JP2022033395A - 心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システム - Google Patents

Abstract

【課題】心房細動の発症を自動的に検知できる心房細動検知プログラム、心房細動検知装置及び心房細動検知方法を提供する。【解決手段】心房細動の検知に要する波形データに対応する時間以上の第１時間に対応する波形データを、第１時間よりも短い第２時間に対応する複数の第１波形データに分割し、分割した複数の第１波形データと、複数の第１波形データのそれぞれが心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成する。【選択図】図１２

Description

本発明は、心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システムに関する。

心房細動（ＡＦ：Ａｔｒｉａｌ Ｆｉｂｒｉｌｌａｔｉｏｎ）は、心房における異常な動作に起因して生じる不整脈の一種である。このような心房細動は、例えば、心房内において血栓を発生させる原因となり、さらには、脳梗塞等の原因となる可能性がある病気である。

そして、このような心房細動の検出は、一般的に、医師が知識と経験に基づいて、患者から採取された脈波や心電図から心房細動に関連する波形パターン（異常波形パータン）を検出することで行われている（特許文献１乃至５を参照）。

特開２０１８－０８６２７８号公報 特開２０１８－１５３４８７号公報 特開２０１９－２０１８８６号公報 特開２０１８－１０２５１８号公報 特開２０１８－１４９３１８号公報

ここで、上記のような心房細動が早期発見された場合、医師は、アブレーション等を活用することによって心房細動を完治させることが可能になる。

しかしながら、上記のような医師による検出は、利用できる場所が病院等に限られており、心房細動の早期発見を行うことができない場合がある。そのため、近年では、患者自身によって心房細動の発見を手軽に行うことができる方法が求められている。

そこで、本発明の目的は、心房細動の発症を自動的に検知できる心房細動検知プログラム、心房細動検知装置及び心房細動検知方法を提供することにある。

上記目的を達成するための本発明における心房細動検知プログラムは、心電信号の波形データを用いた機械学習を行うことによって心房細動の検知を行う心房細動検知処理をコンピュータに実行させる心房細動検知プログラムであって、前記心房細動の検知に要する波形データの時間以上の第１時間に対応する前記波形データを、前記心房細動の検知に要する波形データの時間未満の第２時間に対応する複数の第１波形データに分割し、分割した前記複数の第１波形データと、前記複数の第１波形データのそれぞれが前記心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成する、処理をコンピュータに実行させることを特徴とする。

また、上記目的を達成するための本発明における心房細動検知プログラムは、一つの態様では、前記第１時間に対応する前記波形データに対してトレンド除去を行うことによって第２波形データを生成し、生成した前記第２波形データに対して運動アーチファクト除去を行うことによって第３波形データを生成し、生成した前記第３波形データを、前記第２時間に対応する前記複数の第１波形データに分割する、ことを特徴とする。

また、上記目的を達成するための本発明における心房細動検知プログラムは、一つの態様では、前記第１時間に対応する新たな波形データを、前記第２時間に対応する複数の第４波形データに分割し、分割した前記複数の第４波形データのそれぞれを前記学習モデルに入力することによって、前記複数の第４波形データのそれぞれが前記心房細動に対応する波形データであるか否かを示す情報を取得し、取得した前記情報に基づいて、前記新たな波形データが前記心房細動に対応する波形データであるか否かについての判定を行い、前記判定の結果を出力する、処理をコンピュータに実行させることを特徴とする。

また、上記目的を達成するための本発明における心房細動検知プログラムは、一つの態様では、前記第１時間に対応する前記新たな波形データに対してトレンド除去を行うことによって第５波形データを生成し、生成した前記第５波形データに対して運動アーチファクト除去を行うことによって第６波形データを生成し、生成した前記第６波形データを、前記第２時間に対応する前記複数の第４波形データに分割する、ことを特徴とする。

また、上記目的を達成するための本発明における心房細動検知プログラムは、一つの態様では、前記複数の第４波形データのうち、連続する所定数の波形データのそれぞれが前記心房細動に対応する波形データであると判定した場合、前記新たな波形データが前記心房細動に対応する波形データであると判定する、ことを特徴とする。

また、上記目的を達成するための本発明における心房細動検知プログラムは、一つの態様では、前記連続する所定数の波形データに対応する時間は、前記心房細動の検知に要する波形データに対応する時間以上の時間である、ことを特徴とする。

また、上記目的を達成するための本発明における心房細動検知プログラムは、一つの態様では、前記新たな波形データに対応する人の心拍数が所定以上でないと判定した場合、前記新たな波形データが前記心房細動に対応する波形データであると判定する、ことを特徴とする。

また、上記目的を達成するための本発明における心房細動検知プログラムは、一つの態様では、前記新たな波形データに対応する人の心拍数が所定以上であると判定した場合、前記新たな波形データに対応する人の心拍数の標準偏差が所定以下であるか否かを判定し、前記新たな波形データに対応する人の心拍数の標準偏差が所定以下でないと判定した場合、前記新たな波形データが前記心房細動に対応する波形データであると判定する、ことを特徴とする。

また、上記目的を達成するための本発明における心房細動検知装置は、心電信号の波形データを用いた機械学習を行うことによって心房細動の検知を行う心房細動検知装置であって、前記心房細動の検知に要する波形データの時間以上の第１時間に対応する前記波形データを、前記心房細動の検知に要する波形データの時間未満の第２時間に対応する複数の第１波形データに分割するデータ分割部と、分割した前記複数の第１波形データと、前記複数の第１波形データのそれぞれが前記心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成するモデル生成部と、を有する、ことを特徴とする。

また、上記目的を達成するための本発明における心房細動検知方法は、心電信号の波形データを用いた機械学習を行うことによって心房細動の検知を行う心房細動検知処理をコンピュータに実行させる心房細動検知方法であって、前記心房細動の検知に要する波形データの時間以上の第１時間に対応する前記波形データを、前記心房細動の検知に要する波形データの時間未満の第２時間に対応する複数の第１波形データに分割し、分割した前記複数の第１波形データと、前記複数の第１波形データのそれぞれが前記心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成する、処理をコンピュータに実行させることを特徴とする。

