2019 Fiscal Year Research-status Report
Development of a noninvasive monitoring intracranial pressure by deep learning methods used the external auditory canal pressure pulse information
| Project/Area Number |
18K08940
|
|---|
| Research Institution | Shinshu University |
|---|
Principal Investigator |
降旗 建治 信州大学, 医学部, 特任准教授 (90021013)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
本郷 一博 信州大学, 医学部附属病院, 特任教授 (00135154)
後藤 哲哉 信州大学, 医学部, 特任准教授 (30362130)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | 頭蓋内圧 / 外耳道内圧脈波 / 頸動脈脈波 / 脳の固有共振周波数 / LPC分析合成法 / 非侵襲的頭蓋内圧モニタ |
|---|
| Outline of Annual Research Achievements |
ICP波形（交流波形）はICP 値（直流値）の変化によって一定の変化をきたすことが知られている。波形の尖鋭化、振幅の増大などである。しかしICP波形のみからICP値を類推することは不可能であるとされてきた。個人差や血圧や呼吸などの変動要素の関与が大きいためと説明されている。EACPW波形（交流波形）とICP波形（交流波形）には一定の相関があるものの、お互いの波形が一定の基準をもって相関することはないとされてきた。この２つの理由により、EACPW波形からICP値を類推することは不可能とされている。
ところで、頭蓋内圧と脳コンプライアンスは一次関数的な関係にある。我々は脳の固有共振周波数は疾患、年齢、性別などによらず、ほぼ頭蓋内圧のみに依存していることを頸動脈圧波形と頭蓋内圧脈波から伝達関数法を用いて確認した。頭蓋内圧脈波と外耳道圧脈波は解剖学的な接続があるため、頭蓋内圧脈波や外耳道圧脈波をパワースペクトル解析すればその共振周波数が含まれているはずである。しかしながら、実際にそれら脈波をパワースペクトル解析しても脳圧の平均値から推測される共振周波数は明らかなピークとして観察できない。それは一心拍ごとの脳圧がわずかずつに変化しているからと推測される。この問題を解決するため、我々は頸動脈圧脈波と外耳道圧脈波とでの伝達特性を計算した。計算にあたっては呼吸変動による影響を少なくするために頸動脈圧脈波の振幅を利用して選択し、加重平均した波形を利用した。得た共振周波数は、強く頭蓋内圧脈波と頸動脈圧脈波で得た周波数と一致した。このことは、動脈圧にともない振動する質量は脳がほとんどであり、外リンパ、中耳、鼓膜は質量が相対的に非常に小さいため、発生した共振に影響を及ぼさないと考えられる。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究の目的は、臨床試験データに基づく「EACW波形情報の深層学習による安定した測定精度を維持した非侵襲的 ICP 推定法の確立」である。現在、深層学習法による推定原理のメカニズムを明らかにするため、頭蓋固有共振周波数（NRF）がEACW波形情報から如何に抽出できるかを詳細に検討している。具体的には、①EACPW脈波センサ出力だけから頭蓋内共振特性とCCPW特性を抽出（分離）できないか？ ②頭蓋内共振特性とCCPW特性の違いは、よく見ると、頭蓋内共振特性は緩やかに変動して、逆に、CCPW特性は激しく振動している。ということは、緩やかに振動する低周波数成分と激しく振動する高周波成分に分離できるか？ ③頭蓋内共振のスペクトル包絡を効率よくモデル化するためには、LPC（Linear Predictive Coding）分析・合成法が有効である。④頭蓋内共振を単一共振系でモデル化し、自己回帰（AR）モデルと捉えれば、EACPWだけからその特性を抽出できる可能性がある。⑤LPC分析で推定される線形予測係数は、AR過程を仮定、つまりCCPW信号のパワーを最小化するようにARモデルを推定し、頭蓋内特性を共振のみで表現する分析法である。⑥そこで、EACPWをLPC分析して、残差信号を得る。この残差信号をCCPW信号と仮定して、LPC合成を実行して、EACPWの推定出力波形（PEACPW）を得る。⑦最後に、入出力多項式モデル（外生変数として入力項を使用した自己回帰ARXモデル）により、残差信号を入力とし、および線形系として評価したPEACPWを出力として、その伝達関数からNRFを求めた。⑧頭蓋内圧ICPは、式（ICP = k*(NRF*NRF)、定数ｋ= 0.0356）から類推できる。そこで、推定メカニズムを明らかにするという観点から、「おおむね順調に進展している」と判断した。
|
| Strategy for Future Research Activity |
① 非侵襲的頭蓋内圧モニタは、被験者のEACPW用センサ出力だけからICP値を類推する医療機器である。その際、頭蓋内圧の単一共振周波数NRF（平均先鋭度Q = 3.22）を計測して、ICP推定法の精度を高めるためには、体動音、純音性のハム雑音等、外来雑音の除去法が重要である。具体的に、体動に伴う大きな振幅雑音はAD変換後、直接振幅レベルを検出して除去する信号処理法を採用し、およびQが10以上の純音性雑音は、ノッチフィルタ信号処理法等のプログラム開発を行う。
②深層学習は、実測 ICP 値から計算できる 脳脊髄液系の固有共振周波数（Hz）を目的変数として、EACP だけから、本年度明らかにした理論的背景に基づく本質的な情報を抽出した内部表現・潜在表現・特徴を多層パーセプトロンニューラルネットワーク（multilayer perceptron: MLP）によって行う。
③新規患者に対して学習したMLPで推定したICPと実測ICP（measured ICP: MICP）から、測定精度を検証する。その臨床試験は、ICP推定誤差の95% 許容範囲が ±5cmH2O以下となるまで実施する。
|
| Causes of Carryover |
・購入物品の納品日が、次年度となったため、次年度使用額が生じた。
（使用計画）
・次年度使用額は４月に納品予定の物品購入に使用する。令和2年度請求額は当初の予定通り、消耗品費や論文投稿費として使用する計画である。
|
