ホーム > 特許ランキング > 国立大学法人秋田大学
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023025913
(43)【公開日】2023-02-24
(54)【発明の名称】心電図からの心房細動検出方法
(51)【国際特許分類】
A61B 5/361 20210101AFI20230216BHJP
A61B 5/347 20210101ALI20230216BHJP
A61B 5/308 20210101ALI20230216BHJP
A61B 5/346 20210101ALI20230216BHJP
G06N 3/045 20230101ALI20230216BHJP
【ＦＩ】
A61B5/361
A61B5/347
A61B5/308
A61B5/346
G06N3/04 154
【審査請求】未請求
【請求項の数】4
【出願形態】ＯＬ
(21)【出願番号】P 2021131365
(22)【出願日】2021-08-11
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＭＡＴＬＡＢ
(71)【出願人】
【識別番号】504409543
【氏名又は名称】国立大学法人秋田大学
(74)【代理人】
【識別番号】100129838
【弁理士】
【氏名又は名称】山本 典輝
(72)【発明者】
【氏名】田中 元志
(72)【発明者】
【氏名】鴨澤 秀郁
【テーマコード（参考）】
4C127
【Ｆターム（参考）】
4C127CC01
4C127CC02
4C127FF02
4C127GG02
4C127GG05
4C127GG11
(57)【要約】
【課題】規則的なＲＲ間隔をもつ心房細動であっても検出されうる、心電図からの心房細動検出方法を提供する。
【解決手段】心電図から心房細動を検出する方法であって、心電図から取得した心電図信号をＣＮＮに適応させる前処理工程と、心電図から異常候補を抽出する第一のＣＮＮ工程と、異常候補から心房細動を検出する第二のＣＮＮ工程と、を備える、心房細動検出方法である。
【選択図】図２
【解決手段】心電図から心房細動を検出する方法であって、心電図から取得した心電図信号をＣＮＮに適応させる前処理工程と、心電図から異常候補を抽出する第一のＣＮＮ工程と、異常候補から心房細動を検出する第二のＣＮＮ工程と、を備える、心房細動検出方法である。
【選択図】図２
【特許請求の範囲】
【請求項1】
心電図から心房細動を検出する方法であって、
前記心電図から取得した心電図信号をＣＮＮに適応させる前処理工程と、
前記心電図から異常候補を抽出する第一のＣＮＮ工程と、
前記異常候補から前記心房細動を検出する第二のＣＮＮ工程と、を備える、心房細動検出方法。
前記心電図から取得した心電図信号をＣＮＮに適応させる前処理工程と、
前記心電図から異常候補を抽出する第一のＣＮＮ工程と、
前記異常候補から前記心房細動を検出する第二のＣＮＮ工程と、を備える、心房細動検出方法。
【請求項2】
前記前処理工程が、基線の揺らぎ、アーチファクト等の抑制・除去を行う帯域通過フィルタである、請求項１に記載の心房細動検出方法。
【請求項3】
前記第一のＣＮＮ工程が、前記前処理工程後の心電図信号のスペクトルエントロピーの時系列１次元データと前記前処理工程後の心電図信号の時系列１次元データとを組み合せたデータセットを入力としたＣＮＮである、請求項１または請求項２に記載の心房細動検出方法。
【請求項4】
前記第二のＣＮＮ工程が、前記前処理工程後の心電図信号をＳＴＦＴしたスペクトログラムの２次元データを入力としたＣＮＮである、請求項１～請求項３のいずれか１項に記載の心房細動検出方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、心電図からの心房細動検出方法に関する。
【背景技術】
【0002】
心房細動（ＡＦ： Ａｔｒｉａｌ Ｆｉｂｒｉｌｌａｔｉｏｎ）は脳梗塞や心不全、心筋梗塞など重大な疾患の原因となる不整脈の一種である。しかしながら、持続性、慢性へと移行する前の発作性心房細動は自覚症状がないことが多く、放置されやすいため、発作性心房細動の早期発見が望まれる。
【0003】
心房細動の検出では、ＲＲ間隔が不規則な不整脈区間を探索し、心電図信号の特徴から識別される場合が多く、規則的なＲＲ間隔をもつ心房細動等は、見逃されやすい。また、ホルター心電計で２４時間等の長時間計測された心電図や、集団検診などによる大量の心電図から、心房細動を検出することは容易ではない。
【0004】
心房細動の検出として、画像のパターン認識に強いとされる畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を利用した検討が多くされており、例えば、非特許文献１では、心電図信号を数秒間に分割し、１次元でＣＮＮに学習させる方法が、非特許文献２では、心電図信号のスペクトログラムを２次元でＣＮＮに学習させる方法が開示されている。また、非特許文献３ではＣＮＮで用いられる時間－周波数解析手法が、非特許文献４ではＣＮＮの学習方法が、それぞれ開示されている。
【0005】
なお、先行する検討で用いられている心電図は、健康診断などでよく用いられる１２誘導心電図が多く、安静状態で記録するため、その波形の視認性は良好であるが、記録時間が数１０秒～数分と短い。
一方、ホルター心電図は、携帯型の心電計を身体に取り付け、日常生活を送りながら２４時間等長時間記録した心電図であり、心房細動の早期発見のために有用である。しかしながら、体動・発汗などによる基線の揺らぎやアーチファクトが非常に多く、心房細動を検出することは容易ではない。
一方、ホルター心電図は、携帯型の心電計を身体に取り付け、日常生活を送りながら２４時間等長時間記録した心電図であり、心房細動の早期発見のために有用である。しかしながら、体動・発汗などによる基線の揺らぎやアーチファクトが非常に多く、心房細動を検出することは容易ではない。
【先行技術文献】
【非特許文献】
【0006】