また、上記目的を達成するための本発明における心房細動検知システムは、心電信号の波形データを採取する操作端末と、前記波形データを用いた機械学習を行うことによって心房細動の検知を行う心房細動検知装置とを有する心房細動検知システムであって、前記心房細動検知装置は、前記心房細動の検知に要する波形データの時間以上の第１時間に対応する前記波形データを、前記心房細動の検知に要する波形データの時間未満の第２時間に対応する複数の第１波形データに分割し、分割した前記複数の第１波形データと、前記複数の第１波形データのそれぞれが前記心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成する、ことを特徴とする。

また、上記目的を達成するための本発明における心房細動検知システムは、一つの態様では、前記操作端末は、前記第１時間に対応する新たな波形データを対象者から採取し、採取した前記新たな波形データを前記心房細動検知装置に送信し、前記心房細動検知装置は、前記操作端末が送信した前記新たな波形データを受信した場合、受信した前記新たな波形データを、前記第２時間に対応する複数の第４波形データに分割し、分割した前記複数の第４波形データのそれぞれを前記学習モデルに入力することによって、前記複数の第４波形データのそれぞれが前記心房細動に対応する波形データであるか否かを示す情報を取得し、取得した前記情報に基づいて、前記新たな波形データが前記心房細動に対応する波形データであるか否かについての判定を行い、前記判定の結果を出力する、ことを特徴とする。

本発明における心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システムによれば、心房細動の発症を自動的に検知できる。

図１は、第１の実施の形態における情報処理装置１の構成例を示す図である。 図２は、第１の実施の形態における患者端末２の構成例を示す図である。 図３は、第１の実施の形態における情報処理装置１の構成例を示す図である。 図４は、第１の実施の形態における情報処理装置１の構成例を示す図である。 図５は、第１の実施の形態における心房細動検知処理の概略を説明する図である。 図６は、第１の実施の形態における心房細動検知処理の概略を説明する図である。 図７は、第１の実施の形態における心房細動検知処理の詳細を説明するフローチャート図である。 図８は、第１の実施の形態における心房細動検知処理の詳細を説明するフローチャート図である。 図９は、第１の実施の形態における心房細動検知処理の詳細を説明するフローチャート図である。 図１０は、第１の実施の形態における心房細動検知処理の詳細を説明するフローチャート図である。 図１１は、第１の実施の形態における心房細動検知処理の詳細を説明するフローチャート図である。 図１２は、第１の実施の形態における心房細動検知処理の詳細を説明する図である。 図１３は、第１の実施の形態における心房細動検知処理の詳細を説明する図である。 図１４は、Ｓ１４の処理で分割した複数の分割波形データの具体例を示す図である。 図１５は、第１の実施の形態における心房細動検知処理の詳細を説明する図である。 図１６は、Ｓ３４の処理で分割した複数の分割波形データのうちの１つの具体例を示す図である。 図１７は、第１の実施の形態における心房細動検知処理の性能評価結果を示す図である。

以下、図面を参照して本発明の実施の形態について説明する。しかしながら、かかる実施の形態例が、本発明の技術的範囲を限定するものではない。

初めに、第１の実施の形態における情報処理装置１の構成例について説明を行う。図１は、第１の実施の形態における情報処理装置１の構成例を示す図である。

情報処理装置１（以下、心房細動検知装置１とも呼ぶ）は、コンピュータ装置であって、例えば、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）である。そして、情報処理装置１は、例えば、患者端末２（以下、操作端末２とも呼ぶ）から送信された患者の心電信号についての時系列データ（以下、心電波形データまたは波形データとも呼ぶ）を用いることにより、心房細動の検知を行う処理（以下、心房細動検知処理とも呼ぶ）を行う。

情報処理装置１は、汎用的なコンピュータ装置のハードウエア構成を有し、例えば、図１に示すように、プロセッサであるＣＰＵ１０１と、メモリ１０２と、通信インタフェース１０３と、記憶媒体１０４とを有する。各部は、バス１０５を介して互いに接続される。

記憶媒体１０４は、例えば、心房細動検知処理を行うためのプログラム（図示しない）を記憶するプログラム格納領域（図示しない）を有する。

また、記憶媒体１０４は、例えば、心房細動検知処理を行う際に用いられる情報を記憶する記憶部１１０（以下、記憶領域１１０とも呼ぶ）を有する。なお、記憶媒体１０４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）であってよい。

ＣＰＵ１０１は、記憶媒体１０４からメモリ１０２にロードされたプログラムを実行して心房細動検知処理を行う。

通信インタフェース１０３は、例えば、インターネット網等のネットワークＮＷを介してアクセスポイントＡＰと有線通信を行う。そして、アクセスポイントＡＰは、例えば、ＷｉＦｉ等を用いることによって患者端末２と無線通信を行う。すなわち、情報処理装置１は、例えば、クラウド上に設けられたコンピュータ装置（クラウドサーバ）であってもよい。

次に、第１の実施の形態における患者端末２の構成例について説明を行う。図２は、第１の実施の形態における患者端末２の構成例を示す図である。

患者端末２は、例えば、患者自身が所有する心電計、ウェアラブルウォッチまたはスマートフォン等の携帯端末であり、患者の心電波形データを採取できる端末である。具体的に、患者端末２は、例えば、定期的なタイミングにおいて、患者の心電波形データを採取して情報処理装置１に送信する。

患者端末２は、汎用的なコンピュータ装置のハードウエア構成を有し、例えば、図２に示すように、プロセッサであるＣＰＵ２０１と、メモリ２０２と、通信インタフェース２０３と、記憶媒体２０４とを有する。各部は、バス２０５を介して互いに接続される。

記憶媒体２０４は、例えば、心房細動検知処理を行うためのプログラム（図示しない）を記憶するプログラム格納領域（図示しない）を有する。

また、記憶媒体２０４は、例えば、心房細動検知処理を行う際に用いられる情報を記憶する記憶部２１０（以下、記憶領域２１０とも呼ぶ）を有する。なお、記憶媒体２０４は、例えば、ＨＤＤやＳＳＤであってよい。

