知財求人 - 知財ポータルサイト「IP Force」
▶ エフ ホフマン−ラ ロッシュ アクチェン ゲゼルシャフトの特許一覧
(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】2024-09-18
(54)【発明の名称】生物学的センサデータの品質を分類するための方法
(51)【国際特許分類】
G06N 3/08 20230101AFI20240910BHJP
G06N 3/04 20230101ALI20240910BHJP
G06N 3/09 20230101ALI20240910BHJP
G06N 3/0895 20230101ALI20240910BHJP
A61B 5/02 20060101ALI20240910BHJP
A61B 5/0245 20060101ALI20240910BHJP
【ＦＩ】
G06N3/08
G06N3/04
G06N3/09
G06N3/0895
A61B5/02 310A
A61B5/0245 F
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024509497
(86)(22)【出願日】2022-08-18
(85)【翻訳文提出日】2024-04-05
(86)【国際出願番号】 EP2022073126
(87)【国際公開番号】W WO2023021160
(87)【国際公開日】2023-02-23
(31)【優先権主張番号】21192193.7
(32)【優先日】2021-08-19
(33)【優先権主張国・地域又は機関】EP
(81)【指定国・地域】
(71)【出願人】
【識別番号】501205108
【氏名又は名称】エフ ホフマン－ラ ロッシュ アクチェン ゲゼルシャフト
(74)【代理人】
【識別番号】110001896
【氏名又は名称】弁理士法人朝日奈特許事務所
(72)【発明者】
【氏名】クリアラ、リト
(72)【発明者】
【氏名】リプスマイアー、フロリアン
(72)【発明者】
【氏名】ザノン、マッティア
【テーマコード（参考）】
4C017
【Ｆターム（参考）】
4C017AA02
4C017AA09
4C017AC26
4C017BC21
4C017BD06
4C017FF15
(57)【要約】
生物学的センサデータ（１１０）の品質を分類するためのコンピュータ実装方法であって、以下：ａ）少なくとも１つの生物学的センサ（１１２）によって得られた生物学的センサデータ（１１０）を提供するステップであって、生物学的センサデータ（１１０）は、少なくとも１つの信号（１１６）を含む、生物学的センサデータ（１１０）を提供するステップと、ｂ）少なくとも１つの訓練済み訓練可能モデル（１１９）を使用することによって信号（１１６）の品質を分類するステップであって、訓練可能モデル（１１９）は、教師あり深層学習アーキテクチャ（１３４）および／または半教師あり深層学習アーキテクチャ（１８８）に基づいて履歴生物学的センサデータについて訓練され、訓練可能モデル（１１９）は、分類に関する１つの損失関数あるいは信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、信号（１１６）の品質を分類するステップと、を含む、方法。さらに、生物学的センサ（１１２）、コンピュータプログラム、およびコンピュータ可読記憶媒体が開示される。
【特許請求の範囲】
【請求項1】
生物学的センサデータ（１１０）の品質を分類するためのコンピュータ実装方法であって、以下の、ａ）少なくとも１つの生物学的センサ（１１２）によって得られた生物学的センサデータ（１１０）を提供するステップであって、前記生物学的センサデータ（１１０）は、少なくとも１つの信号（１１６）を含む、生物学的センサデータ（１１０）を提供するステップと、
ｂ）少なくとも１つの訓練済み訓練可能モデル（１１９）を使用することによって前記信号（１１６）の品質を分類するステップであって、前記訓練可能モデル（１１９）は、教師あり深層学習アーキテクチャ（１３４）および／または半教師あり深層学習アーキテクチャ（１８８）に基づいて履歴生物学的センサデータについて訓練され、前記訓練可能モデル（１１９）は、分類に関する１つの損失関数、または、信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、前記信号（１１６）の品質を分類するステップと
を含む、方法。
【請求項2】
前記生物学的センサ（１１２）は、少なくとも１つの可搬フォトプレチスモグラム装置（１２０）であり、前記生物学的センサデータ（１１０）は、前記可搬フォトプレチスモグラム装置（１２０）によって得られた少なくとも１つのフォトプレチスモグラム（１２６）を含む、請求項１に記載の方法。
【請求項3】
前記品質は、心拍変動データに関する品質インジケータとして使用され、前記品質は、許容可能な心拍変動データと許容不可能な心拍変動データとを区別するために使用される、請求項２に記載の方法。
【請求項4】
品質を分類することは、ノイズの多い信号とクリーンな信号とを区別することを含む、請求項１～３のいずれか一項に記載の方法。
【請求項5】
前記訓練可能モデル（１１９）は、畳み込みニューラルネットワーク（ＣＮＮ）、再帰型ニューラルネットワーク（ＲＮＮ）、長・短期記憶（ＬＳＴＭ）からなる群から選択される少なくとも１つのディープニューラルネットワークを備える、請求項１～４のいずれか一項に記載の方法。
【請求項6】
前記方法が、ｃ）少なくとも１つの訓練ステップをさらに含み、前記訓練ステップにおいて、前記訓練可能モデル（１１９）は、前記教師あり深層学習アーキテクチャ（１３４）および／または前記半教師あり深層学習アーキテクチャ（１８８）に基づいて、前記履歴生物学的センサデータを含む少なくとも１つの訓練データセットについて訓練され、前記訓練可能モデル（１１９）は、分類に関する前記１つの損失関数、または、信号再構成および分類に関する前記２つの損失関数を最適化することによって訓練される、請求項１～５のいずれか一項に記載の方法。
【請求項7】
前記教師あり深層学習アーキテクチャ（１３４）に基づいて前記訓練可能モデル（１１９）を訓練するために、手動でラベリングされた履歴生物学的センサデータが使用される、請求項１～６のいずれか一項に記載の方法。
【請求項8】
前記半教師あり深層学習アーキテクチャ（１８８）に基づいて前記訓練可能モデル（１１９）を訓練するために、手動でラベリングされた履歴生物学的センサデータおよびラベリングされていない履歴生物学的センサデータが使用される、請求項１～７のいずれか一項に記載の方法。
【請求項9】
ラベリングされていない生物学的センサデータ（１１０）について、前記訓練可能モデル（１１９）は、信号再構成に関する前記損失関数を最適化することによって、および分類に関する前記損失関数を無視することによって訓練される、請求項８に記載の方法。
【請求項10】
前記生物学的センサデータ（１１０）のフィルタ処理または正規化のうちの１つ以上を含む少なくとも１つの前処理ステップを含む、請求項１～９のいずれか一項に記載の方法。
【請求項11】
生物学的センサ（１１２）であって、前記生物学的センサ（１１２）は、生物学的センサデータ（１１０）の品質を分類するように構成され、前記生物学的センサ（１１２）は、少なくとも１つの信号（１１６）を含む生物学的センサデータ（１１０）を提供するように構成された少なくとも１つの測定ユニット（１１４）を備え、前記生物学的センサ（１１２）は、少なくとも１つの訓練済み訓練可能モデル（１１９）を使用することによって前記信号（１１６）の品質を分類するように構成された少なくとも１つの処理ユニット（１１８）を備え、前記訓練可能モデル（１１９）は、教師あり深層学習アーキテクチャ（１３４）および／または半教師あり深層学習アーキテクチャ（１８８）に基づいて履歴生物学的センサデータについて訓練され、前記訓練可能モデル（１１９）は、分類に関する１つの損失関数、または、信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、生物学的センサ（１１２）。
【請求項12】
前記生物学的センサ（１１２）は、可搬フォトプレチスモグラム装置（１２０）であり、前記可搬フォトプレチスモグラム装置（１２０）は、少なくとも１つのフォトプレチスモグラム（１２６）を提供するように構成された、少なくとも１つの照明源（１２２）および少なくとも１つのフォトディテクタ（１２４）を備え、前記処理ユニット（１１８）は、前記訓練済み訓練可能モデル（１１９）を使用することによって前記フォトプレチスモグラム（１２６）の品質を分類するように構成される、請求項１１に記載の生物学的センサ（１１２）。
【請求項13】
請求項１～１０のいずれか一項に記載の方法を実行するように構成された、請求項１１または１２に記載の生物学的センサ（１１２）。
【請求項14】
命令を含んでいるコンピュータプログラムであって、前記命令は、前記プログラムが請求項１１～１３のいずれか一項に記載の生物学的センサ（１１２）によって実行されたときに、前記生物学的センサ（１１２）に、請求項１～１０のいずれか一項に記載の方法のステップａ）およびステップｂ）を実行させ、任意にステップｃ）も実行させる、コンピュータプログラム。
【請求項15】
命令を含んでいるコンピュータ可読記憶媒体であって、前記命令は、請求項１１～１３のいずれか一項に記載の生物学的センサ（１１２）によって実行されたときに、前記生物学的センサ（１１２）に、請求項１～１０のいずれか一項に記載の方法のステップａ）およびステップｂ）を実行させ、任意にステップｃ）も実行させる、コンピュータ可読記憶媒体。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、生物学的センサデータの品質を分類するためのコンピュータ実装方法に関する。さらに、本発明は、生物学的センサ、ならびに本発明による方法を実行するためのコンピュータプログラムおよびコンピュータ可読記憶媒体に関する。本方法および装置を、とくには、手首装着型装置または頭部装着型装置などの身体装着型装置の分野で使用し得る。例えば、生物学的センサは、例えば手首または頭部に装着されてよい。しかしながら、胸部または指など、他の測定位置も可能である。しかしながら、本発明について、他の適用分野も実現可能である。
【背景技術】
【0002】
身体装着型センサが、Ｃｏｒａｖｏｓ，Ａ．，Ｋｈｏｚｉｎ，Ｓ．，ａｎｄ Ｍａｎｄｌ，Ｋ．Ｄ．，“Ｄｅｖｅｌｏｐｉｎｇ ａｎｄ ａｄｏｐｔｉｎｇ ｓａｆｅ ａｎｄ ｅｆｆｅｃｔｉｖｅ ｄｉｇｉｔａｌ ｂｉｏｍａｒｋｅｒｓ ｔｏ ｉｍｐｒｏｖｅ ｐａｔｉｅｎｔ ｏｕｔｃｏｍｅｓ”，ｎｐｊ Ｄｉｇｉｔａｌ Ｍｅｄｉｃｉｎｅ，２（１４），２０１９に記載されているように、生理学的信号および行動に関する信号を収集するために広く使用され、健康の監視のために使用され、医療機器としても使用されている。これらの健康監視ツールまたは医療装置の予測は、使用されるセンサデータと同程度にしか信頼できない。センサデータの品質は、ハードウェアに左右される可能性があり、ノイズに大きく影響される可能性がある。したがって、Ｓｅｑｕｅｉｒａ，Ｎ．ｅｔ ａｌ．，“Ｃｏｍｍｏｎ ｗｅａｒａｂｌｅ ｄｅｖｉｃｅｓ ｄｅｍｏｎｓｔｒａｔｅ ｖａｒｉａｂｌｅ ａｃｃｕｒａｃｙ ｉｎ ｍｅａｓｕｒｉｎｇ ｈｅａｒｔ ｒａｔｅ ｄｕｒｉｎｇ ｓｕｐｒａｖｅｎｔｒｉｃｕｌａｒ ｔａｃｈｙｃａｒｄｉａ”，Ｈｅａｒｔ Ｒｈｙｔｈｍ，１７（５），２０２０、およびＰａｓａｄｙｎ，Ｓ．Ｒ．，ｅｔ ａｌ．，“Ａｃｃｕｒａｃｙ ｏｆ ｃｏｍｍｅｒｃｉａｌｌｙ ａｖａｉｌａｂｌｅ ｈｅａｒｔ ｒａｔｅ ｍｏｎｉｔｏｒｓ ｉｎ ａｔｈｌｅｔｅｓ：Ａ ｐｒｏｓｐｅｃｔｉｖｅ ｓｔｕｄｙ．Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｄｉａｇｎｏｓｉｓ ａｎｄ Ｔｈｅｒａｐｙ”，９（４）：３７９－３８５，２０１９に記載されているように、信号の品質および実際の特徴の推定値は変化することが示されている。センサ装置を身につけた者の健康に関する信頼できる予測または推定を行うことができるようにするために、信頼できるデータまたは信号のみが使用されることを確実にする必要があるかもしれない。例えばＢｅｎｔ，Ｂ．，ｅｔ ａｌ．，“Ｉｎｖｅｓｔｉｇａｔｉｎｇ ｓｏｕｒｃｅｓ ｏｆ ｉｎａｃｃｕｒａｃｙ ｉｎ ｗｅａｒａｂｌｅ ｏｐｔｉｃａｌ ｈｅａｒｔ ｒａｔｅ ｓｅｎｓｏｒｓ”．ｎｐｊ Ｄｉｇｉｔａｌ Ｍｅｄｉｃｉｎｅ，３（１８），２０２０に記載されているように、例えばフォトプレチスモグラフ（ＰＰＧ）、心電図（ＥＣＧ）、脳波図（ＥＥＧ）など、センサの信号品質は、運動アーチファクト、センサ配置、さらには血液灌流または皮膚タイプ、などの要因によって悪影響を受ける可能性がある。
【0003】
したがって、クリーンな信号とノイズの多い信号との信頼できる分類を有する必要があるが、これは、現時点において、標準的な方法として存在していない。むしろ、さまざまな用途に関して、人々はセンサ固有のヒューリスティックを使用する傾向にあり（例えば、Ｂｈｏｗｍｉｋ，Ｔ．，ｅｔ ａｌ．，“Ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｆｏｒ ａｃｃｕｒａｔｅ ｅｓｔｉｍａｔｉｏｎ ｏｆ ＨＲＶ ｆｒｏｍ ｓｍａｒｔｗａｔｃｈ ＰＰＧ ｓｉｇｎａｌｓ”，ｉｎ ＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ａｎｄ Ｂｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ，ｐｐ．１０９－１１２，２０１７を参照）、またはＯｒｐｈａｎｉｄｏｕ，Ｃ．，ｅｔ ａｌ．，“Ｓｉｇｎａｌ－ｑｕａｌｉｔｙ ｉｎｄｉｃｅｓ ｆｏｒ ｔｈｅ ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｍ ａｎｄ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ：Ｄｅｒｉｖａｔｉｏｎ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ ｔｏ ｗｉｒｅｌｅｓｓ ｍｏｎｉｔｏｒｉｎｇ”，ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ ａｎｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｃｓ，１９（３）：８３２－８３８，２０１４、Ｅｌｇｅｎｄｉ，Ｍ．，“Ｏｐｔｉｍａｌ ｓｉｇｎａｌ ｑｕａｌｉｔｙ ｉｎｄｅｘ ｆｏｒ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｉｇｎａｌｓ”，Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，３（４），２０１６、およびＺａｎｏｎ，Ｍ．，ｅｔ ａｌ．，“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｉｎ ＩＥＥＥ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ Ｍｅｄｉｃｉｎｅ ａｎｄ Ｂｉｏｌｏｇｙ Ｓｏｃｉｅｔｙ，ｐｐ．７０６－７０９，２０２０に記載されているように、連続的な品質インデックスを報告する方法論を使用する傾向にあるが、これは「信号をクリーンな信号またはノイズの多い信号としてラベリングするための信号品質しきい値を何にすべきか」という単純ではない問題を提示する。
【0004】
米国特許出願公開第２０１９／１３３４６８号明細書が、センサモジュールと、データ処理モジュールと、品質評価モジュールと、イベント予測モジュールとを含む装置を記載している。センサモジュールは、生体信号データサンプルおよび動きデータサンプルを提供する。データ処理モジュールは、生体信号データサンプルを処理してベースラインを除去し、動きデータサンプルを処理して動き有意性尺度を生成する。品質評価モジュールは、第１の深層学習モデルを使用して、処理済み生体信号データサンプルセグメントおよび対応する動き有意性尺度に基づいて信号品質インジケータを生成する。イベント予測モジュールは、第２の深層学習モデルを使用して、所望の信号品質インジケータに関連付けられた処理済み生体信号データサンプルセグメントに基づいてイベント予測結果を生成する。
【0005】
解決すべき課題
したがって、健康監視用および／または医療機器としての身体装着型センサの使用についての上述の技術的課題に対処する方法および装置を提供することが望ましい。具体的には、莫大な手動での注釈の必要性を克服する方法および装置が提案されるべきである。
したがって、健康監視用および／または医療機器としての身体装着型センサの使用についての上述の技術的課題に対処する方法および装置を提供することが望ましい。具体的には、莫大な手動での注釈の必要性を克服する方法および装置が提案されるべきである。
【発明の概要】
【0006】
概要
この課題は、独立請求項の特徴を有する生物学的センサデータの品質を分類するためのコンピュータ実装方法によって対処される。単独で実現されても、任意の組み合わせにて実現されてもよい好都合な実施形態が、従属請求項ならびに明細書全体に挙げられる。
この課題は、独立請求項の特徴を有する生物学的センサデータの品質を分類するためのコンピュータ実装方法によって対処される。単独で実現されても、任意の組み合わせにて実現されてもよい好都合な実施形態が、従属請求項ならびに明細書全体に挙げられる。
【0007】
以下で使用されるとき、用語「・・・を有する」、「・・・を備える」、または「・・・を含む」、またはこれらの任意の文法的変種は、非排他的なやり方で使用される。したがって、これらの用語は、これらの用語によって紹介される特徴の他に、この文脈において説明されるエンティティにさらなる特徴が存在しない状況、および１つ以上のさらなる特徴が存在する状況の両方を指し得る。例として、「ＡはＢを有する」、「ＡはＢを備える」、および「ＡはＢを含む」という表現は、いずれも、Ｂ以外に他の要素がＡに存在しない状況（すなわち、ＡがＢのみで排他的に構成される状況）、およびＢ以外に要素Ｃ、要素ＣおよびＤ、またはまたさらなる要素など、１つ以上のさらなる要素がエンティティＡに存在する状況を指し得る。
【0008】
さらに、特徴または要素が１回または複数回存在してよいことを示す「少なくとも１つ」または「１つ以上」という用語または同様の表現は、典型的には、それぞれの特徴または要素を紹介するときに一度だけ使用されることに留意されたい。以下では、ほとんどの場合、それぞれの特徴または要素を指すとき、それぞれの特徴または要素が１回または複数回存在してもよいという事実にもかかわらず、「少なくとも１つ」または「１つ以上」という表現を繰り返さない。
【0009】
さらに、以下で使用されるとき、用語「好ましくは」、「より好ましくは」、「とくには」、「さらにとくには」、「具体的には」、「より具体的には」、または同様の用語は、代替の可能性を制限することなく、任意の特徴に関して使用される。したがって、これらの用語によって紹介される特徴は、任意の特徴であり、特許請求の範囲の技術的範囲をいかなるやり方でも限定することを意図していない。本発明は、当業者であれば理解できるとおり、代替の特徴を使用することによって実行されてもよい。同様に、「本発明の実施形態において」または同様の表現によって紹介される特徴は、任意の特徴であることが意図され、本発明の代替の実施形態に関するいかなる制限も伴わず、本発明の範囲に関するいかなる限定も伴わず、そのようなやり方で紹介される特徴を本発明の他の任意の特徴または任意ではない特徴と組み合わせる可能性に関するいかなる制限も伴わない。
