JP2010510851A - 生物医学的信号形態分析手法 - Google Patents

Abstract

ＥＣＧ波形の形状を、２つの隠れマルコフモデルを用いてＪＴ区間を検出し、そのＪＴ区間の分析信号を計算することで定量化する方法が開示されている。分析信号から計算されたパラメータは、ＪＴ区間の形状記述子として使用される。この形状記述子は次元縮小されたマッピングとして表示される。特徴的に形状を表すテンプレートは、形状記述子空間内のクラスタ中心を探すことで生成することが可能であり、新たな波形の新規性は、新たな形状記述子の形状記述子空間内での位置を予め定められた正常訓練セットまたは以前に遭遇した波形と比較することにより定量化できる。新規の形状記述子は対応する波形をリトリーブするために使用でき、その様な新規な形状のテンプレートは、その様な波形を、心拍の変動を許す動的タイムワーピングを使用して平均化することで生成可能である。

Description

本発明は心電図またはその他の生物医学的信号のような、生物医学的信号の分析方法に関する。

種々の生物医学的信号、すなわち人体または動物の状態または状況を表す信号が存在し、これらは監視器具を用いて侵襲的または非侵襲的に得られる。典型例として、心電図(ECG：electrocardiogram)、脳波図（EEG：electroencephalogram）、脳波図（EEG：electroencephalogram）、最低最高血圧、光脈派（PPG：photoplethysmograph）、インピーダンス脈派、呼吸速度またはインピーダンス呼吸記録、および血中飽和酸素を含み、これらは全て規則的繰り返しパターンを有する。これらの信号は典型的には専門家により吟味されて、例えば人間または動物の健康状態、何らかの治療、例えば人間または動物への投薬効果などが判定される。その様な専門家による分析は、しかしながら時間がかかりかつ費用がかかる。従って、過去数年に渡って生物医学的信号分析の自動化技術を提供するためにかなりな努力がなされている。この様な信号はしばしば雑音が多く、複雑でかつ時間変化および個体差が大きい。従って自動化分析は困難であり、たとえ１固体からでも長期間に渡る信号記録で生成されるはずの膨大なデータ量は、高速プロセッサを具備したコンピュータを使用したとしても全てのデータを分析することは実際的でない。

心電図区間分け用の自動化信号分析方法の例がＷＯ２００５／１０７５８７に開示されている。この文献は１つの心電図（ECG）内の個別の心拍を区間分けする（Segment）ために隠れマルコフモデル（Hidden Markov Model）を使用している。ＥＣＧ（また頭字語ＥＫＧとしても知られる）は１つの重要な非侵襲的信号であり、これは心臓の電気的活動を測定する。

それぞれの心拍は多数の識別可能な心臓内科的段階を含み、これは今度はＥＣＧ波形の中に識別可能な特徴の組を生み出す。これらの特徴は心臓の特定部位の筋肉細胞の脱分極（depolarization）（電気的放電）または再分極（repolarization）（電気的再充電）のいずれかを表す。図１は人間のＥＣＧ波形に関連する特徴を示す。ＥＣＧ波形の標準的特徴はＰ波、ＱＲＳ群およびＴ波である。時々小さなＵ波（Ｔ波に続き）が追加的に現れる。

心拍サイクルはＰ波（その開始および終了点はＰ_onとＰ_offsetとして指示されている）で始まり、これは心臓内の心房脱分極（atrial depolarization）の期間に対応する。これに続いてＱＲＳ群があり、これはＥＣＧ波形の最も見分けやすい特徴であり、心室脱分極（ventricular depolarization）（これは心房再分極をマスクする）の期間に対応する。ＱＲＳ群の開始および終了点はＱ_onsetおよび、Ｊ点と呼ばれている。Ｔ波はＱＲＳ群に続き、心室再分極（ventricular repolarization）に対応する。Ｔ波の終了点はＴ_offsetとして示されており、心拍サイクルの終了を表す（Ｕ波が存在しないと仮定）。ＥＣＧ信号を詳しく調べることにより、特徴的なＥＣＧ波形から多くの情報を含む測定量を導出することが可能である。これらは次に心臓状態を評価したり、心臓リズムに含まれる変化や潜在的異常を検出するために使用可能である。

１つの特に重要な測定量は「ＱＴ間隔」であり、これはＱＲＳ群の開始からＴ波の終了までの時間、すなわちＴ_offset−Ｑ_onset、として定義される。この時間間隔は心房内の電気的活動（脱分極と再分極の両方）の全期間に対応する。

このＱＴ間隔は特に重要であるが、それはこれがある種の内科的状態の良好な指標であり、また臨床試験において新たな薬理物質の志願者試験中に監視されなければならない。過去に於いてその様な志願者は彼らのＥＣＧを比較的短時間（例えば１０秒間程度）、臨床試験期間中に定期的間隔で監視され記録されていた。例えば試験薬の投与試験に関して言えば、１０秒間ＥＣＧ記録は、薬の投与時点（時点ゼロ）、３０分、１時間、１．５時間など、１日後までであるが通常は最初の６時間以降は頻度が減少する。典型的に、制御として、ＥＣＧ記録は志願者が投薬されていないある１日、および志願者が偽薬を投与されたある１日の対応する時刻にも採られる。薬が志願者の心臓に与える効果、例えばそれがＱＴ間隔を延長するか否か、またどの程度、が短時間ＥＣＧ記録を点検する専門家よって鑑定される。

しかしながら、最近は１日を通して時間間隔をあけてＥＣＧの短時間記録を採ることでは、ある種の影響を見逃すのではないかという懸念から、全１２チャンネルの連続記録を採る方向に進んでいる（いわゆるホルタ心電図記録。）これはＥＣＧデータの量を極めて増加させる。先に述べたように手動分析は規則的な間隔を置いた短時間記録では可能であるが、連続ホルタ心電図記録では２４時間の分析は１００，０００心拍（毎分６０心拍＊６０分＊２４時間＝８６，４００）の分析をチャンネル毎に必要とする。これは既存の専門家による分析方法、また自動化された分析の多くの方法を実際上非現実的なものとしてしまう。

ＷＯ２００５／１０７５８７に開示されているような自動化分析技術は、負担を減らすことは出来るが、２４時間チャンネルＥＣＧ記録上には自動化された区間分けアルゴリズムでは妥当なレベルの精度または信頼性を持って区間分け出来ない５０，０００心拍もの記録が存在するであろう事が分かっている。

日中３０分または１時間間隔で採られる従来型１０秒間ＥＣＧ記録では、低信頼性心拍の数は１日当たり１００程度であり、これは臨床医が手動で区間分け出来るであろうが、これを５０，０００心拍に対して行うのは明らかに非現実的である。更に、その様に高い割合の心拍を確実にノイズまたは人為的なものと帰することが出来ないまま低信頼性のものとして単に拒絶するのは安全では無く、それはそれらが臨床的に重要または関心のある、正常な心臓活動からの変動によって引き起こされている場合があるからである。

