JP6788656B2 - Ｅｃｇデータにおける活動の自動ラベリングのための方法及びシステム - Google Patents

Description

本発明は、心電図（ＥＣＧ：Electrocardiography）データに関する。より具体的には、ＥＣＧを取得している間に被検体によって行われる活動（activity）を示すＥＣＧデータにおける活動の自動ラベリングに関する。

特許文献３（米国特許出願公開第2007/0032733号明細書）は、ＥＣＧ信号から被検体における生理学的事象を検出する方法を開示しており、この方法は、ＥＣＧ信号をモニタリングすることと、ＥＣＧ信号から生理学的事象を示すパラメータを抽出することと、閉塞性睡眠時無呼吸と中枢性睡眠時無呼吸とを区別するよう、事象を検出するためにパラメータを利用することを含む。
特許文献４（国際公開第2014/053538号）は、ＥＣＧ信号に基づいて被検体の身体活動を決定することを開示している。 M Altini等著の「Combining wearable accelerometer and physiological data for activity and energy ependiture estimation」（Proceedings of the 4th Conference on Wireless Health、p.1-8、2013年）という記事は、加速度計データと生理学的信号との組合せに基づいて被検体の活動を決定することを開示しており、被検体のエネルギー消費量を決定するために、ＥＣＧ信号から導出される呼吸数と心拍数とを組み合わせることができる。
J. Smolander等著の「A new heart rate variability-based method for the estimation of oxygen consumption without individual laboratory calibration: Application example on postal workers」（Applied Ergonomics、第39巻、p.325-331（2007年））という記事は、心拍数に基づいて酸素消費量を推定することを開示しており、酸素消費量と心拍数との間の関係は個人の活動に応じて変化し得ると考えられている。
T. Pawar等著の「Body movement activity recognition for ambulatory cardiac monitoring」（IEEE Transactions on Biomedical Engineering、第54巻、第5号、p.874-882（2007年））という記事は、ＥＣＧ信号から身体運動活動のタイプを分類することを開示しており、この分類は、ＥＣＧ信号だけでなく、心拍数及び呼吸数も考慮することによって改善され得ることが示されている。
R. Kher等著の「Physical activities recognition from ambulatory ECG signals using neuro-fuzzy classifiers and support vector machines」（Journal of Medical Engineering & Technology、第39巻、第2号、p.138-152（2015年））という記事は、ＥＣＧ信号に基づいて被検体の活動を決定するためにニューロ・ファジー分類子及びサポートベクトルマシンを使用することを開示している。
M. Li等著の「Multimodal Physical Activity Recognition by Fusing Temporal and Cepstral Information」（IEEE Transactions on Neural Systems and Rehabilation Engineering、第18巻、第4号、p.369-380（2010年））という記事は、歩行型ＥＣＧ信号と加速度計信号の双方を使用する可変無線センサネットワークのための身体活動認識アルゴリズムを開示している。
G. Moody著の「ECG-based Indices of Physical Activity」（Computers in Cardiology、第19巻、p.403-406 （1992年））という記事は、ＥＣＧ信号に基づいて最小の身体活動の期間を見つけるための方法を開示している。
J. Sriram等著の「Activity-aware ECG-based Patient Authentication for Remote Health Monitoring」（Proceedings of the 2009 International Conference on Multimodal Interfaces、p.297-304（2009年））という記事は、ＥＣＧ信号と加速度計の組合せに基づいて個人を認証するためのシステムを開示しており、正規化されたＱＲスロープのような認証機能のために、ＥＣＧ信号の正規化されたＲＳスロープ及びＲ−Ｒ間隔がＥＣＧ信号から抽出される。
J. Garcia等著の「ECG-based Detection of Body Position Changes in Ischemia Monitoring」（IEEE Transactions on Biomedical Engineering、第50巻、第6号、p.677-685（2003年））という記事は、ＥＣＧ信号のＱＲ及びＳＴ−Ｔ複合体に基づいて身体位置における変化を検出することを開示している。
平均余命の上昇と人口統計における高齢者の比率の増加は慢性疾患の有病率を増加させた。そのような被検体の割合が高い場合は、在院期間の長さが短くなることに加えて長期医療が必要となる。自宅や住居における患者モニタリングを提供し、病院の再入院率を低減する予防的な医療が、患者モニタリングに即した個人の健康状態モニタリングのための主要な動機付け要因である。