【0010】
本発明の第１の態様において、生物学的センサデータの品質を分類するためのコンピュータ実装方法が開示される。
【0011】
本明細書において使用されるとき、「コンピュータ実装方法」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、少なくとも１つのコンピュータならびに／または少なくとも１つのコンピュータネットワークまたはクラウドが関与する方法を指し得る。コンピュータおよび／またはコンピュータネットワークおよび／またはクラウドは、本発明による方法の方法ステップのうちの少なくとも１つを実行するように構成された少なくとも１つのプロセッサを備えてよい。好ましくは、方法ステップの各々が、コンピュータおよび／またはコンピュータネットワークおよび／またはクラウドによって実行される。本方法は、完全に自動的に、具体的にはユーザの相互作用を必要とせずに、実行されてよい。本明細書において使用されるとき、「自動的に」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、少なくとも１つのコンピュータおよび／またはコンピュータネットワークおよび／またはクラウドおよび／または機械によって、とくには手動の動作および／またはユーザとの相互作用を必要とせずに完全に実施されるプロセスを指し得る。
【0012】
本方法は、一例として、所与の順序で実行されてよい以下のステップを含む。しかしながら、異なる順序も可能であることに留意されたい。さらに、方法ステップのうちの１つ以上を１回または繰り返し実行することも可能である。さらに、方法ステップのうちの２つ以上を同時に、または時間的に重なった様相で実行することが可能である。本方法は、挙げられていないさらなる方法ステップを含んでもよい。
【0013】
本方法は、以下：
ａ）少なくとも１つの生物学的センサによって得られた生物学的センサデータを提供するステップであって、生物学的センサデータは、少なくとも１つの信号を含む、生物学的センサデータを提供するステップと、
ｂ）少なくとも１つの訓練済み訓練可能モデルを使用することによって信号の品質を分類するステップであって、訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて履歴生物学的センサデータについて訓練され、訓練可能モデルは、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、信号の品質を分類するステップと
を含む。
ａ）少なくとも１つの生物学的センサによって得られた生物学的センサデータを提供するステップであって、生物学的センサデータは、少なくとも１つの信号を含む、生物学的センサデータを提供するステップと、
ｂ）少なくとも１つの訓練済み訓練可能モデルを使用することによって信号の品質を分類するステップであって、訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて履歴生物学的センサデータについて訓練され、訓練可能モデルは、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、信号の品質を分類するステップと
を含む。
【0014】
本明細書において使用されるとき、「生物学的センサ」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、少なくとも１つの生物学的測定変数または生物学的測定特性の検出、測定、または監視のうちの１つ以上のために構成された任意の装置を指し得る。具体的には、生物学的センサは、測定信号など、測定変数および／または測定特性の定性的または定量的指標である少なくとも１つの信号を生成することが可能であってよい。生物学的センサは、被験者の少なくとも１つの健康状態および／または健康状態を表す少なくとも１つの測定変数を定性的および／または定量的に決定するように構成されてよい。用語「被験者」は、本明細書において使用されるとき、動物、好ましくは哺乳動物、より典型的にはヒトを指す。生物学的センサは、被験者の少なくとも１つの生物学的および／または物理的および／または化学的パラメータを定量的または定性的に検出および／または測定し、検出および／または測定されたパラメータをさらなる処理および／または分析などのために少なくとも１つの信号に変換するように構成されてよい。
【0015】
生物学的センサは、可搬であり、とくには手持ち式および／または身体装着型である生物学的センサであってよい。本明細書において使用されるとき、「可搬」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、ユーザによる生物学的センサの保持および／または装用および／または運搬のうちの１つ以上を可能にする生物学的センサの特性を指し得る。具体的には、生物学的センサは、身体装着型であってよい。例えば、生物学的センサは、スマートウォッチなどの腕時計であってよい。しかしながら、頭部、胸部、または指など、他の測定位置も可能である。可搬の生物学的センサを使用すると、運動アーチファクトなど、外乱が測定値に影響を及ぼす可能性がある。日常生活において見られる制御されない条件が、信号を劣化させて、健康状態の判断を当てにならず、信頼できないものにしてしまう可能性がある外乱に関連するいくつかの問題を生じさせる可能性がある。
【0016】
生物学的センサは、少なくとも１つのフォトプレチスモグラム（ＰＰＧ）装置、少なくとも１つの心電図（ＥＣＧ）装置、少なくとも１つの脳波図（ＥＥＧ）装置のうちの１つ以上であってもよく、またはこれらのうちの１つ以上を含んでもよい。しかしながら、他の生物学的センサも実現可能である。
【0017】
例えば、生物学的センサは、少なくとも１つの可搬フォトプレチスモグラム装置であってよい。生物学的センサデータは、可搬フォトプレチスモグラム装置によって得られた少なくとも１つのフォトプレチスモグラムを含み得る。本明細書において使用されるとき、「フォトプレチスモグラム装置」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、少なくとも１つのフォトプレチスモグラムを決定するように構成された少なくとも１つの装置を指し得る。本明細書において使用されるとき、「プレチスモグラム」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、人体または器官の少なくとも一部分の体積変化の測定結果を指し得る。本明細書において使用されるとき、「フォトプレチスモグラム（ＰＰＧ）」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、光学的に決定されたプレチスモグラムを指し得る。ＰＰＧは、ＰＰＧ装置からの信号の時間推移を示し得る。
【0018】
フォトプレチスモグラム装置は、少なくとも１つの照明源を備え得る。本明細書において使用されるとき、「照明源」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、少なくとも１つの光ビームを生成するように構成された少なくとも１つの任意の装置を指し得る。照明源は、少なくとも１つの発光ダイオード（ＬＥＤ）トランスミッタなどの少なくとも１つの光源を備え得る。照明源は、例えば人体の少なくとも一部分の皮膚を照明するための少なくとも１つの光ビームを生成するように構成されてよい。照明源は、赤色、赤外、または緑色のスペクトル領域の光を生成するように構成されてよい。本明細書において使用されるとき、「光」という用語は、一般に、通常は「光学スペクトル範囲」と呼ばれ、可視スペクトル範囲、紫外スペクトル範囲、および赤外スペクトル範囲のうちの１つ以上を含む電磁放射線の一区画を指す。ここで、用語「紫外スペクトル範囲」は、一般に、１ｎｍ～３８０ｎｍ、好ましくは１００ｎｍ～３８０ｎｍの波長を有する電磁放射線を指す。「可視スペクトル範囲」という用語は、一般に、３８０ｎｍ～７６０ｎｍのスペクトル範囲を指す。「赤外スペクトル範囲（ＩＲ）」という用語は、一般に、７６０ｎｍ～１０００μｍの電磁放射線を指し、７６０ｎｍ～１．５μｍの範囲が、通常は「近赤外スペクトル範囲（ＮＩＲ）」と呼ばれる一方で、１．５μ～１５μｍの範囲は「中赤外スペクトル範囲（ＭｉｄＩＲ）」と称され、１５μｍ～１０００μｍの範囲は「遠赤外スペクトル範囲（ＦＩＲ）」と称される。
【0019】
フォトプレチスモグラム装置は、少なくとも１つのフォトディテクタ、とくには少なくとも１つの感光ダイオードを備え得る。本明細書において使用されるとき、「フォトディテクタ」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、少なくとも１つの光ビームによって生成された照明を検出するためなど、光ビームを検出するための少なくとも１つの感光装置を指し得る。フォトディテクタは、照明源によって生成された光による照明に応答して、透過吸収および／または反射から光を検出するように構成されてよい。
【0020】
ＰＰＧ装置は、光を皮膚へと照らし、反射されて戻る光を測定することによって、心拍による血液量変動を測定するように構成されてよい。ＰＰＧ装置の設計に関しては、Ｂｉｓｗａｓ，Ｄ．，ｅｔ ａｌ．，“Ｈｅａｒｔ ｒａｔｅ ｅｓｔｉｍａｔｉｏｎ ｆｒｏｍ ｗｒｉｓｔ－ｗｏｒｎ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｙ：Ａ ｒｅｖｉｅｗ”，ＩＥＥＥ Ｓｅｎｓｏｒｓ Ｊｏｕｒｎａｌ，１９（１６）：６５６０－６５７０，２０１９が参照される。具体的には、ＰＰＧは、Ｌｉａｎｇ，Ｙ．，ｅｔ ａｌ．：“Ａｎ ｏｐｔｉｍａｌ ｆｉｌｔｅｒ ｆｏｒ ｓｈｏｒｔ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｉｇｎａｌｓ”，Ｓｃｉｅｎｔｉｆｉｃ Ｄａｔａ，５（１８００７６），２０１８に記載されているように、心臓血管系における多数の生理学的プロセスの集合的な発現を表し得る。ＰＰＧ信号が信頼できる場合、例えば、運動回復（例えば、Ｂｅｃｈｋｅ，Ｅ．，ｅｔ ａｌ．，“Ａｎ ｅｘａｍｉｎａｔｉｏｎ ｏｆ ｓｉｎｇｌｅ ｄａｙ ｖｓ．ｍｕｌｔｉ－ｄａｙ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ａｎｄ ｉｔｓ ｒｅｌａｔｉｏｎｓｈｉｐ ｔｏ ｈｅａｒｔ ｒａｔｅ ｒｅｃｏｖｅｒｙ ｆｏｌｌｏｗｉｎｇ ｍａｘｉｍａｌ ａｅｒｏｂｉｃ ｅｘｅｒｃｉｓｅ ｉｎ ｆｅｍａｌｅｓ”，Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，１０（１４７６０），２０２０を参照）、心臓状態（例えば、Ｈｏｓｈｉ，Ｒ．Ａ．，ｅｔ ａｌ．，Ｒｅｄｕｃｅｄ ｈｅａｒｔ－ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ａｎｄ ｉｎｃｒｅａｓｅｄ ｒｉｓｋ ｏｆ ｈｙｐｅｒｔｅｎｓｉｏｎ－ａ ｐｒｏｓｐｅｃｔｉｖｅ ｓｔｕｄｙ ｏｆ ｔｈｅ ｅｌｓａ－ｂｒａｓｉｌ．Ｊｏｕｒｎａｌ ｏｆ Ｈｕｍａｎ Ｈｙｐｅｒｔｅｎｓｉｏｎ，２０２１を参照）、睡眠パターン（例えば、Ｈｉｅｔａｋｏｓｔｅ，Ｓ．，ｅｔ ａｌ．，“Ｌｏｎｇｅｒ ａｐｎｅａｓ ａｎｄ ｈｙｐｏｐｎｅａｓ ａｒｅ ａｓｓｏｃｉａｔｅｄ ｗｉｔｈ ｇｒｅａｔｅｒ ｕｌｔｒａ－ｓｈｏｒｔ－ｔｅｒｍ ｈｒｖ ｉｎ ｏｂｓｔｒｕｃｔｉｖｅ ｓｌｅｅｐ ａｐｎｅａ”，Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，１０（２１５５６），２０２０を参照）、不安（例えば、Ｒｏｄｒｉｇｕｅｓ，Ｊ．，ｅｔ ａｌ．，“Ｌｏｃｏｍｏｔｉｏｎ ｉｎ ｖｉｒｔｕａｌ ｅｎｖｉｒｏｎｍｅｎｔｓ ｐｒｅｄｉｃｔｓ ｃａｒｄｉｏｖａｓｃｕｌａｒ ｒｅｓｐｏｎｓｉｖｅｎｅｓｓ ｔｏ ｓｕｂｓｅｑｕｅｎｔ ｓｔｒｅｓｓｆｕｌ ｃｈａｌｌｅｎｇｅｓ”，Ｎａｔｕｒｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，１１（５９０４），２０２０を参照）、および情動状態（例えば、Ｋｉｍ，Ｊ．Ｊ．，ｅｔ ａｌ．“Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｉｃａｌ ａｎｄ ｂｅｈａｖｉｏｒａｌ ｍａｒｋｅｒｓ ｏｆ ｃｏｍｐａｓｓｉｏｎ”，Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，１０（６７８９），２０２０を参照）などの個人の身体的、心理的、および精神的状態の複数の態様を理解するために、心拍数（ＨＲ）および心拍変動（ＨＲＶ）の特徴を計算することを可能にできる。
【0021】
本明細書において使用されるとき、「生物学的センサデータ」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、測定データなどの生物学的センサを介して得られたデータを指し得る。生物学的センサデータは、センサ信号とも呼ばれる少なくとも１つの信号を含む。本明細書において使用されるとき、「信号」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、少なくとも１つのアナログ電気信号および／または少なくとも１つのデジタル電気信号などの少なくとも１つの電気信号を指し得る。より具体的には、センサ信号は、少なくとも１つの電圧信号および／もしくは少なくとも１つの電流信号であってよく、または少なくとも１つの電圧信号および／もしくは少なくとも１つの電流信号を含んでよい。より具体的には、センサ信号は、少なくとも１つの光電流を含み得る。例えば、信号は、照明源によって生成された光による照明に応答した透過吸収および／または反射からの検出光に応じたＰＰＧ装置、とくにはフォトディテクタの少なくとも１つの電子信号であってよい。
【0022】
さらに、生の信号を使用しても、または処理された信号もしくは前処理された信号を使用して、センサ信号としても使用され得る二次信号を生成してもよい。本方法は、生物学的センサデータのフィルタ処理または正規化のうちの１つ以上を含む少なくとも１つの前処理ステップを含み得る。例えば、ＰＰＧ装置の信号の場合に、バンドパスフィルタを使用し得る。さらに、信号を、値が０を中心とするように正規化し得る。しかしながら、前処理は、生理学に応じて、さまざまな信号についてさまざまであってよい。
【0023】
例えば、信号はＰＰＧ信号であってよい。ＰＰＧ信号は、指、つま先、耳たぶ、手首、および額などの人間の末梢組織から容易に抽出することができる。したがって、例えばＬｉａｎｇ ｅｔ ａｌ．に記載されているように、身体装着型の健康装置における応用に関して、大きな可能性を有し得る。例えば、ＰＰＧ信号を、スマートウォッチ、とくにはＬＥＤおよびフォトダイオードを備えた手首のスマートウォッチを介して収集し得る。一般に、任意のサンプリング周波数が可能である。高いサンプリング周波数が好ましいかもしれない。例えば、例えばスマートウォッチなどのフォトプレチスモグラム装置が、２０Ｈｚのサンプリング周波数でＰＰＧを測定するように構成されてよい。例えば、フォトプレチスモグラム装置は、２０Ｈｚ～１ｋＨｚの周波数でＰＰＧを測定するように構成されてよい。スマートウォッチは、例えばＳａｍｓｕｎｇ Ｇｅａｒ（登録商標）Ｓｐｏｒｔスマートウォッチなど、特別なスマートウォッチであってよい。ＰＰＧ信号を、被験者の毎日のＰＰＧ信号について０．５および９Ｈｚの周波数カットオンを有する三次バターワースバンドパスフィルタを使用して前処理し得る。毎日のＰＰＧ信号を、例えば１０秒の区間などの区間に切り分けし得る。
【0024】
本明細書において使用されるとき、「提供する」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、生物学的センサデータを測定すること、および／または生物学的センサデータを取り出すことを指し得る。本明細書で使用される場合、「取り出す」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、データを生成し、かつ／または生物学的センサおよび／またはデータ記憶装置、例えばネットワークまたはさらなるコンピュータもしくはコンピュータシステムからデータを取得するシステム、具体的にはコンピュータシステムのプロセスを指し得る。取り出しを、具体的には、例えばシリアルポートまたはパラレルポートなどのポートを介して、少なくとも１つのコンピュータインターフェースによって行い得る。取り出しは、例えばプロセッサを使用することにより、一次情報の１つ以上のアイテムを取得し、例えば１つ以上のアルゴリズムを一次情報に適用することで、一次情報を利用することによって二次情報を生成するサブステップなど、いくつかのサブステップを含み得る。
【0025】
本明細書において使用されるとき、「品質」という用語は、「信号品質」とも称されるが、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、生物学的センサによって決定された信号の信頼性の尺度を指し得る。具体的には、品質を、信頼できる信号については良好と分類し、信頼できない信号については不良と分類し得る。品質の分類は、ノイズの多い信号とクリーンな信号と区別することを含み得る。品質を、ノイズおよび／またはアーチファクトの存在に応じて分類し得る。信号の信頼性は、ノイズおよび／またはアーチファクトが増加するにつれて低下する可能性がある。品質は、運動アーチファクト、センサ配置、血液灌流、および／または皮膚タイプなどの複数の要因によって悪影響を受ける可能性がある。
【0026】
品質を、心拍変動データの品質インジケータとして使用し得る。本明細書において使用されるとき、「心拍変動（ＨＲＶ）」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、連続する心拍間の規則性の尺度を指し得る。品質を、許容可能な心拍変動データと許容不可能な心拍変動データとを区別するために使用し得る。
【0027】
取得された生物学的センサデータの品質を、少なくとも１つのユーザインターフェースを介して、被験者などのユーザに提供し得る。本明細書において使用されるとき、「ユーザインターフェース」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、限定はされないが、１つ以上のデータまたはコマンドの交換などのために、例えば一方向または双方向に情報を交換する目的で、周囲の環境と相互作用するように構成された要素を指し得る。例えば、スマートウォッチのユーザインターフェースは、ユーザと情報を共有し、ユーザによって情報を受信するように構成されてよい。ユーザインターフェースは、ディスプレイなど、ユーザと視覚的に相互作用するように設計されてよく、かつ／またはユーザと音響的に相互作用するように設計されてもよい。ユーザインターフェースは、一例として、グラフィカルユーザインターフェース、ワイヤレスデータインターフェースおよび／または有線データインターフェースなどのデータインターフェース、のうちの１つ以上を備えてよい。したがって、提供された品質を、生物学的センサによって得られた生物学的センサデータを解釈するために使用し得る。追加的に、または代替的に、スマートウォッチなどの生物学的センサは、ノイズが多いと分類され、または品質が不良であると分類された生物学的センサデータを、無視および／または拒否するように構成された少なくとも１つの制御ユニットを備え得る。
【0028】