ＣＰＵ２０１は、記憶媒体２０４からメモリ２０２にロードされたプログラムを実行して心房細動検知処理を行う。

通信インタフェース２０３は、例えば、ＷｉＦｉ等を用いることによってアクセスポイントＡＰと無線通信を行う。そして、アクセスポイントＡＰは、例えば、インターネット網等のネットワークＮＷを介して情報処理装置１と有線通信を行う。

また、図１に示す管理者端末３は、例えば、情報処理装置１の管理者（以下、単に管理者とも呼ぶ）が必要な情報を入力するＰＣである。具体的に、管理者は、例えば、管理者端末３を用いることによって、学習モデルの生成に用いる複数の波形データ（学習用の波形データ）を情報処理装置１に送信する。

なお、情報処理装置１は、例えば、スマートフォン等の携帯端末であってもよい。この場合、通信インタフェース１０３は、図３に示すように、例えば、操作端末２と直接無線通信を行うものであってもよい。

また、情報処理装置１は、例えば、患者端末２の機能（患者の心電波形データを採取する機能）についても有するものであってもよい。この場合、情報処理装置１は、図４に示すように、患者端末２との間における通信を行う必要がなくなる。

さらに、患者端末２は、例えば、１２誘導心電計やベッドサイドモニタ等の据え置き型の機器であってもよい。

［第１の実施の形態の概略］
図５及び図６は、第１の実施の形態における心房細動検知処理の概略を説明する図である。具体的に、図５は、第１の実施の形態における心房細動検知処理のうち、学習段階の処理について説明する図である。また、図６は、第１の実施の形態における心房細動検知処理のうち、判定段階の処理について説明する図である。

初めに、第１の実施の形態における心房細動検知処理のうち、学習段階の処理について説明を行う。

情報処理装置１のデータ受信部１１１は、図５に示すように、例えば、管理者が管理者端末３を介して送信した複数の波形データ（学習用の波形データ）を受信する。複数の波形データは、例えば、心房細動の検知を行うために要する波形データの時間以上の時間（以下、第１時間とも呼ぶ）に対応する波形データである。すなわち、第１時間は、心房細動の検知を行う学習モデル（後述する学習モデル）を生成するために必要な波形データの時間以上の時間であり、かつ、学習モデルを用いることによって患者が心房細動であるか否かを判定するために必要な波形データの時間以上の時間である。具体的に、心房細動の検知を行うために要する時間は、例えば、３０秒等の時間であってよい。また、第１時間は、例えば、１０分や１時間等の時間であってよい。

続いて、情報処理装置１のデータ前処理部１１２（以下、データ分割部１１２とも呼ぶ）は、データ受信部１１１が受信した複数の波形データのそれぞれに対して前処理を行う。

具体的に、データ前処理部１１２は、例えば、データ受信部１１１が受信した波形データのそれぞれを、心房細動の検知を行うために要する波形データの時間未満の時間（以下、第２時間とも呼ぶ）に対応する複数の分割波形データ（以下、第１波形データとも呼ぶ）に分割する。すなわち、第２時間は、心房細動の検知を行う学習モデル（後述する学習モデル）を生成するために必要な波形データの時間未満の時間であり、かつ、学習モデルを用いることによって患者が心房細動であるか否かを判定するために必要な波形データの時間未満の時間である。具体的に、第２時間は、例えば、１０秒等の時間であってよい。

そして、情報処理装置１のデータ生成部１１３は、データ前処理部１１２が分割した複数の分割波形データごとに、各分割波形データと、各分割波形データが心房細動に対応する分割波形データであるか否かを示す情報（以下、ラベルとも呼ぶ）とを含む学習データを生成する。

その後、情報処理装置１のモデル生成部１１４は、データ生成部１１３が生成した複数の学習データを用いた機械学習を行うことによって学習モデルを生成する。

具体的に、モデル生成部１１４は、例えば、データ生成部１１３が生成した複数の学習データを用いた機械学習を行うことによって、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を生成する。

なお、データ受信部１１１は、特定の患者が所有する患者端末２から連続的に送信される波形データ（すなわち、特定の患者についての心電波形データ）を随時受信するものであってもよい。そして、データ前処理部１１２及びデータ生成部１１３は、データ受信部１１１が波形データを受信するごとに、学習データの生成を行うものであってもよい。この場合、データ前処理部１１２及びデータ生成部１１３は、例えば、データ受信部１１１が受信した波形データのうち、医師によって心房細動に対応する波形データであると判断された波形データのみを用いることによって、学習データの生成を行うものであってもよい。さらに、モデル生成部１１４は、データ生成部１１３が学習データの生成を行うごとに、生成された学習データを学習モデルに順次学習させるものであってもよい。

次に、第１の実施の形態における心房細動検知処理のうち、判定段階の処理について説明を行う。

データ受信部１１１は、図６に示すように、例えば、患者が患者端末２を介して送信した新たな波形データ（判定対象の波形データ）を受信する。

具体的に、患者端末２は、例えば、第１時間に対応する波形データを患者から採取する。そして、患者端末２は、採取した波形データを情報処理装置１に対して送信する。その後、データ受信部１１１は、患者端末２から送信された波形データを受信する。

続いて、情報処理装置１のデータ前処理部１１２は、データ受信部１１１が受信した新たな波形データに対して前処理を行う。

具体的に、データ前処理部１１２は、例えば、データ受信部１１１が受信した新たな波形データを、第２時間に対応する複数の分割波形データ（以下、第２波形データとも呼ぶ）に分割する。

そして、情報処理装置１のデータ判定部１１５は、データ前処理部１１２が分割した複数の分割波形データのそれぞれを学習モデル（モデル生成部１１４が生成した学習モデル）に入力することによって、複数の分割波形データのそれぞれが心房細動に対応する波形データであるか否かを示す判定値を計算する。

具体的に、データ判定部１１５は、例えば、モデル生成部１１４によって生成されたＣＮＮのモデルパラメータセットを用いることによって、データ前処理部１１２が分割した複数の分割波形データごとに、各分割波形データが心房細動に対応する波形データであるか否かを判定する。

