特表 2024-529160 ディープラーニングに基づく心電図データのノイズ除去システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-08-01

(54)【発明の名称】ディープラーニングに基づく心電図データのノイズ除去システム

(51)【国際特許分類】

   A61B 5/308 20210101AFI20240725BHJP

   A61B 5/276 20210101ALI20240725BHJP

【ＦＩ】

A61B5/308

A61B5/276 200

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2024508702

(86)(22)【出願日】2022-08-17

(85)【翻訳文提出日】2024-02-13

(86)【国際出願番号】 KR2022012244

(87)【国際公開番号】W WO2023022493

(87)【国際公開日】2023-02-23

(31)【優先権主張番号】10-2021-0107771

(32)【優先日】2021-08-17

(33)【優先権主張国・地域又は機関】KR

(81)【指定国・地域】

(71)【出願人】

【識別番号】523010225

【氏名又は名称】メディカル・エーアイ・カンパニー・リミテッド

【氏名又は名称原語表記】Ｍｅｄｉｃａｌ ＡＩ Ｃｏ．， Ｌｔｄ．

【住所又は居所原語表記】１６３， Ｙａｎｇｊａｅｃｈｅｏｎ－ｒｏ Ｇａｎｇｎａｍ－ｇｕ Ｓｅｏｕｌ ０６３０２ Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ

(74)【代理人】

【識別番号】110002789

【氏名又は名称】弁理士法人ＩＰＸ

(72)【発明者】

【氏名】クォン・ジュン・ミョン

【テーマコード（参考）】

4C127

【Ｆターム（参考）】

4C127AA02

4C127CC01

4C127GG09

(57)【要約】

本発明は、被検診者の身体から各誘導別心電図データを測定する心電図測定部（１１０）と、多数の心電図データに基づいて、ノイズが少ない各誘導別心電図データ及び各誘導別心電図データの固有スタイルの学習データのセットを予め学習して構築した心電図生成ディープラーニングアルゴリズム（１２１）を介して、被検診者の特性及び測定方式の特性を反映して、心電図測定部（１１０）によって測定された心電図データから固有スタイルを抽出し、抽出された固有スタイルを介してノイズが含まれない特定の誘導スタイルの心電図データで変換して生成する、スタイルに基づく心電図生成部（１２０）と、を含み、ノイズが除去された心電図データを生成して疾患診断予測の正確度を高めることができる、ディープラーニングに基づく心電図データのノイズ除去システムを開示する。
【選択図】 図３

【特許請求の範囲】

【請求項1】

被検診者の身体から各誘導別心電図データを測定する心電図測定部と、
多数の心電図データに基づいて、ノイズが少ない各誘導別心電図データ及び前記各誘導別心電図データの固有スタイルの学習データのセットを予め学習して構築した心電図生成ディープラーニングアルゴリズムを介して、被検診者の特性及び測定方式の特性を反映して、前記心電図測定部によって測定された前記心電図データから前記固有スタイルを抽出し、前記抽出された固有スタイルを介してノイズが含まれない特定の誘導スタイルの心電図データに変換して生成する、スタイルに基づく心電図生成部と、を含む、
ディープラーニングに基づく心電図データのノイズ除去システム。

【請求項2】

前記心電図生成ディープラーニングアルゴリズムは、心電図データの各誘導別にそれぞれ複数を生成し、前記学習データのセットを予め学習することによって構築されることを特徴とする、請求項１に記載のディープラーニングに基づく心電図データのノイズ除去システム。

【請求項3】

前記各誘導別心電図生成ディープラーニングアルゴリズムは、１個以上の固有スタイルを有する心電図データを学習することを特徴とする、請求項２に記載のディープラーニングに基づく心電図データのノイズ除去システム。

【請求項4】

前記心電図生成ディープラーニングアルゴリズムは、オートエンコーダー又は敵対的生成ネットワークの単独で具現されるか又は併合して具現され、前記各誘導別心電図データの固有スタイルを抽出することを特徴とする、請求項１に記載のディープラーニングに基づく心電図データのノイズ除去システム。