本明細書において使用されるとき、「分類する」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、信号をノイズの多い信号またはクリーンな信号などの少なくとも２つのカテゴリに分類するプロセスを指し得る。
【0029】
信号の品質の分類は、少なくとも１つの訓練済み訓練可能モデルを使用することによって実行される。本明細書において使用されるとき、「訓練可能モデル」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、機械学習、とくには深層学習、または他の形態の人工知能のうちの１つ以上を使用して、少なくとも１つの訓練データセットについて訓練することができる数学的モデルを指し得る。本明細書において使用されるとき、「機械学習」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、自動的なモデル構築のために人工知能（ＡＩ）を使用する方法を指し得る。本明細書において使用されるとき、「深層学習」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、複数の層を使用し、とくにはディープニューラルネットワーク、ディープビリーフネットワーク、グラフニューラルネットワーク、再帰型ニューラルネットワーク、および畳み込みニューラルネットワークのうちの１つ以上などの深層学習アーキテクチャを使用する機械学習アルゴリズムの一種類を指し得る。例えば、訓練可能モデルは、ＷａｖｅＮｅｔアーキテクチャ、再帰型ニューラルネットワーク（ＲＮＮ）、長・短期記憶（ＬＳＴＭ）などにおける畳み込みニューラルネットワーク（ＣＮＮ）層からなる群から選択される少なくとも１つのディープニューラルネットワークを備え得る。例えば、ＷａｖｅＮｅｔアーキテクチャに着想を得たアーキテクチャを使用し得る。ＷａｖｅＮｅｔに関して、ｖａｎ ｄｅｎ Ｏｏｒｄ，ｅｔ ａｌ．，“Ｗａｖｅｎｅｔ：Ａ ｇｅｎｅｒａｔｉｖｅ ｍｏｄｅｌ ｆｏｒ ｒａｗ ａｕｄｉｏ”，ＣｏＲＲ，ａｂｓ／１６０９．０３４９９，２０１６が参照される。ディープニューラルネットワークは、積層因果膨張畳み込みを使用し得る。ＰＰＧデータにＷａｖｅＮｅｔのようなアーキテクチャを使用することは、新規かつ独特の手法である。当業者であれば、ＷａｖｅＮｅｔのようなアーキテクチャを使用することはないと考えられ、なぜならば、そもそもスピーチデータについて使用するために、したがってきわめて異なるデータタイプのために開発されたからである。しかしながら、驚くべきことに、ＰＰＧデータにＷａｖｅＮｅｔのようなアーキテクチャを使用することにより、ＰＰＧデータの品質を高い信頼性で品質を分類できることが明らかになった。
【0030】
訓練を、少なくとも１つの機械学習システムを使用して実行し得る。本明細書において使用されるとき、「機械学習システム」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、機械学習を行うように構成され、とくには所与のアルゴリズムにおいて論理を実行するように構成されたプロセッサ、マイクロプロセッサ、またはコンピュータシステムなどの少なくとも１つの処理ユニットを備えるシステムまたはユニットを指し得る。機械学習システムは、少なくとも１つの機械学習アルゴリズムを実施および／または実行するように構成されてよく、機械学習アルゴリズムは、訓練済み訓練可能モデルを構築するように構成される。機械学習システムは、生物学的センサの一部であってもよく、かつ／または外部プロセッサによって実行されてもよい。
【0031】
本明細書において使用されるとき、「訓練」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、訓練済み訓練可能モデルを構築するプロセス、とくにはモデルのパラメータ、とりわけモデルの重みを決定するプロセスを指し得る。訓練は、モデルのパラメータを決定および／または更新することを含み得る。訓練済み訓練可能モデルは、少なくとも部分的にデータ駆動型であってよい。本明細書において使用されるとき、「少なくとも部分的なデータ駆動型モデル」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、モデルがデータ駆動型モデル部分と、物理化学法則に基づく他のモデル部分とを含むという事実を指し得る。訓練は、生物学的センサデータについて実行されてよい。訓練は、例えば、スマートウォッチの着用中および操作中などに追加の生物学的センサデータを取得した後に、訓練済み訓練可能モデルを再訓練することを含み得る。
【0032】
訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて、履歴生物学的センサデータについて訓練される。本明細書において使用されるとき、「履歴生物学的センサデータ」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、深層学習アーキテクチャの訓練に使用される少なくとも１つの独立したデータセットを指し得る。履歴生物学的センサデータは、患者、ランタイム、またはテストデータから独立している。
【0033】
本方法は、
ｃ）少なくとも１つの訓練ステップをさらに含み得、訓練ステップにおいて、訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて、履歴生物学的センサデータを含む少なくとも１つの訓練データセットについて訓練され、訓練可能モデルは、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される。
ｃ）少なくとも１つの訓練ステップをさらに含み得、訓練ステップにおいて、訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて、履歴生物学的センサデータを含む少なくとも１つの訓練データセットについて訓練され、訓練可能モデルは、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される。
【0034】
教師あり深層学習アーキテクチャに基づく訓練可能モデルは、本明細書において教師ありモデルとも呼ばれることもある。半教師あり深層学習アーキテクチャに基づく訓練可能モデルは、本明細書において半教師ありモデルとも呼ばれることもある。
【0035】
本明細書において使用されるとき、「教師あり」深層学習アーキテクチャという用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、ラベリング済みの履歴生物学的センサデータに基づいて学習する深層学習を指し得る。とくには、手動でラベリングされた履歴生物学的センサデータを、教師あり深層学習アーキテクチャに基づく訓練可能モデルの訓練に使用し得る。例えば、履歴生物学的センサデータとして、手動でラベリングされたＰＰＧデータセットを使用し得る。例えば、生物学的センサデータの訓練データセットを、以下のように設定し得る。データを、５人の健康なボランティア（女性１人および男性４人、平均年齢３３歳）から、いかなる管理にもよらずに、通常の日常活動中および夜間の睡眠中に収集した。各々が１０秒の長さである合計１３５４７個の重複しないＰＰＧ信号サンプルを収集した。信号を、Ｅｌｇｅｎｄｉ，Ｍ．，“Ｏｐｔｉｍａｌ ｓｉｇｎａｌ ｑｕａｌｉｔｙ ｉｎｄｅｘ ｆｏｒ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｉｇｎａｌｓ”，Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，３（４），２０１６の指示に従って、専門家によって手動でラベリングし得る。ノイズの多い８３０５個のＰＰＧ信号およびクリーンな５２４２個のＰＰＧ信号に分類した。例えば、ラベリングされた９３８０個の信号サンプルからなるバランスしたデータセットを、訓練データセットとして使用し得る。
【0036】
訓練ステップは、例えば各々が２０Ｈｚの周波数で合計２００個のデータ点を有している１０秒間のＰＰＧ信号をフィルタ処理するなど、履歴生体センサデータを前処理することを含み得る。ラベルを、訓練のための各々の入力信号に対して、ノイズの多い信号を示す「０」およびクリーンな信号を示す「１」で提供し得る。
【0037】
教師あり深層学習アーキテクチャは、履歴バイオセンサデータおよび／または前処理された履歴バイオセンサデータを受信する少なくとも１つの入力層を備えてよい。例えば、入力として、各々が２０Ｈｚの周波数による１０秒間のフィルタ処理されたＰＰＧ信号を使用し得る。したがって、入力は、２００個の値を含む信号を含み得る。異なるサンプリング周波数または長さ（秒単位）では、ＰＰＧ信号の値は変わると考えられる。
【0038】
教師あり深層学習アーキテクチャは、複数の畳み込み層、とくには畳み込み層の積層を備え得る。例えば、教師あり深層学習アーキテクチャは、５つの畳み込み層を備え得る。畳み込み層は、膨張を伴って設計されてもよい。畳み込み層を、膨張畳み込みのために構成し得る。教師あり深層学習アーキテクチャは、ＷａｖｅＮｅｔのようなニューラルネットワークアーキテクチャを備え得る。例えばｖａｎ ｄｅｎ Ｏｏｒｄ，ｅｔ ａｌ．，“Ｗａｖｅｎｅｔ：Ａ ｇｅｎｅｒａｔｉｖｅ ｍｏｄｅｌ ｆｏｒ ｒａｗ ａｕｄｉｏ”，ＣｏＲＲ，ａｂｓ／１６０９．０３４９９，２０１６に記載されているように、ＷａｖｅＮｅｔの主成分は因果的畳み込みであってよい。因果的畳み込みを使用することにより、深層学習アーキテクチャがデータのモデル化の順序に違反する可能性がなく、とくには将来の時間ステップのいずれにも影響される可能性がないことを、保証可能にし得る。因果的畳み込みを有する深層学習アーキテクチャは、とりわけきわめて長いシーケンスに適用される場合に、典型的にはＲＮＮよりも訓練が高速であるように、再帰接続を有しなくてよい。しかしながら、因果的畳み込みの問題の１つは、それらが多数の層または受容野を広げるための大きなフィルタを必要とすることであり得る。したがって、ＷａｖｅＮｅｔのようなアーキテクチャは、計算コストを大きく増加させることなく受容野を桁違いに大きくするために、膨張畳み込みを使用し得る。本明細書において使用されるとき、「膨張畳み込み」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、特定のステップで入力値をスキップすることによってフィルタをその長さよりも大きい領域にわたって適用する畳み込みを指し得る。これは、ゼロで膨張させることによって元のフィルタから導出されるより大きなフィルタによる畳み込みと同等であり得るが、大幅に効率的であり得る。膨張畳み込みは、ネットワークが通常の畳み込みよりも粗いスケールで動作することを効果的に可能にし得る。これは、プーリングまたはストライド畳み込みと同様であり得るが、ここでは、出力は入力と同じサイズを有し得る。とくには、積層膨張畳み込みを可能にする積層された畳み込み層は、ネットワークが、ネットワーク全体の入力分解能および計算効率を維持しつつ、わずかに数個の層できわめて大きな受容野を有することを可能にし得る。
【0039】
教師あり深層学習アーキテクチャは、各々の畳み込み層に因果的パディングを含んでよい。
【0040】
教師あり深層学習アーキテクチャは、畳み込み層の後かつ出力の前に、少なくとも１つの平坦化層を含み得る。平坦化層は、畳み込み層の行列出力を全結合層に変換するように設計されてよい。全結合層は、すべてのニューロンがすべての入力およびすべての出力に接続されているニューラルネットワーク構造であってよい。
【0041】
教師あり深層学習アーキテクチャは、少なくとも１つのオプティマイザ、とくにはＡｄａｍオプティマイザを備えてよい。Ａｄａｍオプティマイザに関して、Ｄｉｅｄｅｒｉｋ Ｐ．Ｋｉｎｇｍａ，Ｊｉｍｍｙ Ｂａ，“Ａｄａｍ：Ａ Ｍｅｔｈｏｄ ｆｏｒ Ｓｔｏｃｈａｓｔｉｃ Ｏｐｔｉｍｉｚａｔｉｏｎ”，３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｆｏｒ Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ，Ｓａｎ Ｄｉｅｇｏ，２０１５が参照される。
【0042】
例えば、教師あり深層学習アーキテクチャは、５つの畳み込み層を備え得る。第１の層は、膨張を有しなくてもよく、第２の層は、２という膨張を有してよく、そこから、膨張は、次の各層ごとに２倍になってよい。各層において、１６個のフィルタを使用し得る。サイズ３、５、７、またはさらに他のサイズのカーネルを、使用し得る。正則化強度は、０．０００５～０．００２の範囲、例えば０．０００５、０．００１、０．００１５、または０．００２であってよい。しかしながら、他の実施形態も可能である。教師あり深層学習アーキテクチャは、畳み込み層の後かつ出力の前に平坦化層を含み得る。教師あり深層学習アーキテクチャは、例えば０．００００１の学習率を有し、１０または１００またはさらに多くのエポックごとに学習率が半減する減衰を有するＡｄａｍオプティマイザを含み得る。しかしながら、他の学習率および学習減衰率も可能である。例えば、訓練のために、１２８というバッチサイズ、および３００までのエポックを使用し得る。例えば、訓練のために、１２８というバッチサイズ、および５０から５００またはさらに多くのエポックを使用し得る。しかしながら、他のバッチサイズおよびエポックも可能である。
【0043】
深層学習アーキテクチャは、最終層、とくには全結合層として、２つの経路を備える出力層を備え得る。経路の各々が出力を備え得る。具体的には、深層学習アーキテクチャは、２つの出力、すなわち第１および第２の出力を備え得る。訓練可能モデルは、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される。教師あり深層学習アーキテクチャを、分類に関する１つの損失関数を最適化することによって訓練し得る。教師あり深層学習アーキテクチャを、信号再構成および分類に関する２つの損失関数を最適化することによって訓練し得る。半教師あり深層学習アーキテクチャを、信号再構成および分類に関する２つの損失関数を最適化することによって訓練し得る。本明細書において使用されるとき、「損失関数」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、真のパラメータから逸脱した決定から生じる損失を、点推定値、範囲推定値、またはテストの形式で各々の決定に割り当てる関数を指し得る。訓練可能モデルの訓練は、最適化問題を解くことを含み得、とくには損失関数の最適化を含み得る。本明細書において使用されるとき、「損失関数の最適化」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、損失関数を最小化するプロセスを指し得る。訓練可能モデルを、分類に関する第１の損失関数、または第１の損失関数および信号再構成に関する第２の損失関数を最適化することによって訓練し得る。
【0044】
第１の出力は、分類された品質を提供する分類出力であってよい。分類出力は、第１の損失関数を用いてよい。第１の損失関数は、分類損失に関連し得る。例えば、分類出力は、平坦化層または全結合層の出力を入力として取得し得る。分類出力は、シグモイド活性化関数を使用し得る。分類出力は、０と１との間の確率を提供するためにバイナリ交差エントロピー損失関数を使用し得、０．５を超える値は、信号がクリーンであることを示す。
【0045】
第２の出力は、入力と畳み込み後の再構成された信号との間の差の尺度を提供する平均二乗誤差（ＭＳＥ）出力であってよい。ＭＳＥ出力は、正規化線形ユニット（ＲｅＬＵ）活性化関数を使用し得る。ＭＳＥ出力は、ＭＳＥ損失関数を使用し得る。ＭＳＥ損失関数は、平均二乗誤差（ＭＳＥ）の観点からの再構成された入力信号と入力信号との間の差に関連し得る。より小さいＭＳＥは、より良好な信号再構成に関連する。ＭＳＥ出力を推定するために、２つの追加の全結合層を、入力信号と同じサイズの出力を有するように、平坦化層の後にＲｅＬＵ活性化関数によって使用し得る。
【0046】
上記で概説したように、分類出力は、１という重みで学習するアルゴリズムに寄与し得る。第２の出力は、少なくとも１つの重みを使用して重み付けされてよい。重みを変化させることができる。重みは０～１であってよい。経験的に、より小さい重みが、わずかに高い精度をもたらすことができることが明らかになった。ＭＳＥ値の範囲は、（最大の分類出力である）１よりもはるかに大きくなり得る。重み付けされた第２の出力を使用することにより、信号再構成についての学習および分類出力についての学習の間のアルゴリズムのバランスを可能にし得る。これにより、教師ありアーキテクチャおよび半教師ありアーキテクチャの両方に関して、精度の向上を可能にできる。例えば、教師ありアーキテクチャに関して、精度は、等しい重み（すなわち、１）では９１．６％であり得るのに対し、０．１という重みなどのより小さいＭＳＥ重みでは、９２．５％であり得る。半教師ありアーキテクチャに関して、精度は、等しい重みでは８７．７％であり得るのに対し、０．０５という重みなどのより小さいＭＳＥ重みでは、９０．６％であり得る。
【0047】
本方法は、少なくとも１つの検証ステップを含み得る。検証ステップを、訓練可能モデルの訓練中に実行し得る。検証ステップを、訓練の改善を監視するために使用し得る。検証ステップは、少なくとも１つの検証データセットを使用して訓練可能モデルを検証することを含み得る。検証データセットは、例えば、上記のように、５人の健康なボランティアから収集された履歴生物学的センサからの１０００個の重複しない手動でラベリングされたサンプルを含み得、検証に使用される１０００個の重複しない手動でラベリングされたサンプルは、訓練には使用されていない。
【0048】
本方法は、少なくとも１つのテストステップを含み得、テストステップは、訓練済み訓練可能モデルをテストすることを含む。テストステップは、少なくとも１つのテストデータセットにおいて訓練済み訓練可能モデルをテストすることを含み得る。テストステップは、例えば正確性、リコール、Ｆ１スコア、曲線下面積（ＡＵＣ）などの訓練済み訓練可能モデルの性能特性を求めることを含み得る。
【0049】
例えば、テストデータとして、上記のように、５人の健康なボランティアから収集した履歴生物学的センサからの１０００個の重複しない手動でラベリングされたサンプルを使用した。テストに使用した１０００個の重複しない手動でラベリングされたサンプルは、訓練に使用されたものではない。結果として、分類しきい値を０．５として、精度が以下のとおりであることが明らかになった。
－ 教師あり深層学習アーキテクチャ（１つの損失関数を最適化）：９８．１％
－ 教師あり深層学習アーキテクチャ（１という同じ損失関数の重みで２つの損失関数を最適化）：９８．１％
－ 教師あり深層学習アーキテクチャ（１つの損失関数を最適化）：９８．１％
－ 教師あり深層学習アーキテクチャ（１という同じ損失関数の重みで２つの損失関数を最適化）：９８．１％
【0050】
分類しきい値は、信号をクリーンな信号またはノイズの多い信号としてラベリングするための品質しきい値を示してよく、≧０．５の場合、信号をクリーンな信号と分類でき、＜０．５の場合、信号をノイズが多い信号と分類してよい。
【0051】
