A novel EMG artifact removal algorithm based on complete local convolutional sparse dictionary learning in ECG signals

人間の心臓は、医師が健康状態を測るために長年頼りにしてきたリズム、すなわち、紙のストリップやデジタル画面に捉えられた一定の電気的パルスとともに鼓動しています。心電図（ECG）として知られるこの記録は、心臓の電気活動を時間の経過とともにマッピングし、臓器の収縮と弛緩に対応する明確な波形を明らかにします。しかし、この信号を捉えるプロセスが、きれいな状態で進むことは滅多にありません。身体はノイズの多い環境であり、心臓によって生成される微弱な電流は、骨格筋によって生み出されるはるかに大きく混沌とした電気信号によって容易にかき消されてしまいます。人が動いたり、震えたり、あるいは単に筋肉に力を入れたりすると、これらの筋肉の信号、すなわち筋電図（EMG）が心臓の記録に混入します。筋肉のノイズと心臓の信号の周波数は大きく重複しているため、単にノイズをフィルタリングして取り除こうとすると、心臓の信号も一緒に除去されてしまうことがあり、その結果、医師の手元には、生命を脅かす状態を隠してしまったり、誤報を生じさせたりするような歪んだ図が残されることになります。

数十年にわたり、研究者たちは、心臓の繊細な形状の詳細を失うことなく、心臓の規則的な鼓動と筋肉の無秩序なざわめきを分離する方法を模索してきました。従来の手法は、信号を分析するために小さく扱いやすい断片へと切り分けることに依存することが多いのですが、このアプローチは、医師が見る必要のあるまさにその特徴を誤って切り刻んでしまい、人工的なスパイクを生じさせたり、実在するものを消失させたりすることがあります。上海工程科学大学とユニバーシティ・カレッジ・ダブリンの研究者による新しい研究は、異なる道筋を提案しています。彼らが開発した手法は、信号を断片に切り分けるのではなく、ノイズの混じった記録から心臓の鼓動の独特な形状を直接学習するものであり、心臓の「声」が筋肉のノイズという群衆の中で叫んでいるときでも、コンピュータにそれを認識させる方法を効果的に教えてくれるものです。

研究者たちのアプローチは、心臓の電気信号は反復的で予測可能である一方、筋肉のノイズはランダムで混沌としているという考えに基づいています。彼らは、混乱の中でも特定の心拍パターンを特定できる、非常にスキルの高い聞き手のようなシステムを作り上げました。データを固定された定義済みの形状に無理やり当てはめるのではなく、このシステムは、ノイズの混じった信号自体を研究することによって、パターンのカスタム辞書を構築します。システムは、心拍を構成する短く鋭いエネルギーのバースト、すなわちQRSコンプレックスを探し出し、それらを孤立させる方法を学習します。この新手法を際立たせているのは、データの扱い方です。記録全体を一度に処理したり、任意のセグメントに切り刻んだりするのではなく、システムは心臓の信号が存在する極めて小さな活動領域のみに焦点を当てます。信号が存在しない広大な沈黙や純粋なノイズの領域は無視し、信号が実際に存在する場所においてのみ、心拍パターンの理解を更新します。この戦略により、コンピュータははるかに高速かつ少ないメモリで動作することができ、心臓活動の長い記録を処理する際に停滞することなく実行することが可能になります。

この手法が機能するかどうかをテストするため、研究者たちはこれを2つのよく知られた心臓記録のコレクション、すなわち標準的な心拍リズムを含むものと、深刻な筋肉干渉に満лоされたものに適用しました。彼らは、この新技術を、複雑な数学的分解や現代的な人工知能モデルを含む、いくつかの既存の手法と比較しました。その結果、他の手法は心臓とノイズを区別するのに苦労し、しばに歪んだ波形を残したり偽の心拍を生じさせたりしたのに対し、この新手法は筋肉の干渉をうまく取り除いたことが示されました。それは、診断に必要な鋭いピークや滑らかな曲線を生かしつつ、驚くほどの明瞭さで心臓信号を復元しました。筋肉のノイズがあまりに強く、心臓の信号がほとんど見えない状態のテストにおいても、新手法は心拍を回収することに成功しましたが、他のアプローチは利用可能な画像を生成することに失敗しました。

また、研究では、データセグメントの長さを変えたり、ノイズの量を変化させたりするなど、異なる条件下でのこの新技術の性能についても調査しました。データを正しく機能させるために特定の長さに切り分ける必要があった古い手法とは異かり、この新しいアプローチは柔軟性を証明し、データの配置に関わらず正確な結果を提供しました。この硬直したデータフォーマットからの独立性は、心信号が激しく変動する現実世界のアプリケーションにおいて大きな利点となります。さらに、研究者たちは、この手法がモバイルデバイス上で実行できるほど効率的であることを実証しました。これは、ウェアラブル・ヘルステレノロジーの未来にとって極めて重要なステップです。信号をローカルで迅速に処理することにより、スマートウォッチや携帯型モニターがリアルタイムで心臓データをクリーンアップし、ユーザーや医師に即時かつ正確なフィードバックを提供できるようになる可能性があります。

信号をクリーンアップすることに加えて、研究者たちは、復元された心拍が医学的に有用であることを検証しました。彼らは、心拍間のタイミングや、心筋の健康状態を示す波の形状など、心臓の電気的サイクルの特定の特性を分析しました。心臓の電気経路のブロックや心筋梗塞のような特定の心疾患が関わるケースにおいて、この手法はそれらの問題を特定するために必要な微妙な詳細を正常に保持しました。クリーンアップされた信号により、不整脈やその他の心疾患を診断するために不可欠な、心臓の電気的間隔の精密な測定が可能になりました。本研究は、筋肉のノイズを心臓本来の形状を歪めることなく取り除くことで、この手法が遠隔ヘルスモニタリングの信頼性を向上させ、患者の自宅から医師の診察室へ送られるデータが、病院での記録と同じくらい明確で正確であることを保証できる可能性を示唆しています。

この研究は、混合信号を分離するという考え方における転換を象徴しています。データを既存の理論に適合する箱に押し込めようとするのではなく、この新しい手法は、データ自身に何を探すべきかをコンピュータに教えさせるのです。信号の活動部分のみに焦点を当て、ノイズの中から心拍のパターンを直接学習することで、従来の技術では到達できなかったレベルの明瞭さを達成しています。これらの知見は、このアプローチが、特に動きやノイズが避けられない環境における心臓信号処理の標準的なツールになり得ることを示唆しています。ウェアラブルデバイスが普及し、継続的な健康モニタリングへの需要が高まるにつれ、動きのある身体からクリーンで診断品質の高い心臓信号を抽出する能力は、ますます不可欠なものとなるでしょう。この新しい手法は、周囲の体がどれほど騒がしくても、心臓の真の物語が確実に聞き取られるための道筋を提示しています。