【請求項5】

前記オートエンコーダーは、心電図データの固有スタイルを表現するエンコーダーと、当該固有スタイルを原本の心電図データに復元するデコーダーと、から構成され、前記心電図データの固有スタイルを学習することを特徴とする、請求項４に記載のディープラーニングに基づく心電図データのノイズ除去システム。

【請求項6】

前記敵対的生成ネットワークは、無作為に生成された変数を入力として合成心電図データを生成する生成ネットワークと、前記合成心電図データが実際心電図データと類似するかを分類する識別ネットワークと、から構成され、前記生成ネットワークが前記心電図データの固有スタイルを学習することを特徴とする、請求項４に記載のディープラーニングに基づく心電図データのノイズ除去システム。

【請求項7】

前記生成ネットワークを前記オートエンコーダーの形態に変更して前記オートエンコーダーと前記敵対的生成ネットワークとを併合することを特徴とする、請求項５又は６に記載のディープラーニングに基づく心電図データのノイズ除去システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、測定された心電図データから心臓固有の電気的信号は維持し、被検診者の特性及び測定方式の特性を反映して、外部の電気的信号によるノイズを効果的に除去することができる、ディープラーニングに基づく心電図データのノイズ除去システムに関する。

【0002】

【背景技術】

【0003】

周知のように、心電図の開発の後、心電図関連知識は幾何級数的に拡大し、心電図検査で心臓の電気的機能についての情報を収得し、不整脈、冠状動脈疾患、心筋疾患などの多様な心臓疾患を診断することができる。

【0004】

最近、心電図のＡＩアルゴリズムに対する研究が活発に行われており、ＡＩアルゴリズムによって心不全を感知し、不整脈リズムから心房細動を予測するか、又は性別を決定することもある。

【0005】

このように、人間の限界を克服して、ＡＩアルゴリズムによって心電図波形の微妙な変化を感知することができ、ひいては心電図解釈を向上させることもできる。

【0006】

例えば、医療分野で使用されている心電図は１２誘導心電図であり、３個の四肢電極、６個の胸部電極及び１個の接地電極の１０個の電極を付着して測定し、測定された心電図データを遠隔伝送することができる。

【0007】

一方、心電図は心臓の電気的信号が体表面で測定されて出力されるデータであり、相当なノイズが混じって測定される。ここで、胸に位置する筋肉及び手足の筋肉の収縮による筋電図及び皮膚と電極との接触面で発生するノイズが心電図と混じることもあり、心電図を撮影するうちに呼吸することによって胸が上り下りして心電図に胸の動きが含まれることもあり、身体と接触する電極から心電図機器までの電線でもノイズが発生し、心電図機器自体の交流電流によってもノイズが発生し、静止状態で測定する心電図ではなく、付着した後に動く運動負荷心電図及び活動心電図の場合には、歩くか又は動くことによるノイズも心電図に含まれることがある。

【0008】

従来では、一定の周波数以下及び以上の雑音を一括的に除去する方法を使用して、心臓で主に生成されない周波数帯域である０．０５Ｈｚ以下又は１５０Ｈｚ以上の信号を一括的に削除する方法でノイズを除去することもあるが、心電図信号自体の変形を引き起こすから、疾患診断の正確度が低下する問題点がある。

【0009】

このように、被検診者の特性、測定環境及び測定機器で発生するノイズを心臓自体の電気的信号と区分して除去することは容易でなく、一定の周波数を基準に一括的に除去する方式は、心電図固有の信号を歪め、心電図に基づいて疾患を診断するか又は発生を予測する正確度を低下させる。

【0010】

よって、心電図データのノイズを除去して高品質の心電図を生成して高い診断正確度を保障するための技術が要求される。

【発明の概要】

【発明が解決しようとする課題】

【0011】

本発明の思想が達成しようとする技術的課題は、測定された心電図データから心臓固有の電気的信号は維持し、被検診者の特性及び測定方式の特性を反映することにより、外部の電気的信号によるノイズを効果的に除去することができる、ディープラーニングに基づく心電図データのノイズ除去システムを提供することにある。

