О.В. Непомнящий1, Аль-сагир Мохаммед Муанис Исмаил2, В.Н. Хайдукова3, А.В. Шарова4, С.А. Котов5

1,2,4,5 Сибирский Федеральный Университет (г. Красноярск, Россия)

3 АО «Информационные спутниковые системы» имени академика М.Ф. Решетнёва» (г. Железногорск, Россия)

1 2955005@gmail.com, 2 mahamedali51@yahoo.com, 3 valeriya_iks@mail.ru, 4 withlady@yandex.ru, 5 thiskotov@yandex.ru

В условиях развития современного цифрового общества информационные технологии в медицине выходят на первый план при создании перспективных научных направлений в области диагностики заболеваний, медикаментозного лечения и мониторинга пациентов. Особое внимание уделяется обработке больших объемов информации при решении задач анализа результатов медикаментозного лечения или комбинационного взаимодействия лекарственных средств, результатов медицинского диагностирования и выбора курса лечения. Такие данные характеризуются не только большим объемом данных, но и их инвариантностью, и плохо поддаются анализу классическими методами, что не обеспечивает требуемой сходимости результатов. Таким образом, актуальным является разработка новых эффективных вычислительных методов и инструментов для решения обозначенных задач.

Цель работы – с учетом необходимости анализа больших данных выделена общая задача создания новых методов для получения эффективных решений.

Выделена локальная задача увеличения процента сходимости (точности) получаемых результатов, а также обеспечения диагностики в режиме реального времени. Рассмотрена проблема выявления аномалий при анализе электрокардиограмм для построения систем автоматизированной диагностики заболеваний сердечно-сосудистой системы. Представлены известные направления в создании методов определения результатов комбинационного анализа кардиосигналов. Разработана архитектура и алгоритмы системы классификации, функционирующей на основе нейронного классификатора. На основе широко распространенного пакета данных проведены экспериментальные исследования, результаты которых показали, что при использовании предложенного подхода достигаются высокие показатели по эффективности обнаружения аритмий. Показано, что в области задач классификации при обработке изображений хорошие результаты получают при использовании сверточной нейронной сети.

Дальнейшая проработка данного вопроса позволит добиться создания системы долгосрочного прогноза, функционирующей на основе технологий машинного обучения и предложенного анализатора, позволяющей по результатам накопленных данных о состоянии пациента заблаговременно предупреждать о возможных болезнях сердца.

Непомнящий О.В., Аль-сагир Мохаммед Муанис Исмаил, Хайдукова В.Н., Шарова А.В., Котов С.А. Использование сверточной нейронной сети и глубокого машинного обучения для анализа электрокардиограмм // Успехи современной радиоэлектроники. 2024. T. 78. № 3. С. 70–77. DOI: https://doi.org/10.18127/j20700784-202403-08

1. Acharya U.R., Fujita H., Lih O.S., Hagiwara Y., Tan J.H., Adam M. Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network // Information sciences. 2017. V. 405. P. 81–90.
2. Cao J., Brown M.L., Higgins E.J., Degroot P.J. Automatic thresholds for atrial tachyarrhythmia detection in an implantable medical device / Ed: Google Patents. 2019.
3. Li F., Chen K., Ling J., Zhan Y., Manogaran G. Automatic diagnosis of cardiac arrhythmia in electrocardiograms via multigranulation computing // Applied Soft Computing. 2019. V. 80. P. 400–413.
4. Wu Z., Lan T., Yang C., Nie Z. A Novel Method to Detect Multiple Arrhythmias Based on Time-frequency Analysis and Convolutional Neural Networks // IEEE Access. 2019.
5. Коберниченко В.Г. Основы цифровой обработки сигналов: учеб. Пособие. Екатеринбург: Изд-во Урал. ун-та. 2018.
6. Alfaras M., Soriano M.C., Ortín S. A fast machine learning model for ECG-based heartbeat classification and arrhythmia detection // Frontiers in Physics. 2019. V. 7. P. 103.
7. Luz E.J. d. S., Schwartz W.R., Cámara-Chávez G., Menotti D. ECG-based heartbeat classification for arrhythmia detection: A survey // Computer methods and programs in biomedicine. 2016. V. 127. P. 144–164.
8. Prakash A.J., Ari S. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal // Bioelectronics and Medical Devices: Elsevier. 2019. P. 891–911.
9. V.H.C. de Albuquerque et al. Robust automated cardiac arrhythmia detection in ECG beat signals // Neural Computing and Applications. 2018. V. 29. № 3. P. 679–693. 2018/02/01.
10. Elhaj F.A., Salim N., Ahmed T., Harris A.R., Swee T.T. Hybrid classification of Bayesian and extreme learning machine for heartbeat classification of arrhythmia detection // 6th ICT International Student Project Conference (ICT-ISPC). 2017. P. 1–4.
11. Yıldırım Ö., Pławiak P., Tan R.-S., Acharya U.R. Arrhythmia detection using deep convolutional neural network with long duration ECG signals // Computers in biology and medicine. 2018. V. 102. P. 411–420.
12. Isin A., Ozdalili S. Cardiac arrhythmia detection using deep learning // Procedia computer science. 2017. V. 120. P. 268–275.
13. Fischer R., Akay M. Fractal analysis of heart rate variability Time Frequency and Wavelets in Biomedical Signal Processing // Wiley-IEEE Press. 1997.
14. Inoue H., Miyazaki A. A noise reduction method for ECG signals using the dyadic wavelet transform // IEICE TRANSACTIONS on Fundamentals of Electronics, Communications and Computer Sciences. 1998. V. E81-A. P. 1001–1007.
15. Huang J., Chen B., Yao B., He W. ECG Arrhythmia Classification Using STFT-Based Spectrogram and Convolutional Neural Network // IEEE Access. 2019. V. 7. P. 92871–92880.
16. Lakhani P., Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks // Radiology 284:574–582, 2017.