【非特許文献1】U. Erdenebayar, H. Kim, J. Park, D. Kang, and K. Lee, "Automatic Prediction of Atrial Fibrillation Based on Convolutional Neural Network Using a Short-term Normal Electrocardiogram Signal", J. Korean Med. Sci. , Feb. 2019, Vol.34, No.7: e64, pp.1-10
【非特許文献2】M. Zihlmann, D. Perekrestenko, and M. Tschannen, “Convolutional Recurrent Neural Networks for Electrocardiogram Classification”, Sep. 2017, 2017 Computing in Cardiology (Rennes, France), 4 pages
【非特許文献3】F. Auger, P. Flandrin, Yuting Lin, S. McLaughlin, S. Meignen、 T. Oberlin, and H.Wu. , “A Coherent Overview of Time-Frequency Reassignment and Synchrosqueezing”, IEEE Signal Processing Magazine, Aug. 2013, Vol. 30, pp.32-41
【非特許文献4】Y. LeCun, P. Haffner, L. Bottou, and Y. Bengio, “Object Recognition with Gradient-Based Learning”, 1999, Shape, Contour and Grouping in Computer Vision, pp.319-345, Springer
【発明の概要】
【発明が解決しようとする課題】
【0007】
心房細動は脳梗塞や心不全、心筋梗塞など重大な疾患の原因となる不整脈の一種である。図１（ａ）は正常な心電図信号の一例を、図１（ｂ）は心房細動の特徴を持つ心電図信号の一例を示す図である。図1（ｂ）に示すように、心房細動の心電図信号上の特徴として、ＲＲ間隔（心室の収縮を表すＲ波の間隔）が不規則である特徴Ｘ、心房の収縮を表すＰ波が消失する特徴Ｙ、および、不規則な基線の動揺（ｆ波）が発現する特徴Ｚ、が挙げられる。
心房細動の診断では、特徴Ｘから不整脈区間を探索し、不整脈区間において、特徴Ｙおよび特徴Ｚを確認する方法が一般的である。その診断方法では、例えば、規則的なＲＲ間隔をもつ心房細動は検出されない。
心房細動の診断では、特徴Ｘから不整脈区間を探索し、不整脈区間において、特徴Ｙおよび特徴Ｚを確認する方法が一般的である。その診断方法では、例えば、規則的なＲＲ間隔をもつ心房細動は検出されない。
【0008】
本発明は、かかる点に鑑み、規則的なＲＲ間隔をもつ心房細動であっても検出されうる、心電図からの心房細動検出方法を提供することを課題とする。
【課題を解決するための手段】
【0009】
心電図からの心房細動を検出する方法であって、心電図から取得した心電図信号をＣＮＮに適応させる前処理工程と、心電図から異常候補を抽出する第一のＣＮＮ工程と、異常候補から心房細動を検出する第二のＣＮＮ工程と、を備える、心房細動検出方法である。
【0010】
前処理工程が、基線の揺らぎ、アーチファクト等の抑制・除去を行う帯域通過フィルタであることが好ましい。
【0011】
第一のＣＮＮ工程が、前処理工程後の心電図信号のスペクトルエントロピーの時系列１次元データと前処理工程後の心電図信号の時系列１次元データとを組み合せたデータセットを入力としたＣＮＮであることが好ましい。
【0012】
第二のＣＮＮ工程が、前処理工程後の心電図信号をＳＴＦＴしたスペクトログラムの２次元データを入力としたＣＮＮであることが好ましい。
【発明の効果】
【0013】
本発明によれば、規則的なＲＲ間隔をもつ心房細動を含め、脳梗塞や心不全、心筋梗塞など重大な疾患の原因となりうる心房細動を検出できる。
【図面の簡単な説明】
【0014】
【発明を実施するための形態】
【0015】
｛心房細動検出方法｝
図２は、１つの形態にかかる心房細動検出方法Ｓ１の流れを示す図である。図２に示されるように、心房細動検出方法Ｓ１は、前処理工程Ｓ２０、第一のＣＮＮ工程Ｓ３０、第二のＣＮＮ工程Ｓ４０を含む。図２の入力（Ｉｎｐｕｔ）となる心電図信号取得工程Ｓ１０により得られた心電図信号に対して、第一のＣＮＮ工程Ｓ３０と第二のＣＮＮ工程Ｓ４０とを含む心房細動検出方法Ｓ１を行うことにより、図２の出力（Ｏｕｔｐｕｔ）となる心房細動が検出される。
図２は、１つの形態にかかる心房細動検出方法Ｓ１の流れを示す図である。図２に示されるように、心房細動検出方法Ｓ１は、前処理工程Ｓ２０、第一のＣＮＮ工程Ｓ３０、第二のＣＮＮ工程Ｓ４０を含む。図２の入力（Ｉｎｐｕｔ）となる心電図信号取得工程Ｓ１０により得られた心電図信号に対して、第一のＣＮＮ工程Ｓ３０と第二のＣＮＮ工程Ｓ４０とを含む心房細動検出方法Ｓ１を行うことにより、図２の出力（Ｏｕｔｐｕｔ）となる心房細動が検出される。
【0016】
［心電図信号取得工程］
心電図信号取得工程Ｓ１０は、本開示の心房細動検出方法Ｓ１において検出に用いられる心電図信号を取得する工程である。心電図信号の取得方法は公知の方法を制限なく用いることができ、例えば、ホルター心電計による計測、公知のデータからの取得等が挙げられる。計測時間に制限はないが、例えば、２４時間程度の長時間でもよい。
心電図信号取得工程Ｓ１０で得られた心電図信号には、心房細動を含む心電図信号（以下、異常波形ともいう）と含まない心電図信号（以下、正常波形ともいう）とが含まれる。
心電図信号取得工程Ｓ１０は、本開示の心房細動検出方法Ｓ１において検出に用いられる心電図信号を取得する工程である。心電図信号の取得方法は公知の方法を制限なく用いることができ、例えば、ホルター心電計による計測、公知のデータからの取得等が挙げられる。計測時間に制限はないが、例えば、２４時間程度の長時間でもよい。