【0012】

【課題を解決するための手段】

【0013】

前述した目的を達成するために、本発明の実施例は、被検診者の身体から各誘導別心電図データを測定する心電図測定部と、多数の心電図データに基づいて、ノイズが少ない各誘導別心電図データ及び各誘導別心電図データの固有スタイルの学習データのセットを予め学習して構築した心電図生成ディープラーニングアルゴリズムを介して被検診者の特性及び測定方式の特性を反映して、心電図測定部によって測定された心電図データから固有スタイルを抽出し、抽出された固有スタイルによってノイズが含まれない特定の誘導スタイルの心電図データに変換して生成する、スタイルに基づく心電図生成部と、を含む、ディープラーニングに基づく心電図データのノイズ除去システムを提供する。

【0014】

【0015】

ここで、前記心電図生成ディープラーニングアルゴリズムは、心電図データの各誘導別にそれぞれ複数を生成し、前記学習データのセットを予め学習して構築することができる。

【0016】

【0017】

また、前記各誘導別心電図生成ディープラーニングアルゴリズムは、１個以上の固有スタイルを有する心電図データを学習することができる。

【0018】

【0019】

また、前記心電図生成ディープラーニングアルゴリズムは、オートエンコーダー又は敵対的生成ネットワークの単独で具現されるか又は併合して具現されることにより、前記各誘導別心電図データの固有スタイルを抽出することができる。

【0020】

【0021】

また、前記オートエンコーダーは、心電図データの固有スタイルを表現するエンコーダーと、当該固有スタイルを原本の心電図データに復元するデコーダーと、から構成され、前記心電図データの固有スタイルを学習することができる。

【0022】

【0023】

また、前記敵対的生成ネットワークは、無作為に生成された変数を入力として合成心電図データを生成する生成ネットワークと、前記合成心電図データが実際心電図データと類似するかを分類する識別ネットワークと、から構成され、前記生成ネットワークが前記心電図データの固有スタイルを学習することができる。

【0024】

【0025】

また、前記生成ネットワークを前記オートエンコーダーの形態に変更して前記オートエンコーダーと前記敵対的生成ネットワークとを併合することができる。

【0026】

【発明の効果】

【0027】

本発明によれば、測定された心電図データから心臓固有の電気的信号は維持し、被検診者の特性及び測定方式の特性を反映して、外部の電気的信号によるノイズを効果的に除去することができ、ノイズが除去された心電図データによって疾患をより正確に予測して診断することができ、ノイズが除去された心電図データと原本の心電図データとを比較分析してノイズの程度を定量化することができる効果がある。

【0028】

【図面の簡単な説明】

【0029】

【図1】本発明の実施例によるディープラーニングに基づく心電図データのノイズ除去システムの概略的な構成図である。

【0030】

【図2】図１のディープラーニングに基づく心電図データのノイズ除去システムのオートエンコーダーを例示する図である。

【0031】

【図3】図１のディープラーニングに基づく心電図データのノイズ除去システムの敵対的生成ネットワークを例示する図である。

【0032】

【図4】図１のディープラーニングに基づく心電図データのノイズ除去システムによるノイズ除去を例示する図である。

【0033】

【発明を実施するための形態】

【0034】

以下、添付図面に基づいて前述した特徴を有する本発明の実施例をより詳細に説明する。

【0035】

【0036】

本発明の実施例によるディープラーニングに基づく心電図データのノイズ除去システムは、被検診者の身体から各誘導別心電図データを測定する心電図測定部１１０と、多数の心電図データに基づいて、ノイズが少ない各誘導別心電図データ及び各誘導別心電図データの固有スタイルの学習データのセットを予め学習して構築した心電図生成ディープラーニングアルゴリズム１２１を介して被検診者の特性及び測定方式の特性を反映して、心電図測定部１１０によって測定された心電図データから固有スタイルを抽出し、抽出された固有スタイルによってノイズが含まれない特定の誘導スタイルの心電図データに変換して生成する、スタイルに基づく心電図生成部１２０と、を含み、ノイズが除去された心電図データを生成して疾患診断予測の正確度を高めることを要旨とする。