テストのために、偽陽性と偽陰性との間のバランスを維持するために、最高のＦ１スコアを有するエポックおよび正則化強度の組み合わせを使用した。分類しきい値を、訓練済み訓練可能モデルが［０，１］の間の値を与えるという観点から選択し、０はノイズの多い信号を意味し、１はクリーンな信号を意味する。０．５という分類しきい値において、訓練済み訓練可能モデルの出力値が０．５を下回る場合、信号はノイズが多いと見なされ、そうでなければクリーンであると見なされる。この分類しきい値はさまざまであってよい。最適な分類しきい値を見つけるための技術は、当業者に知られており、例えばＲＯＣ曲線に基づく。半教師ありモデルを使用するために、最適な分類しきい値を使用し得る。本方法は、最適な分類しきい値を計算することを含み得る。最適な分類しきい値を計算するためのいくつかの選択肢が可能である。例えば、臨床データのサンプルを使用して最適な分類しきい値を推定し、それを使用して確率（モデルの出力）をその分類しきい値へと丸められるラベルに変換し得る。
【0052】
追加的に、または代替的に、訓練済み訓練可能モデルのテストのために、完全に独立したラベリング済みデータセットを使用してもよい。例えば、訓練セット用のデータを収集するために、モデルの訓練に使用される参加者とは異なる参加者が使用されてもよい。例えば、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に記載されているようなデータセットからの１０００個の重複しないサンプルを、テストデータセットとして使用し得る。結果として、分類しきい値を０．５として、精度が以下のとおりであることが明らかになった。
－ 教師あり深層学習アーキテクチャ（１つの損失関数を最適化）：９２．５％
－ 教師あり深層学習アーキテクチャ（１という同じ損失関数の重みで２つの損失関数を最適化）：９１．６％
－ 教師あり深層学習アーキテクチャ（最適な損失関数の重みで２つの損失関数を最適化）：９２．５％
－ 教師あり深層学習アーキテクチャ（１つの損失関数を最適化）：９２．５％
－ 教師あり深層学習アーキテクチャ（１という同じ損失関数の重みで２つの損失関数を最適化）：９１．６％
－ 教師あり深層学習アーキテクチャ（最適な損失関数の重みで２つの損失関数を最適化）：９２．５％
【0053】
最適な分類しきい値の場合、精度が以下のとおりであることが明らかになった。
－ 教師あり深層学習アーキテクチャ（１つの損失関数を最適化）：９１．８％
－ 教師あり深層学習アーキテクチャ（１という同じ損失関数の重みで２つの損失関数を最適化）：９０．６％
－ 教師あり深層学習アーキテクチャ（最適な損失関数の重みで２つの損失関数を最適化）：９２．０％
－ 教師あり深層学習アーキテクチャ（１つの損失関数を最適化）：９１．８％
－ 教師あり深層学習アーキテクチャ（１という同じ損失関数の重みで２つの損失関数を最適化）：９０．６％
－ 教師あり深層学習アーキテクチャ（最適な損失関数の重みで２つの損失関数を最適化）：９２．０％
【0054】
教師あり学習は、Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１の“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”で提案されているような多変量品質メトリックの使用よりも、より良好に機能することが明らかになっており、なぜならば、本発明による方法によれば、特徴ベースの多変量品質メトリックと比べ、生信号のより多くの情報が使用されるからである。同じデータセットについてこの論文からの多変量品質メトリックを使用したモデルの精度は、８４％であった。再構成に関する第２の出力を使用することが、説明可能性を助け、すなわち特定の入力信号から畳み込みにおいてモデルが実際に何を学習したかを説明することが明らかになった。例えば、再構成が正しいピークおよび洞波形を示すことができる場合、モデルは、信号をクリーンであると分類するために何が重要であったかを学習済みである。２つの競合する損失関数を有することを学習するためにモデルがより複雑になるため、結果は少し低くなる可能性があると予想された。しかしながら、本方法は多変量品質メトリックよりも良好に機能することが明らかになった。
【0055】
教師あり深層学習アーキテクチャおよび半教師あり深層学習アーキテクチャの両方について、２つの損失関数の使用は、分類、したがってクリーンな信号をノイズの多い信号から区別するためにラベリングされた信号を使用することを一緒に学習することを可能にし、ネットワークが信号の生理学についてより多く学習することを助けることを可能にする。
【0056】
本明細書において使用されるとき、「半教師あり」深層学習アーキテクチャという用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、ラベリング済みの履歴生物学的センサデータおよびラベリングされていない履歴生物学的センサデータに基づいて学習する深層学習を指し得る。半教師ありモデルにおけるラベリングされていないデータの使用は、とくには元の訓練データセットにまだ含まれていない新たな活動／被験者の場合に、信号再構成の学習の改善および分類性能の改善を可能にし得る。
【0057】
例えば、とくには上記のラベリング済みのＰＰＧデータセットに加えて、訓練用の履歴生物学的センサデータとして、ラベリングされていないＰＰＧデータセットを使用し得る。例えば、ラベリングされていないＰＰＧデータセットを、以下のように設定し得る。２０人の健康なボランティア（女性４名および男性１６名、平均年齢３２歳）から、参加者が５分ごとに活動を切り替える管理された様相で一連の活動を実行しつつ、データを収集した。例えば、スクリーニングおよびインフォームドコンセントのプロセス（安静に着席して）、ＥＣＧおよびＰＰＧセンサの配置（安静に着席して）、ベースライン（安静に着席）、ペース呼吸（呼吸数を毎分５回から毎分２０回まで５刻みで段階的に増加させる）、ゲーム機での５分間のゲームプレイ（ＰＳ ４ Ａａｅｒｏ）、直立（静かに立っている）、精神的ストレス操作（例えば、Ｅｗｉｎｇ ｅｔ ａｌ １９９２に記載されているようなＳｅｒｉａｌ ７ｓ［目を閉じた状態で７００から７を引き算していき、各々の答えを声に出す］）、身体的活動操作（予め設定された円形経路に沿った途切れない屋内歩行；すべての被験者について同じ経路）、ベースライン（安静に着席）、ＰＰＧ／ＥＣＧ機器の回収、および感想などの複数の活動を含むプロトコルを使用し得る。以下の表が、例示的なプロトコルのリストを示す。
【0058】
【0059】
活動は、安静姿勢での着席、ペース呼吸、ゲーム機でのゲームプレイ、直立、精神的ストレス操作、身体的活動、および安静姿勢での着席を含んだ。一部の活動（例えば、身体的活動、直立、およびゲーム機でのゲームプレイ）が、さまざまなレベルの運動アーチファクトを持ち込むと疑われる一方で、他の活動（例えば、ペース呼吸）は、心拍数を増加させ、ＰＰＧ波形を変化させる。例えば、各々が１０秒の長さである合計３７５６４個の重複しないＰＰＧ信号サンプルを収集した。ラベリングされていないデータセットの収集のさらなる詳細については、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１が参照される。
【0060】
上述したように、半教師ありモデルのための訓練データセットは、ラベリング済み履歴生物学的センサデータおよびラベリングされていない履歴生物学的センサデータを含み得る。例えば、手動でラベリング済みの９３８０個のバランスした信号サンプルを使用してよく、加えて、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１において収集されたデータセットから収集されたラベリングされていないサンプルを使用してよい。
【0061】
上述のように、本方法は、少なくとも１つの検証ステップを含み得る。半教師あり深層学習アーキテクチャを使用する訓練可能モデルを検証するための検証データセットは、例えば、上記のように、５人の健康なボランティアから収集された履歴生物学的センサからの１０００個の重複しない手動でラベリングされたサンプルを含み得、検証に使用される１０００個の重複しない手動でラベリングされたサンプルは、訓練には使用されていない。
【0062】
上述のように、本方法は、少なくとも１つのテストステップを含み得る。例えば、半教師あり深層学習アーキテクチャに基づく訓練済み訓練可能モデルのテストのために、テストデータとして、上述したように、５人の健康なボランティアから収集された履歴生物学的センサからの１０００個の重複しない手動でラベリングされたサンプルを使用し得る。テストに使用した１０００個の重複しない手動でラベリングされたサンプルは、訓練に使用されたものではない。５名からのテストデータセットからのデータを使用した場合の半教師ありモデルの精度は、以下のとおりである。
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を１という同じ損失関数の重みで最適化）：９７．９％
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を１という同じ損失関数の重みで最適化）：９７．９％
【0063】
追加的に、または代替的に、テストのために、他のテストデータが使用されてもよい。例えば、上記および“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に記載のように収集されたラベリングされていないデータセットからの１０００個の重複しないサンプルを、テストデータセットとして使用し得る。テストに使用したサンプルには、手動で注釈が付けられている。例えば、テストに使用されるデータセットは、７９６個のノイズの多いＰＰＧ信号および２０４個のクリーンなＰＰＧ信号を含んでよい。結果として、分類しきい値を０．５として、精度が以下のとおりであることが明らかになった。
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を１という同じ損失関数の重みで最適化）：８７．７％
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を最適な損失関数の重みで最適化）：９０．６％
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を１という同じ損失関数の重みで最適化）：８７．７％
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を最適な損失関数の重みで最適化）：９０．６％
【0064】
最適な分類の場合、精度が以下のとおりであることが明らかになった。
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を１という同じ損失関数の重みで最適化）：９０．８％
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を最適な損失関数の重みで最適化）：９１．３％
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を１という同じ損失関数の重みで最適化）：９０．８％
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を最適な損失関数の重みで最適化）：９１．３％
【0065】
モデルの性能を、例えば“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に提案されているような他変量品質メトリックを用いた性能と比較し得る。ＰＰＧ信号をＥＣＧ信号と同時に収集し、Ｚａｎｏｎ ｅｔ ａｌ．，２０２０に記載されているように、導出されたＨＲＶ特徴を比較し、最終的に信号ごとのＨＲＶ品質メトリックを推定した。ＨＲＶ品質メトリックを各々のＰＰＧサンプル信号について計算し、ＨＲＶ品質メトリック値が２０未満である場合、ＰＰＧ信号を信頼できる（すなわち、クリーンである）と見なした。半教師あり学習は、多変量品質メトリックの使用と比べ、性能が良好であることが明らかになった。
【0066】
半教師あり深層学習アーキテクチャのアーキテクチャは、訓練ステップにおけるラベリングなしのデータの使用および追加の入力パラメータＺinputが追加されるが、教師あり深層学習アーキテクチャと同一であってよい。したがって、半教師あり深層学習アーキテクチャの説明に関しては、上記の教師あり深層学習アーキテクチャが参照される。例えば、半教師あり深層学習アーキテクチャは、５つの畳み込み層を備え得る。第１の層は、膨張を有しなくてもよく、第２の層は、２という膨張を有してよく、そこから、膨張は、次の各層ごとに２倍になってよい。各層において、１６個のフィルタを使用し得る。サイズ３、５、７、またはさらに他のサイズのカーネルを、使用し得る。正則化強度は、０．０００５～０．００２の範囲、例えば０．０００５、０．００１、０．００１５、または０．００２であってよい。しかしながら、他の実施形態も可能である。半教師あり深層学習アーキテクチャは、畳み込み層の後かつ出力の前に平坦化層を含み得る。半教師あり深層学習アーキテクチャは、例えば０．００００１の学習率を有し、１０または１００またはさらに多くのエポックごとに学習率が半減する減衰を有するＡｄａｍオプティマイザを含み得る。しかしながら、他の学習率および学習減衰率も可能である。例えば、訓練のために、１２８というバッチサイズ、および３００までのエポックを使用し得る。例えば、訓練のために、１２８というバッチサイズ、および５０から最大５００またはさらに多くのエポックを使用し得る。しかしながら、他のバッチサイズおよびエポックも可能である。各々のエポックについて、モデルを、ラベリング済みのデータで一度、ならびにラベリング済みおよびラベリングなしの複合データからランダムに選択されたＮ個のサンプルで一度、訓練してよく、ここでＮは、ラベリング済みのセットのサイズの２倍である。
【0067】
手動でラベリングされた履歴生物学的センサデータおよびラベリングされていない履歴生物学的センサデータを、半教師あり深層学習アーキテクチャに基づく訓練可能モデルの訓練に使用し得る。ラベリングされていない生物学的センサデータについて、訓練可能モデルを、信号再構成に関する損失関数を最適化することによって、および分類に関する損失関数を無視することによって訓練し得る。訓練のために、教師ありモデルと同じバランスしたラベリング済みデータセットを使用してよく、さらに、上述のラベリングなしのデータを使用してよい。上述のような１０００個の重複しないランダムサンプルなどの独立したデータセットを、訓練済み訓練可能モデルのテストに使用し得る。
【0068】
本発明は、具体的には、ＰＰＧ信号データをクリーニングするための新規なＷａｖｅｎｅｔのような膨張畳み込みネットワークを提案する。注釈付きデータの取得には費用も時間もかかるが、ラベリングされていないデータは大量に利用可能である。信号再構成に基づく半教師ありフレームワークを使用することにより、ラベリングされていないデータから信号の良好な表現を学習することが可能になる。偽陽性および偽陰性の制御を学習するためのさまざまな手法を、本明細書に記載されるように、高い全体的な精度を得ながら、さまざまなやり方で実行できることが明らかになった。調整（具体的には、最適な分類しきい値）により、半教師ありモデルは、教師ありの手法を性能において上回ることができ、大量の利用可能なラベリングされていないデータを取り入れることが有利になり得ることを示唆している。
【0069】
本発明は、信号再構成ならびに半教師あり深層学習モデルを有することを可能にする訓練済み訓練可能モデルを適用することによって、生物学的センサのデータ品質を分類する新規な手法を提案する。信号再構成は、通常は画像について使用される技術であるため、ＰＰＧのような信号にはこれまで適用されてこなかった。本発明によって提案されるような半教師ありのやり方を使用するためには、ラベリングされていないデータによって学習された情報と、教師ありデータによって学習された情報／分類とを組み合わせるために、信号再構成技術が必要となり得る。このような手法は、これまでに言及されていない。半教師ありの手法は、これまでは、他の用途には使用されていたが、ＰＰＧ信号の品質推定などの生物学的信号には使用されておらず、信号がクリーンであると仮定するだけであった。
【0070】
本方法は、ラベリングされていないデータセットに基づく訓練のために追加の入力パラメータＺinputを導入することを含み得る。これにより、「欠けている」ラベルの処理を可能にできる。追加の入力パラメータは、特定のデータがラベリングされているか否かを示すバイナリ値であってよい。例えば、追加の入力パラメータは、ラベリングされていないデータについて「０」であってよく、ラベリング済みのデータについて「１」であってよい。追加の入力パラメータを、分類の学習がラベリングされていないデータの影響を受けないように、学習プロセスの際に分類出力と乗算し得る。
【0071】
例えば、半教師あり深層学習アーキテクチャに基づく訓練は、まず、分類ラベルおよび信号再構成のための関連情報を学習するためのラベリング済みデータのデータセットを用いた訓練を含み得る。訓練は、その後に、信号再構成をより良好に学習するために、ラベリングされていないデータのランダムなサブセットのみを用いた訓練を含み得る。ラベリングされていないデータを用いた訓練は、例えば異なる人々や異なる活動など、ラベリング済み訓練セットに含まれていなかった信号生理学を導入することをさらに含み得る。データに注釈を付けることは高価であり、利用可能な注釈付きデータセットはきわめて少ない。しかしながら、ラベリングされていないデータは多数が利用可能である。半教師あり学習は、ラベリングされていないデータの活用を可能にし、少量のラベリング済みデータの最も効率的な使用を可能にする。
【0072】
半教師ありアーキテクチャを使用することにより、提案されたモデルを新たなデータセットへと拡張し、かつ／または移転させることを可能にできる。例えば、充分なラベリング済みの例が存在しないなどの理由で、元々の訓練済みモデルの訓練に使用されるデータの最大５０％未満など、データがさらに少ない新たな状況にモデルを適応させる必要がある場合に、半教師ありの手法を使用して信頼できるモデルを訓練することが可能である。精度は、すべてのアルゴリズムにおいて９０％超を保つことが明らかになった。
【0073】
訓練済み訓練可能モデルは、教師あり深層学習アーキテクチャおよび半教師あり深層学習アーキテクチャの組み合わせに基づいて訓練されてよい。組み合わせは、２つのアーキテクチャによって報告された確率の平均を考慮に入れる２つのアーキテクチャの組み合わせ平均予測を使用し得る。
【0074】
本発明のさらなる態様において、生物学的センサが開示される。生物学的センサは、生物学的センサデータの品質を分類するように構成される。生物学的センサは、少なくとも１つの信号を含む生物学的センサデータを提供するように構成された少なくとも１つの測定ユニットを備える。生物学的センサは、少なくとも１つの訓練済み訓練可能モデルを使用することによって信号の品質を分類するように構成された少なくとも１つの処理ユニットを備える。訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて、履歴生物学的センサデータについて訓練される。訓練可能モデルは、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される。
【0075】
具体的には、生物学的センサは、本発明による方法を実施するように、かつ／または本発明による方法において使用されるように構成されてよい。生物学的センサの特徴の定義および生物学的センサの任意の特徴に関して、上記で開示され、または以下でさらに詳しく開示される方法の実施形態のうちの１つ以上を参照し得る。
【0076】