モバイル医療センサは、病院の外で被検体の健康状態をモニタするために効果的かつ正確で経済的な手段を提供する。モバイル医療センサを用いて被検体の健康状態をモニタするウェアラブルデバイスの数は飛躍的に増加し、人のヘルスケアモニタリング及びそのシステムにおける重要性を獲得している。

現在、ウェアラブルデバイスは、単一リードＥＣＧ信号を収集し、そのデータを継続的に記憶し、更なる分析のために同じデータをクラウドにアップロードする能力を有する。ＥＣＧを取得する際に被検体の状態又は条件を識別することは非常に有用なものとなる。言い換えると、ＥＣＧを取得している間に被検体によって行われた活動を識別することは、ＥＣＧデータの理解及び分析により大きな洞察を提供する。

ＥＣＧデータは、活動情報とともに、被検体に適切な診断を提供する際に非常に役立つものとなり、この場合、そのような診断はＥＣＧデータに依拠する。したがって、現在の技術は、加速度計を用いて、ＥＣＧが取得されているときの被検体の活動を検出する。活動情報はＥＣＧと一緒に記憶される。ＥＣＧデータと活動情報は、加速度計を使用して相互に独立して取得されるので、これら２つのデータ／情報のマッピングが必要とされる。また、被検体の必ずしも全ての活動を正しく検出することはできるわけではない。加速度計は、動き（motion）のみを検出して測定し、たとえ被検体がどのように激しく動いているとしても、あるいはデッドリフトがどのようであっても労作（exertion）については検出及び測定を行わない。例えば加速度計によって食べる動作から検出される動きは、バイセップカールよりも激しく見える。また、睡眠、休息、何もせずに座っている（sitting idle）ことといった活動を、適切に区別することはできない。この妨げにより、活動をＥＣＧデータとマッピングすることはロバストではなく、信頼性が低下している。

特許文献１（米国特許出願公開第20110245688号明細書）は、人間の活動を識別するために動き検出機能とともにＥＣＧ信号を必要とする。ここで、ＥＣＧ及び複数のセンサが、動き検出機能とともに通信可能に結合される。ＥＣＧデータと動きデータのリアルタイム同期は注意深く処理する必要がある。

特許文献２（米国特許出願公開第20080300641号明細書）は、患者の心臓機能を記述する心臓情報を生成し、心臓情報の分析に基づいて心臓異常を検出することを取り扱う。また、心臓異常の間に患者の身体活動を記述する活動情報を生成し、心臓異常の間に心臓情報及び活動情報を関連付けることも開示している。

ＥＣＧが、被検体の健康に関する多くの情報を提供することはよく認識されている。しかしながら、より正確な診断のためには、ＥＣＧが記録されたときに被検体によって行われている活動を、ＥＣＧとともに知る必要がある。本発明は、独立に取得されるＥＣＧデータと活動情報のマッピングに関連する問題を克服することを目的とする。本発明は、ＥＣＧ信号のみを解読することによって、ＥＣＧデータを活動情報で自動ラベリングすることを提案する。

米国特許出願公開第20110245688号明細書 米国特許出願公開第20080300641号明細書 米国特許出願公開第2007/0032733号明細書 国際公開第2014/053538号

本発明の目的は、ＥＣＧデータにおいてＥＣＧを取得している間に行われた活動を自動的にラベリングするための方法を提供することである。

本発明の別の目的は、ＥＣＧ信号から実行された活動に関する情報を提供することである。

本発明の更なる目的は、より正確かつ適切な更なる診断を可能にするためにＥＣＧデータとともに活動情報を提供することである。

本発明の更に別の目的は、ＥＣＧデータにおいてＥＣＧを取得している間に行われた活動を自動的にラベリングするための本発明の方法を実行するためのシステムを提供することである。