ＥＣＧの分析中に発生する１つの従来からの問題は、ＱＴ間隔が心拍数により変動することである。従って心拍数が減少するとＱＴ間隔が増加する。心拍数変化に関連するＱＴ間隔の増減は、薬物により引き起こされる変化よりもっと大きい。また心拍数は呼吸サイクルと共に周期的に変動し、この周期的変化はまたＱＴ間隔にも影響を与える。従って、１つのＥＣＧから測定されたＱＴ間隔の値は、通常測定されたＱＴ間隔を心拍間隔（１つのＲピークから次への間隔）を秒で測定しその三乗根または二乗根で割ったもので補正される。しかしながらこの補正が特別に正確とは言えない。

本発明の第１の特徴として、繰り返し信号特徴を有する生物医学的信号分析手法を提供しており、生物医学的信号内の複数の前記繰り返し信号特徴の各々を区間分けし、１つまたは複数の区間の形状を記述する複数のパラメータの値を探すために前記１つまたは複数の区間を分析し、それらの値を記録し、そしてその生物医学的信号を通して前記の値内の変化を追尾することを含む。

従って、本発明のこの特徴は時間を通して、１つの生物医学的信号の複数の区間の形状または「形態」を自動的に追尾する能力を与える。

生物医学的信号は、例えば心電図であってその中で繰り返し信号特徴は心拍である。従って、ＥＣＧ波形内の形状変化を監視するために臨床医に頼るのではなく、その様な変化は自動的に測定され追尾される。

好適にＥＣＧ分析の事例では、心拍のＴ波が分析され、これはＪ点からＴ_offsetまでの区間である。

Ｊ点は、Ｊ点前後の波形に関する状態モデルを含む隠れマルコフモデルを使用して検出される。同様にＴ_offset点はＴ波およびＴ_offset前後の波形に対する状態モデルを含む隠れマルコフモデルを用いて検出できる。

Ｔ_offset点の位置決めは、心電図を通して心拍毎に、ＱＴ間隔と脈拍との間の関係に基づいてＱＴ間隔を推定し、推定されたＱＴ間隔とＲ波ピーク（標準アルゴリズムで見つけられる）からＴ_offsetの位置を推定して保持することが好ましい。次にＴ_offset点を検出する隠れマルコフモデルを、推定されたＴ_offset位置に関して定義された心電図の区間に適用できる。これはＴ_offset位置を検出するためにスキャンしなければならないＥＣＧの範囲を縮小するので、アルゴリズムの速度を増加させる。

心拍毎のＴ_offset点位置推定を維持するためにカルマンフィルタ（Kalman filter）またはその他の予測システムが用いられる。

もちろん、ＥＣＧ内のＴ波または生物医学的信号のその他の所望する部分を区間分けするための、他の方法も使用できる。

生物医学的信号の区間の形状を記述する複数のパラメータは、その区間に対する形状記述子ベクトルの構成要素を構成できる。従って異なる形状は形状記述子ベクトル空間内の異なる点として表現されると考えることが可能である。

例えば、波形形状の正常性を定義することが、形状記述子空間内の正常領域を定義することで可能である。バッチ式学習過程において、正常性は正常と考えられる生物医学的信号の訓練セットを用いて定義することができる。

新たな波形はその形状記述子ベクトルの位置を、形状記述子ベクトル空間内での位置ならびに定義された正常性と比較することで、正常性を比較することができる。新たな波形の新規性の程度は、その形状記述子ベクトルと最も近い正常性を表す形状記述子ベクトル（すなわち訓練セット）との間の距離測度（例えばユークリッド距離）に基づき、または形状記述子空間内の点の密度を計算することが可能であり、与えられた形状記述子ベクトルの正常性確率がそれから計算できる。

与えられた波形の新規性程度を記述する形態指標値が、形状記述子ベクトル内の差に基づき定義できる。形態指標値は生物医学的信号記録の範囲に渡って、時間の関数として表示できる。

また、次元縮小マッピング（dimensionality reduction mapping）を形状記述子ベクトルに適用することも可能であり、これは形状記述子ベクトルを二次元表示器上に表示することを可能とし、例えば次元縮小マッピングは原空間内の複数の形状記述子ベクトル間の空間的関係を可能な限り接近して保存するものの１つである（この様なニューロスケール（Neuroscale）マッピング、サモンマップ（Sammon Map）に対する同様の属性を有する分析形式、は例えばhttp://citeseer.ist.psu.edu/ lowe97neuroscale.html参照）。

生物医学的信号が心電図の場合、呼吸サイクルで引き起こされる脈拍の変動は、動的タイムワーピング（dynamic time warping）により補正される。

従って生物医学的信号が自動的に区間分けされている際には、区間分け信頼度が低い信号は手動区間分けを行うために提示できる。好適に、手動区間分けが必要な信号数は信号の異なる一群を表すテンプレートを定義することにより削減されるが、各々の一群の構成員間に何らかの類似性は具備されている。

生物医学的信号が、その形状記述子パラメータが予め定められた正常性から予め定められた閾値より更に乖離した繰り返し信号特徴に遭遇する場合、またはその波形が区間分けされはしたがその信頼度が予め定められた閾値より低いが拒絶閾値より高い場合、その様な生物医学的信号を手動区間分けに回すことが好ましい。

好適に、同様の形状記述子ベクトルを有する、複数の信号特徴に対する信号形状を表すテンプレートを定義することにより、手動区間分けを必要とする信号数は減る。従って、信号特徴のグループまたは一群は、その形状記述子ベクトルが、形状記述子ベクトル空間内で互いが予め定められた距離以内にあるものとして定義され、正常領域外にあるグループは、すなわち正常形状に対して新規であると特徴付けられる。

好適にそのグループは、時間的に局在する信号特徴の形状記述子ベクトルを含み、そのグループの１つの構成要素が取り出され、１つのテンプレートが信号記録内の多数の隣接する信号特徴と一緒に、対応する信号特徴から生成される。これはそのテンプレートが信号記録中の非常に異なる時間で生じる、類似しているが新規な形状の波形から用意されるのではなく、それに代わって時間的に局在している類似であるが新規な形状の波形から用意されることを意味している。

このテンプレートは好適に手動区間分け用に表示され、すなわち臨床医は表示された波形を調査して、種々の段階の開始および終了をマークすることができる。そのテンプレートの区間分けは、次ぎにその形状記述子ベクトルがこのテンプレートに対応するグループ内に存在する各々の波形に遡って伝搬させることができる。

従って本発明の１つの特徴として、臨床医が区間分け作業を要求されるのは比較的少数のテンプレートであって、これはそのテンプレートに対応する全ての波形に対して自動的に適用された、この区間分けを具備した波形の異なる一群に対応するものである。

もちろん、手動区間分け結果を自動区間分けで使用されているアルゴリズム（例えば隠れマルコフモデル）を再訓練するために使用し、新規形状の新たに区間分けされた波形を訓練データ・ベースの中に含めることも可能である。