心電図信号取得工程Ｓ１０で得られた心電図信号には、心房細動を含む心電図信号（以下、異常波形ともいう）と含まない心電図信号（以下、正常波形ともいう）とが含まれる。
【0017】
［前処理工程］
前処理工程Ｓ２０は、心電図信号取得工程Ｓ１０で取得された心電図信号を、後述するＣＮＮ工程に適応させ、心房細動の検出結果を向上させるために行う工程である。前処理工程Ｓ２０は、例えば、基線の揺らぎ、アーチファクト等の抑制・除去を行う工程である。取得された心電図信号から基線の揺らぎ、アーチファクト等の抑制・除去する方法は、公知の方法を制限なく用いることができるが、帯域通過フィルタ（ＢＰＦ：Ｂａｎｄ Ｐａｓｓ Ｆｉｌｔｅｒ）をかける方法が挙げられる。
前処理工程Ｓ２０は、心電図信号取得工程Ｓ１０で取得された心電図信号を、後述するＣＮＮ工程に適応させ、心房細動の検出結果を向上させるために行う工程である。前処理工程Ｓ２０は、例えば、基線の揺らぎ、アーチファクト等の抑制・除去を行う工程である。取得された心電図信号から基線の揺らぎ、アーチファクト等の抑制・除去する方法は、公知の方法を制限なく用いることができるが、帯域通過フィルタ（ＢＰＦ：Ｂａｎｄ Ｐａｓｓ Ｆｉｌｔｅｒ）をかける方法が挙げられる。
【0018】
一般的に、心電図信号の基線の変動は０．５Ｈｚ程度とされているため、心電図信号から低周波成分である基線の揺らぎ等を抑制・除去する観点から、帯域通過フィルタは、０．５Ｈｚ以上の高周波帯域通過フィルタ（ＨＰＦ：Ｈｉｇｈ Ｐａｓｓ Ｆｉｌｔｅｒ）であってもよく、１Ｈｚ以上の高周波帯域通過フィルタであってもよい。
さらに、一般的に、心電図信号においてＱＲＳ波の中心周波数は１０Ｈｚ～２５Ｈｚ程度、ｆ波の中心周波数は６Ｈｚ～８Ｈｚ程度とされているため、上述した基線の揺らぎ等を抑制・除去する観点に加え、高周波成分である外来ノイズを抑制・除去し信号対ノイズ比を向上する観点から、帯域通過フィルタの周波数は、０．５Ｈｚ～５０程度であってもよく、１Ｈｚ～３０Ｈｚ程度であってもよい。
また、これらのフィルタには、線形位相特性を持つＦＩＲ（有限インパルス応答）フィルタが好ましい。ＦＩＲフィルタは、公知のものを制限なく用いることができる。
さらに、一般的に、心電図信号においてＱＲＳ波の中心周波数は１０Ｈｚ～２５Ｈｚ程度、ｆ波の中心周波数は６Ｈｚ～８Ｈｚ程度とされているため、上述した基線の揺らぎ等を抑制・除去する観点に加え、高周波成分である外来ノイズを抑制・除去し信号対ノイズ比を向上する観点から、帯域通過フィルタの周波数は、０．５Ｈｚ～５０程度であってもよく、１Ｈｚ～３０Ｈｚ程度であってもよい。
また、これらのフィルタには、線形位相特性を持つＦＩＲ（有限インパルス応答）フィルタが好ましい。ＦＩＲフィルタは、公知のものを制限なく用いることができる。
【0019】
また、前処理工程Ｓ２０では、心房細動検出方法Ｓ１の検出結果を向上させるために心電図信号の振幅を最大値で正規化等をしてもよい。
【0020】
［第一のＣＮＮ工程］
第一のＣＮＮ工程Ｓ３０は、前処理工程Ｓ２０で得られた心電図信号の正常異常判定を行い、心電図信号の異常候補を抽出する工程である。
心電図信号において、正常波形では基線上で目立った電位変動が見られないのに対して、心房細動、期外収縮等を含む異常波形では短い周期での細かな電位変動が見られる。すなわち、異常波形では正常波形よりも周波数分布の偏りが小さい傾向がある。心電図信号の周波数分布の特徴量により心電図信号の正常異常判定が行われる。
よって、第一のＣＮＮ工程Ｓ３０では、規則的なＲＲ間隔をもつ心房細動であっても、心電図信号の周波数分布の特徴量により心電図信号の異常候補として抽出される。
第一のＣＮＮ工程Ｓ３０は、前処理工程Ｓ２０で得られた心電図信号の正常異常判定を行い、心電図信号の異常候補を抽出する工程である。
心電図信号において、正常波形では基線上で目立った電位変動が見られないのに対して、心房細動、期外収縮等を含む異常波形では短い周期での細かな電位変動が見られる。すなわち、異常波形では正常波形よりも周波数分布の偏りが小さい傾向がある。心電図信号の周波数分布の特徴量により心電図信号の正常異常判定が行われる。
よって、第一のＣＮＮ工程Ｓ３０では、規則的なＲＲ間隔をもつ心房細動であっても、心電図信号の周波数分布の特徴量により心電図信号の異常候補として抽出される。
【0021】
第一のＣＮＮ工程Ｓ３０では、周波数分布の偏りを示す特徴量としてスペクトルエントロピーを用いる。心電図信号において、正常波形と異常波形とでは、スペクトルエントロピーの時系列パターンに差異がある。
スペクトルエントロピーは、信号の白色性を表す特徴量であり、周波数分布が平坦であるほど大きな値をとる。以下のように、スペクトルエントロピーＳｅ（ｔ）は算出される。なお、ｔは時間、ｆは周波数である。
スペクトルエントロピーは、信号の白色性を表す特徴量であり、周波数分布が平坦であるほど大きな値をとる。以下のように、スペクトルエントロピーＳｅ（ｔ）は算出される。なお、ｔは時間、ｆは周波数である。
【0022】
まず、前処理工程Ｓ２０が施された心電図信号から、ＦＳＳＴ（Ｆｏｕｒｉｅｒ Ｓｙｎｃｈｒｏ Ｓｑｕｅｅｚｅｄ Ｔｒａｎｓｆｏｒｍ）により、パワースペクトログラムＳ（ｔ，ｆ）を算出する。
ＦＳＳＴは、窓によって広がったスペクトル成分を押し込めることで時間－周波数平面を再構成する手法であり、ＦＳＳＴを用いるとパワースペクトログラムの時間分解能はＦＳＳＴ前の心電図信号と等しくなり、後述するスペクトルエントロピーの時間分解能も同様に等しくなる。
ＦＳＳＴにおいて、解析条件は制限なく設定でき、例えば、解析フレーム長は１．０［ｓ］、窓関数はカイザー窓（α＝１０程度）、２７点ＦＦＴとしてもよい。
ＦＳＳＴは、窓によって広がったスペクトル成分を押し込めることで時間－周波数平面を再構成する手法であり、ＦＳＳＴを用いるとパワースペクトログラムの時間分解能はＦＳＳＴ前の心電図信号と等しくなり、後述するスペクトルエントロピーの時間分解能も同様に等しくなる。