本発明は、心電図（ＥＣＧ）データにおける被検体の活動の自動ラベリングのための方法を提供する。本発明の方法は、ＥＣＧ信号に関連する少なくとも１つの生理学的入力信号を取得するステップと、その生理学的入力信号を処理するステップを備える。生理学的入力信号を処理するステップは、ＥＣＧ信号を調整し、該ＥＣＧ信号から呼吸データを取得することを備える。呼吸データはＥＣＧ信号から解読される。方法は、ＥＣＧ信号の信号特有の特徴に少なくとも基づいて、ＥＣＧデータに関する活動を識別するステップと、その活動でＥＣＧデータを自動的にラベリングするステップを含む。

ＥＣＧ信号を処理することは、ＥＣＧ信号のセグメントのうちの少なくとも１つにおいて基準点（fiducial point）を識別することを備える。ＥＣＧ信号のセグメントに対してフラグメント分析を実行し、三次スプライン適合（cubic spline fitting）に基づいてＥＣＧ信号のST及びPQセグメントを適合させて、ＥＣＧ信号の適合セグメントを提供する。フラグメント分析は、ST及びPQセグメントから、それぞれのセグメントに対してカルーネン・ルーベ変換（ＫＬＴ：Karhunen Loeve Transform）を適用することにより取得される主成分（principal components）の固有値（eigen values）のような関連情報を抽出することを指す。

したがって、一実施形態では、活動を識別することは、ＥＣＧ信号の適合セグメントにＫＬＴを適用して主成分の値を取得し、主成分の固有値を計算して特徴セットを取得し、分類子モデルに基づいて特徴セットを分類して、特徴セットを対応する活動にマップする。分類子モデルは、生理学的入力のうちの少なくとも１つに基づくことができ、異なる活動に関する情報を有する。一実施形態において、分類子は、固有値と呼吸数を特徴セットとして使用する。

本発明は、本発明の方法によるＥＣＧデータにおける被検体の活動の自動ラべリングのためのシステムも提供する。システムは、ＥＣＧ信号を意味する少なくとも１つの生理学的入力を取得するための取得ユニットと；少なくとも１つの生理学的入力を処理するための処理ユニットを備える。処理ユニットは、ＥＣＧ信号を調整するための調整ユニットを備え、上記処理はＥＣＧ信号から呼吸データを取得することを含む。識別ユニットは、ＥＣＧ信号の信号特有の特徴に少なくとも基づいて、ＥＣＧデータに関する活動を識別し、呼吸データが、被検体によって行われる活動を区別するために使用される。

一実施形態において、調整ユニットは適応バンドパスフィルタを備える。さらに、処理ユニットは、ＥＣＧ信号のセグメントの少なくとも１つにおいて基準点を識別するために提供される。処理ユニットは、ＥＣＧ信号のセグメントに対してフラグメント分析を実行するために提供され、フラグメント分析は、ST及びPQセグメントから情報を抽出することを指す。一実施形態において、処理ユニットは、三次スプライン適合に基づいてＥＣＧ信号のST及びPQセグメントを適合させて、ＥＣＧ信号の適合セグメントを提供するために提供され得る。さらに、一実施形態において、識別ユニットは、ＥＣＧ信号の適合セグメントにＫＬＴを適用して主成分の値を取得するために提供され得る。特に、識別ユニットは、主成分の固有値を計算して特徴セットを取得するために提供される。一実施形態において、識別ユニットは、分類子モデルに基づいて特徴セットを分類して、特徴セットを、その対応する活動にマップするために提供される。分類子モデルは、生理学的入力のうちの少なくとも１つに基づくことができる。

本発明による、ＥＣＧデータにおける活動の自動ラベリングのためのシステムを示す図である。 本発明による、ＥＣＧデータにおける活動の自動ラベリングのための方法を示す図である。 ＥＣＧデータを、その中に示される基準点とともに示す図である。 基準点に関連するＥＣＧデータの形態構造の抽出を示す図である。 分類子モデルの生成を示す図である。

本発明は、非網羅的な例示的な実施形態に関連して図１〜図５を参照して以下に説明される。

以前に言及したように、本発明は、ＥＣＧを取得している間に被検体によって行われている活動でＥＣＧデータを自動的に識別してラベル付けすることを提案する。ＥＣＧデータにおける活動の自動ラベリングは、より適切に被検体に診断を提供することを可能にする。