上記の技術はまたオンライン学習モードにも適用可能であり、その中で一連の波形を含む信号または記録が、それがあたかも生成されるかまたは再生されるかのように、必要に応じて生成されたテンプレートを用いて連続的に分析される。従って、その信号または記録の初期部分は、その区間の波形の形状を表す第１テンプレートを生成するために使用される。このテンプレートは単にその区間内の波形の平均で構わない。次に各々の後続波形の形状がそのテンプレートに基づいてチェックされ、形状の中に予め定められた閾値を超える変化が存在する場合、その波形または類似の変化形状の後続波形のグループが、新たなテンプレートを生成するために使用される。次に後続波形が２つのテンプレートに基づき検査され、形状内の更に大きな変化は更に別のテンプレートを生成する。閾値は生成されるテンプレートの数を制御するように経験的にセットされる。次にこれらのテンプレートは専門家によって見直され、先に説明したように、注釈、区間分けなどが、そのテンプレートが最も近接整合する個々の波形に遡って伝搬される。

本発明は、その方法をコンピュータ・システム上で実行するためにコンピュータ・プログラムの中に実装され、また本発明はその様なプログラム、そのプログラムを携行する記憶媒体、およびその方法を実行するようにプログラムされたコンピュータ・システム・プログラムの中に展開する。

本発明を添付図を例として参照し、更に説明する。

図１は全体にラベル付けされたＥＣＧ波形を示す。 図２ＡはＥＣＧ波形の部分を区間分けするための本発明の１つの実施例を図示する流れ図。 図２ＢおよびＣは、本発明の１つの実施例におけるＨＭＭ用スキャン・ウィンドウの位置を図式的に示す。 図３は本発明の１つの実施例に基づく心拍テンプレート処理過程の流れ図。 図４は本発明の１つの実施例に基づく、ＥＣＧ波形の部分の定量的形状記述の計算を示す流れ図。 図５は手動区間分け用心拍テンプレートを図式的に示す。 図６は本発明の１つの実施例に基づき計算された形状記述子の次元縮小されたプロットである。 図７は１つの事例データのＱＴ間隔、形態学的指標および区間分け確度を図示する。 図８はダイナミック・タイム・ワーピングの過程を図式的に示す。 図９は本発明の１つの実施例を用いてＥＣＧを分析した結果の１つの動画からの画像コマ（frame）を示す。 図１０は本発明の１つの実施例を用いてＥＣＧを分析した結果の１つの動画からの画像コマ（frame）を示す。 図１１は薬試験から採られた２４時間ホルタ記録用のＱＴ間隔測定値であって、再注釈を行う前後を示す。 図１２−１は薬試験における被験者の２４時間記録に対する、自動生成された４つの心拍テンプレートをＱＴ間隔のプロットと形態的新規さ指標と並べて図示する。 図１２−２は薬試験における被験者の２４時間記録に対する、自動生成された４つの心拍テンプレートをＱＴ時間のプロットと形態的新奇さ指標と並べて図示する。 図１３は手動区間分けに対する心拍テンプレートを表示する図５の代替物を図式的に示す。

次にデジタル化された心電図（ＥＣＧ）の分析に適用された本発明の１つの実施例を説明する。本発明のこの実施例は２つの基本的な目的を持ち、その第１はＥＣＧ波形（更に詳細にはＪＴ区間）の形状または形態の定量的測度を提供して、結果として波形の変化に現れる心臓機能の変動を自動的に検出し追尾出来るようにすることであり、第２はＥＣＧの２４時間監視の方向への動きで引き起こされるデータ量の爆発的増加を考慮して、自動区間分けアルゴリズムで適切に区間分けされなかった波形を、臨床医が手動で区間分け出来るようにするという問題を取り扱いやすくする方法である。これはＥＣＧ波形のＪＴ区間に対する形状記述子を定義し計算することで実現され、次にこの記述子は形態的変化を検出して追尾し、また手動区間分けを必要とする新規な形態を検出して手動区間分けを必要とする量を削減するために関係の近い形態を表す心拍テンプレートを導出するための基本として使用される。

本発明のこの実施例はＥＣＧ波形のＪＴ部分の定量的形状記述子を導出することに基づいているが、もちろん同様の技術はＥＣＧ波形の他の部分の形状を記述するため、また実際その他の生物医学的信号の部分の形状を記述するためにも適用可能である。

処理工程の第１ステップはＥＣＧ波形のＪＴ区間を見つけることである。これは心臓内科医による手動区間分けで行えるが、図２は隠れマルコフモデルを使用してＪＴ区間を自動的に見つけ出す方法を図示しており、これはＷＯ２００５／１０７５８７に記載されている、全波形を区間分けするために隠れマルコフモデルを使用する技術に類似しており、これは此処に参照することで本特許に組み込まれている。これは２つの別々の隠れマルコフモデルを使用することで実現されており、その内の１つはＪ点をまたもう１つはＴ_offsetを検出し、これら２つのモデルは独立している。

以下の例において、Ｊ点およびＴ_offsetの検出は隠れマルコフモデルを使用することに基にしている。公開されている特許明細書ＷＯ２００５／１０７５８７、およびヒューズ．エヌピー．（Hughes NP）およびタラセンコ．エル（Tarassenko L.）著の複数の論文（２００４年）。「信頼性測度を具備した自動化ＱＴ間隔分析」心臓病学におけるコンピュータ（Computer in Cardiology）、３１−３４ページ、ヒューズ．エヌピー．（Hughes NP）、タラセンコ．エル（Tarassenko L.）およびロバーツ．エス（Roberts S.）著（２００４年）。「自動化ＥＣＧ間隔分析用マルコフモデル」神経情報処理システムにおける進歩（Advances in Neural Information Processing System）第１６巻、スルーン．エス（Thrun S）、ソール．エル（Saul L）およびショルコフ．ビー（Scholkopf B）(eds)著、ＭＩＴ出版、これらは此処に参照することにより組み込まれている、は図１に示すように人間の心拍波形の全体に対して隠れマルコフモデルを適用する方法を記述している。これらの技術は異なる状態間の遷移、特にＰ_onset，Ｑ_onset，Ｊ，およびＴ_offset点、に対応する図１内の種々の時点を検出する。これは全ＥＣＧ波形を処理し、ＰＲ間隔、ＱＲＳ間隔、Ｔ波およびＴ_onset点と次のＰ波始まりとの間の基準線領域に関する個別の状態モデルを有することで行われる。

本実施例において、Ｊ点を検出するためのモデルはＱＲＳ群直前の波形と、またＪ点直後の波形に対応する状態を有し（しかしながら、ＱＲＳ群が不変であるのでこの状態は必ずしも含まれる必要は無い）、一方Ｔ_offset点を検出するためのモデルはＴ_offset点の直前および直後の波形区間に対応する状態を有する。これらのモデルは手動で注釈されたＥＣＧの訓練セットを用いて、ＷＯ２００５／１０７５８７および上述の論文に記載された全モデルに相当する方法で訓練される。

簡単に、隠れマルコフモデルは下記を含む：
隠れ状態の初期確率と、次の観察時刻内に１つの特定状態から他の特定状態へ遷移する確率を与える確率行列とを与える遷移モデル。「自己遷移」とは測定値の間で変化しない状態を言う。
複数の状態の各々に対して１つ存在し、その各々は前記状態の中に存在する確率を与え、任意の指定された時点での観測値を与える、一組の観測モデル。