本明細書において一般的に使用されるとき、「処理ユニット」という用語は、広義の用語であり、当業者にとってのその通常の慣習的な意味が与えられるべきであり、特殊な意味または特別な意味に限定されるべきではない。この用語は、具体的には、限定はされないが、コンピュータまたはシステムの基本的な動作を実行するように構成された任意の論理回路、および／または一般に、計算または論理動作を実行するように構成された装置を指し得る。とくに、処理ユニットは、コンピュータまたはシステムを駆動する基本的な命令を処理するように構成されてよい。例として、処理ユニットは、少なくとも１つの算術論理演算装置（ＡＬＵ）、数値演算コプロセッサまたは数値コプロセッサなどの少なくとも１つの浮動小数点ユニット（ＦＰＵ）、複数のレジスタ、具体的にはＡＬＵにオペランドを供給し、演算結果を格納するように構成されたレジスタ、ならびにＬ１およびＬ２キャッシュメモリなどのメモリを含み得る。とくには、処理ユニットは、マルチコアプロセッサであってよい。具体的には、処理ユニットは、中央処理装置（ＣＰＵ）であってよく、またはＣＰＵを備え得る。追加的に、または代替的に、処理ユニットはマイクロプロセッサであってよく、またはマイクロプロセッサを備えてよく、したがって、具体的には、処理ユニットの要素が、１つの単一の集積回路（ＩＣ）チップに含まれてよい。追加的に、または代替的に、処理ユニットは、１つ以上の特定用途向け集積回路（ＡＳＩＣ）および／または１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）などであってよく、またはこれらを備えてよい。処理ユニットは、具体的には、ソフトウェアプログラミングなどにより、１つまたは複数の評価動作を実行するように構成されてよい。
【0077】
生物学的センサは、可搬フォトプレチスモグラム装置であってよい。可搬フォトプレチスモグラム装置は、少なくとも１つの照明源と、少なくとも１つのフォトプレチスモグラムを提供するように構成された少なくとも１つのフォトディテクタとを備えてよい。処理ユニットは、訓練済み訓練可能モデルを使用することによってフォトプレチスモグラムの品質を分類するように構成されてよい。
【0078】
プログラムがコンピュータまたはコンピュータネットワークまたはクラウド上で実行されるときに本明細書に含まれる実施形態のうちの１つ以上における本発明による方法を実行するためのコンピュータ実行可能命令を含むコンピュータプログラムが、本明細書にさらに開示および提案される。具体的には、コンピュータプログラムは、コンピュータ可読データ担体および／またはコンピュータ可読記憶媒体に格納されてよい。
【0079】
本明細書において使用されるとき、「コンピュータ可読データ担体」および「コンピュータ可読記憶媒体」という用語は、具体的には、コンピュータ実行可能命令を格納したハードウェア記憶媒体などの非一時的データ記憶手段を指し得る。コンピュータ可読データ担体または記憶媒体は、具体的には、ランダムアクセスメモリ（ＲＡＭ）および／または読み出し専用メモリ（ＲＯＭ）などの記憶媒体であってよく、または、そのような記憶媒体を備えてよい。
【0080】
したがって、具体的には、上述したような方法ステップａ）およびステップｂ）ならびに任意にｃ）のうちの１つ、２つ以上、またはすべてを、コンピュータまたはコンピュータネットワークまたはクラウドを使用して、好ましくはコンピュータプログラムを使用して実行し得る。
【0081】
プログラムがコンピュータまたはコンピュータネットワークまたはクラウド上で実行されたときに本明細書に含まれる実施形態のうちの１つ以上における本発明による方法を実行するためのプログラムコード手段を有するコンピュータプログラム製品が、本明細書においてさらに開示および提案される。具体的には、プログラムコード手段は、コンピュータ可読データ担体および／またはコンピュータ可読記憶媒体に格納されてよい。
【0082】
コンピュータまたはコンピュータネットワークまたはクラウドのワーキングメモリまたはメインメモリなど、コンピュータまたはコンピュータネットワークまたはクラウドへのロード後に、本明細書に開示の実施形態のうちの１つ以上による方法を実行し得るデータ構造を格納したデータ担体が、本明細書においてさらに開示および提案される。
【0083】
プログラムがコンピュータまたはコンピュータネットワークまたはクラウド上で実行されるときに本明細書に開示の実施形態のうちの１つ以上による方法を実行するために、プログラムコード手段を機械可読担体上に格納して有するコンピュータプログラム製品が、本明細書においてさらに開示および提案される。本明細書において使用されるとき、コンピュータプログラム製品は、取引可能な製品としてのプログラムを指す。製品は、一般に、紙フォーマット、またはコンピュータ可読データ担体上および／もしくはコンピュータ可読記憶媒体上など、任意のフォーマットで存在してよい。具体的には、コンピュータプログラム製品は、データネットワーク上で配信されてもよい。
【0084】
最後に、本明細書に開示の実施形態のうちの１つ以上による方法を実行するためのコンピュータシステムまたはコンピュータネットワークまたはクラウドによって読み取り可能な命令を含む変調データ信号が、本明細書において開示および提案される。
【0085】
本発明による方法および装置は、同種の既知の方法および装置に勝る多くの利点を提供し得る。具体的には、本発明は、日々の生活活動の最中の実世界のデータセット内の連続ＰＰＧ信号から信頼できる信号またはクリーンな信号を検出するための手法を提供し得る。一般に、ＰＰＧ信号の品質の評価は、ラベリングされていないデータは大量に利用可能であるが、利用可能なラベリング済み生理学的信号は少量しかないため、技術的に困難であり得る。本発明による方法および装置を使用し、具体的には半教師あり深層学習アーキテクチャに基づく訓練可能モデルを使用することによって、大量のラベリングされていないデータを活用することを可能にできる。したがって、生物学的センサデータを解釈し、訓練可能モデルが、訓練済みモデルの学習プロセスにおいて信号再構成を使用することによって信号の生理学に関する情報を確実に学習することを可能にし得る。さらに、訓練可能モデルを使用することによって、信号を再構成すると同時に、信号をノイズの多い信号またはクリーンな信号として分類することを可能にし得る。
【0086】
米国特許出願公開第２０１９／１３３４６８号明細書が、個人が心房細動を有するかどうかを分類することを記載している。したがって、米国特許出願公開第２０１９／１３３４６８号明細書によって得られる品質は、特定の疾患に関連しているが、一般に、いかなるＰＰＧ信号にも関係がない（例えば、米国特許出願公開第２０１９／１３３４６８号明細書の図５に記載されているとおり）。米国特許出願公開第２０１９／１３３４６８号明細書は、異なる非ＰＰＧセンサ（すなわち、ＩＭＵ）を用いた動きの識別、およびベースライン信号レベルの除去など、複雑で時間のかかる前処理ステップ（例えば、米国特許出願公開第２０１９／１３３４６８号明細書の図４）を記載している。これらの複雑で時間のかかる前処理ステップは、品質の検出をより容易にすることを目的としている。対照的に、本発明は、そのような複雑で時間のかかる前処理ステップを回避し、むしろそのようなステップをモデルにおいて暗黙的にアルゴリズムに組み込むことができる。これにより、実際のモデルの前のこれらの余分なステップを回避することができる。米国特許出願公開第２０１９／１３３４６８号明細書において使用されるモデルは、予測をより容易にすると考えられる追加の入力として、例えば加速度計などの追加のセンサからの動き情報を必要とする（米国特許出願公開第２０１９／１３３４６８号明細書の図６を参照）。本発明によるモデルの場合、動き情報の追加の入力は必要とされない。
【0087】
本発明のコンピュータ実装態様に関して、本明細書に開示の実施形態のうちの１つ以上による方法の方法ステップのうちの１つ以上またはすべてが、コンピュータまたはコンピュータネットワークまたはクラウドを使用することによって実行されてよい。したがって、一般に、データの提供および／または操作を含む方法ステップのいずれも、コンピュータまたはコンピュータネットワークまたはクラウドを使用することによって実行されてよい。一般に、これらの方法ステップは、典型的には試料の提供および／または実際の測定を実行する特定の態様などの手作業を必要とする方法ステップを除いて、任意の方法ステップを含み得る。
【0088】
具体的には、本明細書において、
－ 少なくとも１つのプロセッサを備え、プロセッサは、本明細書に記載の実施形態のうちの１つによる方法を実行するように構成されるコンピュータまたはコンピュータネットワークまたはクラウド、
－ コンピュータ上で実行されているときに本明細書に記載の実施形態のうちの１つによる方法を実行するように構成されたコンピュータロード可能データ構造、
－ コンピュータ上で実行されているときに、本明細書に記載の実施形態のうちの１つによる方法を実行するように構成されたコンピュータプログラム、
－ コンピュータまたはコンピュータネットワークまたはクラウド上で実行されているときに本明細書に記載の実施形態のうちの１つによる方法を実行するためのプログラム手段を備えているコンピュータプログラム、
－ 先行の実施形態によるプログラム手段を備えているコンピュータプログラムであって、プログラム手段は、コンピュータ可読記憶媒体に格納されているコンピュータプログラム、
－ データ構造を格納しており、データ構造は、コンピュータまたはコンピュータネットワークまたはクラウドの主記憶部および／または作業記憶部にロードされた後に本明細書に記載の実施形態のうちの１つによる方法を実行するように構成されている記憶媒体、および
－ 記憶媒体上に格納可能または格納されたプログラムコード手段を有しており、プログラムコード手段がコンピュータまたはコンピュータネットワークまたはクラウド上で実行された場合に、本明細書に記載の実施形態のうちの１つによる方法が実行されるコンピュータプログラム製品
がさらに開示される。
－ 少なくとも１つのプロセッサを備え、プロセッサは、本明細書に記載の実施形態のうちの１つによる方法を実行するように構成されるコンピュータまたはコンピュータネットワークまたはクラウド、
－ コンピュータ上で実行されているときに本明細書に記載の実施形態のうちの１つによる方法を実行するように構成されたコンピュータロード可能データ構造、
－ コンピュータ上で実行されているときに、本明細書に記載の実施形態のうちの１つによる方法を実行するように構成されたコンピュータプログラム、
－ コンピュータまたはコンピュータネットワークまたはクラウド上で実行されているときに本明細書に記載の実施形態のうちの１つによる方法を実行するためのプログラム手段を備えているコンピュータプログラム、
－ 先行の実施形態によるプログラム手段を備えているコンピュータプログラムであって、プログラム手段は、コンピュータ可読記憶媒体に格納されているコンピュータプログラム、
－ データ構造を格納しており、データ構造は、コンピュータまたはコンピュータネットワークまたはクラウドの主記憶部および／または作業記憶部にロードされた後に本明細書に記載の実施形態のうちの１つによる方法を実行するように構成されている記憶媒体、および
－ 記憶媒体上に格納可能または格納されたプログラムコード手段を有しており、プログラムコード手段がコンピュータまたはコンピュータネットワークまたはクラウド上で実行された場合に、本明細書に記載の実施形態のうちの１つによる方法が実行されるコンピュータプログラム製品
がさらに開示される。
【0089】
要約すると、さらなる実施形態の可能性を排除することなく、以下の実施形態が想定され得る：
実施形態１ 生物学的センサデータの品質を分類するためのコンピュータ実装方法であって、以下：
ａ）少なくとも１つの生物学的センサによって得られた生物学的センサデータを提供するステップであって、生物学的センサデータは、少なくとも１つの信号を含む、生物学的センサデータを提供するステップと、
ｂ）少なくとも１つの訓練済み訓練可能モデルを使用することによって信号の品質を分類するステップであって、訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて履歴生物学的センサデータについて訓練され、訓練可能モデルは、分類に関する１つの損失関数、または、信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、信号の品質を分類するステップと
を含む、方法。
実施形態１ 生物学的センサデータの品質を分類するためのコンピュータ実装方法であって、以下：
ａ）少なくとも１つの生物学的センサによって得られた生物学的センサデータを提供するステップであって、生物学的センサデータは、少なくとも１つの信号を含む、生物学的センサデータを提供するステップと、
ｂ）少なくとも１つの訓練済み訓練可能モデルを使用することによって信号の品質を分類するステップであって、訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて履歴生物学的センサデータについて訓練され、訓練可能モデルは、分類に関する１つの損失関数、または、信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、信号の品質を分類するステップと
を含む、方法。
【0090】
実施形態２ 生物学的センサは、少なくとも１つの可搬フォトプレチスモグラム装置であり、生物学的センサデータは、可搬フォトプレチスモグラム装置によって得られた少なくとも１つのフォトプレチスモグラムを含む、実施形態１に記載の方法。
【0091】
実施形態３ 品質は、心拍変動データに関する品質インジケータとして使用され、品質は、許容可能な心拍変動データと許容不可能な心拍変動データとを区別するために使用される、実施形態２に記載の方法。
【0092】
実施形態４ 品質を分類することは、ノイズの多い信号とクリーンな信号とを区別することを含む、実施形態１～３のいずれか１つに記載の方法。
【0093】
実施形態５ 訓練可能モデルは、畳み込みニューラルネットワーク（ＣＮＮ）、再帰型ニューラルネットワーク（ＲＮＮ）、長・短期記憶（ＬＳＴＭ）からなる群から選択される少なくとも１つのディープニューラルネットワークを備える、実施形態１～４のいずれか１つに記載の方法。
【0094】
実施形態６ 前記方法が、ｃ）少なくとも１つの訓練ステップをさらに含み、訓練ステップにおいて、訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて、履歴生物学的センサデータを含む少なくとも１つの訓練データセットについて訓練され、訓練可能モデルは、分類に関する１つの損失関数、または、信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、実施形態１～５のいずれか１つに記載の方法。
【0095】
実施形態７ 教師あり深層学習アーキテクチャに基づいて訓練可能モデルを訓練するために、手動でラベリングされた履歴生物学的センサデータが使用される、実施形態１～６のいずれか１つに記載の方法。
【0096】
実施形態８ 半教師あり深層学習アーキテクチャに基づいて訓練可能モデルを訓練するために、手動でラベリングされた履歴生物学的センサデータおよびラベリングされていない履歴生物学的センサデータが使用される、実施形態１～７のいずれか１つに記載の方法。
【0097】
実施形態９ ラベリングされていない生物学的センサデータについて、訓練可能モデルは、信号再構成に関する損失関数を最適化することによって、および分類に関する損失関数を無視することによって訓練される、実施形態８に記載の方法。
【0098】
実施形態１０ 生物学的センサデータのフィルタ処理または正規化のうちの１つ以上を含む少なくとも１つの前処理ステップを含む、実施形態１～９のいずれか１つに記載の方法。
【0099】
実施形態１１ 生物学的センサであって、生物学的センサは、生物学的センサデータの品質を分類するように構成され、生物学的センサは、少なくとも１つの信号を含む生物学的センサデータを提供するように構成された少なくとも１つの測定ユニットを備え、生物学的センサは、少なくとも１つの訓練済み訓練可能モデルを使用することによって信号の品質を分類するように構成された少なくとも１つの処理ユニットを備え、訓練可能モデルは、教師あり深層学習アーキテクチャおよび／または半教師あり深層学習アーキテクチャに基づいて履歴生物学的センサデータについて訓練され、訓練可能モデルは、分類に関する１つの損失関数、または、信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、生物学的センサ。
【0100】
実施形態１２ 生物学的センサは、可搬フォトプレチスモグラム装置であり、可搬フォトプレチスモグラム装置は、少なくとも１つのフォトプレチスモグラムを提供するように構成された、少なくとも１つの照明源および少なくとも１つのフォトディテクタを備え、処理ユニットは、訓練済み訓練可能モデルを使用することによってフォトプレチスモグラムの品質を分類するように構成される、実施形態１１に記載の生物学的センサ。
【0101】
実施形態１３ 実施形態１～１０のいずれか１つに記載の方法を実行するように構成された、実施形態１１または１２に記載の生物学的センサ。
【0102】
実施形態１４ 命令を含んでいるコンピュータプログラムであって、命令は、プログラムが実施形態１１～１３のいずれか１つに記載の生物学的センサによって実行されたときに、生物学的センサに、実施形態１～１０のいずれか１つに記載の方法のステップａ）からステップｂ）を実行させ、任意にステップｃ）も実行させる、コンピュータプログラム。
【0103】
実施形態１５ 命令を含んでいるコンピュータ可読記憶媒体であって、命令は、実施形態１１～１３のいずれか１つに記載の生物学的センサによって実行されたときに、生物学的センサに、実施形態１～１０のいずれか１つに記載の方法のステップａ）からステップｂ）を実行させ、任意にステップｃ）も実行させる、コンピュータ可読記憶媒体。
【図面の簡単な説明】
【0104】
さらなる任意の特徴および実施形態が、好ましくは従属請求項と併せて、実施形態の後続の説明においてさらに詳細に開示される。ここで、それぞれの任意の特徴は、当業者であれば理解できるとおり、独立した様相ならびに任意の実行可能な組み合わせにて実現されてよい。本発明の範囲は、好ましい実施形態によって限定されるわけではない。実施形態は、図において概略的に示されている。ここで、これらの図における同一の参照番号は、同一または機能的に同等の要素を指す。
【0105】
【図1】生物学的センサデータの品質を分類するためのコンピュータ実装方法のフロー図および生物学的センサの一実施形態の概略図を示している。
【図2A】クリーンな信号を含む例示的な生物学的センサデータを示している。
【図2B】クリーンな信号を含む例示的な生物学的センサデータを示している。
【図2C】ノイズの多い信号を含む例示的な生物学的センサデータを示している。
【図2D】ノイズの多い信号を含む例示的な生物学的センサデータを示している。
【図3A】教師あり深層学習アーキテクチャの実施形態を概略図にて示している。
【図3B】教師あり深層学習アーキテクチャの実施形態を概略図にて示している。
【図3C】教師あり深層学習アーキテクチャの実施形態を概略図にて示している。
【図4A】教師あり深層学習アーキテクチャの例示的な再構成信号を示している。
【図4B】教師あり深層学習アーキテクチャの例示的な再構成信号を示している。
【図5A】半教師あり深層学習アーキテクチャの実施形態を概略図にて示している。
【図5B】半教師あり深層学習アーキテクチャの実施形態を概略図にて示している。