図１及び図２は、それぞれ、ＥＣＧデータにおける活動の自動ラベリングのためのシステム（１００）及び方法（２００）を図示している。システム（１００）は、ＥＣＧデータに関連する生理学的入力の１つ以上を取得するための取得ユニット（１０１）を備える。生理学的入力は、ＥＣＧ信号、被検体の呼吸に関する呼吸データ、加速度計によって行われる感知及び測定に関する加速度計データ、被検体の健康状態、SpO2データ等を含むが、これに限定されない。

単一リードＥＣＧ信号が、取得ユニット（１０１）によって被検体から得られる（２０１）。ＥＣＧ信号は、１つ以上の生理学的パラメータを測定するよう構成されるセンサを備えるウェアラブル医療デバイスを使用して取得されてよい。取得ユニット（１０１）はウェアラブル医療デバイスを含むが、これに限定されない。

ＥＣＧ信号は、処理ユニット（１０２）の調整ユニット（conditioning unit）によって調整される。ＥＣＧ信号の調整は、適応バンドパスフィルタを適用することによって行われ（２０２）、ノイズ、基線ワンダー（baseline wander）及び電力線干渉のような干渉を除去することができる。0.04Hz〜150Hzの周波数範囲の適応バンドパスフィルタを使用して、ＥＣＧ信号から関連する信号を抽出することができる。適応フィルタは、以下のように単極（single pole）と単一ゼロ（single zero）で構成されてもよい：

ここで、ak、bk及びckは適応フィルタ係数である。H_kは伝達関数（transfer function）であり、「n」は時間インデックス、「z」はZ変換変数（Z-transform variable）である。

図３に図示されるように、典型的なＥＣＧ信号又はデータは、被検体が運動するときのR-Rピーク変動（R-R peak variation）を含む。しかしながら、この変動は、被検体によって行われた異なる活動を明確に区別するのには十分ではない。本発明の方法（２００）は、活動と波形における形態変化にも基づいて、ＥＣＧ信号内の基準（PQRS）点の変動を考慮する。

ＥＣＧ信号上の基準点を識別（２０３）するために処理ユニット（１０２）も提供される。適応バンドパスフィルタの適用に続いて、基準点P、Q、R、S及びT点が、処理ユニット（１０２）によってＥＣＧ信号の所与のセグメント内で識別される。ＥＣＧでより目立っているRピークが、周波数領域アプローチを使用して最初に識別される。周波数領域変換されたＥＣＧ信号は：

として取得される。ここで、x(t)及びx_H(t)は入力ＥＣＧ信号及び変換されたＥＣＧ信号である。FT及びIFTはそれぞれ、フーリエ変換及び逆フーリエ変換を表し、

である。ここでH(F)はヘルベルト変換関数である。

閾値を、周波数領域変換されたＥＣＧ信号に対して使用して、Rピークの識別のために元の信号（original signal）に戻るようマッピングされるピークを識別することができる。Rピークの左右の最初の最も低い最小値はQ及びS点を形成し、Rに関するQとSの探索の時間ウィンドウは経験的に定義される。

P波を決定するために、QRS複合基準（QRS complex fiducial）及びQRS発現（onset）の開始に先立って時間ウィンドウが設定されてよい。おおよそP波を含む時間ウィンドウがヒューリスティックに設定され、QRS発現から心拍の開始まで拡張される。拍動開始の基準点を、心房のたわみ（atrial deflection）の始まりに先行する最初の等電点サンプル（first isoelectric sample）を検索することによって決定することができる。P波の検出のために、デリニエータ（delineator）は、一次導関数アプローチを使用することにより得られる勾配閾値（slope threshold）を計算する。時刻TにおけるＥＣＧの一次導関数y(nT)は、下記の時間差分方程式（time difference equation）を使用して計算される。ただし、Nはサンプルの長さである：

微分信号（differentiated signal）のゼロ交差はPピークにマップし、後続の微分信号上の最も低い頂点（lowest crest）はPオフセットにマップする。同様のフラグメント分析アプローチが、S点の後のＥＣＧ信号内のセグメント（図４のSTセグメント）を考慮することによるTピークの決定に続く。