本実施例において、「遷移モデル」は手動で注釈された訓練データの組から容易に導かれ、これはどの状態（例えば、Ｐ波、ＱＲＳ群、Ｔ波）がモデル内に存在するかを正確に定義するが、それは各々の状態が臨床医によってそこに設置された注釈点の間の時間区間として定義されるからである。従って、その様な区間の各々および手動で注釈された心拍に対して、その区間内の全体的な時間サンプル数に対して自己遷移の数を計数し、また注釈点で指定されるその状態から次への単一遷移を計数する。この処理過程が各々の状態、および各々の注釈された心拍に対して繰り返されて、各状態内の全体サンプル数（これから初期状態確率が導き出される）、また各々の遷移型式のテーブル計数（これから遷移確率が導き出されるはず）が求められる。

「観測モデル」は多変量正規分布混合モデル（Multivariate Gaussian Mixtures Model）（ビショップ．シー．エム．（Bishop C.M.）著(1995年)「パターン認識のためのニューラル・ネットワーク」（第２章）OUP, Oxford, 1995 ISBN 0 19 853864 参照 ）に基づき、全共分散行列（full covariance matrix）、または人工ニューラル・ネットワーク、例えば多層パーセプトロンを使用し、すなわち「softmax」出力関数（ビショップ．シー．エム．（Bishop C.M.）著(1995年)「パターン認識のためのニューラル・ネットワーク」（２３８−２４０ページ）OUP, Oxford, 1995 ISBN 0 19 853864 参照）を使用して、事後クラス確率（posterior class probability）を出力するように訓練されている。観測ベクトルはundecimated ウェーブレット変換（undecimated wavelet transform）（ＵＷＴ）計数とそれらの誘導体を含む（パージバル．ディー．ビー．（Percival D.B.）およびウォールデン．エイ．ティー．（Walden A.T.）著、（２０００年）時系列分析用ウェーブレット法。ケンブリッジ大学出版（Cambridge University Press）参照。）各々の状態モデル用訓練データが再び訓練セットから、注釈点前後の時刻で定められた指定時刻でのサンプルに対応するデータと共に抽出される。多変量正規分布混合モデルは標準ＥＭ（Expectation-Maximization）アルゴリズム（デンプスター．エイ．ピー．（Dempster,A.P.）レアード、エヌ．（Laird,N.）およびルービン、ディー（Rubin,D）著、（１９７７年）ＥＭアルゴリズムを用いた不完全データからの最尤推定、（Maximum Likelihood from incomplete data via the EM algorithm）、王立統計学会誌（Journal of the Royal Statistical Society）Ｂ，３９；−３８参照）で訓練される。多層パーセプトロン（Perceptron）が観測モデルに使用される場合には、これらは前処理付き共役勾配法（Scaled Conjugate Gradients）の様な、非線形最適化手順で訓練される。ＥＭアルゴリズムと前処理付き共役勾配法非線形最適化手順、両方の実装例がナブネイ．アイ．ティー．（Nabney I.T.）著、（２００２年）NETLAB−パターン認識用アルゴリズム（３）（Algorithms for Pattern Recognition (3)）スプリンガー（Springer）、ロンドン（London）ISBN 1-85233-440-1に記載されている。

訓練された隠れマルコフモデルが入力波形に適用されてそれらを、ＷＯ２００５／１０７５８７の中で全体モデルに適用されたのと同じ方法で区間分けするが、各々２つのモデルがＥＣＧ信号の一部にのみ適用される点が異なっており、これは後ほど詳細に説明する。例えば、これはビタビ・アルゴリズムを使用して最もあり得る状態シーケンス（ｉ）とそのシーケンスの確率を見つけ出し、その対数が信頼性を与える。

図２のステップ２０に図示されるように、ＪＴ区間の開始を形成するＪ点は隠れマルコフモデルを使用して検出される。ＱＲＳ群のピーク、Ｒピーク、は標準パン・トンプキンス（Pan-Tompkins）アルゴリズム（ジェイ・パン（J.Pan）およびダブリュー・ジェイ・トンプキンス（W.J.Tompkins）著、実時間ＱＲＳ検出アルゴリズム（A Real-Time QRS detection algorithm）、ＩＥＥＥ報告書、生物医学エンジニアリング（IEEE Trans. Biomed. Eng.）BME-32(3) 230-236ページ，１９８５年参照）を使用して容易に位置決めすることが可能である。第１隠れマルコフモデルがＥＣＧ波形の区間に対して、ＱＲＳ群直前からその直後までスキャンされてＱＲＳ群からＱＲＳ群とＴ波との間の区間を検出する。これら２つの区間間の遷移がＪ点と表示される。

次に図２のステップ２１において、Ｔ_offsetの位置が、ＱＴ間隔の値とＲ−Ｒ間隔の間の関係を用いて推定される。この関係は患者のＥＣＧを分析することにより、または静的予測モデルを導出するためのＥＣＧの訓練セットから得ることができる（実際、１つの線形関係によりＲＲ間隔からＱＴ間隔を計算することが可能である）。しかしながら、好適に本実施例では静的モデルを使用する代わりに、カルマンフィルタ（Kalman filter）を用いてＱＴ値を追尾している。従って、カルマンフィルタが現在のＱＴ間隔の１つの推定値を保持し、この推定値はＴ_offset点が実際に検出される毎に、現在の推定値と検出された値との間の差に比例した小さな係数分だけ補正される。

ステップ２２において、Ｔ_offset点の前とＴ_offset点の後の波形区間に対する状態モデルを含む第２隠れマルコフモデルが、推定されたＴ_offset点の両側のＥＣＧ波形の区間の上をスキャンされる。これはＴ_offsetの正確な位置を報告し、これがＪＴ区間の終了点である。

ステップ２３において、第１および第２隠れマルコフモデルを使用して見つけ出されたＪＴ区間が調べられ、以下に説明するように形状記述子ベクトルが導き出される。

ＪＴ区間は、例えば主成分分析（Principal Components Analysis）技術を用いて平滑化される。これはＪＴ区間のデジタル再サンプリングを標準長、これは訓練データ内のＪＴ区間の平均長である、に対して実行することにより行われる。主成分分析は本質的に１つの正規直交軸セット上への投影であり、此処で低位番号軸への投影は高位番号軸の上へのそれらよりも、データ内により多くの分散があることを意味する。平滑化は高位番号軸上への投影を捨てて、低位番号軸のいくつかのみを残すことで実施される。続いて結果として残る点が、元のデータ空間の中に再投影される。高位番号軸はノイズに対応する傾向にあるので、主成分手法は信号の平滑化版を形成する。

ＥＣＧ波形のＪＴ区間の位置決めを終えると次に必要なことは、その波形の形状の簡潔な定量的記述を導出することである。本実施例において、この形状は複数の形状記述で記述される。各々の形状記述子は、Ｔ波の形状のいくつかの特徴、例えば初期傾斜、ピークの高さ、転換点の数などを表す１つの数である。これらの数は１つの組に集められ、これは形状記述子ベクトルと名付けられて、各々の心拍がそのＴ波の形状を記述する１つの形状記述子ベクトルを有するようにしている。この実施例において、形状記述子は「分析的信号」を使用することに基づいているが、もちろんその他の形状記述子を使用することも可能である。信号処理において、実数値信号s(t)の分析的信号、または分析的表現は複素信号で定義される。