さらに、データ判定部１１５は、取得した判定値のそれぞれに基づいて、データ受信部１１１が受信した新たな波形データが心房細動に対応する波形データであるか否かについての判定を行う。

その後、情報処理装置１の結果出力部１１６は、例えば、データ判定部１１５による判定の結果を患者端末２に出力（送信）する。

具体的に、結果出力部１１６は、データ受信部１１１が受信した新たな波形データが心房細動に対応する波形データであるか否かを示す情報を患者端末２に出力する。

すなわち、本実施の形態における情報処理装置１は、例えば、患者端末２から送信された新たな波形データを受信した場合、予め生成した学習モデルを用いることで、新たな波形データに対応する患者が心房細動を発症しているか否かについての判定を行う。

これにより、患者は、医師による診察等を受けることなく、心房細動が発症している否かの判定を行うことが可能になる。そのため、患者は、心房細動の早期発見を行うことが可能になる。

また、本実施の形態における情報処理装置１は、学習段階において、心房細動の検知を行うために要する時間よりも長い時間（第１時間）に対応する学習用の波形データをそのまま学習データとして用いる代わりに、心房細動の検知を行うために要する時間よりも短い時間（第２時間）に対応する複数の分割波形データ（学習用の波形データを分割して生成した複数の分割波形データ）を学習データとして用いる。

そして、本実施の形態における情報処理装置１は、判定段階において、心房細動の検知を行うために要する時間よりも短い時間に対応する複数の分割波形データ（判定対象の波形データを分割して生成した複数の分割波形データ）を学習モデルに入力することによって、判定対象の波形データが心房細動に対応する波形データであるか否かを示す情報を出力する。

これにより、本実施の形態における情報処理装置１は、心房細動の検知を行うために要する時間よりも長い時間に対応する学習用の波形データをそのまま学習データを用いる場合と比較して、規模の小さい学習モデル（畳込み層や全結合層の数が少ない学習モデル）を生成することが可能になる。そのため、情報処理装置１は、処理能力が弱い場合であっても、学習モデルの生成処理や新たな波形データについての判定処理を短時間で行うことが可能になる。

［第１の実施の形態の詳細］
次に、第１の実施の形態における心房細動検知処理の詳細について説明を行う。図７から図１１は、第１の実施の形態における心房細動検知処理の詳細を説明するフローチャート図である。また、図１２から図１７は、第１の実施の形態における心房細動検知処理の詳細を説明する図である。

［学習段階における処理］
初めに、第１の実施の形態における心房細動検知処理の詳細のうち、学習段階における処理の詳細について説明を行う。図７及び図８は、学習段階における処理の詳細について説明する図である。

データ受信部１１１は、図７に示すように、例えば、管理者端末３から送信された複数の波形データ（学習用の波形データ）、または、特定の患者の患者端末２から送信された複数の波形データ（特定の患者の心電波形データ）を受信するまで待機する（Ｓ１１のＮＯ）。

そして、複数の波形データを受信した場合（Ｓ１１のＹＥＳ）、データ前処理部１１２は、Ｓ１１の処理で受信した複数の波形データのそれぞれに対してトレンド除去を行う（Ｓ１２）。

続いて、データ前処理部１１２は、この場合、Ｓ１２の処理でトレンド除去を行った複数の波形データのそれぞれに対して運動アーチファクト除去を行う（Ｓ１３）。

さらに、データ前処理部１１２は、Ｓ１３の処理で運動アーチファクト除去を行った複数の波形データのそれぞれを、複数の分割波形データに分割する（Ｓ１４）。

具体的に、データ前処理部１１２は、例えば、各分割波形データに対応する時間が１０秒になるように、Ｓ１３の処理で運動アーチファクト除去を行った複数の波形データ（例えば、３０秒以上の時間に対応する複数の波形データ）のそれぞれを分割する。

そして、データ前処理部１１２は、Ｓ１４の処理で分割した複数の分割波形データのそれぞれに対してダウンサンプリングを行う（Ｓ１５）。さらに、データ前処理部１１２は、Ｓ１５の処理でダウンサンプリングを行った複数の分割波形データのそれぞれを正規化する（Ｓ１６）。

すなわち、情報処理装置１は、Ｓ１１の処理で受信した波形データが学習モデルの生成に適した形になるように前処理を行う。以下、Ｓ１１の処理からＳ１６の処理の具体例について説明を行う。

［Ｓ１１の処理からＳ１６の処理の具体例］
図１２は、Ｓ１１の処理からＳ１６の処理の具体例を説明する図である。図１２に示す各波形データにおける横軸及び縦軸は、データの番号及び振幅のそれぞれを示している。

データ受信部１１１は、例えば、図１２（Ａ）に示す波形データを受信する（Ｓ１１）。具体的に、図１２（Ａ）に示す波形データは、３０秒間採取された心電波形データである。

そして、データ前処理部１１２は、図１２（Ａ）に示す波形データに対してトレンド除去を行うことによって、図１２（Ｂ）に示す波形データを生成する（Ｓ１２）。

続いて、データ前処理部１１２は、図１２（Ｂ）に示す波形データに対して運動アーチファクト除去を行うことによって、図１２（Ｃ）に示す波形データを生成する（Ｓ１３）。

次に、データ前処理部１１２は、図１２（Ｃ）に示す波形データを分割することによって、例えば、図１２（Ｄ）に対応する３つの分割波形データを生成する（Ｓ１４）。具体的に、図１２（Ｄ）に示す分割波形データのそれぞれは、１０秒間採取された心電波形データである。

そして、データ前処理部１１２は、図１２（Ｄ）に分割示す波形データのそれぞれに対してダウンサンプリングを行うことによって、図１２（Ｅ）に示す分割波形データのそれぞれを生成する（Ｓ１５）。

その後、データ前処理部１１２は、図１２（Ｅ）に示す分割波形データのそれぞれを正規化することによって、図１２（Ｆ）に示す分割波形データのそれぞれを生成する（Ｓ１６）。

