2022/013744 patent/WO2022202943A1/ja active Application Filing
- 2022-03-23 CA CA3213194A patent/CA3213194A1/en active Pending
- 2022-03-23 AU AU2022243341A patent/AU2022243341A1/en active Pending
- 2022-03-23 CN CN202280024488.4A patent/CN117425431A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
JP6931880B1 (ja) | 2021-09-08 |
IL307211A (en) | 2023-11-01 |
CN117425431A (zh) | 2024-01-19 |
WO2022202943A1 (ja) | 2022-09-29 |
AU2022243341A1 (en) | 2023-11-09 |
MX2023011249A (es) | 2023-11-10 |
CA3213194A1 (en) | 2022-09-29 |
US20240164691A1 (en) | 2024-05-23 |
JP2022148632A (ja) | 2022-10-06 |
BR112023019428A2 (pt) | 2023-10-24 |
EP4316375A1 (en) | 2024-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20230159566A (ko) | 심전도 해석 지원 장치, 프로그램, 심전도 해석 지원 방법, 심전도 해석 지원 시스템, 피크 추정 모델 생성 방법, 및 구간 추정 모델 생성 방법 | |
JP7018133B2 (ja) | 人工知能に基づく心電図心拍自動識別分類方法 | |
KR20230159567A (ko) | 심전도 해석 지원 장치, 프로그램, 심전도 해석 지원 방법, 및 심전도 해석 지원 시스템 | |
CN113613559A (zh) | 用于描绘和分类的心电图处理*** | |
JP2016530019A (ja) | 母体腹部のecg記録からの胎児心拍数の抽出 | |
US20210204858A1 (en) | Automatic sensing of features within an electrocardiogram | |
US20200074281A1 (en) | Computer-readable recording medium, abnormality determination method, and abnormality determination device | |
US11068126B2 (en) | Method, device and system for amending heartbeat type | |
CN111631704B (zh) | 基于心电与脑电信息结合的糖尿病前期检测***和方法 | |
Momeni et al. | Real-time cognitive workload monitoring based on machine learning using physiological signals in rescue missions | |
US20210298625A1 (en) | System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms | |
WO2020155169A1 (zh) | 房颤筛查的方法和装置 | |
WO2022064708A1 (ja) | 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体 | |
JP2009225976A (ja) | 波形解析装置、波形解析方法及び波形解析プログラム | |
CN110545713A (zh) | 生理信息波形处理方法、程序、计算机可读存储介质和生理信息波形处理装置 | |
CN111493856B (zh) | 心搏分类的修正方法、装置、心电图检查***及存储介质 | |
Gupta et al. | An efficient FrWT and IPCA tools for an automated healthcare CAD system | |
CN109119158A (zh) | 一种基于稀疏核主分量分析的RdR散点图识别方法 | |
KR102630547B1 (ko) | 사용자 상태 진단을 위한 진단 정보 제공 방법 및 이를 수행하는 장치 | |
CN112353400A (zh) | 心拍分类方法、装置、计算机设备和存储介质 | |
Ospina et al. | On the Use of Machine Learning Techniques and Non-Invasive Indicators for Classifying and Predicting Cardiac Disorders. Biomedicines 2023, 11, 2604 | |
WO2023055846A1 (en) | Cardiac disease diagnosis using spatial feature extraction from vectorcardiography signals | |
Escolar et al. | Prediction of heart failure decompensations using artificial intelligence and machine learning techniques | |
CN114469126A (zh) | 心电数据的分类处理方法、装置、存储介质及计算机设备 | |
CN113892955A (zh) | 基于人工智能模型定位qrs波并进行分类的方法和装置 |