此処で

はs(t)のヒルベルト変換であり、ｊは虚数単位である。

ヒルベルト変換の定義は以下の通りである。

此処で

周波数領域において、ヒルベルト変換は正周波数成分を＋９０度、そして負周波数成分を−９０度転換する効果がある。

分析的信号は周波数領域内で片側ＦＦＴ（高速フーリエ変換：Fast Fourier Transform）を計算することで単純に計算され、此処で負周波数ココンポーネントはゼロにセットされ、次に複素値時間領域信号は逆フーリエ変換を行うことで再構成される。

形状記述子ベクトルを計算するために、分析的信号が２つの実数信号、すなわち強度信号と位相信号に分解される。強度信号は複素平面内での時系列における各点から原点への単なる距離であり、位相信号は原点と対象としている点を結ぶ線とｘ軸との間の角度である。

強度と位相信号の計算を行った後、本実施例の形状記述子は以下の６つの量／成分で定義される：
１．位相信号の初期値の正弦（sine）
２．位相信号の初期値の余弦（cosine）
３．位相信号の変化（傾き）の初期変化率
４．位相信号の変化（傾き）の最終変化率
５．開始および終了時点の位相信号間の距離（これは信号内の回転点の数をロバスト（robust）な方法で測定する。）
６．強度信号の最大値（Ｔ波のおおよその高さを与える。）

何らかの形式の強度またはエネルギー正規化が、ＥＣＧ波形の前処理の一部として適用されていると想定している。

従って、本実施例では形状記述子はこれら６つの成分を有し、従って各々のＪＴ区間の形状は６次元形状記述子ベクトル空間内の１つの点として表現できる。

形状記述子ベクトルはＪＴ区間の形状の定量的測定値を含む。これは１つのＥＣＧ記録を通して形状を追尾し変化を監視するために使用できる。

これは正常性を定義し、全ての新たな形状記述子ベクトルに対して、それがこの正常性の定義の中に入るか否か、または入らない場合それが正常性からどれだけ離れているかを決定することにより簡便に行える。

バッチ学習処理過程において、正常性を定義するために正常波形を表す手動で注釈されたデータの訓練セットが使用される。添付図の図６および７に図示された例を作るために、約２７，０００個の手動で注釈された心拍から計算された形状記述子ベクトルを含む訓練セットが使用された。２７，０００個全ての形状記述子ベクトルを正常性のモデルの中で直接使用する代わりに、これらの形状記述子ベクトルは２７，０００個の元ベクトルにｋ平均クラスタリング（k-means clustering）を実施して５００個の形状記述子テンプレートベクトルを定義するために使用された、ｋ平均クラスタリングはベクトル空間内の点をクラスタリングするための良く知られて技術である。それは入力点をｋ個の初期セットに分割し、各セットの重心を求め、次に各点に最も近い重心を割り当てる、繰り返し処理である。これらの重心は再計算されて処理が繰り返される。結果として５００個の形状記述子テンプレートベクトルは、ＪＴ区間の種々の正常形状を表す形状記述子ベクトル空間内の点となる。全ての新たな形状記述子ベクトルは次にこの正常性のモデルと比較され、それがこのモデルの範囲に入るか、またはそれが正常性から外れるか（すなわち新規）を判定される。新規性の程度を定量化するために２つの例が示されており、これらは形態指標値と見なすことができる。

第１の簡単な例は、新たな形状記述子ベクトルと５００個の形状記述子テンプレートの各々との間のユークリッド距離を計算するものである。最も近いテンプレート（すなわち、ユークリッド距離の最も小さな値を有する）が、隣接値（nearest neighbour）と称せられる。隣接値へのユークリッド距離がある閾値を超える場合、その波形は新規と見なされる。

新規性を定量化する第２の方法は、形状記述子ベクトル空間内の点の密度を推定し、そこから新たなデータ点の新規性確率が計算できる。これは確率密度のパルザン窓（Parzen Window）推定値を用いて簡単に行える。次に第１例と同様のやり方で、確率密度値またはその確率密度の対数に閾値を適用できる。

隣接値への距離または対数確率密度値のいずれかが、与えられた波形がどれだけ新規であるかを特徴付ける単一の数値的形態指標値として使用できる。図７は測定されたＱＴ間隔値、形態指標値（対数確率）および隠れマルコフモデルを使用して計算された区間分けの信頼度を図示する。区間分けの低信頼度と低形態指標値の領域の間に広い対応があることが分かるであろう。これは新規な形態が区間分けの信頼度を低下させることに対応する傾向にあることを示唆し、これはまた形態論指標が、波形を正確に区間分けするための自動化アルゴリズムの能力に対する信頼性の新たな測度を提供できることを意味している。

形状記述子ベクトルはまた、図６に図示されるように、形態変化の更に的を得たグラフィック表示を提供するために使用される。これは形状記述子ベクトルの上に次元縮小マッピング、例えばサモンマッピング（Sammon's mapping）、を実施することで実現され、これは元の６次元形状記述子ベクトルを２次元空間にマッピングする処理過程であり、その際６次元から２次元空間に縮小する際に、内部点間距離の変化を最少とするものである。これはディー・レーベ（D.Lowe）およびエム・イー・ティッピング（M.E.Tipping）著、「ニューロスケール：ＲＦＢネットワークを用いた新規な地理的特徴抽出（NeuroScale：novel topographic feature extraction using RBF networks）」、「ニューラル情報処理システムにおける進歩９、１９９６年会議報（Advances in Neural Information Processing Systems 9. Proceedings of the 1996 Conference.）」ＭＩＴ出版、ロンドン、英国、１９９７年（MIT Press, London, UK, 1997）エム・シー・モザー（M.C.Mozer）、エム・アイ・ジョーダン（M.I.Jordan）およびティー・ペチェ（T.Petsche）編集、５４３−９ページ、に開示されている、ニューロスケール・アルゴリズムを用いて実現できる。

図６はこれをデータの事例セットに適用した例を図示する。図６において、青い小さな点は訓練セットから導出された５００個の形状記述子テンプレートベクトルのマッピング版であり、正常性のモデルを表し、大きな赤い点は、確率密度の対数（形態論指標）が閾値−８以下に入っている１人の患者のＥＣＧからの波形のクラスタ中心である。新たな患者データを表す赤い点が、正常性の主領域の外側に、或る程度の距離だけ広がっていることが分かるであろう。