図８に戻り、情報処理装置１のデータ生成部１１３は、Ｓ１６の処理で正規化を行った複数の分割波形データが心房細動に対応する分割波形データであるか否かを示す情報（ラベル）の入力を受け付ける（Ｓ２１のＮＯ）。

具体的に、学習データの生成を行う担当者（例えば、医師）は、Ｓ１６の処理で正規化を行った複数の分割波形データごとに、各分割波形データが心房細動に対応する分割波形データであるか否かを判定する。そして、担当者は、Ｓ１６の処理で正規化を行った複数の分割波形データのそれぞれが心房細動に対応する分割波形データであるか否かの判定結果を示すラベルを、担当者端末（図示しない）を介して情報処理装置１に入力する。

そして、Ｓ１６の処理で正規化を行った複数の分割波形データが心房細動に対応する分割波形データであるか否かを示す情報（ラベル）の入力を受け付けた場合（Ｓ２１のＹＥＳ）、データ生成部１１３は、Ｓ１６の処理で正規化を行った分割波形データごとに、各分割波形データと、各分割波形データに対応するラベルとを含む学習データを生成する（Ｓ２２）。

すなわち、情報処理装置１は、Ｓ１１の処理で受信した波形データ（心房細動の検知が可能な長さの波形データ）をそのまま学習データとして用いる代わりに、Ｓ１１の処理で受信した波形データを分割して生成した分割波形データを学習データとして用いる。

その後、データ生成部１１３は、Ｓ２２の処理で生成した学習データのそれぞれを記憶領域１１０に記憶する（Ｓ２３）。

なお、学習モデルの生成に用いる学習データが予め記憶領域１１０に記憶されている場合、情報処理装置１は、Ｓ１１からＳ２３の処理を行わないものであってもよい。

そして、情報処理装置１のモデル生成部１１４は、モデル生成タイミングになったか否かについて判定する（Ｓ２４）。モデル生成タイミングは、例えば、Ｓ２２の処理において生成された学習データの数が所定数に到達したタイミングであってよい。すなわち、モデル生成タイミングは、例えば、Ｓ２２の処理において生成された学習データの数が、十分な判定精度を有する学習モデルを生成するために必要な学習データの数に到達したタイミングであってよい。

その結果、モデル生成タイミングになっていないと判定した場合（Ｓ２４のＮＯ）、情報処理装置１は、Ｓ１１以降の処理を再度行う。すなわち、情報処理装置１は、この場合、モデル生成タイミングになるまでＳ１１以降の処理を繰り返す。

その後、モデル生成タイミングになった場合（Ｓ２４のＹＥＳ）、モデル生成部１１４は、記憶領域１１０に記憶した学習データのそれぞれを用いた機械学習を行うことによって学習モデルを生成する（Ｓ２５）。以下、Ｓ２５の処理の具体例について説明を行う。

［Ｓ２５の処理の具体例］
図１３は、Ｓ２５の処理の具体例を説明する図である。また、図１４は、Ｓ１４の処理で分割した複数の分割波形データの具体例を示す図である。具体的に、図１３は、学習モデルとしてＣＮＮを生成する際の具体例である。

モデル生成部１１４は、例えば、図１３に示すように、記憶領域１１０に記憶した学習データに含まれる複数の分割波形データ（図１４に示す複数の分割波形データ）のそれぞれを、入力層の各ノードから順次入力することによって、畳込み層（Ｃｏｎｖ層）において畳込み演算を行い、複数の分割波形データのそれぞれに対応する特徴パターンを自動的に抽出する。そして、モデル生成部１１４は、抽出した特徴パターンのそれぞれと、学習データに含まれるラベルのそれぞれとを用いることにより、最適なモデルパラメータセットを学習する。

ここで、学習モデルの生成に用いられる学習データは、Ｓ１４の処理において分割された分割波形データを含む学習データである。そのため、モデル生成部１１４は、Ｓ２５の処理において、比較的規模の小さい学習モデル（例えば、入力ノードの数や畳込み層等の数を抑えた学習モデル）を生成する。具体的に、モデル生成部１１４は、Ｓ２５の処理において、例えば、２つの畳込み層と１つの全結合層とを有するＣＮＮの生成を行う。

これにより、情報処理装置１は、処理能力が弱い場合であっても、学習モデルの生成処理や新たな波形データについての判定処理を短時間で行うことが可能になる。

また、情報処理装置１は、Ｓ１４の処理において分割された分割波形データをそのまま学習データとして用いることで、波形データからの特徴量の抽出等を自動化することができる。

［判定段階における処理］
次に、第１の実施の形態における心房細動検知処理の詳細のうち、判定段階における処理の詳細について説明を行う。図９から図１１は、判定段階における処理の詳細について説明する図である。

データ受信部１１１は、図９に示すように、例えば、患者端末２から送信された新たな波形データ（判定対象の波形データ）を受信するまで待機する（Ｓ３１のＮＯ）。

そして、新たな波形データを受信した場合（Ｓ３１のＹＥＳ）、データ前処理部１１２は、Ｓ３１の処理で受信した新たな波形データに対してトレンド除去を行う（Ｓ３２）。

続いて、データ前処理部１１２は、この場合、Ｓ３２の処理でトレンド除去を行った新たな波形データに対して運動アーチファクト除去を行う（Ｓ３３）。

さらに、データ前処理部１１２は、Ｓ３３の処理で運動アーチファクト除去を行った新たな波形データを、複数の分割波形データに分割する（Ｓ３４）。

具体的に、データ前処理部１１２は、例えば、各分割波形データに対応する時間が１０秒になるように、Ｓ３３の処理で運動アーチファクト除去を行った新たな波形データ（例えば、３０秒以上の時間に対応する波形データ）を分割する。

そして、データ前処理部１１２は、Ｓ３４の処理で分割した複数の分割波形データのそれぞれに対してダウンサンプリングを行う（Ｓ３５）。さらに、データ前処理部１１２は、Ｓ３５の処理でダウンサンプリングを行った複数の分割波形データのそれぞれを正規化する（Ｓ３６）。