ＦＳＳＴにおいて、解析条件は制限なく設定でき、例えば、解析フレーム長は１．０［ｓ］、窓関数はカイザー窓（α＝１０程度）、２７点ＦＦＴとしてもよい。
【0023】
パワー存在確率ｐ（ｔ，ｆ）は、パワースペクトログラムＳ（ｔ，ｆ）より式（１）で示される。
【0024】
【数1】
【0025】
周波数パワーの自己情報量I（ｔ，ｆ）は、パワー存在確率ｐ（ｔ，ｆ）より式（２）で示される。
【0026】
【数2】
【0027】
スペクトルエントロピーＳｅ（ｔ）は、周波数パワーの自己情報量I（ｔ，ｆ）より式（３）で示される。
【0028】
【数3】
【0029】
図３は、第一のＣＮＮ工程Ｓ３０のＣＮＮに用いる学習データの構成の一例を示す図である。図３に示すように、第一のＣＮＮ工程Ｓ３０のＣＮＮに用いる学習データの構成は、上記で得られたスペクトルエントロピー（Ｓｐｅｃｔｒａｌ Ｅｎｔｒｏｐｙ）を最大値で正規化した時系列１次元データと、前処理工程Ｓ２０後の心電図信号（ＥＣＧ Ｗａｖｅｆｏｒｍ）の時系列１次元データとを組み合せたデータセットであり、該データを入力しＣＮＮ学習を行う。
【0030】
また、第一のＣＮＮ工程Ｓ３０のＣＮＮに用いる学習データの時間長をｔ［ｓ］、サンプリング周波数をｆｓ［Ｈｚ］とすると、時系列データ数ｎ［点］は、サンプリング周波数ｆｓ×時間ｔで表される。チャネル数は時系列データ数ｎと同じになる。
第一のＣＮＮ工程Ｓ３０のＣＮＮに用いる学習データの時間長ｔは、制限なく設定できるが、例えば、５［ｓ］～１０［ｓ］であってもよい。サンプリング周波数ｆｓは、制限なく設定できるが、例えば、１２８［Ｈｚ］であってもよい。
第一のＣＮＮ工程Ｓ３０のＣＮＮに用いる学習データの時間長ｔは、制限なく設定できるが、例えば、５［ｓ］～１０［ｓ］であってもよい。サンプリング周波数ｆｓは、制限なく設定できるが、例えば、１２８［Ｈｚ］であってもよい。
【0031】
第一のＣＮＮ工程Ｓ３０におけるＣＮＮ構成は、前処理工程Ｓ２０で得られた心電図信号の正常異常判定を行い、心電図信号の異常候補を抽出できるＣＮＮ構成であれば、公知のＣＮＮ構成を制限なく用いることができる。
第一のＣＮＮ工程Ｓ３０におけるＣＮＮ構成は、本実施形態においてはＬｅＮｅｔのＣＮＮを基としたが、ＬＳＴＭ、ＲｅｓＮｅｔ等、他のタイプのＣＮＮであってもよい。
第一のＣＮＮ工程Ｓ３０におけるＣＮＮ構成は、本実施形態においてはＬｅＮｅｔのＣＮＮを基としたが、ＬＳＴＭ、ＲｅｓＮｅｔ等、他のタイプのＣＮＮであってもよい。
【0032】
図４は、第一のＣＮＮ工程Ｓ３０におけるＣＮＮ構成の一例を示す図である。なお、本発明の第一のＣＮＮ工程Ｓ３０におけるＣＮＮ構成は、図４のＣＮＮ構成の一例に限定されるものではなく、図４に記載された数値により限定されるものではない。
第一のＣＮＮ工程Ｓ３０のＣＮＮ構成は、複数の畳み込み層と複数のプーリング層を含む。第一のＣＮＮ工程Ｓ３０のＣＮＮ構成で、畳み込み層およびプーリング層は制限なく設定できるが、例えば、図４では、５層の畳み込み層（図４のＣｏｎｖ１Ｄである）と５層の最大プーリング層（図４のＭａｘＰｏｏｌｉｎｇである）とを交互に配列している。図４のＣｏｎｖ１Ｄにおいて、Ａ＠Ｂで示されるＡ（数値）およびＢ（数値）は、それぞれ、畳み込みフィルタ枚数および畳み込みフィルタサイズを示し、ｓｔｒｉｄｅｓは畳み込みフィルタのスライド幅を示す。図４のＭａｘＰｏｏｌｉｎｇ右横の数値はプールサイズを示す。
第一のＣＮＮ工程Ｓ３０のＣＮＮは、データに特化した特徴量に基づいて心電図信号の異常候補を抽出するため、全結合層を含む。第一のＣＮＮ工程Ｓ３０の全結合層は制限なく設定できるが、例えば、図４では、２層の全結合層（図４のＤｅｎｓｅである）としている。図４のＤｅｎｓｅ右横の数値は全結合層の出力数を示す。
また、入力ノード数は制限なく設定できるが、時系列データ数と同じにするとよい。例えば、図４では、第一のＣＮＮ工程Ｓ３０のＣＮＮに用いる時系列データ数ｎを１２８０［点］としている。
第一のＣＮＮ工程Ｓ３０のＣＮＮ構成は、複数の畳み込み層と複数のプーリング層を含む。第一のＣＮＮ工程Ｓ３０のＣＮＮ構成で、畳み込み層およびプーリング層は制限なく設定できるが、例えば、図４では、５層の畳み込み層（図４のＣｏｎｖ１Ｄである）と５層の最大プーリング層（図４のＭａｘＰｏｏｌｉｎｇである）とを交互に配列している。図４のＣｏｎｖ１Ｄにおいて、Ａ＠Ｂで示されるＡ（数値）およびＢ（数値）は、それぞれ、畳み込みフィルタ枚数および畳み込みフィルタサイズを示し、ｓｔｒｉｄｅｓは畳み込みフィルタのスライド幅を示す。図４のＭａｘＰｏｏｌｉｎｇ右横の数値はプールサイズを示す。
第一のＣＮＮ工程Ｓ３０のＣＮＮは、データに特化した特徴量に基づいて心電図信号の異常候補を抽出するため、全結合層を含む。第一のＣＮＮ工程Ｓ３０の全結合層は制限なく設定できるが、例えば、図４では、２層の全結合層（図４のＤｅｎｓｅである）としている。図４のＤｅｎｓｅ右横の数値は全結合層の出力数を示す。
また、入力ノード数は制限なく設定できるが、時系列データ数と同じにするとよい。例えば、図４では、第一のＣＮＮ工程Ｓ３０のＣＮＮに用いる時系列データ数ｎを１２８０［点］としている。
【0033】
図４のＦｌａｔｔｅｎでは全結合層へ渡すために１次元のベクトルに展開している。
第一のＣＮＮ工程Ｓ３０のＣＮＮ構成では、活性化関数を用いる。活性化関数は公知の活性化関数を制限なく用いることができるが、例えば、図４では、ＲｅＬＵを用いている。
また、第一のＣＮＮ工程Ｓ３０での正常異常判定の精度向上のために、ＣＮＮの過学習を抑えつつ学習精度を向上させるような1回の学習単位（Ｂａｔｃｈ Ｓｉｚｅともいう）および学習回数（Ｅｐｏｃｈともいう）を設定する。
図４では、ＣＮＮの過学習を防ぐ観点から、ドロップアウト層（図４のＤｒｏｐｏｕｔである）を設定している。図４のＤｒｏｐｏｕｔ右横の数値はドロップアウト比率を示す。ＣＮＮの過学習を防ぐための方法は公知の方法を用いることができ、ミニバッチごとに正規化等をしてもよい。
