ご購入はこちら 2 特集 第3章 第第 2 特集 人工知能で感情解析 わかりにくい不整脈の発見などはコンピュータが得意かも さらに②… 心電図の AI 認識に挑戦 辰岡 鉄郎 データの取り込み バンドパス・フィルタ 生体計測基板 ＋ － E A-D 変換 Bluetooth LE 不整脈 人工知能で 異常波形を検出 本章でやりたいこと 図1 人工知能を用いて心電図（連続アナログ波）に重畳する不整脈 や体動ノイズを検出する 第 3 章では，筋電信号だけではなく，心電図に人工 知能を応用した異常検知の手法を用いて，体動ノイズ や不整脈の検出を試みます（図 1）． ソフトウェア構成を図 2 に示します．基本構成は第 1 章の図 2（a）と同じですが，解析アプリケーションの 中身がこの図 2 になります． ● 心電図認識の人工知能アルゴリズムに「k 近傍 法」を選んだ理由 紹介する人工知能アルゴリズム「k 近傍法」を応用す ると，心電図のような周期性のあるデータに対して， 変化の起きた箇所を検出できます（図 3）．正常な心電 図データから逸脱した波形，つまりノイズや不整脈時 の波形が拾えることになります． k 近傍法のあらまし ここではクラス分類の手法であるk 近傍法（k-nearest neighbor method：k-NN）を用いて，時系列データの 異変を検出します．k 近傍法は，前章のクラスタ分析 手法である k 平均法（k-means）と似ている名前です が，別物です． 120 部分時系列データの生成 リスト1 学習データの読み込み 心電図 体動ノイズ ノッチ・フィルタ k近傍法を用いて異常データを検出 図 2 変 化 点 検 出を行うプログラム AnomalyDetection.py のフロー ● シンプル! 最も近い数個のデータを抽出して 最も多く含まれるクラスに分類するだけ k 近傍法は，近くのデータを k 個取り出して，最も 多く含まれるクラスに分類するというシンプルな教師 あり学習のアルゴリズムです．第 1 章で紹介したサ ポート・ベクタ・マシンでは，分類器のモデル・パラ メータを学習データから算出しますが，k 近傍法では 学習データを保持するだけで，学習と呼べるような処 理を行いません．ただデータを丸暗記するだけなの で，怠惰学習（Lazy Learner）の一種とも言われます． k 近傍法の具体的なアルゴリズムは以下の通りです． 1.あるテスト・データ x について，x から距離が近い 順に学習データを k 個選ぶ 2.選択された k 個のデータのクラス・ラベルから， 多数決により x のクラスを割り当てる．最多のラ ベルが同数になった場合は，距離の近いものを優 先するなどの方法を用いる 3.全てのテスト・データについて上記を繰り返す 距離にはユークリッド距離などが使われます．k 近 傍法によるクラス分類のようすを図 4 に示します． ● スライド窓を使ってデータ群を取り出す 時系列データを，M 点ずつ，サンプルごとにずらし ながら切り出したデータを，普通の多変量データと区 別して部分時系列（Time-series Subsequence）データ 2017 年 1 月号
© Copyright 2024 ExpyDoc