【0037】

【0038】

以下、図１～図４を参照して、前述した構成のディープラーニングに基づく心電図データのノイズ除去システムを具体的に詳述する。

【0039】

【0040】

まず、心電図測定部１１０は、被検診者の身体から１個以上の各誘導別心電図データを測定してスタイルに基づく心電図生成部１２０に伝送して提供する。

【0041】

例えば、心電図測定部１１０は、日常生活で接触式又は非接触式の心電図測定が可能なウェアラブル心電図パッチ１１１、スマートウォッチ１１２、短時間測定される６誘導心電図バー、又は１誘導以上の標準誘導心電図測定が可能な医療機関心電図機器を含み、非同期性又は同期的心電図を測定することができる。

【0042】

ここで、心電図測定部１１０は、被検診者の連続的な心電図を測定してスタイルに基づく心電図生成部１２０に伝送するか、又は時間間隔を置いて２個の心電図を測定してスタイルに基づく心電図生成部１２０に伝送することもできる。

【0043】

【0044】

次に、スタイルに基づく心電図生成部１２０は、心電図生成ディープラーニングアルゴリズム１２１を介して、被検診者の特性及び測定方式の特性を反映して、心電図測定部１１０からの各誘導別心電図データからノイズが除去された心電図データに変換する。

【0045】

具体的には、スタイルに基づく心電図生成部１２０は、多数の心電図データ、例えば医療機関に蓄積された標準１２誘導心電図データに基づいて、ノイズが少ない各誘導別心電図データ及び各誘導別心電図データの固有スタイルの学習データのセットを予め学習して構築した心電図生成ディープラーニングアルゴリズム１２１を介して、被検診者の特性及び測定方式の特性を反映して、心電図測定部１１０によって測定された心電図データから該当の固有スタイルを抽出し、抽出された固有スタイルを介してノイズが含まれない特定の誘導スタイルの心電図データに変換して生成することができる。

【0046】

すなわち、各誘導の心電図は決まった方向から心臓を見る方向（電位ベクター）に測定される３次元の電気的流れによってそれぞれの固有スタイルを有することになる。例として、Ｖ６誘導心電図は常に量で描かれるスタイルを有するもののように、各誘導の心電図はそれぞれ固有スタイルを有し、Ｐ、Ｑ、Ｒ、Ｓ、Ｔ波形の特性だけでなく、既存の医学的知識で特定することができない曲線の屈曲又は雑音信号を含むことがある。

【0047】

【0048】

ここで、心電図生成ディープラーニングアルゴリズム１２１は医療機関に蓄積された大規模の心電図データから当該誘導心電図データ別特徴である固有のスタイルを抽出して学習データのセットとして活用し、心電図データの各誘導別に複数がそれぞれ生成して学習データのセットを予め学習して構築することができ、各誘導別心電図生成ディープラーニングアルゴリズムは１個以上の固有スタイルを有する心電図データを学習し、１個の心電図生成ディープラーニングアルゴリズム１２１は１個の心電図データだけでなく２個以上の複数の固有スタイルを有する心電図データに基づいて学習することができる。

【0049】

例えば、心電図生成ディープラーニングアルゴリズム１２１は、Ｖ１誘導心電図データを生成するために、大規模のＶ１誘導心電図データに基づいてＶ１誘導心電図データの固有スタイルを学習し、心電図測定部１１０からのＶ１誘導心電図データを当該固有スタイルの形態に変換して生成することができる。

【0050】

【0051】

一方、心電図生成ディープラーニングアルゴリズム１２１は、被検診者の年齢、性別、疾患などによる特性、及び電極の付着位置、心電図機器などによる測定方式の特性を反映して、各心電図データの誘導別固有スタイルを高正確度で把握することができ、これにより各誘導別心電図データをより正確に変換して生成することができる。

【0052】

【0053】

また、心電図生成ディープラーニングアルゴリズム１２１は、自己教師あり学習方法による学習によって、与えられた心電図データに対して潜在的な特性である固有スタイルを抽出し、心電図測定部１１０から入力される心電図データを各固有スタイルの心電図データに変換して生成することができる。例えば、オートエンコーダー又は敵対的生成ネットワークの単独で具現されるか又は併合して具現されることにより、各誘導別心電図データの固有スタイルを抽出して当該固有スタイルの心電図データを生成することができる。