フラグメント分析は、処理ユニット（１０２）によって基準点を識別した後にＥＣＧ信号に対して実行される（２０４）。R-R偏差、Tピークの反転、基準点間の距離（QRS、P-QRS等）が計算される。フラグメント分析から抽出され得る他の特徴は、RピークからPオフセット及びPピークまでの時間間隔、RピークからSまでの時間間隔及びSからJ点までの時間間隔である。

処理ユニット（１０２）はまた、ＥＣＧ信号の適合セグメントを提供するために、三次スプライン適合に基づいてＥＣＧ信号（２０５）のST及びPQセグメントを適合させるためにも提供される。

最大周波数エンベロープの解析に基づいて、実行された活動に起因してST及びPQセグメントの下り傾斜部分に形態構造の変化が存在することが観察され得る。その変化を抽出するために、曲線は、図４に図示されるようにこれらのセグメントに対する三次スプライン適合であり、主成分値を得るよう、カルーネン・ルーベ変換（ＫＬＴ）が、識別ユニット（１０３）によって適合曲線に適用される（２０６）。ＫＬＴ操作は、データの分散を最もよく説明する方法でデータの内部構造を明らかにすることを助ける。さらに、ＫＬＴを適用した後に得られる主成分値は、分類のための特徴セットとして機能する。

ST又はPQセグメント上のサンプルデータベクトル適合であるXiを用いて、データの共分散行列は次のように計算される：

ここで、Xiは、ＥＣＧ上の適合セグメントのサンプルデータベクトルであり、nは、サンプルの数であり、Cは共分散行列である、さらに、固有値分解（２０７）が、識別ユニット（１０３）によって共分散行列Cに対して実行される。対応する固有値（主成分値）に関連付けられるベクトルは特徴セットとみなされる。同様の特徴ベクトルがPQセグメントから抽出される。

呼吸数は、被検体によって行われる活動を区別するための主要な指標の１つとして機能する。心拍数及び形態変化が、睡眠及び正常歩行のような２つのタイプの活動に類似する場合、呼吸数は、これらの２つのタイプの活動の正しいラべリングのための主要な区別化特徴として機能する。基準点における周知の形態変化及びフラグメント分析に基づいて、呼吸数をＥＣＧ信号から抽出することができる（２０８）。しかしながら、呼吸数に関する同じ情報を、加速度計のような他のセンサデータから抽出することもできる（２０８）。

また、識別ユニット（１０３）は、分類子モデルに基づいて特徴セットを分類し、特徴セットをその対応する活動にマップする（２０９）ために提供され、これにより、ＥＣＧデータ及び被検体の健康状態を使用して被検体の活動を識別する。

機能セットは、教師付き（supervised）サポートベクトルマシン（ＳＶＭ）分類子に供給される。ここでは、特徴ベクトルは高次元の特徴空間に非線形にマップされ、２つのクラスのベクトル間のマージンを最小にすることによってトレーニングデータを分離するための線形分離面が生成される。トレーニングは、空間を２つの部分空間に分割する判別面（decision surface）の定義で終了する。良好な分離は、いずれかのクラスの最も近いトレーニングデータポイントまでの最大距離を有する判別面によって達成され、この場合、各部分空間はトレーニングデータの１つのクラスに対応する。

トレーニングが完了すると、テストデータが特徴空間にマップされる。次いで、これらのデータがマップされている対応する部分空間に応じて、クラスがこれらのデータに割り当てられる。入力空間内の特徴は、より高次元の空間に変換される。これらの特徴は、最も良い性能を提供する最大マージン超平面（maximum margin hyperplane）を繰り返し計算するために使用される。

この分類子の目的は、所与のN次元のトレーニングデータを使用して、決定関数f：RN→{±1}を構築することである。データセットは、
(x₁,y₁),(x₁,y₁),…(x_l,y_l)∈R^N{±1}
によって表されると仮定し、ここで、x₁及びy₁はそれぞれ、特徴ベクトル及びクラスレベルを表す。