【図6A】教師あり深層学習アーキテクチャの例示的な再構成信号を示している。
【図6B】半教師あり深層学習アーキテクチャの例示的な再構成信号を示している。
【図7】ランダムに選択されたＰＰＧサンプルの活動のヒストグラムを示している。
【図8A】第１の数のラベリングされたデータにおける種々の深層学習アーキテクチャの性能データを示している。
【図8B】第１の数のラベリングされたデータにおける種々の深層学習アーキテクチャの性能データを示している。
【図8C】第１の数のラベリングされたデータにおける種々の深層学習アーキテクチャの性能データを示している。
【図9A】第２の数のラベリングされたデータにおける種々の深層学習アーキテクチャの性能データを示している。
【図9B】第２の数のラベリングされたデータにおける種々の深層学習アーキテクチャの性能データを示している。
【図9C】第２の数のラベリングされたデータにおける種々の深層学習アーキテクチャの性能データを示している。
【図10】ラベリングされた信号の種々の配分における半教師あり深層学習アーキテクチャの性能データを示している。
【発明を実施するための形態】
【0106】
実施形態の詳細な説明
図１が、生物学的センサデータ１１０の品質を分類するためのコンピュータ実装方法のフロー図および生物学的センサ１１２の例示的な実施形態の概略図を示している。生物学的センサ１１２は、生物学的センサデータ１１０の品質を分類するように構成される。生物学的センサ１１２は、少なくとも１つの信号１１６を含む生物学的センサデータ１１０を提供するように構成された少なくとも１つの測定ユニット１１４を備える。生物学的センサ１１２は、少なくとも１つの訓練済み訓練可能モデル１１９（図１には図示せず）を使用することによって信号１１６の品質を分類するように構成された少なくとも１つの処理ユニット１１８を備える。訓練可能モデル１１９は、教師あり深層学習アーキテクチャ１３４および／または半教師あり深層学習アーキテクチャ１８８（図１には示されていない）に基づいて、履歴生物学的センサデータについて訓練される。訓練可能モデル１１９は、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される。
図１が、生物学的センサデータ１１０の品質を分類するためのコンピュータ実装方法のフロー図および生物学的センサ１１２の例示的な実施形態の概略図を示している。生物学的センサ１１２は、生物学的センサデータ１１０の品質を分類するように構成される。生物学的センサ１１２は、少なくとも１つの信号１１６を含む生物学的センサデータ１１０を提供するように構成された少なくとも１つの測定ユニット１１４を備える。生物学的センサ１１２は、少なくとも１つの訓練済み訓練可能モデル１１９（図１には図示せず）を使用することによって信号１１６の品質を分類するように構成された少なくとも１つの処理ユニット１１８を備える。訓練可能モデル１１９は、教師あり深層学習アーキテクチャ１３４および／または半教師あり深層学習アーキテクチャ１８８（図１には示されていない）に基づいて、履歴生物学的センサデータについて訓練される。訓練可能モデル１１９は、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される。
【0107】
生物学的センサ１１２は、可搬フォトプレチスモグラム装置１２０であってよい。可搬フォトプレチスモグラム装置１２０は、少なくとも１つの照明源１２２と、少なくとも１つのフォトプレチスモグラム１２６を提供するように構成された少なくとも１つのフォトディテクタ１２４とを備えてよい。処理ユニット１１８は、訓練済み訓練可能モデル１１９を使用することによってフォトプレチスモグラム１２６の品質を分類するように構成されてよい。
【0108】
生物学的センサ１１２は、具体的には、生物学的センサデータ１１０の品質を分類するための方法を実行するように構成されてよく、かつ／または生物学的センサデータ１１０の品質を分類するための方法において使用されるように構成されてよい。生物学的センサデータ１１０の品質を分類するための方法の例示的な実施形態が、図１のフロー図に示されている。
【0109】
本方法は、一例として、所与の順序で実行されてよい以下のステップを含む。しかしながら、異なる順序も可能であることに留意されたい。さらに、方法ステップのうちの１つ以上を１回または繰り返し実行することも可能である。さらに、方法ステップのうちの２つ以上を同時に、または時間的に重なった様相で実行することが可能である。本方法は、挙げられていないさらなる方法ステップを含んでもよい。
【0110】
本方法は、以下：
ａ）少なくとも１つの生物学的センサ１１２によって得られた生物学的センサデータ１１０を提供するステップであって、生物学的センサデータ１１０は、少なくとも１つの信号１１６を含む、生物学的センサデータ１１０を提供するステップ（参照番号１２８によって示される）と、
ｂ）少なくとも１つの訓練済み訓練可能モデル１１９を使用することによって信号１１６の品質を分類するステップであって、訓練可能モデル１１９は、教師あり深層学習アーキテクチャ１３４および／または半教師あり深層学習アーキテクチャ１８８に基づいて履歴生物学的センサデータについて訓練され、訓練可能モデル１１９は、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、信号１１６の品質を分類するステップ（参照番号１３０によって示される）と
を含む。
ａ）少なくとも１つの生物学的センサ１１２によって得られた生物学的センサデータ１１０を提供するステップであって、生物学的センサデータ１１０は、少なくとも１つの信号１１６を含む、生物学的センサデータ１１０を提供するステップ（参照番号１２８によって示される）と、
ｂ）少なくとも１つの訓練済み訓練可能モデル１１９を使用することによって信号１１６の品質を分類するステップであって、訓練可能モデル１１９は、教師あり深層学習アーキテクチャ１３４および／または半教師あり深層学習アーキテクチャ１８８に基づいて履歴生物学的センサデータについて訓練され、訓練可能モデル１１９は、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される、信号１１６の品質を分類するステップ（参照番号１３０によって示される）と
を含む。
【0111】
上述したように、生物学的センサ１１２は、少なくとも１つの可搬フォトプレチスモグラム装置１２０であってよい。生物学的センサデータ１１０は、可搬フォトプレチスモグラム装置１２０によって得られた少なくとも１つのフォトプレチスモグラム１２６を含み得る。一例として、品質を、心拍変動データの品質インジケータとして使用し得る。品質を、許容可能な心拍変動データと許容不可能な心拍変動データとを区別するために使用し得る。
【0112】
さらに、生の信号を使用しても、または処理された信号もしくは前処理された信号を使用して、センサ信号１１６としても使用され得る二次信号を生成してもよい。本方法は、生物学的センサデータ１１０のフィルタ処理または正規化のうちの１つ以上を含む少なくとも１つの前処理ステップ（参照番号１３１で示される）を含み得る。図１に示されるように、前処理ステップを、具体的には、ステップａ）とステップｂ）との間で実行し得る。例えば、ＰＰＧ装置１２０の信号１１６の場合に、バンドパスフィルタを使用し得る。さらに、信号１１６を、値が０を中心とするように正規化し得る。しかしながら、前処理は、生理学に応じて、さまざまな信号１１６についてさまざまであってよい。
【0113】
本方法において、品質を分類することは、ノイズの多い信号とクリーンな信号とを区別することを含み得る。例示的な生物学的センサデータ１１０が、図２Ａ～図２Ｄに示される。ここでは、具体的には、生物学的センサデータ１１０に例示的に含まれる信号１１６が示されている。図２Ａ～図２Ｄの例において、生物学的センサデータ１１０は、フォトプレチスモグラム１２６からのデータを含む。したがって、この例において、生物学的センサデータ１１０に含まれる信号１１６は、２０Ｈｚのサンプリング周波数で２００個のＰＰＧデータ点をもたらすＰＰＧ信号の１０秒の区間であってよい。クリーンな信号１１６が、図２Ａおよび図２Ｂに示されており、ノイズの多い信号１１６が、図２Ｃおよび図２Ｄに示されている。
【0114】
再び図１に戻る。本方法は、とくにはステップａ）の前に、
ｃ）少なくとも１つの訓練ステップ（参照番号１３２によって示される）をさらに含んでよく、訓練ステップにおいて、訓練可能モデル１１９は、教師あり深層学習アーキテクチャ１３４および／または半教師あり深層学習アーキテクチャ１８８に基づいて、履歴生物学的センサデータを含む少なくとも１つの訓練データセットについて訓練され、訓練可能モデル１１９は、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される。
ｃ）少なくとも１つの訓練ステップ（参照番号１３２によって示される）をさらに含んでよく、訓練ステップにおいて、訓練可能モデル１１９は、教師あり深層学習アーキテクチャ１３４および／または半教師あり深層学習アーキテクチャ１８８に基づいて、履歴生物学的センサデータを含む少なくとも１つの訓練データセットについて訓練され、訓練可能モデル１１９は、分類に関する１つの損失関数または信号再構成および分類に関する２つの損失関数を最適化することによって訓練される。
【0115】
訓練可能モデル１１９は、教師あり深層学習アーキテクチャ１３４および／または半教師あり深層学習アーキテクチャ１８８に基づいて、履歴生物学的センサデータについて訓練される。教師あり深層学習アーキテクチャ１３４の例示的な実施形態が、図３Ａ～図３Ｃに概略図にて示される。
【0116】
教師あり深層学習アーキテクチャ１３４は、履歴バイオセンサデータおよび／または前処理された履歴バイオセンサデータを受信する少なくとも１つの入力層１３６を備えてよい。例えば、入力（参照番号１３８で示される）として、各々が２０Ｈｚの周波数による１０秒間のフィルタ処理されたＰＰＧ信号を使用し得る。したがって、入力１３８は、図２で例示的に説明した信号１１６などの２００個の値を含む信号１１６を含み得る。
【0117】
本方法において、手動でラベリングされた履歴生物学的センサデータを、教師あり深層学習アーキテクチャ１３４に基づく訓練可能モデル１１９の訓練に使用し得る。履歴生物学的センサデータとして、手動でラベリングされたＰＰＧデータセットを使用し得る。例えば、生物学的センサデータ１１０の訓練データセットを、以下のように設定し得る。データを、５人の健康なボランティア（女性１人および男性４人、平均年齢３３歳）から、いかなる管理にもよらずに、通常の日常活動中および夜間の睡眠中に収集した。各々が１０秒の長さである合計１３５４７個の重複しないＰＰＧ信号サンプルを収集した。信号を、Ｅｌｇｅｎｄｉ，Ｍ．，“Ｏｐｔｉｍａｌ ｓｉｇｎａｌ ｑｕａｌｉｔｙ ｉｎｄｅｘ ｆｏｒ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｉｇｎａｌｓ”，Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，３（４），２０１６の指示に従って、専門家によって手動でラベリングし得る。ノイズの多い８３０５個のＰＰＧ信号およびクリーンな５２４２個のＰＰＧ信号に分類した。例えば、ラベリングされた９３８０個の信号サンプルからなるバランスしたデータセットを、とくには訓練のための訓練データセットとして使用し得る。
【0118】
訓練ステップは、例えば各々が２０Ｈｚの周波数で合計２００個のデータ点を有している１０秒間のＰＰＧ信号をフィルタ処理するなど、履歴生体センサデータを前処理することを含み得る。ラベルを、訓練のための各々の入力信号に対して、ノイズの多い信号を示す「０」およびクリーンな信号を示す「１」で提供し得る。
【0119】
教師あり深層学習アーキテクチャ１３４は、複数の畳み込み層１４０、とくには畳み込み層の積層１４２を含み得る。畳み込み層は、膨張を伴って設計されてもよい。畳み込み層を、膨張畳み込みのために構成し得る。教師あり深層学習アーキテクチャ１３４は、上記でさらに詳細に説明したように、ＷａｖｅＮｅｔニューラルネットワークを含み得る。しかしながら、再帰型ニューラルネットワーク（ＲＮＮ）および／または長・短期記憶（ＬＳＴＭ）などの他のディープニューラルネットワークも実現可能である。教師あり深層学習アーキテクチャ１３４は、各々の畳み込み層に因果的パディングを含んでよい。
【0120】
図３Ａ～図３Ｃに示される例示的な実施形態において、教師あり深層学習アーキテクチャ１３４は、５つの畳み込み層１４４、１４６、１４８、１５０、１５２を含み得る。第１の層１４４は、膨張を有しなくてもよく、第２の層１４６は、２という膨張を有してよく、そこから、膨張は、次の各層ごとに２倍になってよい。各層において、１６個のフィルタを使用し得る。
【0121】
サイズ３、５、７、またはさらに他のサイズのカーネルを、使用し得る。正則化強度は、０．０００５～０．００２の範囲、例えば０．０００５、０．００１、０．００１５、または０．００２であってよい。しかしながら、他の範囲も可能である。図３Ａ～図３Ｃに見られるように、先行の層の出力が、後続の層の入力を形成し得る。例えば、入力層１３６の出力（参照番号１５４によって示される）が、第１の畳み込み層１４４の入力を形成でき、第１の畳み込み層１４４の出力（参照番号１５６によって示される）が、第２の畳み込み層１４６の入力を形成でき、第２の畳み込み層１４６の出力（参照番号１５８によって示される）が、第３の畳み込み層１４８の入力を形成でき、第３の畳み込み層１４８の出力（参照番号１６０によって示される）が、第４の畳み込み層１５０の入力を形成でき、第４の畳み込み層１５０の出力（参照番号１６２によって示される）が、第５の畳み込み層１５２の入力を形成し得る。
【0122】
教師あり深層学習アーキテクチャ１３４は、例えば０．００００１の学習率を有し、１０または１００またはさらに多くのエポックごとに学習率が半減する減衰を有するＡｄａｍオプティマイザを含み得る。しかしながら、他の学習率も可能である。例えば、訓練のために、１２８というバッチサイズ、および３００までのエポックを使用し得る。例えば、訓練のために、１２８というバッチサイズ、および５０から最大５００またはさらに多くのエポックを使用し得る。しかしながら、他のバッチサイズおよびエポックも可能である。
【0123】
図３Ａ～図３Ｃに示されるように、教師あり深層学習アーキテクチャ１３４は、畳み込み層の後かつ出力の前に、平坦化層１６４を含み得る。平坦化層１６４は、畳み込み層の行列出力（参照番号１６６として示されている）を全結合層１６８に変換するように設計されてよい。したがって、この例において、平坦化層１６４の出力（参照番号１７２によって示される）としての畳み込み層の変換後の行列出力は、全結合層１６８の入力を形成し得る。
【0124】
深層学習アーキテクチャ、とくには教師あり深層学習アーキテクチャ１３４は、最終層、とくには全結合層１６８として、１つまたは２つの経路を備える出力層１７０を含み得る。図３Ａおよび図３Ｃに示される例示的な実施形態は、２つの経路を備える出力層１７０を有する教師あり深層学習アーキテクチャ１３４を示している。この例において、教師あり深層学習アーキテクチャ１３４を、信号再構成および分類に関する２つの損失関数を最適化することによって訓練し得る。しかしながら、代案として、出力層１７０は、図３Ｂに例示的に示されるように、ただ１つの経路を備えてもよい。この例においては、教師あり深層学習アーキテクチャを、分類に関する１つの損失関数を最適化することによって訓練し得る。図３Ａおよび図３Ｃの例において、経路の各々が出力を含み得る。具体的には、教師あり深層学習アーキテクチャ１３４は、２つの出力、すなわち第１の出力（参照番号１７４によって示される）および第２の出力（参照番号１７６によって示される）を含み得る。
【0125】
第１の出力１７４は、分類された品質を提供する分類出力であってよい。分類出力は、第１の損失関数を用いてよい。第１の損失関数は、分類損失に関連し得る。図３Ａの例示的な実施形態において、分類出力は、平坦化層の出力１７２を入力とし得る。あるいは、図３Ｂおよび図３Ｃに例示的に示されるように、分類出力は、とくには平坦化層の出力１７２の代わりに、全結合層の出力１８２を入力として使用し得る。分類出力は、シグモイド活性化関数を使用し得る。分類出力は、０と１との間の確率を提供するためにバイナリ交差エントロピー損失関数を使用してよく、０．５を超える値は、信号１１６がクリーンであることを示す。
【0126】
第２の出力１７６は、入力１３８と畳み込み後の再構成された信号１８４との間の差の尺度を提供する平均二乗誤差（ＭＳＥ）出力であってよい。ＭＳＥ出力は、正規化線形ユニット（ＲｅＬＵ）活性化関数を使用し得る。ＭＳＥ出力は、ＭＳＥ損失関数を使用し得る。ＭＳＥ損失関数は、平均二乗誤差（ＭＳＥ）の観点からの再構成された入力信号と入力信号１３８との間の差に関連し得る。より小さいＭＳＥは、より良好な信号再構成に関連する。ＭＳＥ出力を推定するために、２つの追加の全結合層、すなわち図３Ａおよび図３Ｃに示されるような第１の追加の全結合層１７８および第２の追加の全結合層１８０を、入力信号１３８と同じサイズの出力を有するように、平坦化層１６４の後にＲｅＬＵ活性化関数によって使用し得る。第１の追加の全結合層１７８の出力（参照番号１８２によって示される）が、第２の追加の全結合層１８０の入力を形成し得る。
【0127】
本方法は、少なくとも１つの検証ステップを含み得る。検証ステップを、訓練可能モデル１１９の訓練中に実行し得る。検証ステップを、訓練の改善を監視するために使用し得る。検証ステップは、少なくとも１つの検証データセットを使用して訓練可能モデル１１９を検証することを含み得る。検証データセットは、例えば、上記のように、５人の健康なボランティアから収集された履歴生物学的センサからの１０００個の重複しない手動でラベリングされたサンプルを含み得、検証に使用される１０００個の重複しない手動でラベリングされたサンプルは、訓練には使用されていない。
【0128】
本方法は、少なくとも１つのテストステップを含み得、テストステップは、訓練済み訓練可能モデル１１９をテストすることを含む。テストステップは、少なくとも１つのテストデータセットにおいて訓練済み訓練可能モデル１１９をテストすることを含み得る。テストステップは、例えば正確性、リコール、Ｆ１スコア、曲線下面積（ＡＵＣ）などの訓練済み訓練可能モデル１１９の性能特性を求めることを含み得る。
【0129】
例えば、テストデータとして、上記のように、５人の健康なボランティアから収集した履歴生物学的センサからの１０００個の重複しない手動でラベリングされたサンプルを使用した。テストに使用した１０００個の重複しない手動でラベリングされたサンプルは、訓練に使用されたものではない。その結果、分類しきい値を０．５として、精度が以下のとおりであることが明らかになった。
－ 教師あり深層学習アーキテクチャ１３４（図３Ｂに例示的に示されるように１つの損失関数を最適化）：９８．１％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を１という同じ損失関数の重みで最適化）：９８．１％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｂに例示的に示されるように１つの損失関数を最適化）：９８．１％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を１という同じ損失関数の重みで最適化）：９８．１％
【0130】