第一のＣＮＮ工程Ｓ３０のＣＮＮ構成では、活性化関数を用いる。活性化関数は公知の活性化関数を制限なく用いることができるが、例えば、図４では、ＲｅＬＵを用いている。
また、第一のＣＮＮ工程Ｓ３０での正常異常判定の精度向上のために、ＣＮＮの過学習を抑えつつ学習精度を向上させるような1回の学習単位（Ｂａｔｃｈ Ｓｉｚｅともいう）および学習回数（Ｅｐｏｃｈともいう）を設定する。
図４では、ＣＮＮの過学習を防ぐ観点から、ドロップアウト層（図４のＤｒｏｐｏｕｔである）を設定している。図４のＤｒｏｐｏｕｔ右横の数値はドロップアウト比率を示す。ＣＮＮの過学習を防ぐための方法は公知の方法を用いることができ、ミニバッチごとに正規化等をしてもよい。
【0034】
第一のＣＮＮ工程Ｓ３０の心電図信号の正常異常判定において、異常候補に抽出された心電図信号に対して、第二のＣＮＮ工程Ｓ４０が行われる。
【0035】
［第二のＣＮＮ工程］
第二のＣＮＮ工程Ｓ４０は、第一のＣＮＮ工程Ｓ３０で抽出された異常候補の中から心房細動を検出する工程である。
図５は、第二のＣＮＮ工程Ｓ４０における心房細動検出の流れを示す一例である。第二のＣＮＮ工程Ｓ４０は、第一のＣＮＮ工程Ｓ３０で異常候補として抽出された心電図信号を対象とし、該対象の前処理工程Ｓ２０後の心電図信号に、まず、ＳＴＦＴ（Ｓｈｏｒｔ Ｔｉｍｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を行う。
第二のＣＮＮ工程Ｓ４０は、第一のＣＮＮ工程Ｓ３０で抽出された異常候補の中から心房細動を検出する工程である。
図５は、第二のＣＮＮ工程Ｓ４０における心房細動検出の流れを示す一例である。第二のＣＮＮ工程Ｓ４０は、第一のＣＮＮ工程Ｓ３０で異常候補として抽出された心電図信号を対象とし、該対象の前処理工程Ｓ２０後の心電図信号に、まず、ＳＴＦＴ（Ｓｈｏｒｔ Ｔｉｍｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を行う。
【0036】
ＳＴＦＴは、窓関数を時間に応じてシフトさせて乗じることにより信号を特定の短い時間に切り出し、その有限長の信号を離散フーリエ変換する手法である。
ＳＴＦＴにおいて、解析条件は制限なく設定でき、例えば、解析フレーム長は０．１４［ｓ］、窓関数はカイザー窓（α＝１０程度）、シフト幅は０．１［ｓ］、２７点ＦＦＴとしてもよく、窓関数をハミング窓等としてもよい。
ＳＴＦＴにおいて、解析条件は制限なく設定でき、例えば、解析フレーム長は０．１４［ｓ］、窓関数はカイザー窓（α＝１０程度）、シフト幅は０．１［ｓ］、２７点ＦＦＴとしてもよく、窓関数をハミング窓等としてもよい。
【0037】
ＳＴＦＴによって得られるスペクトログラムは、より具体的には、ＳＴＦＴにより算出された周波数スペクトルを、横軸を時間、縦軸を周波数、信号強度を色、として表した図であり、信号の時間周波数構造を可視化するに有用である。信号強度を色で表す方法は、例えば、グレースケール２次元輝度画像等が挙げられる。
第二のＣＮＮ工程Ｓ４０のＣＮＮに用いる学習データの構成は、上記で得られたスペクトログラムから切り出されたグレースケール輝度画像の２次元データであり、該データを入力しＣＮＮ学習を行う。
第二のＣＮＮ工程Ｓ４０のＣＮＮに用いる学習データの時間長となる切り出し時間は、制限なく設定でき、例えば、５［ｓ］としてもよい。
第二のＣＮＮ工程Ｓ４０のＣＮＮに用いる学習データの構成は、上記で得られたスペクトログラムから切り出されたグレースケール輝度画像の２次元データであり、該データを入力しＣＮＮ学習を行う。
第二のＣＮＮ工程Ｓ４０のＣＮＮに用いる学習データの時間長となる切り出し時間は、制限なく設定でき、例えば、５［ｓ］としてもよい。
【0038】
第二のＣＮＮ工程Ｓ４０では、心房細動（ＡＦ）、洞調律（Ｓｉｎｕｓ）、および、期外収縮など（Ｏｔｈｅｒｓ）の３種類に分類し、３種類の中で心房細動（ＡＦ）と判定されたものを心房細動として検出する。心房細動（ＡＦ）以外である洞調律（Ｓｉｎｕｓ）、および、期外収縮など（Ｏｔｈｅｒｓ）は、それ以外（Ｎｏｎ－ＡＦ）として判定する。
【0039】
第二のＣＮＮ工程Ｓ４０によれば、正常な心電図信号が、誤って第一のＣＮＮ工程Ｓ３０の心電図信号の正常異常判定において異常候補に抽出された心電図信号においても、正しく正常な心電図信号と判定され、それ以外（Ｎｏｎ－ＡＦ）となる。
また、期外収縮も不整脈の一種であり、第二のＣＮＮ工程Ｓ４０において、３種類に分類して判定することで、より第二のＣＮＮ工程Ｓ４０での心房細動の検出精度が向上する。
また、期外収縮も不整脈の一種であり、第二のＣＮＮ工程Ｓ４０において、３種類に分類して判定することで、より第二のＣＮＮ工程Ｓ４０での心房細動の検出精度が向上する。
【0040】
第二のＣＮＮ工程Ｓ４０におけるＣＮＮ構成は、第一のＣＮＮ工程Ｓ３０で抽出された異常候補の中から心房細動を検出できるＣＮＮ構成であれば、公知のＣＮＮ構成を制限なく用いることができる。本実施形態においてはＬｅＮｅｔのＣＮＮを基としたが、ＬＳＴＭ、ＲｅｓＮｅｔ等他のタイプのＣＮＮであってもよい。
【0041】
図６は、第二のＣＮＮ工程Ｓ４０におけるＣＮＮ構成の一例を示す図である。なお、本発明の第二のＣＮＮ工程Ｓ４０におけるＣＮＮ構成は、図６のＣＮＮ構成の一例に限定されるものではなく、図６に記載された数値により限定されるものではない。
第二のＣＮＮ工程Ｓ４０のＣＮＮ構成は、複数の畳み込み層と複数のプーリング層を含む。第二のＣＮＮ工程Ｓ４０のＣＮＮ構成の畳み込み層およびプーリング層は制限なく設定できるが、例えば、図６では、３層の畳み込み層（図６のＣｏｎｖ２Ｄである）と３層の最大プーリング層（図６のＭａｘＰｏｏｌｉｎｇである）とを交互に配列している。図６のＣｏｎｖ２Ｄにおいて、Ａ＠Ｂで示されるＡ（数値）およびＢ（数値×数値）は、それぞれ、畳み込みフィルタ枚数および畳み込みフィルタサイズ（Ｈｅｉｇｈｔ×Ｗｉｄｔｈ）を示し、ｓｔｒｉｄｅｓは畳み込みフィルタのスライド幅を示す。図６のＭａｘＰｏｏｌｉｎｇ右横の数値はプールサイズを示す。
