生物信号解析系统的制作方法

本发明涉及一种例如基于心电信号(下面为心电信息)来判定正常/脉律不齐的一系列的生物信号解析系统。

背景技术：

1、心脏重复收缩和扩张来发挥向全身输送血液的泵的作用。这一活动通过心肌细胞的微弱的电刺激来保持规律性，但如果该电刺激显现异常，则连心脏的活动也会发生异常。将这一情况称为脉律不齐。脉律不齐有各种各样的种类，例如列举有引发心跳骤停的致死性高的心室纤颤、室性心动过速、引发脑梗塞的心房纤颤。因而，判定脉律不齐非常重要，进行了使用由生物信号测定器从判定对象获取到的心电信息来判定脉律不齐的处理。

2、然而，对于脉律不齐的判定，医生查看长期且连续的心电信息来进行诊断，给予医生的负担大。因此，使用了用于自动判定脉律不齐的生物信号解析装置和方法(例如，参照非专利文献1、2)。

3、非专利文献1所记载的方法是进行限定到脉律不齐中的心房纤颤的判定的方法。心房纤颤是由于电刺激而使被称为心房的部位小幅度地颤动的脉律不齐，用于根据心电信息进行判定的特征列举有作为小幅度的振动成分的f波的产生以及心跳周期(下面称为rr比)的异常性。非专利文献1着眼于后者，在将rr比取为横轴的直方图中，与正常窦性心律(下面为正常波形)相比，心房纤颤的偏差较大，因此根据该情况而判定出心房纤颤。

4、另外，非专利文献2所记载的方法与非专利文献1同样着眼于心房纤颤，但是进行基于机器学习的自动解析。非专利文献2将所获取到的心电信息每15秒进行分段，通过对其进行时间-频率变换来使波形特征显现，分类为已经学习的“正常波形、噪音、心房纤颤及其它”四种来判定心房纤颤。

5、现有技术文献

6、非专利文献

7、非专利文献1：b.logan and j.healey，“robust detection of atrialfibrillation for a long term telemonitoring system，”computers in cardiology，2005，lyon，2005，pp.619-622，doi：10.1109/cic.2005.1588177.

8、非专利文献2：a.qayyum，f.meriaudeau and g.c.y.chan，“classification ofatrial fibrillation with pre-trained convolutional neural network models，”2018ieee-embs conference on biomedical engineering and sciences(iecbes)，sarawak，malaysia，2018，pp.594-599，doi：10.1109/iecbes.2018.8626624.

技术实现思路

1、发明要解决的问题

2、然而，在非专利文献1和非专利文献2中存在下面的问题。

3、在非专利文献1中，只能判定出rr比的异常性具有特征的脉律不齐。如上所述，脉律不齐存在各种各样的种类，由于也存在室性心动过速等rr比不出现特征的脉律不齐，因此发生漏掉这些脉律不齐的情况。另外，由于根据偏差来评价rr比的异常性，因此为了判定心房纤颤而需要长期连续地持续脉律不齐(偏差)，难以判定突然发生的脉律不齐。

4、在非专利文献2中，由于需要事先学习，因此无法进行未学习的脉律不齐的判定。

5、在本发明中，解决现有技术的上述问题，提供一种能够不依据脉律不齐的种类而根据心电信息来判定是否为脉律不齐的一系列的生物信号解析系统。

6、用于解决问题的方案

7、达到上述目的的本发明的一系列的生物信号解析系统由下面的结构构成。

8、(1)一种生物信号解析系统，是基于心电信息来进行脉律不齐的判定的一系列的生物信号解析系统，具备：

9、输入部，其受理所述心电信息的输入；

10、数据变换部，其对所述心电信息进行时间-频率变换来生成判定用数据；

11、数据复原部，其使用由自编解码器构成的学习完毕模型来生成复原所述判定用数据所得到的复原数据；

12、差计算部，其计算所述复原数据与所述判定用数据的差量；以及

13、判定部，其基于所述差量来判定所述判定用数据是正常波形数据和脉律不齐波形数据中的哪一种数据。

14、(2)根据(1)所记载的生物信号解析系统，其中，

15、所述学习完毕模型是通过如下的学习生成的模型：所述学习使用95％以上为基于正常波形数据生成的多个已知的学习用数据。

16、(3)根据(1)所记载的生物信号解析系统，其中，

17、所述学习完毕模型是通过如下的学习生成的模型：所述学习使用95％以上为基于正常波形数据生成的多个已知的学习用数据以及从进行判定的对象获取到的学习用数据。

18、(4)根据(1)所记载的生物信号解析系统，其中，

19、所述学习完毕模型是通过如下的学习生成的模型：所述学习使用从判定对象获取到的学习用数据。

20、(5)根据(1)～(4)中的任一项所述的生物信号解析系统，其中，

21、所述输入部将所述心电信息所具有的波形数据分段为提取规定的时间范围的波形数据所得到的单位波形数据，

22、所述数据变换部对所述单位波形数据进行时间-频率变换来生成所述判定用数据。

23、(6)根据(1)～(5)中的任一项所述的生物信号解析系统，其中，

24、所述数据变换部生成对所述判定用数据中脉律不齐的时间-频率特征区域加权所得到的加权数据。

25、(7)根据(1)～(6)中的任一项所述的生物信号解析系统，其中，

26、所述差计算部生成表示所述复原数据与所述判定用数据的差的差数据，基于该差数据来计算所述差量，

27、所述判定部基于所述差数据的时间和频率特征来确定脉律不齐主要原因。

28、(8)根据(1)～(7)中的任一项所述的生物信号解析系统，其中，

29、所述学习完毕模型是通过如下的学习生成的模型：所述学习使用已知是所述正常波形数据的学习用数据。

30、(9)根据(1)～(8)中的任一项所述的生物信号解析系统，其中，

31、还具备使用学习用数据进行所述自编解码器的学习来生成所述学习完毕模型的学习部。

32、(10)根据(2)所记载的生物信号解析系统，其中，

33、还具备使用所述学习用数据进行所述自编解码器的学习来生成所述学习完毕模型的学习部，

34、所述学习部具有与所述已知的学习用数据的特征对应的多个自编解码器，

35、基于判定对象的正常波形数据的特征来从所述多个自编解码器选择一个自编解码器。

36、(11)根据(3)所记载的生物信号解析系统，其中，

37、还具备使用所述学习用数据进行所述自编解码器的学习来生成所述学习完毕模型的学习部，

38、所述学习部具有与所述已知的学习用数据的特征对应的多个学习用数据群或多个自编解码器，

39、基于判定对象的正常波形数据的特征来从所述多个学习用数据群或所述多个自编解码器选择一个学习用数据群或自编解码器。

40、发明的效果

41、根据本发明，能够提供一种能够不依据脉律不齐的种类而根据心电信息来判定是否为脉律不齐的一系列的生物信号解析系统。