多次元空間における超平面は、
g(x)＝W^Tｘ＋ω₀
によって与えられる線形判別関数によって定義され、ここで、「x」は特徴ベクトルであり、Wは判別超平面に直交する重みベクトルであり、ω₀は閾値である。重み及び閾値パラメータは、モデルトリアニング段階の間の各タイプの活動について最適化される。

図５に図示されるように、活動タイプを正確に予測するために特定のパラメータ及び／又は生理学的入力に基づいて分類子モデルが生成される（５００）。これらのパラメータ及び／又は生理学的入力は、加速度計、被検体の健康状態、SpO2情報、呼吸数、ＥＣＧデータ等とともに、手動ラベリングによって捕捉される活動に関する情報を含むが、これらに限定されない。一実施形態では、図５に図示されるように、分類子モデル（５０７）は、加速度計データ（５０１）、ＥＣＧデータ（５０２）、被検体の健康状態（５０３）の健康状態、SpO2情報（５０４）、呼吸データ（５０５）、ＥＣＧのフラグメント分析（５０６）に基づいて、トレーニング又は作成される。呼吸データ（５０５）は、加速度計データ（５０１）から及び／又はＥＣＧデータ（５０２）から取得されてもよい。また、ＥＣＧ（５０６）のフラグメント分析は、以前に説明したようにＥＣＧデータ（５０２）に基づく。

慢性閉塞性肺疾患（ＣＯＰＤ：Chronic Obstructive Pulmonary Disease）のある一部の被検体では、例えば正常歩行の場合のような軽度の運動でも被検体はひどく疲れることになる。そのような被検体の場合、彼らが正常歩行を行っているとしても、そのような正常歩行でさえも、彼らの心拍数及び呼吸数を増加させることになるであろう。したがって、活動の状態を正しく区別するためには、被検体の現在の健康状態を捉える必要がある。被検体の健康状態はアンケートによって捉えられてもよく、そのようなアンケートはＥＣＧ記録の一部になる。この情報は、さもなければ健康な被検体とは異なることになる、被検体の活動をより正確に予測することに寄与する分類子モデルを生成するのに使用されてよい。そのように生成される分類子モデル（５０７）は、異なる活動に関する情報を有し、ＥＣＧデータに対応する異なる活動をマッピングするための基礎を提供する。

識別された後のＥＣＧデータに関連する活動は、ＥＣＧデータ上のその活動を自動的にマーク付けすることによってＥＣＧデータ上でラベル付けされる。ＥＣＧデータ上の活動の自動ラベリングは、被検体の活動、健康状態及び労作レベル（exertion level）に基づき、被検体の診断において情報に基づく決定（informed decision）を行うのに役立つ。診断に要する時間も大幅に短縮することができる。活動に関連するラベルを有するＥＣＧデータは更に、それに応じて格納又はアップロードされてよい。このＥＣＧデータをクラウドにアップロードすることも可能になり、場合によっては、このＥＣＧデータをより広範囲に使用することができる。このことは被検体により良いフィードバックと改善された予防ケアも提供する。

本発明の特定の特徴のみが本明細書に具体的に図示され、説明されているが、多くの修正及び変更が当業者には思い浮かぶであろう。本発明は、詳細な説明に記載される好ましい実施形態によって限定されない。本発明は、例示的な実施形態として説明されており、網羅的でも限定的でもないことに留意されたい。詳細な説明において詳述されていない本発明の特定の態様も、当業者にはよく理解される。また、本明細書で使用される単数形に関する用語は、該当する場合、複数も含み、その逆の場合も含む。実際に、本明細書に具体的に記載されていない任意の関連する修正又は変形は、実際に十分に本発明の範囲内にあるように解釈されるべきである。添付の特許請求の範囲は、本発明の精神に含まれる全てのそのような修正及び変更を包含するように意図されている。

したがって、本発明はその精神又は本質的な特徴から逸脱することなく、他の特定の形態で具体化することができることが当業者には認識されよう。したがって、ここに開示される実施形態は、全ての点において、例示的なものであり、限定されないものとして解釈される。本発明の範囲は、前述の説明ではなく添付の特許請求の範囲によって示され、その意味及び範囲内に入る全ての変更及びその均等物は、その中に包含されるように意図される。