テストのために、偽陽性と偽陰性との間のバランスを維持するために、最高のＦ１スコアを有するエポックおよび正則化強度の組み合わせを使用した。分類しきい値を、訓練済み訓練可能モデル１１９が［０，１］の間の値を与えるという観点から選択し、０はノイズの多い信号を意味し、１はクリーンな信号を意味する。０．５という分類しきい値において、訓練済み訓練可能モデル１１９の出力値が０．５を下回る場合、信号１１６はノイズが多いと見なされ、そうでなければクリーンであると見なされる。この分類しきい値はさまざまであってよい。最適な分類しきい値を見つけるための技術は、当業者に知られており、例えばＲＯＣ曲線に基づく。
【0131】
追加的に、または代替的に、訓練済み訓練可能モデル１１９のテストのために、完全に独立したラベリング済みデータセットを使用してもよい。例えば、訓練セット用のデータを収集するために、モデル１１９の訓練に使用される参加者とは異なる参加者が使用されてもよい。例えば、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に記載されているようなデータセットからの１０００個の重複しないサンプルを、テストデータセットとして使用し得る。その結果、分類しきい値を０．５として、精度が以下のとおりであることが明らかになった。
－ 教師あり深層学習アーキテクチャ１３４（図３Ｂに例示的に示されるように１つの損失関数を最適化）：９２．５％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を１という同じ損失関数の重みで最適化）：９１．６％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を最適な損失関数の重みで最適化）：９２．５％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｂに例示的に示されるように１つの損失関数を最適化）：９２．５％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を１という同じ損失関数の重みで最適化）：９１．６％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を最適な損失関数の重みで最適化）：９２．５％
【0132】
最適な分類しきい値の場合、精度が以下のとおりであることが明らかになった。
－ 教師あり深層学習アーキテクチャ１３４（図３Ｂに例示的に示されるように１つの損失関数を最適化）：９１．８％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を１という同じ損失関数の重みで最適化）：９０．６％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を最適な損失関数の重みで最適化）：９２．０％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｂに例示的に示されるように１つの損失関数を最適化）：９１．８％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を１という同じ損失関数の重みで最適化）：９０．６％
－ 教師あり深層学習アーキテクチャ１３４（図３Ｃに例示的に示されるように、２つの損失関数を最適な損失関数の重みで最適化）：９２．０％
【0133】
図４Ａおよび図４Ｂにおいては、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に記載のデータセットを使用した。図４Ａおよび図４Ｂには、教師あり深層学習アーキテクチャ１３４の例示的な再構成信号１８４が示されている。教師あり深層学習アーキテクチャ１３４は、具体的には、図３Ａ～図３Ｃに示した実施形態のいずれかに従って具現化されてよい。しかしながら、他の実施形態も実現可能である。図４Ａおよび図４Ｂには、再構成信号１８４が、元の信号１８６と共に示されている。図４Ａおよび図４Ｂに示される２つの例示的な信号１１６は、それらのＨＲＶ品質メトリック値に基づき、それらのＨＲＶ多変量品質メトリックが２０未満であるため、図４Ｂに示される信号１１６が明らかにノイズの多い信号であるにもかかわらず、クリーンな信号として識別された。ＨＲＶ多変量品質メトリックとも呼ばれるＨＲＶ品質メトリック値は、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１で提案されているような多変量品質メトリックであってよい。図４Ａおよび図４Ｂに見られるように、教師あり深層学習アーキテクチャ１３４は、クリーンな信号（図４Ａ）およびノイズの多い信号（図４Ｂ）のピークを正確に再現することが可能であり得る。教師あり深層学習アーキテクチャ１３４は、両方の信号１１６をクリーンであると誤ってラベリングしたＨＲＶ品質メトリック値を使用した分類とは対照的に、図４Ａの信号１１６をクリーン（分類＝１）として、図４Ｂの信号１１６をノイズが多い（分類＝０）として、正しく分類し得る。
【0134】
図４Ａおよび図４Ｂの例示的な再構成信号１８４は、例えば１という同じ重みで等しく重み付けされた分類出力およびＭＳＥ出力を使用して示されている。分類しきい値は０．５であってよい。図４Ａおよび図４Ｂでは、３００のエポックおよび０．００２という正則化強度を使用した。図４Ａには、手動でクリーン（０がノイズの多い信号を意味し、１がクリーンな信号を意味する）とラベリングされた信号が示されており、教師あり深層学習アーキテクチャの予測は１（アルゴリズムの正確な予想は０．９８９）を与える。これに対して、ＨＲＶ品質メトリックは７．５を与え、ＨＲＶ品質メトリックの場合、ＨＲＶ品質メトリック値が２０未満であれば、ＰＰＧ信号はクリーンであると見なされる。図４Ｂには、手動でノイズが多いとラベリングされた信号が示されており、教師あり深層学習アーキテクチャの予測は０（アルゴリズムの正確な予想は０．００２）を与える。これに対して、ＨＲＶ品質メトリックは９．６１を与える。図４Ａに示される信号１１６は、両方のモデル、すなわち教師あり深層学習アーキテクチャ１３４およびＨＲＶ多変量品質メトリックにおいて、クリーンであると正確に予測されることが明らかになった。再構成された信号１８４は、元の信号１８６にきわめて良好に一致し得、元の信号１８６のピークを正しく識別し得る。図４Ｂに見られるように、教師あり深層学習アーキテクチャ１３４は、信号１１６をノイズが多いと正しく予測する。しかしながら、９．６１というＨＲＶ多変量品質メトリックは、信号１１６をクリーンと示唆していると考えられる（９．６１＜２０）。さらに、信号再構成は、１より小さい重み（例えば、０．１という重み）など、ＭＳＥ出力の寄与の重みが小さくなると、再構成信号１９４の振幅が減少するという点で変化するが、元の信号１８６および再構成信号１８４のピークは、等しい重みの場合と同様に依然として一致することが明らかになった。
【0135】
図５Ａおよび図５Ｂが、半教師あり深層学習アーキテクチャ１８８の例示的な実施形態を概略図にて示している。半教師あり深層学習アーキテクチャ１８８は、図３Ａ～図３Ｃに示されるとおりの教師あり深層学習アーキテクチャ１３４におおむね相当し得る。したがって、半教師あり深層学習アーキテクチャ１８８の説明について、図３Ａ～図３Ｃの説明が参照される。
【0136】
図５Ａおよび図５Ｂの例において、半教師あり深層学習アーキテクチャは、５つの畳み込み層１４４、１４６、１４８、１５０、１５２を含み得る。第１の層１４４は、膨張を有しなくてもよく、第２の層１４６は、２という膨張を有してよく、そこから、膨張は、次の各層ごとに２倍になってよい。各層において、１６個のフィルタを使用し得る。サイズ３、５、７、またはさらに他のサイズのカーネルを、使用し得る。正則化強度は、０．０００５～０．００２の範囲、例えば０．０００５、０．００１、０．００１５、または０．００２であってよい。しかしながら、他の範囲も可能である。半教師あり深層学習アーキテクチャ１８８は、畳み込み層１４４、１４６、１４８、１５０、１５２の後かつ出力の前に、平坦化層１６４を含み得る。半教師あり深層学習アーキテクチャ１８８は、例えば０．００００１の学習率を有し、１０または１００またはさらに多くのエポックごとに学習率が半減する減衰を有するＡｄａｍオプティマイザを含み得る。しかしながら、他の学習率も可能である。例えば、訓練のために、１２８というバッチサイズ、および３００までのエポックを使用し得る。例えば、訓練のために、１２８というバッチサイズ、および５０から最大５００またはさらに多くのエポックを使用し得る。しかしながら、他のバッチサイズおよびエポックも可能である。各々のエポックについて、モデル１１９を、ラベリング済みのデータで一度、ならびにラベリング済みおよびラベリングなしの複合データからランダムに選択されたＮ個のサンプルで一度、訓練してよく、ここでＮは、ラベリング済みのセットのサイズの２倍である。
【0137】
半教師あり深層学習アーキテクチャ１８８の例において、本方法は、ラベリングなしのデータセットに基づく訓練のための追加の入力パラメータＺinput（参照番号１９０によって示される）を導入することを含み得る。これにより、「欠けている」ラベルの処理を可能にできる。追加の入力パラメータ１９０は、特定のデータがラベリングされているか否かを示すバイナリ値であってよい。例えば、追加の入力パラメータ１９０は、ラベリングされていないデータについて「０」であってよく、ラベリング済みのデータについて「１」であってよい。追加の入力パラメータ１９０は、分類の学習がラベリングされていないデータの影響を受けないように、学習プロセスの際に分類出力と乗算されてよい。
【0138】
したがって、図５Ａおよび図５Ｂに見られるように、半教師あり深層学習アーキテクチャ１８８は、追加の入力層１９２を含み得る。追加の入力層１９２は、追加の入力パラメータＺinput １９０に、ラベリングされていないデータについては「０」という値を割り当て、ラベリング済みのデータについては「１」という値を割り当てるように構成し得る。追加の入力層１９２の出力（参照番号１９４によって示される）は、追加の出力層１９６の入力を形成し得る。追加の出力層１９６において、第１の出力１７４、具体的には分類出力と、出力１９４に含まれる追加の入力パラメータ１９０とを乗算して、結果としての出力１９８を得てもよい。図５Ａの例示的な実施形態において、分類出力は、平坦化層の出力１７２を入力とし得る。あるいは、図５Ｂに例示的に示されるように、分類出力は、とくには平坦化層の出力１７２の代わりに、全結合層の出力１８２を入力として使用し得る。
【0139】
手動でラベリングされた履歴生物学的センサデータおよびラベリングされていない履歴生物学的センサデータを、半教師あり深層学習アーキテクチャ１８８に基づく訓練可能モデル１１９の訓練に使用し得る。ラベリングされていない生物学的センサデータについて、訓練可能モデル１１９を、信号再構成に関する損失関数を最適化することによって、および分類に関する損失関数を無視することによって訓練し得る。訓練のために、教師ありモデル１３４と同じバランスしたラベリング済みデータセットを使用してよく、さらに、以下で説明されるラベリングなしのデータを使用してよい。
【0140】
例えば、とくには上記のラベリング済みのＰＰＧデータセットに加えて、訓練用の履歴生物学的センサデータとして、ラベリングされていないＰＰＧデータセットを使用し得る。例えば、ラベリングされていないＰＰＧデータセットを、以下のように設定し得る。２０人の健康なボランティア（女性４名および男性１６名、平均年齢３２歳）から、参加者が５分ごとに活動を切り替える管理された様相で一連の活動を実行しつつ、データを収集した。例えば、スクリーニングおよびインフォームドコンセントのプロセス（安静に着席して）、ＥＣＧおよびＰＰＧセンサの配置（安静に着席して）、ベースライン（安静に着席）、ペース呼吸（呼吸数を毎分５回から毎分２０回まで５刻みで段階的に増加させる）、ゲーム機での５分間のゲームプレイ（ＰＳ ４ Ａａｅｒｏ）、直立（静かに立っている）、精神的ストレス操作（例えば、Ｅｗｉｎｇ ｅｔ ａｌ １９９２に記載されているようなＳｅｒｉａｌ ７ｓ［目を閉じた状態で７００から７を引き算していき、各々の答えを声に出す］）、身体的活動操作（予め設定された円形経路に沿った途切れない屋内歩行；すべての被験者について同じ経路）、ベースライン（安静に着席）、ＰＰＧ／ＥＣＧ機器の回収、および感想などの複数の活動を含むプロトコルを使用し得る。
【0141】
活動は、安静姿勢での着席、ペース呼吸、ゲーム機でのゲームプレイ、直立、精神的ストレス操作、身体的活動、および安静姿勢での着席を含んだ。一部の活動（例えば、身体的活動、直立、およびゲーム機でのゲームプレイ）が、さまざまなレベルの運動アーチファクトを持ち込むと疑われる一方で、他の活動（例えば、ペース呼吸）は、心拍数を増加させ、ＰＰＧ波形を変化させる。例えば、各々が１０秒の長さである合計３７５６４個の重複しないＰＰＧ信号サンプルを収集した。ラベリングされていないデータセットの収集のさらなる詳細については、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１が参照される。
【0142】
上述したように、半教師ありモデル１８８のための訓練データセットは、ラベリング済み履歴生物学的センサデータおよびラベリングされていない履歴生物学的センサデータを含み得る。例えば、ラベリングされた９３８０個のバランスした信号サンプルを使用してよく、さらに、収集されたラベリングされていないサンプルを使用してよい。
【0143】
上述のように、本方法は、少なくとも１つの検証ステップを含み得る。半教師あり深層学習アーキテクチャ１８８を使用する訓練可能モデルを検証するための検証データセットは、例えば、上記のように、５人の健康なボランティアから収集された履歴生物学的センサからの１０００個の重複しない手動でラベリングされたサンプルを含み得、検証に使用される１０００個の重複しない手動でラベリングされたサンプルは、訓練には使用されていない。
【0144】
上述のように、本方法は、少なくとも１つのテストステップを含み得る。例えば、半教師あり深層学習アーキテクチャ１８８に基づく訓練済み訓練可能モデル１１９のテストのために、テストデータとして、上述したように、５人の健康なボランティアから収集された履歴生物学的センサからの１０００個の重複しない手動でラベリングされたサンプルを使用し得る。テストに使用した１０００個の重複しない手動でラベリングされたサンプルは、訓練に使用されたものではない。５名からのテストデータセットからのデータを使用した場合の半教師ありモデルの精度は、以下のとおりである。
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を１という同じ損失関数の重みで最適化）：９７．９％
－ 半教師あり深層学習アーキテクチャ（２つの損失関数を１という同じ損失関数の重みで最適化）：９７．９％
【0145】
追加的に、または代替的に、テストのために、他のテストデータが使用されてもよい。例えば、上記および“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に記載のように収集されたラベリングされていないデータセットからの１０００個の重複しないサンプルを、テストデータセットとして使用し得る。テストに使用したサンプルには、手動で注釈が付けられている。例えば、テストに使用されるデータセットは、７９６個のノイズの多いＰＰＧ信号および２０４個のクリーンなＰＰＧ信号を含んでよい。その結果、分類しきい値を０．５として、精度が以下のとおりであることが明らかになった。
－ 半教師あり深層学習アーキテクチャ１８８（２つの損失関数を１という同じ損失関数の重みで最適化）：８７．７％
－ 半教師あり深層学習アーキテクチャ１８８（２つの損失関数を最適な損失関数の重みで最適化）：９０．６％
－ 半教師あり深層学習アーキテクチャ１８８（２つの損失関数を１という同じ損失関数の重みで最適化）：８７．７％
－ 半教師あり深層学習アーキテクチャ１８８（２つの損失関数を最適な損失関数の重みで最適化）：９０．６％
【0146】
最適な分類の場合、精度が以下のとおりであることが明らかになった。
－ 半教師あり深層学習アーキテクチャ１８８（２つの損失関数を１という同じ損失関数の重みで最適化）：９０．８％
－ 半教師あり深層学習アーキテクチャ１８８（２つの損失関数を最適な損失関数の重みで最適化）：９１．３％
－ 半教師あり深層学習アーキテクチャ１８８（２つの損失関数を１という同じ損失関数の重みで最適化）：９０．８％
－ 半教師あり深層学習アーキテクチャ１８８（２つの損失関数を最適な損失関数の重みで最適化）：９１．３％
【0147】
モデル１１９の性能を、例えば“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に提案されているような他変量品質メトリックを用いた性能と比較し得る。ＰＰＧ信号をＥＣＧ信号と同時に収集し、Ｚａｎｏｎ ｅｔ ａｌ．，２０２０に記載されているように、導出されたＨＲＶ特徴を比較し、最終的に信号ごとのＨＲＶ品質メトリックを推定した。ＨＲＶ品質メトリックを各々のＰＰＧサンプル信号について計算し、ＨＲＶ品質メトリック値が２０未満である場合、ＰＰＧ信号を信頼できる（すなわち、クリーンである）と見なした。半教師あり学習は、多変量品質メトリックの使用と比べ、性能が良好であることが明らかになった。
【0148】
半教師あり深層学習アーキテクチャ１８８に基づく訓練は、まず、分類ラベルおよび信号再構成のための関連情報を学習するためのラベリング済みデータのデータセットを用いた訓練を含み得る。訓練は、その後に、信号再構成をより良好に学習するために、ラベリングされていないデータのランダムなサブセットのみを用いた訓練を含み得る。ラベリングされていないデータを用いた訓練は、例えば異なる人々や異なる活動など、ラベリング済み訓練セットに含まれていなかった信号生理学を導入することをさらに含み得る。データに注釈を付けることは高価であり、利用可能な注釈付きデータセットはきわめて少ない。しかしながら、ラベリングされていないデータは多数が利用可能である。半教師あり学習は、ラベリングされていないデータの活用を可能にし、少量のラベリング済みデータの最も効率的な使用を可能にする。
【0149】
教師あり深層学習アーキテクチャ１３４および半教師あり深層学習アーキテクチャ１８８の両方について、２つの損失関数の使用は、分類、したがってクリーンな信号をノイズの多い信号から区別するためにラベリングされた信号を使用することを一緒に学習することを可能にし、ネットワークが信号１１６の生理学についてより多く学習することを助けることを可能にする。
【0150】
さらに、本方法において、訓練済み訓練可能モデル１１９は、教師あり深層学習アーキテクチャ１３４および半教師あり深層学習アーキテクチャ１８８の組み合わせ２１６（図５には図示せず）に基づいて訓練されてもよい。組み合わせ２１６は、２つのアーキテクチャによって報告された確率の平均を考慮に入れる２つのアーキテクチャの組み合わせ平均予測を使用し得る。
【0151】
図６Ａおよび図６Ｂにおいては、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に記載のデータセットを使用した。図６Ａおよび図６Ｂに、教師あり深層学習アーキテクチャ１３４（図６Ａ）および半教師あり深層学習アーキテクチャ１８８（図６Ｂ）の例示的な再構成信号１８４が示されている。具体的には、図６Ａおよび図６Ｂに示される再構成は、同じ元の信号１８６について、教師あり深層学習アーキテクチャ１３４および半教師あり深層学習アーキテクチャ１８８を使用したものである。教師あり深層学習アーキテクチャ１３４および半教師あり深層学習アーキテクチャ１８８は、それぞれ図３Ａ～図３Ｃならびに図５Ａおよび図５Ｂに示したいずれかの実施形態に従って具現化されてよい。両方の図に、再構成された信号１８４が、元の信号１８６と一緒に示されている。
