А.И. Власов1, С.Э. Гюльмалиева2, Ю.С. Либер3, С. Абдулкадер4

1–4 МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Задача диагностики заболевания решается не всегда корректно, т.е. заключение о состоянии сердечно-сосудистой системы не всегда соответствует ее истинному состоянию из-за погрешностей измерений, различных артефактов и недостаточной квалификации врача. Для исключения таких факторов при разработке алгоритмов анализа и выявления диагностического заключения, необходимо иметь полное описание различных ССЗ, определяемых по ЭКГ, прежде всего БД, содержащие ЭКГ пациентов с различными заболеваниями и отклонениями в ЭКГ.

Цель. Систематизировать и обобщить способы применения систем искусственного интеллекта для анализа электрокардиограмм.

Результаты. Предложена классификация методов получения информации о сердечной активности. Основное внимание уделено вопросам компьютерной обработки результатов анализа сердечной деятельности различными методами. Проанализированы принципы построения баз данных, содержащих результаты диагностики сердечной деятельности для пациентов с различными отклонениями, и возможности их использования для обучений нейронных сетей. Сделан обзор литературы о текущем состоянии и возможности развития систем искусственного интеллекта в электрокардиографии. Проанализированы перспективы применения методов машинного обучения для анализа биоэлектрической активности сердца. Кратко рассмотрены примеры решений для диагностики разных сердечно-сосудистых заболеваний.

Практическая значимость. Результаты работы могут быть использованы для создания различных типов нейросетей для автоматизированного анализа электрокардиограмм и формирования диагностического заключения.

Власов А.И., Гюльмалиева С.Э., Либер Ю.С., Абдулкадер С. Применение систем искусственного интеллекта в электрокардиографии // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 4. С. 36-52. DOI: https://doi.org/10.18127/j19998554-202201-04

1. Орлов В.Н. Руководство по электрокардиографии. Изд. 9-е, испр. М.: Медицинское информационное агентство. 2017. 560 с.
2. Галанин В.В. Физические основы электрографии // Вестник медицинского института «РЕАВИЗ»: реабилитация, врач и здоровье. 2013. № 4(12). С. 35–41.
3. Власов А.И., Конькова А.Ф. Медико-диагностические экспертные системы для оценки адекватности адаптивной реакции организма на воздействие экстремальных факторов // Конверсия. 1995. № 9–10. С. 18–21.
4. Мустафаев А.Г. Использование нейросетевых методов для автоматического анализа электрокардиограмм при диагностике заболеваний сердечно-сосудистой системы // Кибернетика и программирование. 2019. № 1. С. 66–74.
5. Ревенко С.В. Гармонические перспективы реографии // Нервно-мышечные болезни. 2012. № 4. С. 8–18.
6. Atzler E., Lehmann G. Űberein Neues Verfahrenzur Darstellung der Hertztätigkeit (Dielektrographie) // Arbeitsphysiol 1931/32. V. 6. P. 636–680.
7. Mann H. Study of peripheral circulation by means of alternating current bridge // Proc. Soc. Exp. Biol. Med. 1937. № 36. P. 670–673.
8. Rosa L. Diagnostische Anwendung des Kurzwellenfeldes in der Herz und Kreislaufpathologie (Radiokardiographie) // Z. Kreislaufforsch. 1940. № 32. P. 118–135.
9. Nyboer J., Bango S., Barnett A., Halsey R.H. Radiocardiograms: the electrical impedance changes of the heart in relation to electrocardiograms and heart sounds // J. Clin. Invest. 1940. № 19(5). P.773–778.
10. Кедров А.А. О новом методе определения пульсовых колебаний кровенаполнения сосудов в различных участках человеческого тела // Клин. мед. 1941. № 19(1). C. 71–80.
11. Кедров А.А. Попытка количественной оценки центрального и периферического кровообращения электрометрическим путем // Клин. мед. 1948. № 26(5). C. 32–51.
12. Кедров А.А., Либерман Т.Ю. О так называемой реокардиографии // Клин. мед. 1949. № 27(3). C. 40–46.