すなわち、情報処理装置１は、Ｓ３１の処理で受信した新たな波形データが学習モデルの入力に適した形になるように前処理を行う。

次に、情報処理装置１のデータ判定部１１５は、図１０に示すように、Ｓ３６の処理で正規化を行った複数の分割波形データのそれぞれを学習モデルに入力することによって、分割波形データのそれぞれが心房細動に対応するか否かを示す判定値を取得する（Ｓ４１）。

具体的に、データ判定部１１５は、Ｓ３６の処理で正規化を行った複数の分割波形データごとに、各分割波形データを入力することに伴ってモデル生成部１１４から出力される判定値を、各分割波形データが心房細動に対応する波形データであるか否かを示す情報として取得する。以下、Ｓ４１の処理の具体例について説明を行う。

［Ｓ４１の処理の具体例］
図１５は、Ｓ４１の処理の具体例を説明する図である。また、図１６は、Ｓ３４の処理で分割した複数の分割波形データのうちの１つの具体例を示す図である。具体的に、図１５は、Ｓ３４の処理で分割した複数の分割波形データのうちの１つの分割波形データについての判定を行う際の具体例である。

モデル生成部１１４は、例えば、図１５に示すように、Ｓ３６の処理で正規化を行った分割波形データ（図１６に示す分割波形データ）を、Ｓ２５の処理で生成したＣＮＮにおける入力層の各ノードから入力する。そして、モデル生成部１１４は、ＣＮＮの出力層から出力された判定値を取得する。

図１０に戻り、データ判定部１１５は、Ｓ３６の処理で正規化を行った分割波形データのうち、Ｓ４１の処理で取得した判定値に基づいて、心房細動に対応する分割波形データを特定する（Ｓ４２）。

続いて、データ判定部１１５は、Ｓ３６の処理で正規化を行った分割波形データにおいて、Ｓ４２の処理で特定した分割波形データが所定数以上連続しているか否かを判定する（Ｓ４３）。

すなわち、Ｓ３６の処理で正規化を行った分割波形データのそれぞれは、心房細動の検知に必要な長さを有していない波形データである。そのため、データ判定部１１５は、例えば、Ｓ３６の処理で正規化を行った分割波形データにおいて、心房細動の検知に必要な長さに対応する複数の連続する分割波形データが存在する場合に、Ｓ３１の処理で受信した新たな波形データが心房細動に対応する波形データであると判定する。

具体的に、例えば、Ｓ３１の処理で受信した新たな波形データが３０秒に対応する波形データであり、Ｓ３６の処理で正規化を行った分割波形データは１０秒に対応する波形データである場合、データ判定部１１５は、Ｓ３６の処理で正規化を行った分割波形データにおいて、Ｓ４２の処理で特定した分割波形データが３以上連続しているか否かについての判定を行う。

その結果、Ｓ４２の処理で特定した分割波形データが所定数以上連続していると判定した場合（Ｓ４４のＹＥＳ）、データ判定部１１５は、Ｓ３１の処理で受信した新たな波形データに対応する患者の心拍数が所定以上であるか否かを判定する（Ｓ４５）。

具体的に、データ判定部１１５は、例えば、Ｓ３１の処理で受信した新たな波形データに対応する患者の心拍数が１００（ｂｐｍ）以上であるか否かについての判定を行う。

そして、図１１に示すように、Ｓ３１の処理で受信した波形データに対応する患者の心拍数が所定以上であると判定した場合（Ｓ５１のＹＥＳ）、データ判定部１１５は、Ｓ３１の処理で受信した新たな波形データに対応する患者の心拍数の標準偏差が所定以上であるか否かを判定する（Ｓ５２）。

具体的に、データ判定部１１５は、例えば、Ｓ３１の処理で受信した新たな波形データに対応する患者の心拍数の標準偏差が１１（ｂｐｍ）以上であるか否かについての判定を行う。

その結果、Ｓ３１の処理で受信した波形データに対応する患者の心拍数が所定以上であると判定した場合（Ｓ５３のＹＥＳ）、データ判定部１１５は、Ｓ３１の処理で受信した新たな波形データが心房細動に対応する波形データであると判定する（Ｓ５４）。

また、データ判定部１１５は、Ｓ３１の処理で受信した波形データに対応する患者の心拍数が所定以上でないと判定した場合についても同様に（Ｓ５１のＮＯ）、Ｓ５４の処理を行う。

すなわち、情報処理装置１は、Ｓ３６の処理で正規化を行った分割波形データにおいて、Ｓ４２の処理で特定した分割波形データが所定数以上連続している場合であっても、Ｓ３１の処理で受信した新たな波形データに対応する患者の心拍数が所定以上である場合、例えば、Ｓ３１の処理で受信した新たな波形データが頻脈等（心房細動以外の症状）に対応する波形データである可能性があると判定する。

そして、情報処理装置１は、例えば、Ｓ３１の処理で受信した新たな波形データに対応する患者の心拍数が所定以上である場合において、Ｓ３１の処理で受信した新たな波形データに対応する患者の心拍数の標準偏差（ばらつき）が所定以上でない場合、Ｓ３１の処理で受信した新たな波形データが頻脈等に対応する波形データであると判定する。

これにより、情報処理装置１は、Ｓ３１の処理で受信した新たな波形データが心房細動に対応する波形データであるか否かについての判定をより精度良く行うことが可能になる。

図１１に戻り、Ｓ５４の処理の後、情報処理装置１の結果出力部１１６は、Ｓ５４の処理における判定結果を患者端末２に出力する（Ｓ５５）。

すなわち、結果出力部１１６は、Ｓ５４の処理が行われた場合、Ｓ３１の処理で受信した新たな波形データが心房細動に対応する波形データであることを示す情報を患者端末２（Ｓ３１の処理で受信した新たな波形データを送信した患者端末２）に送信する。

また、Ｓ４２の処理で特定した分割波形データが所定数以上連続していないと判定した場合（Ｓ４３のＮＯ）、結果出力部１１６は、Ｓ３１の処理で受信した新たな波形データが心房細動に対応する波形データでないことを示す情報を患者端末２に送信する。