Claims (11)

1. 心電図（ＥＣＧ）データにおける被検体の活動の自動ラベリングのための方法において、当該方法は：
   ＥＣＧ信号を意味する少なくとも１つの生理学的入力信号を取得する取得ステップであって、該少なくとも１つの生理学的入力信号を処理することが、
   前記ＥＣＧ信号を調整し、前記ＥＣＧ信号をＥＣＧデータに関連させて、該ＥＣＧデータを処理することを含み、前記処理が前記ＥＣＧ信号から呼吸データを取得することを含む、取得ステップと；
   前記ＥＣＧ信号の信号特有の特徴に少なくとも基づいて、前記ＥＣＧデータに関する活動を識別するステップであって、前記呼吸データが、前記被検体によって行われる活動を区別するために使用されるステップと；
   前記活動で前記ＥＣＧデータを自動的にラベリングするステップと；
   を備え、前記ＥＣＧ信号を処理することは、前記ＥＣＧ信号のセグメントのうちの少なくとも１つにおいて基準点を識別することと、前記ＥＣＧ信号の前記セグメントに対してフラグメント分析を実行することを備え、前記フラグメント分析はST及びPQセグメントから情報を抽出することを指す、
   方法。
2. 前記ＥＣＧ信号を調整することは、適応バンドパスフィルタを適用することによって前記ＥＣＧ信号をフィルタリングすることを備える、
   請求項１に記載の方法。
3. 前記ＥＣＧ信号を処理することは、三次スプライン適合に基づいて前記ＥＣＧ信号のST及びPQセグメントを適合させて、前記ＥＣＧ信号の適合セグメントを提供することを備える、
   請求項１に記載の方法。
4. 前記活動を識別することは、前記ＥＣＧ信号の適合されたセグメントに対してカルーネン・ルーベ変換（ＫＬＴ）を適用して、主成分の値を取得することを備える、
   請求項１及び３のいずれかに記載の方法。
5. 前記活動を識別することは、前記主成分の固有値を計算して特徴セットを取得することを備える、
   請求項４に記載の方法。
6. 前記活動を識別することは、分類子モデルに基づいて特徴セットを分類して、前記特徴セットをその対応する活動にマップすることを備える、
   請求項１及び５のいずれかに記載の方法。
7. 前記活動を識別することは、前記少なくとも１つの生理学的入力信号に基づいて分類子モデルを生成することを備える、
   請求項１、２及び６のいずれかに記載の方法。
8. 前記分類子モデルは、異なる活動に関する情報を有する、
   請求項７に記載の方法。
9. 前記ＥＣＧデータをラベリングすることは、前記ＥＣＧデータ上の前記識別された活動を自動的にマークすることを備える、
   請求項１乃至８のいずれかに記載の方法。
10. ＥＣＧデータにおける被検体の活動の自動ラベリングのためのシステムにおいて、当該システムは：
    ＥＣＧ信号を意味する少なくとも１つの生理学的入力信号を取得するための取得ユニットと；
    前記少なくとも１つの生理学的入力信号を処理するための処理ユニットであって、該処理ユニットは、前記ＥＣＧ信号を調整するための調整ユニットを備え、前記の処理が前記ＥＣＧ信号から呼吸データを取得することを含む、処理ユニットと；
    前記ＥＣＧ信号の信号特有の特徴に少なくとも基づいて、前記ＥＣＧデータに関する活動を識別する識別ユニットであって、前記呼吸データが、前記被検体によって行われる活動を区別するために使用される、識別ユニットと；
    を備え、前記処理ユニットは、前記ＥＣＧ信号のセグメントのうちの少なくとも１つにおいて基準点を識別し、前記ＥＣＧ信号の前記セグメントに対してフラグメント分析を実行するために提供され、前記フラグメント分析はST及びPQセグメントから情報を抽出することを指す、システム。
11. 前記処理ユニットは、三次スプライン適合に基づいて前記ＥＣＧ信号のST及びPQセグメントを適合させて、前記ＥＣＧ信号の適合セグメントを提供するために提供される、
    請求項１０に記載のシステム。

Images