第二のＣＮＮ工程Ｓ４０のＣＮＮは、データに特化した特徴量に基づいて心電図信号の異常候補を抽出するため、全結合層を含む。第二のＣＮＮ工程Ｓ４０の全結合層は制限なく設定できるが、例えば、図６では、２層の全結合層（図６のＤｅｎｓｅである）としている。図６のＤｅｎｓｅ右横の数値は全結合層の出力数を示す。
また、入力ノード数は制限なく設定できるが、２次元画像データの画素数と同じにするとよい。例えば、図６では、第二のＣＮＮ工程Ｓ４０のＣＮＮに用いる画像データを６５×３１３のグレースケール２次元輝度画像としている。
第二のＣＮＮ工程Ｓ４０のＣＮＮ構成は、複数の畳み込み層と複数のプーリング層を含む。第二のＣＮＮ工程Ｓ４０のＣＮＮ構成の畳み込み層およびプーリング層は制限なく設定できるが、例えば、図６では、３層の畳み込み層（図６のＣｏｎｖ２Ｄである）と３層の最大プーリング層（図６のＭａｘＰｏｏｌｉｎｇである）とを交互に配列している。図６のＣｏｎｖ２Ｄにおいて、Ａ＠Ｂで示されるＡ（数値）およびＢ（数値×数値）は、それぞれ、畳み込みフィルタ枚数および畳み込みフィルタサイズ（Ｈｅｉｇｈｔ×Ｗｉｄｔｈ）を示し、ｓｔｒｉｄｅｓは畳み込みフィルタのスライド幅を示す。図６のＭａｘＰｏｏｌｉｎｇ右横の数値はプールサイズを示す。
第二のＣＮＮ工程Ｓ４０のＣＮＮは、データに特化した特徴量に基づいて心電図信号の異常候補を抽出するため、全結合層を含む。第二のＣＮＮ工程Ｓ４０の全結合層は制限なく設定できるが、例えば、図６では、２層の全結合層（図６のＤｅｎｓｅである）としている。図６のＤｅｎｓｅ右横の数値は全結合層の出力数を示す。
また、入力ノード数は制限なく設定できるが、２次元画像データの画素数と同じにするとよい。例えば、図６では、第二のＣＮＮ工程Ｓ４０のＣＮＮに用いる画像データを６５×３１３のグレースケール２次元輝度画像としている。
【0042】
図６のＦｌａｔｔｅｎでは全結合層へ渡すために１次元のベクトルに展開している。また、第二のＣＮＮ工程Ｓ４０の出力層では、第二のＣＮＮ工程Ｓ４０では、心房細動（ＡＦ）、洞調律（Ｓｉｎｕｓ）、および、期外収縮など（Ｏｔｈｅｒｓ）の３種類に分類するため、例えば、図６ではＳｏｆｔｍａｘ関数を使用している。
第二のＣＮＮ工程Ｓ４０のＣＮＮ構成では、活性化関数を用いる。活性化関数は公知の活性化関数を制限なく用いることができるが、例えば、図６では、ＲｅＬＵを用いている。
また、第二のＣＮＮ工程Ｓ４０での心房細動の検出精度の向上のために、ＣＮＮの過学習を抑えつつ学習精度を向上させるような1回の学習単位（Ｂａｔｃｈ Ｓｉｚｅともいう）および学習回数（Ｅｐｏｃｈともいう）を設定する。
図６では、ＣＮＮの過学習を防ぐ観点から、ドロップアウト層（図６のＤｒｏｐｏｕｔである）を設定している。図６のＤｒｏｐｏｕｔ右横の数値はドロップアウト比率を示す。ＣＮＮの過学習を防ぐための方法は公知の方法を用いることができ、ミニバッチごとに正規化等をしてもよい。
第二のＣＮＮ工程Ｓ４０のＣＮＮ構成では、活性化関数を用いる。活性化関数は公知の活性化関数を制限なく用いることができるが、例えば、図６では、ＲｅＬＵを用いている。
また、第二のＣＮＮ工程Ｓ４０での心房細動の検出精度の向上のために、ＣＮＮの過学習を抑えつつ学習精度を向上させるような1回の学習単位（Ｂａｔｃｈ Ｓｉｚｅともいう）および学習回数（Ｅｐｏｃｈともいう）を設定する。
図６では、ＣＮＮの過学習を防ぐ観点から、ドロップアウト層（図６のＤｒｏｐｏｕｔである）を設定している。図６のＤｒｏｐｏｕｔ右横の数値はドロップアウト比率を示す。ＣＮＮの過学習を防ぐための方法は公知の方法を用いることができ、ミニバッチごとに正規化等をしてもよい。
【0043】
［心房細動検出装置］
図７は、上記した心房細動検出方法Ｓ１に沿って具体的に演算を行う１つの形態にかかる心房細動検出装置５０の構成を概念的に表した図である。心房細動検出装置５０は、入力機器５７、演算装置５１、及び表示手段５８を有している。そして演算装置５１は、演算手段５２、ＲＡＭ５３、記憶手段５４、受信手段５５、及び出力手段５６を備えている。
図７は、上記した心房細動検出方法Ｓ１に沿って具体的に演算を行う１つの形態にかかる心房細動検出装置５０の構成を概念的に表した図である。心房細動検出装置５０は、入力機器５７、演算装置５１、及び表示手段５８を有している。そして演算装置５１は、演算手段５２、ＲＡＭ５３、記憶手段５４、受信手段５５、及び出力手段５６を備えている。
【0044】
演算手段５２は、いわゆるＣＰＵ（中央演算子）により構成されており、上記した各構成部材に接続され、これらを制御することができる手段である。また、記憶媒体として機能する記憶手段５４等に記憶された各種プログラムを実行し、これに基づいて上記した心房細動検出方法Ｓ１の各工程のためのデータ作成等の演算をおこなうのも演算手段５２である。
【0045】
ＲＡＭ５３は、演算手段５２の作業領域や一時的なデータの記憶手段として機能する構成部材である。ＲＡＭ５３は、ＳＲＡＭ、ＤＲＡＭ、フラッシュメモリ等で構成することができ、公知のＲＡＭと同様である。
【0046】
記憶手段５４は、各種演算の根拠となるプログラムやデータが保存される記憶媒体として機能する部材である。また記憶手段５４には、プログラムの実行により得られた中間、最終の各種結果を保存することができてもよい。より具体的には記憶手段５４には、プログラムが記憶（保存）されている。またその他情報も併せて保存されていてもよい。
【0047】
ここで、保存されているプログラムには、上記した心房細動検出方法Ｓ１の各工程を演算する根拠となるＣＮＮ等が含まれる。すなわち、心房細動検出方法プログラムは、図２に示した心房細動検出方法Ｓ１の各工程に対応する。
【0048】
受信手段５５は、外部からの情報を演算装置５１に適切に取り入れるための機能を有する構成部材であり、入力機器５７が接続される。いわゆる入力ポート、入力コネクタ等もこれに含まれる。
【0049】