【0152】
半教師あり深層学習アーキテクチャ１８８の信号再構成（図６Ｂ）を教師あり深層学習アーキテクチャ１３４（図６Ａ）と比較すると、前者が、図示の信号サンプルなどの特定の信号サンプルの信号再構成を改善でき、予測の精度も改善できることを見て取ることができる。分類しきい値は０．５であってよい。図６Ａおよび図６Ｂには、手動でクリーンであるとラベリングされた信号が示されている（０はノイズの多い信号を意味し、１はクリーンな信号を意味する）。図６Ａには、０を与える教師あり深層学習アーキテクチャの予想が示されている（アルゴリズムの正確な予想は０．１９７）。３００のエポックおよび０．００２という正則化強度を使用した。図６Ｂには、１を与える半教師あり深層学習アーキテクチャの予想が示されている（アルゴリズムの正確な予想は０．６４９）。半教師ありモデルは、訓練の際に使用されたラベリングされていないデータゆえに、信号の生理学をより良好に学習している。したがって、信号のピークがはるかにクリアに推定され、より良い予測がもたらされる。４００のエポックおよび０．０００５という正則化強度を使用した。これに対して、ＨＲＶ品質メトリックは１４．８１を与え、ＨＲＶ品質メトリックの場合、ＨＲＶ品質メトリック値が２０未満であれば、ＰＰＧ信号はクリーンであると見なされる。図６Ａおよび図６Ｂに示される例において、教師あり深層学習アーキテクチャ１３４は、信号１１６をノイズが多いと誤って分類するが、半教師あり深層学習アーキテクチャ１８８は、信号１１６をクリーンであると正しく分類する。これは、一般に、半教師あり深層学習アーキテクチャ１８８は、教師あり深層学習アーキテクチャ１３４よりも信号再構成に関してより正確であり得、より高い真陽性率をもたらすことを示している。
【0153】
上述したように、図１に関して説明した方法は、少なくとも１つのテストステップをさらに含み得、訓練済み訓練可能モデル１１９のテストのために、少なくとも１つのテストデータセットを使用し得る。実験プロトコルの各々の活動に関するテストデータセット内のデータ点の量２００が、図７に示されている。ここで、安静での開始２０２、呼吸２０４、ゲーム２０６、直立２０８、精神的ストレス２１０、身体的活動２１２、および安静での終了２１４に関するデータ点の量が、総数およびサンプルの総量に対する相対にて示されている。
【0154】
図８Ａ～図８Ｃが、第１の数のラベリングされたデータを訓練に使用した場合の種々の深層学習アーキテクチャの性能データを示している。第１の数のラベリングされたデータは、９３８０個のラベリングされた信号サンプルからなるバランスしたデータセットの１００％を含んでよい。加えて、半教師ありモデルについては、“Ａ ｑｕａｌｉｔｙ ｍｅｔｒｉｃ ｆｏｒ ｈｅａｒｔ ｒａｔｅ ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ ｓｅｎｓｏｒ ｄａｔａ”，ｏｆ Ｍ．Ｚａｎｏｎ ｅｔ ａｌ．，ＰＭＩＤ：３３０１８０８５，ＤＯＩ：１０．１１０９／ＥＭＢＣ４４１０９．２０２０．９１７５６７１に記載のとおりに収集されたラベリングされていないデータを使用した。具体的には、図８Ａ～図８Ｃには、信号再構成のある教師あり深層学習アーキテクチャ１３４および信号再構成のない教師あり深層学習アーキテクチャ１３４、半教師あり深層学習アーキテクチャ１８８、ならびに信号再構成ありの教師あり深層学習アーキテクチャ１３４と半教師あり深層学習アーキテクチャ１８８との組み合わせ２１６の性能データが、スケールを合わせたＨＲＶ多変量品質メトリック２１８の性能と共に示されている。教師あり深層学習アーキテクチャ１３４の性能データは、図３Ｂに例示的に示されるように分類に関する１つの損失関数２２０を最適化することによって訓練された教師あり深層学習アーキテクチャ１３４について示され、さらに図３Ｃに例示的に示されるように信号再構成および分類に関する２つの損失関数２２１を最適化することによって訓練された教師あり深層学習アーキテクチャ１３４について示されている。半教師あり深層学習アーキテクチャ１８８の性能データは、図５Ｂに例示的に示されるように信号再構成および分類に関して２つの損失関数を最適化することによって訓練された半教師あり深層学習アーキテクチャ１８８について示されている。ＨＲＶ多変量品質メトリックは、深層学習アーキテクチャの比較にのみ使用してよく、Ｚａｎｏｎ ｅｔ ａｌ．，２０２０にさらに詳細に記載されている。さらに、ＨＲＶ多変量品質メトリックは、０に近い値がクリーンな信号を示し、２０よりも大きい値がノイズの多い信号を示す連続変数を指すため、種々の深層学習アーキテクチャの分類出力に適合するように、０～１の範囲にスケールを合わせたＨＲＶ多変量品質メトリック２１８を使用してよく、ここで、０はノイズの多い信号を示し、１は完全にクリーンな信号を示す。図８Ａの図には、種々のアーキテクチャの各々の真陽性率２２２が、偽陽性率２２３の関数として示されている。図８Ｂは、種々のアーキテクチャを使用して分類された信号の第１の出力１７４、この例においては分類された品質をもたらす分類出力を、ラベリングされた信号の対応するラベル２２４と共に示している。
【0155】
さらに、図８Ｃは、特定の活動、すなわち安静での開始２０２、呼吸２０４、ゲーム２０６、直立２０８、精神的ストレス２１０、身体的活動２１２、および安静での終了２１４について、種々のアーキテクチャの精度２２５を示している。種々のアーキテクチャの性能を評価し、互いに比較するために、混同行列のうちの１つ以上、ならびに／または以下の評価メトリック、すなわち精度２２５、正確性、リコール、およびＦ１スコアのうちの１つ以上を使用し得る。精度２２５を、真の陽性結果と真の陰性結果との和をサンプルの総量で割ったものと定義し得る。正確性は、真の陽性結果の数を、正しく分類されていないものを含むすべての陽性結果の数で割ったものを指し得る。リコールは、「エルス感度」とも呼ばれるが、真の陽性結果の数を、陽性と識別されるべきであったすべてのサンプルの数で割ったものであってよい。Ｆ１スコアは、正確性およびリコールの調和平均を指し得る。Ｆ１スコアの可能な最大値は、完全な正確性およびリコールを示す１であってよく、可能な最小値は、正確性またはリコールのいずれかが０である場合に、０であってよい。
【0156】
教師あり深層学習アーキテクチャ１３４および半教師あり深層学習アーキテクチャ１８８についての評価メトリック一式が、表１に示されている。具体的には、表１は、図３Ｂに例示的に示されるように分類に関する１つの損失関数２２０を最適化することによって訓練された教師あり深層学習アーキテクチャ１３４、図３Ｃに例示的に示されるように信号再構成および分類に関する２つの損失関数２２１を最適化することによって訓練された教師あり深層学習アーキテクチャ１３４（１つは同じ重み付けによる結果であり、１つは０．１という重みを用いた最適な重みづけによる結果である）、ならびに図５Ｂに例示的に示されるような半教師あり深層学習アーキテクチャ１８８（同じ重み付け、および具体的には０．０５という重みを用いた最適な重み付け）についての結果を示している。
【0157】
上記で概説したように、図３Ａ～図３Ｃを参照すると、分類出力は、１という重みでアルゴリズム学習に寄与し得る。第２の出力１７６は、少なくとも１つの重みを使用して重み付けされてよい。ＭＳＥ値の範囲は、（最大の分類出力である）１よりもはるかに大きくなり得る。重み付けされた第２の出力１７６を使用することにより、信号再構成についての学習および分類出力についての学習の間のアルゴリズムのバランスを可能にし得る。これにより、教師ありアーキテクチャ１３４および半教師ありアーキテクチャ１８８の両方に関して、精度の向上を可能にできる。表１に見られるように、教師ありアーキテクチャ１３４の場合、精度は、等しい重みでは９１．６％であり得るのに対し、０．１という重みなどのより低いＭＳＥ重みでは、９２．５％であり得る。半教師ありアーキテクチャ１８８の場合、精度は、等しい重みでは８７．７％であり得るのに対し、０．０５という重みなどのより低いＭＳＥ重みでは、９０．６％であり得る。
【0158】
【表1】
【0159】
学習率および減衰はさまざまであってよく、これにより、精度をさらに高めることが可能である。例えば、学習率が０．００００１であり、学習率が半分になる減衰が１０から１００に増加した場合、精度の向上につながる可能性がある。例えば、精度は、等しい重みで分類に関する１つの損失関数２２０を最適化することによって訓練された教師あり深層学習アーキテクチャ１３４について、４．２％向上し得る。
【0160】
これらのアーキテクチャの混同行列を、表２～表５に示す。混同行列の列は、ラベリングによる分類を示し、混同行列の行は、それぞれのアーキテクチャの訓練済みモデル１１９を使用することによって得られた分類による品質を示す。
【0161】
【表2】
【0162】
【表3】
【0163】
【表4】
【0164】
【表5】
【0165】
【表6】
【0166】
さらに、図９Ａ～図９Ｃが、第２の数のラベリングされたデータを訓練に使用した場合の種々の深層学習アーキテクチャの性能データを示している。第２の数のラベル付きデータは、９３８０個のラベリングされた信号サンプルからなるバランスしたデータセットの５０％、すなわち図８Ａ～図８Ｃで使用した第１の数のラベリングされたデータの５０％を含み得る。先行の図と同様に、図９Ａ～図９Ｃは、教師あり深層学習アーキテクチャ１３４、半教師あり深層学習アーキテクチャ１８８、および教師あり深層学習アーキテクチャ１３４と半教師あり深層学習アーキテクチャ１８８との組み合わせ２１６の性能データを、スケールを合わせたＨＲＶ多変量品質メトリック２１８の性能と共に示している。教師あり深層学習アーキテクチャ１３４の性能データは、図３Ｂに例示的に示されるように分類に関する１つの損失関数２２０を最適化することによって訓練された教師あり深層学習アーキテクチャ１３４について示され、さらに図３Ｃに例示的に示されるように信号再構成および分類に関する２つの損失関数２２１を最適化することによって訓練された教師あり深層学習アーキテクチャ１３４について示されている。半教師あり深層学習アーキテクチャ１８８の性能データは、図５Ｂに例示的に示されるように信号再構成および分類に関して２つの損失関数を最適化することによって訓練された半教師あり深層学習アーキテクチャ１８８について示されている。
【0167】
図９Ａは、種々のアーキテクチャの各々の真陽性率２２２を、偽陽性率２２３の関数として示している。図９Ｂは、種々のアーキテクチャを使用して分類された信号の第１の出力１７４、この例においては分類された品質をもたらす分類出力を、対応するラベル２２４と共に示している。図９Ｃには、特定の活動、すなわち安静での開始２０２、呼吸２０４、ゲーム２０６、直立２０８、精神的ストレス２１０、身体的活動２１２、および安静での終了２１４について、種々のアーキテクチャの精度２２５が示されている。
【0168】
上記で概説したように訓練データの５０％を使用するこの例において、教師あり深層学習アーキテクチャ１３４および半教師あり深層学習アーキテクチャ１８８についての評価メトリック一式が、表７に示される。
【0169】
【表7】
【0170】
これらのアーキテクチャの混同行列を、表８～表１２に示す。
【0171】
【表8】
【0172】
【表9】
【0173】
【表10】
【0174】
【表11】
【0175】
【表12】
【0176】
半教師ありアーキテクチャ１８８を使用することにより、提案されたモデルを新たなデータセットへと拡張し、かつ／または移転させることを可能にできる。例えば、充分なラベリング済みの例が存在しないなどの理由で、元々の訓練済みモデルの訓練に使用されるデータの最大５０％未満など、データがさらに少ない新たな状況にモデルを適応させる必要がある場合に、半教師ありの手法を使用して信頼できるモデルを訓練することが可能である。再構成損失に最適な重みが適用される場合、すべてのアルゴリズムにおいて精度が９０％超を保つことが明らかになった。
【0177】
図１０に、ラベリングされた信号の種々の配分における半教師あり深層学習アーキテクチャ１８８の性能データが示されている。半教師あり深層学習アーキテクチャ１８８は、図５Ａに例示的に示されるように具現化されてよい。半教師あり深層学習アーキテクチャ１８８の性能が、ラベリング済みデータセットのラベリング済みデータの１００％の配分（参照番号２２６によって示されている）、ラベリング済みデータセットのラベリング済みデータの９０％の配分（参照番号２２８によって示されている）、ラベリング済みデータセットのラベリング済みデータの７５％の配分（参照番号２３０によって示されている）、ラベリング済みデータセットのラベリング済みデータの５０％の配分（参照番号２３２によって示されている）、ラベリング済みデータセットのラベリング済みデータの２５％の配分（参照番号２３４によって示されている）、およびラベリング済みデータセットのラベリング済みデータの１０％の配分（参照番号２３６によって示されている）について示されている。図１０に示した性能データは、同じ重み付けの損失関数について得られており、具体的には、第１の損失関数、すなわち分類損失関数、および第２の損失関数、すなわち信号再構成損失関数の両方について１という重みで得られている。
【0178】
図１０に見られるように、図５Ａの半教師あり深層学習アーキテクチャ１８８の性能は、ラベリング済みデータの配分が減るにつれてゆっくりと低下し得る。ラベリング済みデータの５０％を使用すると、ラベリングされていないデータの寄与の余地をより多く残してよく、したがって、利用可能なラベリング済みデータの１００％の配分を使用する場合と比較して、曲線下面積（ＡＵＣ）の増加が見られる。
【符号の説明】
【0179】
１１０ 生物学的センサデータ
１１２ 生物学的センサ
１１４ 測定ユニット
１１６ 信号
１１８ 処理ユニット
１１９ 訓練可能モデル
１２０ 可搬フォトプレチスモグラム装置
１２２ 照明源
１２４ フォトディテクタ
１２６ フォトプレチスモグラム
１２８ 生物学的センサデータを提供する
１３０ 信号の品質を分類する
１３１ 前処理ステップ
１３２ 訓練ステップ
１３４ 教師あり深層学習アーキテクチャ
１３６ 入力層
１３８ 入力層の入力
１４０ 複数の畳み込み層
１４２ 畳み込み層の積層
１４４ 第１の畳み込み層
１４６ 第２の畳み込み層
１４８ 第３の畳み込み層
１５０ 第４の畳み込み層
１５２ 第５の畳み込み層
１５４ 入力層の出力
１５６ 第１の畳み込み層の出力
１５８ 第２の畳み込み層の出力
１６０ 第３の畳み込み層の出力
１６２ 第４の畳み込み層の出力
１６４ 平坦化層
１６６ 第５の畳み込み層の行列出力
１６８ 全結合層
１７０ 出力層
１７２ 平坦化層の出力
１７４ 第１の出力
１７６ 第２の出力
１７８ 第１の追加の全結合層
１８０ 第２の追加の全結合層
１８２ 第１の追加の全結合層の出力
１８４ 再構成された信号
１８６ 元の信号
１８８ 半教師あり深層学習アーキテクチャ
１９０ 追加の入力パラメータＺinput
１９２ 追加の入力層
１９４ 追加の入力層の出力
１９６ 追加の出力層
１９８ 結果としての出力
２００ データ点の量
２０２ 安静での開始
２０４ 呼吸
２０６ ゲーム
２０８ 直立
２１０ 精神的ストレス
２１２ 身体的活動
２１４ 安静での終了
２１６ 教師あり深層学習アーキテクチャおよび半教師あり深層学習アーキテクチャの信号再構成との組み合わせ
２１８ スケールを合わせたＨＲＶ多変量品質メトリック
２２０ 分類に関する１つの損失関数を最適化することによって訓練された教師あり深層学習アーキテクチャ
２２１ 信号再構成および分類に関する２つの損失関数を最適化することによって訓練された教師あり深層学習アーキテクチャ
２２２ 真陽性率
２２３ 偽陽性率
２２４ ラベル
２２５ 精度
２２６ ラベリング済みデータの１００％の配分における半教師あり深層学習アーキテクチャ
２２８ ラベリング済みデータの９０％の配分における半教師あり深層学習アーキテクチャ
２３０ ラベリング済みデータの７５％の配分における半教師あり深層学習アーキテクチャ
２３２ ラベリング済みデータの５０％の配分における半教師あり深層学習アーキテクチャ
２３４ ラベリング済みデータの２５％の配分における半教師あり深層学習アーキテクチャ
２３６ ラベリング済みデータの１０％の配分における半教師あり深層学習アーキテクチャ
１１２ 生物学的センサ
１１４ 測定ユニット
１１６ 信号
１１８ 処理ユニット
１１９ 訓練可能モデル
１２０ 可搬フォトプレチスモグラム装置
１２２ 照明源
１２４ フォトディテクタ
１２６ フォトプレチスモグラム
１２８ 生物学的センサデータを提供する
１３０ 信号の品質を分類する
１３１ 前処理ステップ
１３２ 訓練ステップ
１３４ 教師あり深層学習アーキテクチャ
１３６ 入力層
１３８ 入力層の入力
１４０ 複数の畳み込み層
１４２ 畳み込み層の積層
１４４ 第１の畳み込み層
１４６ 第２の畳み込み層
１４８ 第３の畳み込み層
１５０ 第４の畳み込み層
１５２ 第５の畳み込み層
１５４ 入力層の出力
１５６ 第１の畳み込み層の出力
１５８ 第２の畳み込み層の出力
１６０ 第３の畳み込み層の出力
１６２ 第４の畳み込み層の出力
１６４ 平坦化層
１６６ 第５の畳み込み層の行列出力
１６８ 全結合層
１７０ 出力層
１７２ 平坦化層の出力
１７４ 第１の出力
１７６ 第２の出力
１７８ 第１の追加の全結合層
１８０ 第２の追加の全結合層
１８２ 第１の追加の全結合層の出力
１８４ 再構成された信号
１８６ 元の信号
１８８ 半教師あり深層学習アーキテクチャ
１９０ 追加の入力パラメータＺinput
１９２ 追加の入力層
１９４ 追加の入力層の出力
１９６ 追加の出力層
１９８ 結果としての出力
２００ データ点の量
２０２ 安静での開始
２０４ 呼吸
２０６ ゲーム
２０８ 直立
２１０ 精神的ストレス
２１２ 身体的活動
２１４ 安静での終了
２１６ 教師あり深層学習アーキテクチャおよび半教師あり深層学習アーキテクチャの信号再構成との組み合わせ
２１８ スケールを合わせたＨＲＶ多変量品質メトリック
２２０ 分類に関する１つの損失関数を最適化することによって訓練された教師あり深層学習アーキテクチャ
２２１ 信号再構成および分類に関する２つの損失関数を最適化することによって訓練された教師あり深層学習アーキテクチャ
２２２ 真陽性率
２２３ 偽陽性率
２２４ ラベル
２２５ 精度
２２６ ラベリング済みデータの１００％の配分における半教師あり深層学習アーキテクチャ
２２８ ラベリング済みデータの９０％の配分における半教師あり深層学習アーキテクチャ
２３０ ラベリング済みデータの７５％の配分における半教師あり深層学習アーキテクチャ
２３２ ラベリング済みデータの５０％の配分における半教師あり深層学習アーキテクチャ
２３４ ラベリング済みデータの２５％の配分における半教師あり深層学習アーキテクチャ
２３６ ラベリング済みデータの１０％の配分における半教師あり深層学習アーキテクチャ
【図1】
【図2A】
【図2B】
【図2C】
【図2D】
【図3A】
【図3B】
【図3C】
【図4A】
【図4B】
【図5A】
【図5B】
【図6A】
【図6B】
【図7】
【図8A】
【図8B】
【図8C】
【図9A】
【図9B】
【図9C】
【図10】
【国際調査報告】