さらに、Ｓ３１の処理で受信した波形データに対応する患者の心拍数が所定以上でないと判定した場合についても同様に（Ｓ５３のＮＯ）、結果出力部１１６は、Ｓ３１の処理で受信した新たな波形データが心房細動に対応する波形データでないことを示す情報を患者端末２に送信する。

［心房細動検知処理の性能評価結果］
次に、心房細動検知処理の性能評価結果について説明を行う。図１７は、心房細動検知処理の性能評価結果を示す図である。具体的に、図１７は、第１ＤＢに予め格納された波形データ（学習用の波形データ）を含む学習データを用いることによって生成した学習モデル（以下、第１学習モデルとも呼ぶ）の判定精度と、第２ＤＢに予め格納された波形データ（学習用の波形データ）を含む学習データを用いることによって生成した学習モデル（以下、第２学習モデルとも呼ぶ）の判定精度とを示す情報について説明する図である。

なお、第１及び第２学習モデルの生成に用いられる学習データのうち、異常ラベルに対応する学習データは、心房細動に対応する波形データを含む学習データであり、正常ラベルに対応する学習データは、心房細動以外の症状に対応する波形データを含む学習データである。すなわち、正常ラベルに対応する学習データには、正常洞調律に対応する波形データを含む学習データの他、心房粗動に対応する波形データを含む学習データや房室接合部調律に対応する波形データを含む学習データが含まれている。

図１７に示す情報は、心房細動検知の感度を示すＴＰ（ｔｒｕｅ ｐｏｓｉｔｉｖｅ ｒａｔｅ）と、心房細動検知の特異度を示すＴＮ（ｔｒｕｅ ｎｅｇａｔｉｖｅ ｒａｔｅ）と、心房細動検知の精度を示すＡＣＣ（ａｃｃｕｒａｒｙ）とを項目として有する。また、図１７に示す情報は、心房細動検知の陽性予測値を示すＰＰＶ（ｐｏｓｉｔｉｖｅ ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅ）と、心房細動検知の陰性予測値を示すＮＰＶ（ｎｅｇａｔｉｖｅ ｐｒｅｄｉｃｔ ｖａｌｕｅ）とを項目として有する。

具体的に、図１７に示す情報は、第１学習モデルに対応する情報に対応するＴＰ、ＴＮ、ＡＣＣ、ＰＰＶ及びＮＰＶのそれぞれが「９２．０７（％）」、「９３．５３（％）」、「９７．１０（％）」、「７３．９０（％）」及び「９３．１６（％）」であることを示している。

また、図１７に示す情報は、第２学習モデルに対応する情報に対応するＴＰ、ＴＮ、ＡＣＣ、ＰＰＶ及びＮＰＶのそれぞれが「９４．５１（％）」、「８７．１０（％）」、「９２．２１（％）」、「２０．１２（％）」及び「９６．８２（％）」であることを示している。

このように、本実施の形態における情報処理装置１は、心房細動の検知に要する波形データに対応する時間以上の第１時間に対応する波形データを、第１時間よりも短い第２時間に対応する複数の分割波形データに分割し、分割した複数の分割波形データと、分割した複数の分割波形データのそれぞれが心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成する。

すなわち、本実施の形態における情報処理装置１は、例えば、患者端末２から送信された新たな波形データを受信した場合、予め生成した学習モデルを用いることで、新たな波形データに対応する患者が心房細動を発症しているか否かについての判定を行う。

これにより、患者は、医師による診察等を受けることなく、心房細動が発症している否かの判定を行うことが可能になる。そのため、患者は、心房細動の早期発見を行うことが可能になる。

また、本実施の形態における情報処理装置１は、学習段階において、心房細動の検知を行うために要する時間よりも長い時間に対応する学習用の波形データをそのまま学習データとして用いる代わりに、心房細動の検知を行うために要する時間よりも短い時間に対応する複数の分割波形データ（学習用の波形データを分割して生成した複数の分割波形データ）を学習データとして用いる。

そして、本実施の形態における情報処理装置１は、判定段階において、心房細動の検知を行うために要する時間よりも短い時間に対応する複数の分割波形データ（判定対象の波形データを分割して生成した複数の分割波形データ）を学習モデルに入力することによって、判定対象の波形データが心房細動に対応する波形データであるか否かを示す情報を出力する。

これにより、本実施の形態における情報処理装置１は、心房細動の検知を行うために要する時間よりも長い時間に対応する学習用の波形データをそのまま学習データを用いる場合と比較して、規模の小さい学習モデル（例えば、畳込み層や全結合層の数が少ない学習モデル）を生成することが可能になる。そのため、情報処理装置１は、処理能力が弱い場合であっても、学習モデルの生成処理や学習モデルを用いることによる新たな波形データの判定処理を短時間で行うことが可能になる。

なお、上記の例では、情報処理装置１が患者端末２において採取された波形データを用いることによって心房細動検知処理を行う場合について説明を行ったが、心房細動検知処理が患者端末２において行われるものであってもよい。

具体的に、患者端末２は、データ前処理部１１２、データ生成部１１３、モデル生成部１１４、データ判定部１１５及び結果出力部１１６と同じ機能を有するものであってもよい。

さらに具体的に、患者端末２は、例えば、管理者端末３から受信した学習用の学習データを用いることによって、学習モデルの生成を行うものであってもよい。そして、患者端末２は、患者から新たな波形データを採取した場合、学習モデルを用いることによって、新たな波形データが心房細動に対応する波形データであるか否かについての判定を行うものであってもよい。

また、患者端末２は、例えば、情報処理装置１において生成された学習モデルを記憶領域２１０に記憶するものであってもよい。そして、患者端末２は、患者から新たな波形データを採取した場合、学習モデルを用いることによって、新たな波形データが心房細動に対応する波形データであるか否かについての判定を行うものであってもよい。

この点、本実施の形態における心房細動検知処理では、上記のように規模の小さい学習モデルが用いられる。そのため、患者端末２は、自端末の処理能力が十分でない場合であっても、心房細動検知処理を行うことが可能になる。