図６の静的表示よりも、特に効果的な表示形式は患者のＥＣＧに対するマッピングされた形状記述子ベクトルの位置を時間の関数として、正常性モデルの上に重ねて示す動画で提供することである。この方法により形態の時間変動が容易に可視化される。その様な動画からの２つの「コマ（frame）」が図９および１０に示されている。図９は記録開始から２時間５７分時点、また図１０は記録開始から５時間５７分時点である。この画面は青い点のグループとして、２４時間ホルタ（Holter）記録波形のニューロスケールマッピングを示す。大きな灰色の点は訓練データに対応するクラスタ中心を示し、大きな黒い点は新規な形態に対応するクラスタ中心を示す。動画表示される黄色十字の「雲」は時間窓を追尾し、これは１０から３０分の間であって、動画の各コマは窓の中心点を固定心拍数毎に更新する。大きな動画点は雲の中央ＸおよびＹ点を表す。記録中の異なる時点でこの動画から２つの「コマ」が続く。２番目の「コマ」の中で、注釈に対応する十字が更に広範に広がっていることが分かるであろうが、おそらくこの記録部分の間にＴ波形状が、より雑音の多い測定の結果、特徴空間のより新規な部分に在ったことを反映している。

先にＥＣＧの２４時間監視の１つの問題は、それが膨大な量のデータを生成することにあり、たとえそれらのデータが自動化区間分けを受けるとしても、自動的に区間分け出来ないデータ内の心拍数が対応して増加すると述べた。先に述べた形状記述子および心拍をテンプレート化する概念は、この問題を緩和するために使用できる。

図３はこの処理過程をおおざっぱに図示する。典型的な２４時間ホルタ記録には、５０，０００件もの低信頼性心拍が存在する。これら５０，０００心拍内の特性的な形態に対応するテンプレートを準備することにより、典型的に２０−５０個の心拍テンプレートを生成することが可能である。これらの心拍テンプレート、または更に詳細にはそれらの動的時間ワープ版（これは以下に示すように手動注釈を元の波形に戻って反映させることを許す）が、心臓内科医が可視装置を用いて再検討されるものであって、これは手動注釈をテンプレート波形に適用することを可能とする。これらの注釈されたテンプレートは、次にその形状記述子ベクトルが特定のテンプレートに最も近かった波形に、高信頼度注釈を行うために使用することが可能である。

この処理過程は更に詳細に図４に示されている。

処理過程は最初にステップ４０で正常性の定義を要求し、これは先に説明したようにＥＣＧの訓練セット（例えば、先に述べたように２７，０００件の手動で注釈を付された心拍）を参照することで実施可能であり、これは正常性を表す５００個の形状記述子テンプレートを生成する。

ステップ４１において、データセットの新規な形状記述子ベクトルが、先に説明した隣接値または確率手法を用いて、それらを正常性モデルと比較することにより見つけ出される。次に選定された閾値を超えるものは、元の訓練セットと比較して、「新規」Ｔ波形態と見なされる。

ステップ４２において、これらの新規形状記述子ベクトルは、ｋ平均クラスタリング処理によって、より少数の新規テンプレート候補に絞るために使用される。従って各クラスタはそのクラスタ内の全ての形状記述子ベクトルの平均位置である１つのクラスタ中心に結びつけられた形状記述子ベクトルのグループまたは一群で構成される。クラスタ異常値、すなわちそれらに結びつけられた形状記述子ベクトルがごく僅かしかないクラスタは拒絶される。実際にはこれらは一般的に平坦であるかまたは雑音を含むＴ波に起因する。

ステップ４３において、各々のクラスタに対してそのクラスタの中心に最も近い形状記述子ベクトルが取得される。これはそのクラスタを最も良く表す形状と見なされる。ステップ４４において、形状記述子ベクトルに対応する元の波形がリトリーブされ、Ｐ波直前で開始し、Ｔ波の直後に終了するＲピーク位置周りのＥＣＧ信号の窓が、リトリーブされた心拍、およびまたＥＣＧ記録内の数個の近隣心拍（例えば前後５心拍）に対して取られる。これらは１つのテンプレートを定義するために使用される。何らかの理由によりＥＣＧ記録のこの区間が満足行くもので無い場合、そのクラスタの中心に近い異なる形状記述子ベクトルが採用され、それに対応するＥＣＧ記録が調査される。

心拍数は呼吸サイクル、またその他の影響によっても変調されることを思い起こすと、ステップ４５において、波形は動的タイムワーピング（dynamic time warping）によってこれが補正されているが、これは非常に良く確立された技術であって音声認識において広く使用されてきており、例えばシー・エス・マイヤース（C.S.Myers）およびエル・アール・ラビナー（L.R.Rabiner）著、言語認識に関連するいくつかの動的タイムワーピング・アルゴリズムの比較研究（A comparative study of several dynamic time-warping algorithms for connected word recognition）、ベル・システム技報（The Bell System Technical Journal）６０（７）：１３８９−１４０９ページ、１９８１年９月、参照。

この技術において、波形は時間軸に沿って対応する点を一致させながら延ばしたり圧縮することで調整される。この技術は対応点を識別することに基づいており、１つのＥＣＧにおいて、動的タイムワーピングの開始および終了に適した点が、Ｒピーク前の好適な時刻から次の波形のＲピーク前の同様な時刻までとして選択される。これは認識可能な形状を、心臓内科医が手動注釈で使用するために提供するためである。図８は動的タイムワーピングを適用される２つの（手書き）ＥＣＧ波形の例を図示する。目的は１つの波形上の時刻を他の波形上の時刻へ、全ての点のマッピングを計算することである。従って１つの波形が、例えばＱ_onsetおよびＴ_offset点を見つける事で区間分けされている場合、第２波形は直ちに同じ（ワープされた）時点で区間分けできる。動的タイムワーピングを実施する１つの方法は、各時刻ステップで出力を引き延ばされた波形の次の時刻サンプルを計算することにより、両方の波形を同時に処理することである。これは次の時刻サンプルの値、または現在値のいずれかである。次の時刻サンプルを取るかまたは現在の値を保持するかの判断は、２つの引き延ばされた波形の二乗差の和を最少にすることで行われる。これは動的プログラミング・アルゴリズムを用いて効果的に実施され、これはデータの最初から最後まで単一前向きおよび後ろ向きパスで計算することにより最適解を可能とする。

心拍のタイムワープ版は、次にステップ４６で平均化されて心拍テンプレートが作られる。このテンプレートはステップ４７で、それを形成するために使用された個別の心拍と共に表示される。

このテンプレートと個々の心拍は、心臓内科医がそのテンプレートを注釈し、心臓内科的段階の開始および終了に対応するラベルを貼り付けることのできるソフトウェアを用いて表示される。これは図５に図式的に示されている。注釈可能なテンプレートのリストは、画面左のスクロール・ウィンドウの中に在る。画面右側の表示は心臓内科医によって現在編集中のテンプレートを示す。心臓内科医は、Ｑ_onsetとＴ_offsetを示す２本の垂直線の位置を、マウスまたはキーボードの十字キーを用いて微調整する。下部のグラフは、そのテンプレートを生成するために用いられたＥＣＧ波形の実際の区間分けの区分を示す。下部表示の垂直線は、テンプレートと表示の中央心拍との間の点対点（point for point）マッピングを動的タイムワーピングにより計算することにより、自動的に計算される。これらの線の位置は、心臓内科医がテンプレート上の注釈線の位置を調整すると自動的に更新される。