出力手段５６は、得られた結果のうち外部に出力すべき情報を適切に外部に出力する機能を有する構成部材であり、モニター等の表示手段５８や各種装置がここに接続される。いわゆる出力ポート、出力コネクタ等もこれに含まれる。
【0050】
入力機器５７は、心電図信号を取得する機器が挙げられる。ここから得られた情報が演算装置５１に取り込まれ、この情報を利用して上記プログラムが実行される。
【0051】
また、その他、ネットワークや通信により受信手段５５を介して演算装置５１に情報が提供されてもよい。同様にネットワークや通信により出力手段５６を介して外部の機器に情報を送信することができてもよい。
【0052】
このような心房細動検出装置５０によれば、上記した心房細動検出方法Ｓ１を効率的に精度よく行なうことが可能となる。このような心房細動検出装置５０としては例えばコンピュータを用いることができる。
【実施例0053】
発明者らは、前処理工程の効果、第一のＣＮＮ工程の性能試験、第二のＣＮＮ工程の性能試験、および、第一のＣＮＮ工程および／または第二のＣＮＮ工程による心電図信号からの心房細動検出精度の違いを検証した。以下に条件、試験および評価結果を示す。心房細動検出方法プログラムに、ソフトウェア（Ｍａｔｌａｂ、Ｐｙｔｈｏｎ）を使用した。
【0054】
［前処理工程の効果］
図８（ａ）はホルター心電図波形の一例を、図８（ｂ）は図８（ａ）の前処理工程後の心電図波形を示す図である。図６における前処理工程Ｓ２０では、α＝１０のカイザー窓、低域遮断周波数１Ｈｚ、高域遮断周波数３０ＨｚのＦＩＲ ＢＰＦを用いた。ＦＩＲ ＢＰＦは、遮断域の減衰量が５０ｄＢ程度になるようにし、フィルタの次数を２９５６次とした。
図８（ａ）に示されるように、ホルター心電図信号には多くのアーチファクトが重畳しているが、図８（ｂ）に示されるように、前処理工程Ｓ２０によって心電図信号の基線の揺らぎ等が除去されていることが確認できる。
図８（ａ）はホルター心電図波形の一例を、図８（ｂ）は図８（ａ）の前処理工程後の心電図波形を示す図である。図６における前処理工程Ｓ２０では、α＝１０のカイザー窓、低域遮断周波数１Ｈｚ、高域遮断周波数３０ＨｚのＦＩＲ ＢＰＦを用いた。ＦＩＲ ＢＰＦは、遮断域の減衰量が５０ｄＢ程度になるようにし、フィルタの次数を２９５６次とした。
図８（ａ）に示されるように、ホルター心電図信号には多くのアーチファクトが重畳しているが、図８（ｂ）に示されるように、前処理工程Ｓ２０によって心電図信号の基線の揺らぎ等が除去されていることが確認できる。
【0055】
［第一のＣＮＮ工程の性能試験］
図９は、スペクトロエントロピーと心電図波形（上段）とそのＦＳＳＴの結果（下段）の一例を示す図であり、図９（ａ）は洞調律（Ｓｉｎｕｓ）、図９（ｂ）は心房細動（ＡＦ）である。図９に示すように、正常波形である洞調律（Ｓｉｎｕｓ）と異常波形である心房細動（ＡＦ）とでは、心電図波形およびスペクトロエントロピーの時系列パターンに違いがみられる。なお、図９におけるＦＳＳＴの結果（下段）は、スペクトロエントロピーの算出過程について示したものであり、第一のＣＮＮ工程Ｓ３０の判別には使用していない。
第一のＣＮＮ工程Ｓ３０の学習に用いるデータの構成は、解析フレーム長は１．０［ｓ］、α＝１０のカイザー窓とし、２７点のＦＳＳＴを行った。また、学習データ時間長を１０［ｓ］、入力ノード数を１２８０とした。ＣＮＮの畳み込み層およびプーリング層は５層とし、畳み込み層とプーリング層とは交互に配列し、全結合層は２層とした。
図９は、スペクトロエントロピーと心電図波形（上段）とそのＦＳＳＴの結果（下段）の一例を示す図であり、図９（ａ）は洞調律（Ｓｉｎｕｓ）、図９（ｂ）は心房細動（ＡＦ）である。図９に示すように、正常波形である洞調律（Ｓｉｎｕｓ）と異常波形である心房細動（ＡＦ）とでは、心電図波形およびスペクトロエントロピーの時系列パターンに違いがみられる。なお、図９におけるＦＳＳＴの結果（下段）は、スペクトロエントロピーの算出過程について示したものであり、第一のＣＮＮ工程Ｓ３０の判別には使用していない。
第一のＣＮＮ工程Ｓ３０の学習に用いるデータの構成は、解析フレーム長は１．０［ｓ］、α＝１０のカイザー窓とし、２７点のＦＳＳＴを行った。また、学習データ時間長を１０［ｓ］、入力ノード数を１２８０とした。ＣＮＮの畳み込み層およびプーリング層は５層とし、畳み込み層とプーリング層とは交互に配列し、全結合層は２層とした。
【0056】
表１は、第一のＣＮＮ工程Ｓ３０の学習データ（Ｔｒａｉｎｉｎｇ Ｓｅｔ）数と未学習データ（Ｔｅｓｔ Ｓｅｔ）数を示す。各データは正常波形（Ｎｏｒｍａｌ）と異常波形（Ａｂｎｏｒｍａｌ）とを含む。
【0057】
【表1】
【0058】
表１に示す学習データのうち２５％をランダムに抽出した検証用データ（Ｖａｌｉｄａｔｉｏｎ Ｓｅｔ）とする。学習データ、検証用データ、および、未学習データを使用し、第一のＣＮＮ工程Ｓ３０の性能試験を行った。１回の学習単位は２５６、学習回数は２０とした。第一のＣＮＮ工程Ｓ３０による心電図信号の異常波形の検出率を表２に示す。
【0059】
【表2】
【0060】
ここで、異常波形が正しく異常波形として判別されたデータ数をＴＰ、異常波形が誤って正常波形として分類されたデータ数をＦＮ、正常波形が誤って異常波形として分類されたデータ数をＦＰ、正常波形が正しく正常波形に判別されたデータ数をＴＮとし、各指標（Ａｃｃｕｒａｃｙ、Ｒｅｃａｌｌ、Ｐｒｅｃｉｓｉｏｎ）は算出された。
【0061】
Ａｃｃｕｒａｃｙは、検出精度を示し、式（４）により算出される。
【0062】
【数4】
【0063】
Ｒｅｃａｌｌは異常波形を正しく異常波形と判断した割合を示し、式（５）により算出される。
【0064】
【数5】
【0065】
Ｐｒｅｃｉｓｉｏｎは異常波形と判断されたものが実際に異常波形であった割合を示し、式（６）により算出される。
【0066】
【数6】
【0067】