１：心房細動検知装置
２：患者端末
３：管理者端末
１０１：ＣＰＵ
１０２：メモリ
１０３：通信インタフェース
１０４：記憶媒体
１０５：バス

Claims (12)

1. 心電信号の波形データを用いた機械学習を行うことによって心房細動の検知を行う心房細動検知処理をコンピュータに実行させる心房細動検知プログラムであって、
   前記心房細動の検知に要する波形データの時間以上の第１時間に対応する前記波形データを、前記心房細動の検知に要する波形データの時間未満の第２時間に対応する複数の第１波形データに分割し、
   分割した前記複数の第１波形データと、前記複数の第１波形データのそれぞれが前記心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成する、
   処理をコンピュータに実行させることを特徴とする心房細動検知プログラム。
2. 請求項１において、
   前記波形データを分割する処理では、
   前記第１時間に対応する前記波形データに対してトレンド除去を行うことによって第２波形データを生成し、
   生成した前記第２波形データに対して運動アーチファクト除去を行うことによって第３波形データを生成し、
   生成した前記第３波形データを、前記第２時間に対応する前記複数の第１波形データに分割する、
   ことを特徴とする心房細動検知プログラム。
3. 請求項１において、さらに、
   前記第１時間に対応する新たな波形データを、前記第２時間に対応する複数の第４波形データに分割し、
   分割した前記複数の第４波形データのそれぞれを前記学習モデルに入力することによって、前記複数の第４波形データのそれぞれが前記心房細動に対応する波形データであるか否かを示す情報を取得し、
   取得した前記情報に基づいて、前記新たな波形データが前記心房細動に対応する波形データであるか否かについての判定を行い、
   前記判定の結果を出力する、
   処理をコンピュータに実行させることを特徴とする心房細動検知プログラム。
4. 請求項３において、
   前記新たな波形データを分割する処理では、
   前記第１時間に対応する前記新たな波形データに対してトレンド除去を行うことによって第５波形データを生成し、
   生成した前記第５波形データに対して運動アーチファクト除去を行うことによって第６波形データを生成し、
   生成した前記第６波形データを、前記第２時間に対応する前記複数の第４波形データに分割する、
   ことを特徴とする心房細動検知プログラム。
5. 請求項３において、
   前記判定する処理では、前記複数の第４波形データのうち、連続する所定数の波形データのそれぞれが前記心房細動に対応する波形データであると判定した場合、前記新たな波形データが前記心房細動に対応する波形データであると判定する、
   ことを特徴とする心房細動検知プログラム。
6. 請求項５において、
   前記連続する所定数の波形データに対応する時間は、前記心房細動の検知に要する波形データに対応する時間以上の時間である、
   ことを特徴とする心房細動検知プログラム。
7. 請求項３において、
   前記判定する処理では、
   前記新たな波形データに対応する人の心拍数が所定以上でないと判定した場合、前記新たな波形データが前記心房細動に対応する波形データであると判定する、
   ことを特徴とする心房細動検知プログラム。
8. 請求項７において、
   前記判定する処理では、
   前記新たな波形データに対応する人の心拍数が所定以上であると判定した場合、前記新たな波形データに対応する人の心拍数の標準偏差が所定以下であるか否かを判定し、
   前記新たな波形データに対応する人の心拍数の標準偏差が所定以下でないと判定した場合、前記新たな波形データが前記心房細動に対応する波形データであると判定する、
   ことを特徴とする心房細動検知プログラム。
9. 心電信号の波形データを用いた機械学習を行うことによって心房細動の検知を行う心房細動検知装置であって、
   前記心房細動の検知に要する波形データの時間以上の第１時間に対応する前記波形データを、前記心房細動の検知に要する波形データの時間未満の第２時間に対応する複数の第１波形データに分割するデータ分割部と、
   分割した前記複数の第１波形データと、前記複数の第１波形データのそれぞれが前記心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成するモデル生成部と、を有する、
   ことを特徴とする心房細動検知装置。
10. 心電信号の波形データを用いた機械学習を行うことによって心房細動の検知を行う心房細動検知処理をコンピュータに実行させる心房細動検知方法であって、
    前記心房細動の検知に要する波形データの時間以上の第１時間に対応する前記波形データを、前記心房細動の検知に要する波形データの時間未満の第２時間に対応する複数の第１波形データに分割し、
    分割した前記複数の第１波形データと、前記複数の第１波形データのそれぞれが前記心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成する、
    処理をコンピュータに実行させることを特徴とする心房細動検知方法。
11. 心電信号の波形データを採取する操作端末と、前記波形データを用いた機械学習を行うことによって心房細動の検知を行う心房細動検知装置とを有する心房細動検知システムであって、
    前記心房細動検知装置は、
    前記心房細動の検知に要する波形データの時間以上の第１時間に対応する前記波形データを、前記心房細動の検知に要する波形データの時間未満の第２時間に対応する複数の第１波形データに分割し、
    分割した前記複数の第１波形データと、前記複数の第１波形データのそれぞれが前記心房細動に対応するか否かを示す情報とを含む複数の学習データを用いた機械学習を行うことによって学習モデルを生成する、
    ことを特徴とする心房細動検知システム。
12. 請求項１１において、
    前記操作端末は、
    前記第１時間に対応する新たな波形データを対象者から採取し、
    採取した前記新たな波形データを前記心房細動検知装置に送信し、
    前記心房細動検知装置は、
    前記操作端末が送信した前記新たな波形データを受信した場合、受信した前記新たな波形データを、前記第２時間に対応する複数の第４波形データに分割し、
    分割した前記複数の第４波形データのそれぞれを前記学習モデルに入力することによって、前記複数の第４波形データのそれぞれが前記心房細動に対応する波形データであるか否かを示す情報を取得し、
    取得した前記情報に基づいて、前記新たな波形データが前記心房細動に対応する波形データであるか否かについての判定を行い、
    前記判定の結果を出力する、
    ことを特徴とする心房細動検知システム。

Images