特許ウォッチ

公開番号2024167004
公報種別公開特許公報(A)
公開日2024-11-29
出願番号2023083507
出願日2023-05-19
発明の名称波形発生特定方法およびプログラム
出願人株式会社リコー
代理人弁理士法人酒井国際特許事務所
主分類A61B 5/245 20210101AFI20241122BHJP(医学または獣医学;衛生学)
要約【課題】IEDの特徴的な波形情報が現れる時刻およびセンサについて、より正確な解析結果を抽出することができる波形発生特定方法およびプログラムを提供する。
【解決手段】複数のセンサにより測定された生体信号の波形データを取得する取得ステップと、波形データにIEDの特徴的な波形情報が現れているか否かのラベルを付与したものを教師データとして学習した深層学習のモデルを用いて、波形データから確率情報を算出する確率算出ステップと、確率情報に基づいて特徴的な波形情報が現れる時刻およびセンサを抽出する第1抽出ステップと、を有し、確率算出ステップは、波形データから特徴マップを抽出する第2抽出ステップと、特徴マップからアテンションマップを生成する生成ステップと、特徴マップとアテンションマップとを掛け合わせたものに基づく情報を入力して、確率情報を識別する識別ステップと、を有することを特徴とする。
【選択図】図6
特許請求の範囲【請求項１】
複数のセンサにより測定された生体信号の波形データを取得する取得ステップと、
取得した前記波形データにＩＥＤ（ＩｎｔｅｒｉｃｔａｌＥｐｉｌｅｐｔｉｆｏｒｍＤｉｓｃｈａｒｇｅ）の特徴的な波形情報が現れているか否かのラベルを付与したものを教師データとして学習した深層学習のモデルを用いて、該波形データから、前記特徴的な波形情報が現れる確率情報を算出する確率算出ステップと、
前記確率情報に基づいて、前記波形データにおいて前記特徴的な波形情報が現れる時刻および前記センサを抽出する第１抽出ステップと、
を有し、
前記確率算出ステップは、
前記波形データから、該波形データの特徴を示す特徴マップを抽出する第２抽出ステップと、
前記特徴マップから、注視領域を示すアテンションマップを生成する生成ステップと、
前記特徴マップと前記アテンションマップとを掛け合わせたものに基づく情報を入力して、前記確率情報を識別する識別ステップと、
を有する波形発生特定方法。
続きを表示（約 1,700 文字）【請求項２】
前記第１抽出ステップでは、前記確率情報に基づいて、前記生成ステップで生成した前記アテンションマップが示す注視された領域の前記時刻および前記センサを抽出する請求項１に記載の波形発生特定方法。
【請求項３】
前記識別ステップでは、前記特徴マップと前記アテンションマップとを掛け合わせたものに、さらに該特徴マップを加算した情報を入力して、前記確率情報を識別する請求項１または２に記載の波形発生特定方法。
【請求項４】
前記確率算出ステップで算出された前記確率情報が所定の閾値以上であるか否かを判定する閾値処理ステップを、さらに有し、
前記第１抽出ステップでは、前記閾値処理ステップで前記閾値以上と判定した前記確率情報に基づいて、前記波形データにおいて前記特徴的な波形情報が現れる前記時刻および前記センサを抽出する請求項１または２に記載の波形発生特定方法。
【請求項５】
前記確率算出ステップでは、教師データとして、さらに予め準備された、前記特徴的な波形情報が現れた前記時刻および前記センサの情報であるマスタ情報を用い、該マスタ情報と、前記生成ステップで生成された前記アテンションマップとの差分が小さくなるようにして学習した前記モデルを用いる請求項１または２に記載の波形発生特定方法。
【請求項６】
前記確率算出ステップでは、前記生成ステップで生成した前記アテンションマップを手動で修正したものを用いて学習した前記モデルを用いる請求項１または２に記載の波形発生特定方法。
【請求項７】
前記取得ステップで取得した前記波形データに対して、少なくとも所定区間の波形データを切り出す処理を含む前処理を行う前処理ステップを、さらに有し、
