А.П. Брюховецкий1, А.А. Будаев2

1,2 Научно-исследовательский университет «МЭИ» (Москва, Россия)
1 evap15r@rambler.ru, 2 a.budaevkdb@mail.ru

Постановка проблемы. Деятельность сердечной мышцы как нестационарный процесс, представляемая электрокардиограммой, оценивается первым (кардиографным) каналом и подвергается вейвлет-преобразованию. Коэффициенты преобразования визуализируются и могут рассматриваться как элементы словаря признакового пространства, определяющего классы (заболевания). Во втором (оптическом) измерительном канале предлагается проводить адресную лазерную диагностику, получаемые компоненты спектров комбинационного рассеяния, в случае корреляции, можно использовать для более тонкого рассмотрения состояния сердечно-сосудистой системы.

Электрокардиограмма – важнейший диагностический инструмент, позволяющий анализировать текущее состояние сердечно-сосудистой системы человека. Анализ и интерпретация электрокардиограммы связываются с визуальной оценкой компонентов сигнала, таких как зубцы P, QRS, T, временных сегментов и соотношений между компонентами. Несмотря на историю использования и широкое распространение классических методов анализа кардиограмм, интерпретация результатов в основном связана с субъективной оценкой врача и имеет ряд ограничений по точности. Существует необходимость в исследованиях, направленных на разработку методик повышения точности диагноза и, по возможности, организации объективных, автоматизированных средств диагностики.

Цель. Разработать методику повышения точности оценки сердечной деятельности с использованием двухканального подхода к анализу: в первом канале реализуется получение кардиограммы, ее обработка методом непрерывного вейвлет-преобразования для получения временных характеристических параметров, аппроксимирующих и детализирующих коэффициентов; второй измерительный канал регистрирует отклик молекул области лазерного воздействия на кожный покров – спектр комбинационного рассеяния, используемого для изучения корреляции с амплитудами аппроксимирующих коэффициентов.

Результаты. Разработаны программы вейвлет-преобразования кардиограмм с использованием вейвлет-функции Добеши db4. Для апробации программ были взяты кардиограммы из PhysioBank Databases. Установлено, что при проведении вейвлет-преобразования кардиограмм аппроксимирующие коэффициенты наиболее чувствительны к изменениям функциональных возможностей сердечно-сосудистой системы, а это позволяет строить алгоритмы распознавания изменений. Отмечено, что можно строить корреляционные зависимости распределения аппроксимирующих коэффициентов и спектров комбинационного рассеяния.

Практическая значимость. Использование разработанной методики позволит значительно расширить сведения о состоянии сердечно-сосудистой системы и выявить более ранние алгоритмы отклонений от нормы в деятельности сердца.

Брюховецкий А.П., Будаев А.А. Проблемы распознавания электрокардиограмм // Биомедицинская радиоэлектроника. 2026. T. 29. № 4. С. 81−98. DOI: https://doi.org/ 10.18127/j156 04136-202604-08

1. Патент РФ №2820398. Способ исследования работы сердца при использовании вейвлет-преобразования электрокардиограмм и спектроскопии комбинационного рассеяния / А. П. Брюховецкий, В.А. Иванов, Е.И. Бугаев, Р.И. Зарипов, О.В. Чернояров. 2023.
2. Goldberger A.L. Goldberger's Clinical Electrocardiography [Electronic resource]: A Simplified Approach. 9th ed. Philadelphia: Elsevier. 2017.
3. Судаков К.В. Нормальная физиология. М.: ООО «Медицинское информационное агентство». 2006. 920 с.
4. Орлов В.Н. Руководство по электрокардиографии. М.: МИА. 2012.
5. Божокин С.В. Математическое описание сердечного ритма: Учеб. пособие. СПб.: Изд-во СПбГПУ. 2005. 80 с.
6. Добеши И. Десять лекций по вейвлетам: Пер. с англ. Е.В. Мищенко. М.: Ижевск. 2001. 463 с.
7. Свид. о гос. регистрации № 2013661588. Метод распознавания электрокардиограмм методом вейвлет-анализа / М.Р. Богданов, А.В. Захаров, Ю.З. Габидуллин. 2013.
8. PhysioBank Databases [Электронный ресурс]. URL: http://www.physionet.org, свободный.
9. Яковлев А.Н. Введение в вейвлет преобразования. Новосибирск: НГТУ. 2003. 104 с.
10. Астафьева Н.В. Вейвлет-анализ: основы теории и примеры применения // Успехи физических наук. 2012. Т. 166. № 111. С. 1145–1170.
11. Ладяев Д.А. Моделирование ЭКГ-сигналов в среде MATLAB / MATLAB.Exponenta. 2004. С. 1744–1751.
12. Горелик А.Л., Скрипник В. А. Методы распознавания. М.: Высшая школа. 1977. 222 с.
13. Bryuhoveckij A., Bugaev J., Suetenko A. Image and stage identification during laser remote sounding objects of an organic origin // Proc. SPIE. 2008. V. 7027. 702714. P. 141–155. DOI:10.1117/12.822516.
14. Брюховецкий А.П., Бугаев Ю.Н., Жутяева Т.С. Лазерная локация и дистанционная диагностика материалов объектов и сред. М.: МЭИ. 2009. 38 с.
15. Зонды InPhotonics для спектроскопии комбинационного рассеяния: http://www.oemoptic.ru/probes_raman-rip.php
16. Сущинский М.М. Комбинационное рассеяние света и строение вещества. М.: Наука. 1981. 182 с.
17. Ищенко А.А. Спектральные методы анализа: Учеб. пособие. М.: Изд-во МИТХТ. 2013. 167 с.
18. Ковба В.М. Квантово-механическая модель молекулы. М.: МГУ. 2011. 37 с.
19. Тугарина Д.О., Брюховецкий А.П. Лазерная диагностика биологических объектов // Радиотехнические тетради. 2016. № 56. С. 69–73.
20. Шрайнер Р., Фьюзон Р., Кертин Д., Моррилл Т. Идентификация органических соединений. М.: Мир. 1983. 704 с.
21. Software for Matlab and Octave [Электронный ресурс]. URL: https://www.physionet.org/physiotools/matlab/, свободный.
22. Смоленцев Н.К. Основы теории Вейвлетов. Вейвлеты в Matlab. М.: ДМК Пресс. 2005. 304 с.
23. Bryukhovetsky A., Makarov A., Ivanov V. Chernoiarova E. On Raman Scattering and the Study of an Object’s Physical and Chemical Parameters: 2025 // In book: System Design in Software Engineering. P. 174–197. DOI:10.1007/978-3-031-94770-4_16.