Е. М. А. Талеб – аспирант, кафедра «Биомедицинские и электронные средства и технологии»,  Владимирский государственный университет им. А.Г. и Н.Г. Столетовых 

E-mail: noor2@mail.ru

Л.Т. Сушкова –д.т.н., профессор, зав. кафедрой «Биомедицинские и электронные средства и технологии»,  Владимирский государственный университет им. А.Г. и Н.Г. Столетовых

Е-mail: ludm@vlsu.ru

Р.В. Исаков – к.т.н., доцент, кафедра «Биомедицинские и электронные средства и технологии», 

Владимирский государственный университет им. А.Г. и Н.Г. Столетовых

E-mail: Isakov-RV@mail.ru 

В.А. Аль-Хайдри – к.т.н., ст. преподаватель, кафедра «Биомедицинские и электронные средства и технологии», Владимирский государственный университет им. А.Г. и Н.Г. Столетовых, 

E-mail: fawaz_tariq@mail.ru

А. Р. А. Абдулракеб –  к.т.н., ассистент, кафедра «Биомедицинские и электронные средства и технологии», Владимирский государственный университет им. А.Г. и Н.Г. Столетовых, 

Email: atef_alsanawy@mail.ru

Данная работа посвящена сопоставительному анализу методов обработки ЭКГ-сигнала и извлечения его информативных (диагностических) признаков раннего выявления ишемической болезни сердца на основе одноканальных электрокардиографических сигналов, записанных в первом отведении. В статье исследована эффективность современных подходов обработки и анализа ЭКГ-сигнала, а именно: Фурье-преобразование, вейвлет-преобразование (базисные функции Морле, Дебоши) и сингулярное разложение. Для оценки эффективности каждого из перечисленных методов использовался нейросетевой классификатор (многослойный персептрон), для обучения и тестирования которого использовались пространства признаков исследуемых методов.

В качестве входных данных искусственных нейронных сетей использовались четыре базы данных: база данных спектральных оценок усредненных кардиоциклов (УКЦ), две базы данных вейвлет-преобразования УКЦ (одна с использованием базиса Морле, а другая – Дебоши) и база данных, полученная в результате сингулярного разложения УКЦ.

Результаты исследования методов обработки и анализа ЭКГ-сигнала сравнивались друг с другом. Полученные результаты показали эффективность применения сингулярного разложения по сравнению с информативными признаками, полученных при обработке УКЦ по методами Фурье-преобразованиея и вейвлет-преобразованиея. Результаты данного исследования будут использованы при разработке системы автоматического выявления ишемической болезни сердца, преимуществом которой является возможность ее использования при скрининговых исследованиях, что позволяет сократить смертность и инвалидизацию лиц трудоспособного возраста.

1. Естественное движение населения в разрезе субъектов российской федерации за январь-декабрь 2018 года. http://www.gks.ru/free_doc/2018/demo/t3_3.xls.
2. World health statistics 2014 (Мировая статистика здравоохранения 2014 г.). Всемирная организация здравоохранения. 2014 г. 178 с.
3. Литвинова М.А. Анализ информативности различных методов диагностики ишемической болезни сердца // Здоровье и образование в XXI веке. 2016. № 1. С. 241–245.
4. Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах // Российский журнал биомеханики. 2011. № 3. С. 45–51. 
5. Кардиомонитор CardioQVARK кардиограмма с помощью телефона. URL: http://www.cardioqvark.ru/ 
6. Дубровин В.И., Щедрина Т.А. Автоматизированная система анализа электрокардиограмм на основе вейвлет-технологий // Искусственный интеллект. 2010. № 4. С. 190–194.
7. Латфуллин И.А., Ким З.Ф., Тептин Г.М., Мамедова Л.Э. ЭКГ высокого разрешения: от действительного к возможному // Российский кардиологический журнал. 2010. № 2. С. 29–34. 
8. Григорьев Д.С., Спицын В.Г. Применение нейронной сети и дискретного вейвлет-преобразования для анализа и классификации электрокардиограмм // Изв. Томского политехнического университета. Инжиниринг георесурсов. 2012. № 5. С. 57–61.
9. Дубровин В.И., Твердохлеб Ю.В. Усовершенствование методов анализа ЭКГ-сигналов на основе вейвлетпреобразования в системе электрокардиографии высокого разрешения // Радiоелектронiка, iнформатика, управлiння. 2011. № 1. С. 91–98.
10. Кыздарбeкова А.C., Каcымбeкова К.Б., Дутбайeва Д.М., Кыздарбeк У.C. Алгоритм извлечения признаков и удаления шума электрокардиосигнала на основе вейвлет-преобразования // Проблемы современной науки и образования. 2017. № 7. С. 112–116. 
11. Кашкин В.Б., Рублева Т.В. Применение сингулярного спектрального анализа для выделения слабо выраженных трендов // Изв. Томского политехнического университета. Инжиниринг георесурсов. 2007. № 5. С. 116–119. 
12. Воронов И.В., Политов Е.А., Ефременко В.М. Обзор типов искусственных нейронных сетей и методов их обучения // Вестник Кузбасского государственного технического университета. 2007. № 3. С. 38–42. 
13. Салех М.А., Исаков Р.В. Оценка эффективности применения искусственных нейронных сетей для анализа сегментированных электрокардиокомплексов // Биомедицинская радиоэлектроника. 2012. № 6. С. 21–27.
14. Иванушкина Н.Г., Иванько Е.О., Матвеева Н.А. Нейронные сети для распознавания образов поздних потенциалов предсердий // Electronics and communications. 2013. № 5. С. 72–80.
15. Аль-Хайдри В.А., Исаков Р.В., Сушкова Л.Т. Исследование влияния выбора функций активации на эффективность работы многослойного персептрона // Нейрокомпьютеры: разработка и применение. 2015. № 7. С. 60–66.
16. Талеб Е.М., Сушкова Л.Т., Аль-Хайдри В.А., Исаков Р.В. Применение искусственных нейронных сетей для выявления ишемической болезни сердца по одноканальной ЭКГ // Биомедицинская радиоэлектроника. 2018. № 9. С. 3–9.