Б.Э. Алексеев1

1 Санкт-Петербургский государственный электротехнический университет им. В.И. Ульянова (Ленина) «ЛЭТИ» (Санкт-Петербург, Россия)
1 BorisBoris12@yandex.ru

Постановка проблемы. Заболевания сердечно-сосудистой системы (ССС) на протяжении всего периода наблюдений являются основной причиной смерти человека, причем значительная часть таких смертей классифицируется как преждевременные. При возникновении серьезных нарушений работы ССС, чаще всего аритмиях сердца, остается очень мало времени для оказания медицинской помощи пациенту. В связи с этим становится критически важным обеспечение быстрой реакции на развитие нарушения, что могло бы создать запас времени для подготовки медицинского вмешательства или выполнения действий, направленных на предотвращение развития заболевания до жизнеугрожающего.

Цель. Разработать алгоритм обработки и анализа коротких фрагментов электрокардиограммы для их классификации в соответствии со степенью опасности нарушения для жизни человека.

Результаты. В работе рассмотрен алгоритм классификации, основанный на применении предобученной сверточной нейронной сети AlexNet, для классификации результатов вейвлет-преобразования коротких (2 с) фрагментов электрокардиограммы. Отмечено, что обучение и апробация проводились на базе данных, состоящей из 1016 фрагментов, вручную разбитых на 6 классов, упорядоченных по степени опасности для жизни человека. Рассмотрены проблемы аугментации данных для дообучения нейронной сети, а также предложен подход с целью увеличения количества информации, содержащейся в изображении, полученном в результате вейвлет-преобразования. Оценено качество классификации нарушений.

Практическая значимость. Полученные результаты делают возможным дальнейшее улучшение систем мониторинга с автоматической классификацией сердечного ритма в реальном времени и позволят уменьшить время реакции медицинского персонала на возникновение опасных нарушений.

Алексеев Б.Э. Применение вейвлет-преобразования и сверточных нейронных сетей для обнаружения коротких фрагментов опасных аритмий // Биомедицинская радиоэлектроника. 2026. T. 29. № 3. С. 66−70. DOI: https:// doi.org/10.18127/j156 04136-202603-11

1. World Heart Report 2023: Confronting the World’s Number One Killer. Geneva, Switzerland. World Heart Federation. 2023.
2. World Health Organization Fact Sheets. Cardiovascular Diseases. 2024. URL: https://www.who.int/europe/news-room/fact-sheets/item/cardiovascular-diseases (дата обращения: 07.05.2025)
3. Nemirko A., Manilo L., Tatarinova A., Alekseev B., Evdakova E. ECG Fragment Database for the Exploration of Dangerous Arrhythmia (version 1.0.0). PhysioNet. RRID:SCR_007345. 2022. https://doi.org/10.13026/kpfg-xs25.
4. Goldberger A., Amaral L., Glass L., Hausdorff J., Ivanov P.C., Mark R., Stanley H.E. et al. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online]. 2000. V. 101 (23). P. e215–e220. RRID:SCR_007345.
5. Katja Zeppenfeld, Jacob Tfelt-Hansen et al. ESC Scientific Document Group , 2022 ESC Guidelines for the management of patients with ventricular arrhythmias and the prevention of sudden cardiac death: Developed by the task force for the management of patients with ventricular arrhythmias and the prevention of sudden cardiac death of the European Society of Cardiology (ESC) Endorsed by the Association for European Paediatric and Congenital Cardiology (AEPC), European Heart Journal, Volume 43, Issue 40, 21 October 2022, Pages 3997–4126, https://doi.org/10.1093/eurheartj/ehac262.
6. Krizhevsky A., Sutskever I., Hinton Geoffrey E. ImageNet classification with deep convolutional neural networks. Communications of the ACM. 2017. V. 60 (6). P. 84–90. DOI:10.1145/3065386.