ひとたび心臓内科医がテンプレートに注釈を入れると、これらの注釈はそのテンプレートを形成するために用いられた心拍のみでなく、そのテンプレートに関連するクラスタ内の全ての心拍を含む、個々の心拍の区間分けを行うために遡って伝搬できる。これは原記録の時間基準区間分けを適用するための逆動的タイムワーピング（reverse dynamic time warping）を含む（図５に図示されるとおり）。次に区間分けされた心拍は保存され、自動化アルゴリズムで高い信頼性を持って元々区間分けされた心拍（すなわち正常形状）と共に、データ・ベースに追加される。

心臓内科医に表示されるテンプレートの別の例が図１３に示されている。上部グラフはテンプレートを黒色で、それを生成するために使用された複数の心拍の、薄い灰色の一群と共に示す。灰色の全ての心拍は動的タイムワーピングを用いてテンプレート時間軸上にワープされている。心臓内科医は注釈線の位置を、垂直線をマウスでドラッグするかまたは一度に１画素を動かすキーボード上の十字キーのいずれかを用いて調整することができる。現在実行中の注釈（十字キーで移動する）はその標識を赤色で強調して示されている（此処ではＴ_off）。

図１３の下部軌跡は３連の心拍を示し、これらの心拍の中央の１つがテンプレートを生成するために使用される。赤色の軌跡は心拍の時間軸上へワープされた（上部グラフからの逆マッピング）テンプレートを示す。心臓内科医が注釈を動かすと、下部軌跡上の対応する位置（緑色の垂直線）もまた、動的タイムワーピング・マッピングに基づいて移動する。

再注釈ツールの使用例が図１１に示されている。図１１の上部軌跡はモキシフロキサシン（moxifloxacin）調査で採取された２４時間ホルタ記録のＱＴ間隔測定を示し、此処には調査対象となる２つの期間が存在し（図１１の陰影で示す）、その間多くの心拍が異常な形態を有している。これらの心拍に関する信頼値は拒絶閾値の０．７未満であり、従ってＱＴ間隔測定値は表示されていない。心臓内科医がこれらの期間に生成されたテンプレートを見直して再注釈を行うと、各々の心拍は逆動的タイムワーピングを用いて自動的に再注釈されて、下部軌跡の精製された分析を生成し、この中で再注釈された心拍がＱＴ間隔の時間系列の中に再挿入される。

ステップ５０で示されるように、元の区間分けで使用された隠れマルコフモデルを再訓練するために、新たに区間分けされた心拍を使用することも可能である。

上記の説明は１つの訓練セットに基づいてバッチ方式の学習モードで行われるデータセット分析を示している。しかしながら、一群の心拍に対する形状記述子ベクトルに基づくテンプレート生成技術、およびテンプレートから一群に含まれる心拍への心臓内科医注釈のバック伝搬技術は、オンライン学習モードまたは処理過程にも、以下に説明するように適用可能である。

このモードにおいて、形状記述子ベクトルはオンライン「テンプレート化アルゴリズム」の中で使用され、これはＥＣＧ記録の中の異なるＴ波形態のテンプレートを集合する。このアルゴリズムの中で、Ｔ波の形状は信号開始時点で正常と仮定され、従って初期テンプレートは６次元形状記述子ベクトルの、例えば記録期間の最初の１５分間の平均である。後続の各々のＪＴ区間の６次元形状記述子が初期テンプレートに対して考査される。その形状記述子とテンプレートの間の、６次元形状記述子ベクトル空間内でのユークリッド距離が指定された閾値を超える場合、新たなテンプレートが生成される：このテンプレートはこの新規なＴ波形態を有する心拍の一群に対する平均波形である。後続のＪＴ区間の形状が次に、初期テンプレートと新たなテンプレートの両方に対して考査され；再び、６次元形状記述子とそれに最も近いテンプレート（６次元空間内で）の間のユークリッド距離が閾値を超える場合、新たなテンプレートが生成される。この処理過程はＥＣＧデータの全２４時間分が分析され尽くすまで継続する。選択される閾値の値は生成されるテンプレートの数を制御し、多くのＱＴ調査を通して得られた経験からこの閾値を経験的に設定して、生成されるテンプレートの個数を２０未満に維持することが可能である。

この様な方法は人間の薬品またはその他の刺激を調査する際に好適であり、此処では最初の例えばＥＣＧの１５分間は、これは薬品投与または刺激を与える前または直後であって、正常である傾向にある。薬品またはその他の刺激がＴ波形態変化に影響を与えるので、その変化が閾値を超えると新たなテンプレートを生成する。最終的に記録期間中にその患者が正常に戻ると、心拍形態は正常に戻り、従って以前のテンプレートが記録の後半部分の心拍に適用可能となる。従って典型的に各々のテンプレートは１つまたは複数期間を占める連続した類似形状の個々の心拍に適用される。

心臓内科医はこれらのテンプレートを見直しかつ注釈を行い、これらの注釈は各々のテンプレートの群に含まれる全ての心拍に対して、先に説明したように動的タイムワーピングで後ろに伝搬される。従って、テンプレートを使用することにより、記録内の全ての心拍が心臓内科医により間接的に見直されると言える。

これらのテンプレートはまた、データの訓練セットに対しても検査されるので、訓練セットの注釈と同調した自動的注釈を可能とする。この場合、信頼性を持って注釈できないテンプレートのみが心臓内科医の照会を必要とするか、またはそれらのテンプレートを注釈案と共に見直し用に提示して心臓内科医の確認を得るようにすることができる。

図１２は投薬試験での、２４時間ホルタ記録に対するその様な処理の結果例を図示する。オンライン・テンプレート・アルゴリズムで自動的に生成された４つのテンプレートが図に示されている：第１は、初期テンプレート（１６分）であり、これは正常Ｔ波形状を具備したＥＣＧ波形である；次に１８４分に於いて、別のテンプレートが生成され、此処ではＴ波の高さの減少が見られる。最大の形態変化が生じるとき（３８８分）、第３番目のテンプレートで証明されるように、Ｔ波はほとんど平坦となる。図の第４テンプレート（５６８分）では、Ｔ波はその元の形状で記録された良好な値に戻りつつある。

各々のテンプレートに関して、そのテンプレートの左側に表示されている同一の２枚のパネルは、ＱＴ間隔（トップパネル）とその下に表示されている形態新新規性指標とを表し、共に時間軸に対して描画されている（検査の全２４時間に対して）。垂直の線は各パネルに対してそのテンプレートが生成された時刻を示す。形態新規性指標は最長のＱＴ間隔延長が見られた時点の後、正常性確率の低下（すなわち、新規性の程度の増大）を示すまで継続する。形状正常性からの最大の偏差（形態指標の対数尤度の最も低い値）はおおよそ３８８分の時点で、第３番目の浅く幅の広いＴ波で生じている。

Claims (28)