13. Holtzer W., Polzer K., Mario A. RKG Rheography. A Method of Circulation Investigation and Diagnosis in Circular Motion. Vienna: Wilhelm Maudrich. 1946.
14. Nyboer J. Regional pulse volume and perfusion flow electrical impedance plethysmography // Arc. Intern. Med. 1960. № 105(9). P. 264–276.
15. Nyboer J. Highlights in electrical impedance plethysmography or pulse volume and flow indices derived from segmental electrical characteristics // Data Acquisition and Processing in Biology and Medicine. Oxford. 1962. P. 133–145.
16. Nyboer J. Electrical Impedance Plethysmography. Springfield. 1970.
17. Pratesi F., Deidda C., Nuti A., Caramelli L. Selective rheography of the vertebral arteries and carotids in encephalic vascular diseases // Ann. N.-Y. Acad. Sci. 1970. V.170 (Part 2). P. 627–644.
18. Schuhfried O., Wiesinger G., Kollmitzer J. et al. Fourier analysis of impedance rheography for peripheral arterial occlusive disease // Eur. J. Appl. Physiol. 2003. № 89. P. 384–638.
19. Пушкарь Ю.Т. Исследование сократительной функции сердца при сердечно-сосудистых заболеваниях при помощи реографии аорты и легких // Тер. арх. 1961. № 3(1). С. 88–96.
20. Пушкарь Ю.Т., Толпехин В.Е. Опыт применения раздельной реографии аорты и легкого у больных тетрадой Фалло // Кардиология. 1967. № 7(2). С. 42–46.
21. Петраш В.В., Лазарев С.М., Данилов Е.Н. Механизмы формирования интраваскулярной реоплетизмограммы в системе легочной артерии // Вест. хирургии. 1981. № 126(6). C. 6–10.
22. Фролькис А.В., Борисова Г.В. Использование математических методов при анализе формы реограмм печени // Вопросы патологии печени и поджелудочной железы. 1968. C. 42–43.
23. Фролькис А.В., Борисова Г.В. Опыт использования гармонического анализа для количественной оценки формы реограмм печени // Сов. мед. 1973. № 36(3). С. 33–37.
24. Фролькис А.В., Борисова Г.В. Количественная оценка формы реограмм методом гармонического анализа // Кардиология. 1974. № 14(4). C. 130–133.
25. Стрелецкий Г.Н., Василенко И.С. Реография печени при дифференциальной диагностике обструктивной желтухи // Хирургия. 1975. № 9. C. 96–101.
26. Николаев Д.В., Смирнов А.В., Бобринская И.Г., Руднев С.Г. Биоимпедансный анализ состава тела человека. М.: Наука. 2009. 392 с.
27. Заирова А.Р., Рогоза А.Н. Объемная сфигмография сегодня // Медицинский алфавит. 2018. № 4(36). C. 8–18.
28. Савицкий  Н.Н.  Биофизические основы кровообращения и клинические методы исследования гемодинамики. Л.: Медицина. 1974. 309 с.
29. Блинова Е.В., Сахнова Т.А., Юрасова Е.С., Комлев А.Е., Имаев Т.Э. Фонокардиография: новые возможности в свете цифровых технологий // Кардиологический вестник. 2018. Т. 13. № 2. С. 15–21.
30. Кипенский А.В., Шамардина В.Н., Дейнеко Д.М. Электрокардиография: Учебно-методическое пособие. Харьков: НТУ «ХПИ». 2002. 52 с.
31. Зарецкий А.П., Митягин К.С., Тарасов В.С., Мороз Д.Н. Оценка параметров дыхательной активности пациента на основе данных фотоплетизмографии // Труды Московского физико-технического института (национального исследовательского университета). 2019. Т. 11. № 3(43). С. 61–69.
32. Мурашко В.В., Струтынский А.В. Электрокардиография. 6-е изд. М.: МЕДпрессинформ. 2004. 320 с.
33. Геселовиц Д. Б. К теории электрокардиограммы // Proc IEEE. Т. 77. № 857. 1989. 446 с.