【0054】

例えば、図２を参照すると、オートエンコーダーは、心電図データの固有スタイルを表現するエンコーダー１２１ａと、当該固有スタイルを原本の心電図データに復元するデコーダー１２１ｂと、から構成され、心電図データを１層以上の隠し層Ｈｉｄｄｅｎ１、２を含むエンコーダー１２１ａに入力し、抽出された固有スタイルから１層以上の隠し層Ｈｉｄｄｅｎ２、３を含むデコーダー１２１ｂを用い、ガウスノイズ（Ｇａｕｓｓｉａｎ ｎｏｉｓｅ）を加えて原本の心電図データの構造を把握して、入力として使用された心電図データを復元する過程により、原本の心電図データを復元するために心電図データの固有スタイルを学習することができる。

【0055】

【0056】

もしくは、図３を参照すると、敵対的生成ネットワークは、無作為に生成された変数を入力として合成心電図データを生成する生成ネットワーク１２１ｃと、合成心電図データが実際心電図データと類似するかを分類する識別ネットワーク１２１ｄと、から構成され、生成ネットワーク１２１ｃは、識別ネットワーク１２１ｄが合成心電図データと実際心電図データとをよく区分することができないように合成心電図データを生成しようとし、識別ネットワーク１２１ｄは、合成心電図データと実際心電図データとをよく区分しようとする過程により、生成ネットワーク１２１ｃは心電図データの固有スタイルを学習することができる。

【0057】

【0058】

一方、生成ネットワーク１２１ｃをオートエンコーダーの形態に変更してオートエンコーダーと敵対的生成ネットワークとを併合することができ、無作為変数とともに所望の心電図データに対する索引を条件的に入力して具現することができる。

【0059】

【0060】

図４は図１のディープラーニングに基づく心電図データのノイズ除去システムによるノイズ除去を例示する図であり、これを参照してノイズ除去を詳述すると次のようである。

【0061】

医療機関に蓄積された心電図データはノイズを最大に減らした心電図であり、実際の医療現場では、心電図電極を患者の身体に付け、一定の時間観察しながら、息を我慢するようにするか又は全身から力を抜くようにするなど、ノイズが減少した状態を確認して撮影し、撮影した心電図が多くのノイズを有して医療記録として価値がなければ、当該心電図を削除して再撮影することにより、心電図生成ディープラーニングアルゴリズム１２１の学習のための心電図データはノイズが少ない心電図であり得る。

【0062】

よって、心電図測定部１１０によって測定されるノイズの多い心電図データを心電図生成ディープラーニングアルゴリズム１２１に入力すると、ノイズの少ない固有スタイルの心電図データに変換して出力することができる。

【0063】

また、被検診者の特性及び測定方式の特性を反映して、被検診者別に適合したノイズフィルタリングを適用して、心電図信号の歪みを除去することができ、心臓固有の震えはそのまま置き、ノイズのみを除去することができる。

【0064】

図４は心電図生成ディープラーニングアルゴリズム１２１による実験結果をグラフとして例示した図であり、太線は心電図測定部１１０による実際心電図であり、細線は心電図生成ディープラーニングアルゴリズム１２１によって心電図を生成した結果である。

【0065】

右側下端のＶ６誘導の例を見ると、実際はノイズによって基底線が動いており、これを心電図生成ディープラーニングアルゴリズム１２１に入力してＶ６誘導を生成する過程でノイズが除去されることを確認することができる。

【0066】

このように、各心電図の特性を把握して、心電図生成ディープラーニングアルゴリズム１２１に入力された心電図情報がどの誘導の心電図情報であるかを把握した後、これにより新しい誘導の心電図情報を生成するのに用いることもできる。

【0067】

また、同期化した心電図情報を生成することもできるが、疾患診断のために使用するモデルが非同期性心電図を使用する場合、又は時系列的情報を同期化して使用しないモデルの場合、非同期性心電図情報を生成するか又は同期化を考慮することなしに心電図情報を生成することもできる。

【0068】

より詳細に説明すると、心電図データを用いて疾患を予測しようとする場合、入力された心電図データに含まれたノイズを計測することが重要であり、これにより心電図を疾患予測に使用するかそれとも再測定するかを決定することもでき、心電図データの入力後に出力される結果に対する信頼度を事前に確認することもできる。