第一のＣＮＮ工程Ｓ３０の性能試験において、未学習データでは、Ｐｒｅｃｉｓｉｏｎが約７８％、Ａｃｃｕｒａｃｙが約８３％となっており、正常波形を異常波形として検出する割合は、学習データや検証データと比較して高い。しかしながら、Ｒｅｃａｌｌが９８％以上であり、学習データや検証データと比較しても異常波形の検出漏れは比較的少ないと考えられる。
【0068】
［第二のＣＮＮ工程の性能試験］
第二のＣＮＮ工程Ｓ４０の学習に用いるデータの構成は、時間軸×周波数軸がそれぞれ６５×３１３画素のグレースケール２次元輝度画像データであり、解析フレーム長を０．１４［ｓ］、α＝１０のカイザー窓、シフト幅は０．１［ｓ］、とし、２７点のＦＦＴを行った。得られたＳＴＦＴ後のスペクトログラムの切り出し時間は５［ｓ］とした。ＣＮＮの畳み込み層およびプーリング層は３層とし、畳み込み層とプーリング層とは交互に配列し、全結合層は２層とした。
第二のＣＮＮ工程Ｓ４０の学習に用いるデータの構成は、時間軸×周波数軸がそれぞれ６５×３１３画素のグレースケール２次元輝度画像データであり、解析フレーム長を０．１４［ｓ］、α＝１０のカイザー窓、シフト幅は０．１［ｓ］、とし、２７点のＦＦＴを行った。得られたＳＴＦＴ後のスペクトログラムの切り出し時間は５［ｓ］とした。ＣＮＮの畳み込み層およびプーリング層は３層とし、畳み込み層とプーリング層とは交互に配列し、全結合層は２層とした。
【0069】
図１０は、心電図波形（上段）とそのスペクトログラム（下段）の一例を示す図であり、図１０（ａ）は洞調律（Ｓｉｎｕｓ）、図１０（ｂ）は心房細動（ＡＦ）である。図１０に示すように、正常波形である洞調律（Ｓｉｎｕｓ）と異常波形である心房細動（ＡＦ）とでは、心電図波形およびスペクトログラムに違いがみられる。
【0070】
表３は、第二のＣＮＮ工程Ｓ４０の学習データ数と未学習データ数を示す。各データは心房細動（ＡＦ）とそれ以外（Ｎｏｎ－ＡＦ）を含む。
【0071】
【表3】
【0072】
表３に示す学習データのうち２５％をランダムに抽出した検証用データとする。学習データ、検証用データ、および、未学習データを使用し、第二のＣＮＮ工程Ｓ４０の性能試験を行った。１回の学習単位は２５６、学習回数は２０とした。第二のＣＮＮ工程による心房細動の検出率を表４に示す。
【0073】
【表4】
【0074】
ここで、ＡＦが正しくＡＦとして判別されたデータ数をＴＰ、ＡＦが誤ってＮｏｎ－ＡＦとして分類されたデータ数をＦＮ、Ｎｏｎ－ＡＦが誤ってＡＦとして分類されたデータ数をＦＰ、Ｎｏｎ－ＡＦが正しくＮｏｎ－ＡＦに判別されたデータ数をＴＮとされ、各指標（Ａｃｃｕｒａｃｙ、Ｒｅｃａｌｌ、Ｐｒｅｃｉｓｉｏｎ）は上述した式（４）～式（６）と同様に算出される。つまり、Ａｃｃｕｒａｃｙは、検出精度を示し、Ｒｅｃａｌｌは実際にＡＦであるものをＡＦと検出できた割合を示し、ＰｒｅｃｉｓｉｏｎはＡＦと判定したものが実際にＡＦであった割合を表す。
【0075】
第二のＣＮＮ工程Ｓ４０の性能試験において、未学習データで、Ａｃｃｕｒａｃｙが約８４％で心房細動の検出が可能であった。
【0076】
［第一のＣＮＮ工程および／または第二のＣＮＮ工程による心房細動検出精度］
図２に示した本開示の心房細動検出方法Ｓ１により、被験者１０名分の未学習データを使用し、心房細動の検出精度を算出した。より具体的には、被験者およびデータによる偏りの影響を抑制するために、被験者２０名分の未学習データから被験者１０名分の未学習データを、複数の異なる組合せで選びだし、心房細動の検出精度を各組み合わせで算出し、その平均値を求めた。
ここでは、表２に示した、第一のＣＮＮ工程の性能評価で学習させたＣＮＮと、表４に示した、第二のＣＮＮ工程の性能評価で学習させたＣＮＮとを用いた。表５は、心房細動の検出率を示す。
図２に示した本開示の心房細動検出方法Ｓ１により、被験者１０名分の未学習データを使用し、心房細動の検出精度を算出した。より具体的には、被験者およびデータによる偏りの影響を抑制するために、被験者２０名分の未学習データから被験者１０名分の未学習データを、複数の異なる組合せで選びだし、心房細動の検出精度を各組み合わせで算出し、その平均値を求めた。
ここでは、表２に示した、第一のＣＮＮ工程の性能評価で学習させたＣＮＮと、表４に示した、第二のＣＮＮ工程の性能評価で学習させたＣＮＮとを用いた。表５は、心房細動の検出率を示す。
【0077】
【表5】
【0078】
表５より、第一のＣＮＮ工のみと第二のＣＮＮ工程のみを心房細動の検出に用いた場合と比較して本開示の実施形態である第一のＣＮＮ工程と第二のＣＮＮ工程とを用いた場合では各指標が全体的によく、その有効性が確認できる。
【0079】
また、ＲＲ間隔が一定である心房細動が比較的に長時間発生している被験者２名の２４時間分の未学習データについて心房細動の検出を試みた結果、平均して８８．６％の検出精度で識別できた。
【0080】
従来技術では、ＲＲ間隔が一定である心房細動は、心房細動として検出することが難しかったが、本開示の心房細動検出方法によれば、不規則なＲＲ間隔をもつ心房細動、短時間でＲＲ間隔が一定である心房細動等に加え、長時間にわたりＲＲ間隔が一定である心房細動であっても検出可能である。さらに、本開示の心房細動検出方法によれば、長時間の心電図データの解析が可能となる。
【0081】
また、公開されているデータベース（ＭＩＴ－ＢＩＨなど）での検証、ニューラルネットワーク（ＮＮ）構造の改良、被験者数と学習量の増加等で、さらなる心房細動の検出精度の向上が期待される。
【産業上の利用可能性】
【0082】
本開示の技術は、医師の診断補助、ホルター心電図からの自動検出等に適用可能であり、医療機器メーカー、病院・医院などの医療施設、福祉施設などにおいて、重要な技術になり得る。
【符号の説明】
【0083】
５０ 心房細動検出装置
５１ 演算装置
５２ 演算手段
５３ ＲＡＭ
５４ 記憶手段
５５ 受信手段
５６ 出力手段
５７ 入力機器
５８ 表示手段
５１ 演算装置
５２ 演算手段
５３ ＲＡＭ
５４ 記憶手段
５５ 受信手段
５６ 出力手段
５７ 入力機器
５８ 表示手段
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