前記確率算出ステップでは、前記前処理をなされた前記波形データから、前記モデルを用いて前記確率情報を算出する請求項１または２に記載の波形発生特定方法。
【請求項８】
前記確率算出ステップでは、ＡＢＮ（ＡｔｔｅｎｔｉｏｎＢｒａｎｃｈＮｅｔｗｏｒｋ）に基づく前記モデルを用い、
前記生成ステップは、前記ＡＢＮのＡｔｔｅｎｔｉｏｎｂｒａｎｃｈの機能により処理され、
前記識別ステップは、前記ＡＢＮのＰｅｒｃｅｐｔｉｏｎｂｒａｎｃｈの機能により処理される請求項１または２に記載の波形発生特定方法。
【請求項９】
前記確率算出ステップでは、ＤｅｅｐＵ－Ｎｅｔに基づく前記モデルを用い、
前記第２抽出ステップは、前記ＤｅｅｐＵ－Ｎｅｔのエンコーダの機能により処理され、
前記識別ステップは、前記ＤｅｅｐＵ－Ｎｅｔのデコーダの機能により処理される請求項１または２に記載の波形発生特定方法。
【請求項１０】
コンピュータに、
複数のセンサにより測定された生体信号の波形データを取得する取得ステップと、
取得した前記波形データにＩＥＤ（ＩｎｔｅｒｉｃｔａｌＥｐｉｌｅｐｔｉｆｏｒｍＤｉｓｃｈａｒｇｅ）の特徴的な波形情報が現れているか否かのラベルを付与したものを教師データとして学習した深層学習のモデルを用いて、該波形データから、前記特徴的な波形情報が現れる確率情報を算出する確率算出ステップと、
前記確率情報に基づいて、前記波形データにおいて前記特徴的な波形情報が現れる時刻および前記センサを抽出する第１抽出ステップと、
を実行させるためのプログラムであって、
前記確率算出ステップは、
前記波形データから、該波形データの特徴を示す特徴マップを抽出する第２抽出ステップと、
前記特徴マップから、注視領域を示すアテンションマップを生成する生成ステップと、
前記特徴マップと前記アテンションマップとを掛け合わせたものに基づく情報を入力して、前記確率情報を識別する識別ステップと、
を有するプログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、波形発生特定方法およびプログラムに関する。
続きを表示（約 2,600 文字）【背景技術】
【０００２】
臨床における脳磁計、脳波計を用いたてんかんの診断では、等価電流双極子法と称する手法を用いて脳におけるてんかん病変部の局在性を評価する。等価電流双極子法では、頭皮上で計測された磁場を生み出す電流源（ダイポール）を推定する。ダイポールを推定するためには、複数のセンサにより検出された時系列のデータから、発作間欠期てんかん性放電（ＩＥＤ：ＩｎｔｅｒｉｃｔａｌＥｐｉｌｅｐｔｉｆｏｒｍＤｉｓｃｈａｒｇｅ）と称する特徴的な波形情報が発生した時刻、および当該波形情報が出現しているセンサの絞り込みが必要となる。従来のてんかんについての脳波図および脳磁図の解析では、医師または技師が手動でＩＥＤの探索を行っているが、１人あたり３０分程度、２０００［Ｈｚ］程度のサンプリング周波数、および多数のセンサで検出されているため、個別のＩＥＤについて手動で解析することは困難であり、かつ時間を要する。そのため、深層学習を用いてＩＥＤの発生時刻およびセンサを同定する方法が提案されている。
【０００３】
このようなＩＥＤの特徴的な波形情報（以下、単に、特徴的な波形情報と称する場合がある）が現れた時刻およびセンサを抽出する（同定する）ための技術として、ＯｂｊｅｃｔＤｅｔｅｃｔｉｏｎまたはＳｅｇｍｅｎｔａｉｔｏｎといった深層学習のアルゴリズムにより、各センサで検出された波形データの時刻ごとに特徴的な波形情報が出現する確率を算出し、当該波形情報が現れている時刻およびセンサを同定する技術が開示されている（例えば特許文献１）。
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかし、従来のＩＥＤの特徴的な波形情報が現れた時刻およびセンサを抽出するための深層学習を用いた技術では、抽出された時刻およびセンサが医師等の専門家による解析結果に沿わない結果となる場合があり、誤検出および見逃しが発生する可能性があるという問題がある。