34. Дубровин В.И., Твердохлеб Ю.В. Усовершенствование методов анализа ЭКГ-сигналов на основе вейвлет-преобразования в системе электрокардиографии высокого разрешения // Радиоэлектроника, информатика, управление. 2011. № 1(24). С. 91–98.
35. Эберт Г.-Х. Простой анализ ЭКГ: интерпретация, дифференциальный диагноз / Пер. с англ. под ред. Кокорина В.А. М.: Логосфера. 2010. 280 с.
36. Елисеева Л.Н., Сирунянц А.А., Самородская Н.А., Басте З.А. Основы электрокардиографии для студентов медицинских вузов (обучающий материал и атлас учебных электрокардиограмм) // Международный журнал экспериментального образования. 2012. № 10. С. 98–99.
37. Науменко А.И., Скотников В.В. Основы электроплетизмографии. Л.: Медицина. 1975. 216 с.
38. Исаков Р.В. Алгоритмы предварительной обработки электрокардиосигнала для нейросетевого анализа // Сборник трудов научной школы по биомедицинской инженерии. СПб.: Изд-во СПГТУ. 2009. С. 82–87.
39. Prudius A.A., Karpunin A.A., Vlasov A.I. Analysis of machine learning methods to improve efficiency of big data processing in industry 4.0 // Journal of Physics: Conference Series. 2019. № 032065.
40. Адамова А.А., Зайкин В.А., Гордеев Д.В. Методы и технологии машинного обучения и нейросетевых технологий в задачах компьютерного зрения // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 4. С. 25–39.
41. Yuldashev M.N., Vlasov A.I., Novikov A.N. Energy-efficient algorithm for classification of states of wireless sensor network using machine learning methods // Journal of Physics: Conference Series. 2018. V. 1015. № 032153.
42. Гельцер Б. И., Циванюк М. М., Шахгельдян К. И., Рублев В. Ю. Методы машинного обучения как инструмент диагностических и прогностических исследований при ишемической болезни сердца // Российский кардиологический журнал. 2020. Т. 25. № 12. DOI:10.15829/1560-4071-2020-3999
43. Verma L, Srivastava S, Negi P.C. A Hybrid Data Mining Model to Predict Coronary Artery Disease Cases Using Non-Invasive Clinical Data // J. Med. Syst. 2016. V. 40(7). P. 178.
44. Kozlova E.V., Starostin I.V., Bulkina O.S. et al. Evaluation of the prevalence of cardiovascular events and mortality in stable coronary heart disease patients depending on baselinecoronary collateral blood flow (five-year follow-up) // Russian Journal of Cardiology. 2018. V. 3. P.11–16.
45. Sridhar C., Acharya U.R., Bairy G.M. Automated diagnosis of Coronary Artery Diseaseusing nonlinear features extracted from ECG signals // IEEE International Conference on Systems, Man, and Cybernetics (SMC). Budapest, 2016. P. 000545-000549.
46. Гусев А.В., Добриднюк С.Л. Искусственный интеллект в медицине и здравоохранении // Информационное общество. 2017. № 4–5. С. 78–93.
47. Переверзев И.А., Квасницкий В.Н. Эффективные алгоритмы построения нейронной сети на основании оценки входных параметров (Глубокое машинное обучение) // Вестник Московского финансово-юридического университета. 2016. № 1. С. 253–261.
48. Тихонов А.А. Большие данные и глубокое машинное обучение в искусственных нейронных сетях // Наука и образование сегодня. 2018. № 6 (29). С. 35–38.
49. Кодиров Э.С.У., Халилов З.Ш. Взаимосвязи и различия между “Deep Learning” и “Machine Learning” // Universum: технические науки. 2020. № 7-1 (76). С. 23–25.
50. Bizopoulos P., Koutsouris D. Deep Learning in Cardiology // IEEE Rev Biomed Eng. 2019. V. 12. P. 168–193. DOI: 10.1109/RBME.2018.2885714
51. Al Rahhal M.M., Bazi Y., Al Hichri H., Alajlan N., Melgani F., Yager R.R. Deep learning approach for active classification ofelectrocardiogram signals // Information Sciences. 2016. V. 345. P. 340–354.
52. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. М.: Изд-во Машиностроение. 2000. 64 с.
53. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
54. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31.
55. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
56. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы. Управление, контроль, диагностика. 1999. № 2. С. 61–65.
57. Адамова А.А., Шведова А.Г., Фирсов А.А. Анализ применения элекрофизических методов и средств в психиатрии и неврологии // Технологии инженерных и информационных систем. 2019. № 3. С. 53–62.
58. Juarez-Orozco L.E., Saraste A., Capodanno D. et al. Impact of a decreasing pre-test probability on the performance of diagnostic tests for coronary artery disease // Eur. Heart J. Cardiovasc. Imaging. 2019. V. 20(11). P. 1198–1207. DOI: 10.1093/ehjci/jez054
59. Knuuti J., Wijns W., Saraste A., et al. 2019 ESC Guidelines on the diagnosis and management of chronic coronary syndromes: The Task Force for diagnosis and management of chronic coronary syndromes of the European Society of Cardiology (ESC) // Eur. Heart J. 2019. V. 41(3). P. 407–477. DOI:10.1093/eurheartj/ehz425
60. Bae Y., Kang S-J., Kim G., et al. Prediction of coronary thin-cap fibroatheroma by intravascular ultrasound-based machine learning // Atherosclerosis. 2019. V. 288. P. 168–174. DOI: 10.1016/j.atherosclerosis.2019.04.228
61. Ahmadi E., Weckman G.R., Masel D.T. Decision making model to predict presence of coronary artery disease using neural network and C5.0 decision tree // J. Ambient. Intell. Human Comput. 2017. V. 9(4). P. 999–1011. DOI: 10.1007/s12652-017-0499-z
62. Acharya U.R., Sudarshan V.K., Koh J.E.W., et al. Application of higher-order spectra for the characterization of Coronary artery disease using electrocardiogram signals // Biomedical Signal Processing and Control. 2017. V. 31. P. 31–43. DOI: 10.1016/j.bspc.2016.07.003
63. Jiang C., Song S., Meng M. Q.-H. Heartbeat classification system based on modified stacked denoisingautoen coders and neuralnetworks // Information and Automation (ICIA). 2017 IEEE International Conference on IEEE. 2017. P. 511–516.
64. Yang J., Bai Y., Lin F., Liu M., Hou Z., and Liu X. A novelelectro cardiogram arrhythmia classification method based on stackedsparse auto-encoders and softmax regression // International Journal of Machine Learning and Cybernetics. 2017. P. 1–8.
65. Rajpurkar P., Hannun A.Y., Haghpanahi M., Bourn C., Ng A.Y. Cardiologist-level arrhythmia detection with convolutional neuralnetworks // arXiv preprint arXiv:1707.01836. 2017.
66. Schwab P., Scebba G. C., Zhang J., Delai M., Karlen W.  Beat bybeat: Classifying cardiac arrhythmias with recurrent neural networks // Computing. 2017. V. 44. P. 1.
67. Yao Z., Zhu Z., and Chen Y.  Atrial fibrillation detection by multiscale convolutional neural networks // Information Fusion (Fusion) 20th International Conference on IEEE. 2017. P. 1–6.
68. Xiong P., Wang H., Liu M., Liu X. Denoising autoencoder for eletrocardiogram signal enhancement // Journal of Medical Imaging and Health Informatics. 2015. V. 5. № 8. P. 1804–1810.
69. Wu J., Bao Y., Chan S.-C., Wu H., Zhang L., Wei X.-G. Myocardial infarction detection and classification - a new multi-scale deep feature learning approach // Digital Signal Processing (DSP), 2016 IEEE International Conference on. IEEE. 2016. P. 309–313.
70. Zubair M., Kim J., Yoon C. An automated ECG beat classification system using convolutional neural networks // IT Convergence and Security (ICITCS), 2016 6th International Conference on. IEEE. 2016. P. 1–5.