【0069】

したがって、心電図データからノイズを測定する方法により、初期入力された心電図データとノイズの除去された心電図とを比較して心電図におけるノイズの程度を計測することができる。

【0070】

また、心電図データにおいて一部の誘導又は一部の区間の心電図データにノイズが多く含まれるか、電極の接触が分離されるなどの理由で測定できない場合、ノイズがない誘導の心電図データを生成し、脱落した心電図データを満たして入れることにより、より正確な疾患の診断、予測及び検診を実行することができる。

【0071】

【0072】

また、健康状態予測部１３０により、スタイルに基づく心電図生成部１２０によって生成されてノイズが除去された心電図データを入力として、心電図データから予測可能な疾患をより正確に予測することができる。

【0073】

例えば、健康状態予測部１３０は、循環系の疾患と、内分泌、栄養及び代謝の疾患と、新生物疾患と、精神及び行動障害と、神経系の疾患と、目及び付属器官の疾患と、耳及び乳様突起の疾患と、呼吸系統の疾患と、消化系統の疾患と、皮膚及び皮膚組職の疾患と、筋骨格系統及び結合組織の疾患と、泌尿生殖系統の疾患と、姙娠、出産及び産後期の疾患と、先天奇形、変形及び染色体異常と、を診断して予測することができる。

【0074】

その他にも、健康状態予測部１３０により、身体外傷による損傷を確認し、予後を確認し、痛症を計測することができ、外傷による死亡危険性や悪化危険性を予測することができ、併発した合併症を捕捉するか又は予測することができ、出生の前後期に現れる特定の病態を把握することもでき、ヘルスケア領域として、老化、睡眠、体重、血圧、血糖、酸素飽和度、新陳代謝、ストレス、緊張、恐怖、飲酒、喫煙、問題行動、肺活量、運動量、痛症管理、肥満、体質量、体成分、メニュー、運動種類、生活パターン推薦、応急状況管理、晩成疾患管理、薬剤処方、検査推薦、検診推薦、看病、遠隔健康管理、遠隔診療、予防接種及び接種後管理などのサービスにつながることができる被検診者の健康状態を計測、診断、検診及び予測することができる。

【0075】

【0076】

一方、健康状態予測部１３０は、被検診者の平常時の元気な状態の一般化した基準心電図を生成し、その後、心電図測定部１１０から実時間で提供される心電図データと比較分析して、心電図がエラーなしに測定された心電図であるか、被検診者の健康状態に異常がないかなどを確認するようにモニタリングし、エラーや異常予測の際、警告部１４０によって警告情報を生成し、スマートウォッチ形態の単一誘導心電図測定部１１０又は別途のスマート機器を介してビープ音とともに警告情報を伝送することができる。

【0077】

【0078】

したがって、前述したようなディープラーニングに基づく心電図データのノイズ除去システムの構成により、測定された心電図データから心臓固有の電気的信号は維持し、被検診者の特性及び測定方式の特性を反映して、外部の電気的信号によるノイズを効果的に除去することができ、ノイズの除去された心電図データによって疾患をより正確に予測して診断することができ、ノイズの除去された心電図データと原本の心電図データとを比較分析してノイズの程度を定量化することもできる。

【0079】

【0080】

本明細書に記載された実施例及び図面に示した構成は本発明の最良の一実施例に過ぎず、本発明の技術的思想を全部代弁するものではないので、本出願の時点にこれらを取り替えることができる多様な均等物及び変形例があり得ることを理解しなければならない。

【0081】

【符号の説明】

【0082】

１１０ 心電図測定部
１２０ スタイルに基づく心電図生成部

【0083】

１２１ 心電図生成ディープラーニングアルゴリズム
１２１ａ エンコーダー

【0084】

１２１ｂ デコーダー
１２１ｃ 生成ネットワーク

【0085】

１２１ｄ 識別ネットワーク
１３０ 健康状態予測部

【0086】

１４０ 警告部

【図1】

【図2】

【図3】

【図4】

【国際調査報告】