【０００５】
本発明は、上記に鑑みてなされたものであって、ＩＥＤの特徴的な波形情報が現れる時刻およびセンサについて、より正確な解析結果を抽出することができる波形発生特定方法およびプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００６】
上述した課題を解決し、目的を達成するために、本発明は、複数のセンサにより測定された生体信号の波形データを取得する取得ステップと、取得した前記波形データにＩＥＤ（ＩｎｔｅｒｉｃｔａｌＥｐｉｌｅｐｔｉｆｏｒｍＤｉｓｃｈａｒｇｅ）の特徴的な波形情報が現れているか否かのラベルを付与したものを教師データとして学習した深層学習のモデルを用いて、該波形データから、前記特徴的な波形情報が現れる確率情報を算出する確率算出ステップと、前記確率情報に基づいて、前記波形データにおいて前記特徴的な波形情報が現れる時刻および前記センサを抽出する第１抽出ステップと、を有し、前記確率算出ステップは、前記波形データから、該波形データの特徴を示す特徴マップを抽出する第２抽出ステップと、前記特徴マップから、注視領域を示すアテンションマップを生成する生成ステップと、前記特徴マップと前記アテンションマップとを掛け合わせたものに基づく情報を入力して、前記確率情報を識別する識別ステップと、を有することを特徴とする。
【発明の効果】
【０００７】
本発明によれば、ＩＥＤの特徴的な波形情報が現れる時刻およびセンサについて、より正確な解析結果を抽出することができる。
【図面の簡単な説明】
【０００８】
図１は、第１の実施形態に係る生体信号計測システムの全体構成の一例を示す図である。
図２は、第１の実施形態に係るサーバの機能ブロックの構成の一例を示す図である。
図３は、第１の実施形態に係る情報処理装置のハードウェア構成の一例を示す図である。
図４は、第１の実施形態に係る情報処理装置の機能ブロックの構成の一例を示す図である。
図５は、第１の実施形態に係る情報処理装置の確率算出部のモデル構成の一例を示す図である。
図６は、ＩＥＤの確率マップの一例を示す図である。
図７は、閾値処理後のＩＥＤの確率マップの一例を示す図である。
図８は、アテンションマップを用いた抽出処理後のＩＥＤの確率マップの一例を示す図である。
図９は、抽出されたセンサ数の拡張方法の一例を示す概念図である。
図１０は、第１の実施形態に係る情報処理装置の学習処理の流れの一例を示すフローチャートである。
図１１は、第１の実施形態に係る情報処理装置のダイポール推定処理の流れの一例示すフローチャートである。
図１２は、第２の実施形態に係る情報処理装置の確率算出部のモデル構成の一例を示す図である。
図１３は、第３の実施形態に係る情報処理装置の確率マップ算出部のモデル構成の一例を示す図である。
図１４は、第４の実施形態に係る情報処理装置の確率マップ算出部のモデル構成の一例を示す図である。
【発明を実施するための形態】
【０００９】
以下に、図面を参照しながら、本発明に係る波形発生特定方法およびプログラムの実施形態を詳細に説明する。また、以下の実施形態によって本発明が限定されるものではなく、以下の実施形態における構成要素には、当業者が容易に想到できるもの、実質的に同一のもの、およびいわゆる均等の範囲のものが含まれる。さらに、以下の実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換、変更および組み合わせを行うことができる。
【００１０】
［第１の実施形態］
（生体信号計測システムの全体構成）
図１は、第１の実施形態に係る生体信号計測システムの全体構成の一例を示す図である。図２は、第１の実施形態に係るサーバの機能ブロックの構成の一例を示す図である。図１および図２を参照しながら、本実施形態に係る生体信号計測システム１の全体構成について説明する。
（【００１１】以降は省略されています）

関連特許