1. 繰り返し信号特徴を有する生物医学的信号の分析方法であって、生物医学的信号内の、複数の前記繰り返し信号特徴の各々を区間分けし、１つまたは複数の区間を分析して前記１つまたは複数の区間の形状を記述する複数のパラメータの値を見つけ出し、その値を記録し、そして前記値の変化を生物医学的信号を通して追尾する、以上のステップを含む前記方法。
2. 請求項１記載の方法において、生物医学的信号が心電図であり、繰り返し信号特徴が心拍である、前記方法。
3. 請求項２記載の方法において、１つまたは複数の区間の分析を行うステップが、心拍のＪ点からＴ_offsetの区間であるＴ波の分析を含む、前記方法。
4. 請求項３記載の方法において、Ｊ点がＪ点以降の波形に対する状態モデルを含む隠れマルコフモデルを用いて検出される、前記方法。
5. 請求項２または３記載の方法において、Ｔ_offsetがＴ波およびＴ_offset以降の波形に対する状態モデルを含む隠れマルコフモデルを使用して検出される、前記方法。
6. 請求項５記載の方法において、Ｔ_offsetが：心電図を通して心拍毎に、ＱＴ間隔と心拍との間の関係に基づいてＱＴ間隔の１つの推定値を維持し、Ｔ_offsetの位置を推定されたＱＴ間隔から推定し、そしてＴ波とＴ_offset後の波形に対する状態モデルを含む隠れマルコフモデルを、推定されたＴ_offset位置に関連して定義された心電図の部分に適用する、以上のステップで検出される、前記方法。
7. 請求項６記載の方法において、ＱＴ間隔の前記推定値を維持するためにカルマンフィルタ（Kalman filter）が使用されている、前記方法。
8. 先行のいずれか１つに記載の方法において、１つの区間の形状を記述する前記複数のパラメータが、その区間に対する形状記述子ベクトルの成分から成る、前記方法。
9. 先行のいずれか１つに記載の方法が更に、前記形状記述子に対する正常性を定義し、前記複数の繰り返し信号特徴の各々に対して、その形状記述子ベクトルと正常性との間の差を計算する、以上のステップを含む、前記方法。
10. 請求項９記載の方法において、正常性が訓練セットからの複数の繰り返し信号特徴に基づく形状記述子ベクトルにより定義される、前記方法。
11. 請求項１０記載の方法において、前記複数の繰り返し信号特徴の各々に対して、その形状記述子ベクトルと正常性との間の差を計算するステップが、その形状記述子ベクトルと訓練セットに基づく最も近い形状記述子ベクトルとの間の距離を計算することを含む、前記方法。
12. 請求項１０記載の方法において、前記複数の繰り返し信号特徴の各々に対して、その形状記述子ベクトルと正常性との間の距離を計算するステップが、訓練セットから導出された点の形状記述子ベクトル空間内の密度を計算し、前記複数の繰り返し信号特徴の各々に対して形状記述子ベクトルの正常性の確率を計算することを含む、前記方法。
13. 請求項９，１０，１１または１２記載の方法が更に、前記差に基づく形態指標値を表示するステップを含む、前記方法。
14. 請求項１３記載の方法において、形態指標値の時間変化が生体医学信号を全体に渡って表示される、前記方法。
15. 請求項８またはそれに依存する全ての請求項記載の方法が更に、次元縮小マッピングを形状記述子ベクトルに適用するステップを含み、マッピングされた形状記述子ベクトルを表示器上に表示する、前記方法。
16. 先行の請求項のいずれか１つに記載の方法において、前記区間分けが区間分けアルゴリズムによって自動的に実行され、これは加えて前記複数の前記繰り返し信号特徴の各々の区間分け信頼性を表す１つの値を返し、該方法は更に：低い区間分け信頼性値を有する前記繰り返し信号特徴の割合を選択し、その上でそれらの手動区間分けを参考として表示器に提供する、以上のステップを含む、前記方法。
17. 先行の請求項のいずれか１つに記載の方法において、前記区間分けが区間分けアルゴリズムによって自動的に実行され、該方法は更に、その形状記述子パラメータが予め定められた正常性から予め定められた１つの閾値より離れている、前記１つまたは複数の繰り返し信号特徴を選択し、前記繰り返し信号特徴を表示し、その上でそれらの手動区間分けを参考として表示器に提供する、以上のステップを含む、前記方法。
18. 請求項１７記載の方法において、その形状記述子パラメータが予め定められた正常性から予め定められた１つの閾値より離れている、前記１つまたは複数の繰り返し信号特徴を選択するステップが、形状記述子ベクトル空間内での、予め定められた正常な組みの最も近い形状記述子ベクトルからの距離を計算し、それを予め定められた閾値と比較することを含む、前記方法。
19. 請求項１から１５のいずれか１つに記載の方法であって：生物医学的信号内の第１機関から波形の１つまたは１つのグループを選択し、前記１つまたは複数の波形の形状に基づき、第１テンプレートを定義し、前記信号内の後続波形を前記テンプレートと比較し、そしてそれらの形状がテンプレートから予め定められた閾値を越えて変動する場合、後続の波形の形状に基づいて第２のテンプレートを生成し、この比較とテンプレート性伊勢ステップを生物医学的信号が終了するまで繰り返し、表示器を参照してそれらの手動区間分けのために備えられている間、前記テンプレートを表示する、以上のステップを含む、前記方法。
20. 請求項１８記載の方法において、その形状記述子パラメータが予め定められた正常性から予め定められた１つの閾値より離れている、前記選択された１つまたは複数の繰り返し信号特徴の各々に対し、更に、同様の形状記述子パラメータを有する信号特徴を選択して繰り返し信号特徴のグループを形成し、前記グループの各々に対してそのグループ内の信号特徴の形状に基づき１つのテンプレートが定義され、表示器を参照してその手動区間分けのために備えられている間、該テンプレートが表示される、前記方法。
21. 請求項１９または２０記載の方法において、そのグループがそれらの形状記述子ベクトルが互いに形状記述子ベクトル空間内で予め定められた距離の範囲内に存在する信号特徴を含む、前記方法。
22. 請求項２１記載の方法において、そのテンプレートがその形状記述子ベクトルが形状記述子ベクトル空間内のグループの中心に最も近い、生物医学的信号内の繰り返し信号特徴により定義される、前記方法。
23. 請求項１９，２０，２１または２２記載の方法において、そのグループが各々、生物医学的信号内に時間的に局在する信号特徴を含む、前記方法。
24. 請求項２２記載の方法において、前記テンプレートがその形状記述子ベクトルが形状記述子ベクトル空間内のグループの中心に最も近い、生物医学的信号内の複数の隣接する繰り返し信号特徴の平均値を採ることによって定義される、前記方法。
25. 請求項２４記載の方法において、前記複数の隣接する繰り返し信号特徴が、信号特徴を一致させるために動的タイムワーピングを受ける、前記方法。
26. 請求項１９から２５のいずれか１つに記載の方法において、更にテンプレートの手動区間分けを対応するグループの信号特徴に適用することを含む、前記方法。
27. 請求項２６に記載の方法おいて、更にテンプレートの手動区間分けを対応するグループの信号特徴に適用するために、逆動的タイムワーピングを適用するステップを含む、前記方法。
28. 請求項１９から２７のいずれか１つに記載の方法において、更にテンプレートの手動区間分けを用いて区間分けアルゴリズムの再訓練を行うステップを含む、前記方法。

Images