Е.А. Денисова1, А.А. Кордюкова2, Д.О. Шевяков3, Б.С. Гуревич4

1–4 Институт аналитического приборостроения Российской академии наук (Санкт-Петербург, Россия)
1 tiranderel@yandex.ru, 2 annygm00@mail.ru, 3 sevakovdaniil@gmail.com, 4 bgurevich48@gmail.com

Постановка проблемы. Тенденция к повышению информативности электрокардиосигналов (ЭКС) для ранней диагностики ишемии сердца привела к развитию нового метода электрокардиографии сверхвысокого разрешения (ЭКГ СВР), основной особенностью которого стало расширение амплитудного и частотного диапазонов регистрации и записи ЭКГ-данных. Для обработки ЭКС СВР известные стандартные методы малоэффективны. Это определяет потребность в совершенствовании и расширении спектра технологий, используемых для выявления ранних признаков развития сердечных патологий с помощью ЭКГ СВР для получения дополнительной диагностической информации о функциональном состоянии биологического объекта.

Цель. Разработать систему принятия решения о наличии ранних признаков острого инфаркта миокарда на ЭКС СВР в экспериментах на крысах с использованием технологий нейронных сетей.

Результаты. Проведено научное обоснование возможности оценки вероятности развития инфаркта миокарда на ранней стадии с использованием ЭКС СВР, полученных в экспериментах на крысах, с помощью технологий нейронных сетей. Разработана структура системы принятия решения о наличии ранних признаков острого инфаркта миокарда.

Практическая значимость. Предложенная и описанная в работе концепция построения системы принятия решения о наличии ранних признаков острого инфаркта миокарда в экспериментах на крысах стала основой для создания нового поколения моделей медицинского назначения, обеспечивающих возможность получения диагностических данных о ранних признаках развития патологии с использованием нового метода ЭКГ СВР.

Денисова Е.А., Кордюкова А.А., Шевяков Д.О., Гуревич Б.С. Система принятия решения о наличии ранних признаков острого инфаркта миокарда в экспериментах на крысах // Биомедицинская радиоэлектроника. 2025. T. 28. № 5. С. 154−157. DOI: https://doi.org/10. 18127/j156 04136-202505-31

1. Virani S. American Heart Association Council on Epidemiology and Prevention Statistics Committee and Stroke Statistics Subcommittee. Heart Disease and Stroke Statistics-2020. Circulation. 2020. V. 141. № 9. P. 139–596.
2. Gulyaev Y. Ultra-high resolution electrocardiography. Tasks. Problems. The prospects. Biomed. Radioelectron. 2013. V. 9. P. 5–15.
3. Zaichenko K., Afanasenko A., Denisova E., Kordyukova A., Shevyakov D. Utilizing the convolutional neural network AlexNet to classify ultra-high resolution Electrocardiosignals. Physics and Mathematics. 2024. V. 17. P. 292–296.
4. Zaichenko K., Kordyukova A., Sonin D., Galagudza M. Ultra-High-Resolution Electrocardiography Enables Earlier Detection of Transmural and Subendocardial Myocardial Ischemia Compared to Conventional Electrocardiography. Diagnostics (Basel). 2023. V. 13. P. 2795.
5. Jurak P., Halamek J., Leinveber P. Ultra-highfrequency ECG measurement. Computing in Cardiology. 2013. V. 40. P. 783–786.