О.В. Непомнящий1, А.Г. Хантимиров2, М.М.И. Аль-сагир3, С. Шабир4

1–4 ФГАОУ ВО «Сибирский федеральный университет» (г. Красноярск, Россия)

Постановка проблемы. Известно, что в России ежегодно от сердечно-сосудистых заболеваний умирает около одного миллиона человек. Использование прогрессивных технологий может помочь снизить смертность, за счет ранней диагностики заболеваний. Этот процесс сопровождается большим объемом биомедицинской информации, что в свою очередь обуславливает необходимость создания новых методов, алгоритмов и инструментов интеллектуального анализа данных. В этой связи представляется целесообразным рассмотреть проблему выявления аномалий при анализе электрокардиограмм в устройствах автоматизированной диагностики заболеваний сердечно-сосудистой системы.

Цель. Разработать метод и техническое решение для выявления аномалий при анализе электрокардиограмм в устройствах автоматизированной диагностики заболеваний сердечно-сосудистой системы.

Результаты. Представлены известные направления анализа кардиосигналов. С учетом необходимости анализа больших данных, выделена общая задача создания новых методов для получения эффективных решений. Сформулирована локальная задача увеличения точности получаемых результатов, а также обеспечения диагностики в режиме реального времени. Показано, что в области задач классификации при обработке изображений хорошие результаты получают при использовании сверточной нейронной сети. Для решения означенных задач предложено использовать сверточные нейронные сети.

Практическая значимость. Результаты экспериментальных исследований показали высокую эффективность разработанного метода в обнаружении аритмий (тахикардия, брадикардия, пароксизмальные нарушения, экстрасистолия, мерцательная аритмия сердца). Разработанный метод может быть использован при создании устройств автоматизированного обнаружения сердечно-сосудистых аномалий. Предложенное устройство позволит проводить диагностику на ранних этапах развития болезни, что, в свою очередь, позволит поставить верный диагноз и назначить своевременное лечение.

Непомнящий О.В., Хантимиров А.Г., Аль-сагир М.М.И., Шабир С. Использование сверточной нейронной сети при анализе электрокардиограмм // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 2. С. 58-65. DOI: https://doi.org/10.18127/j19998 554-202302-05

1. Akay M. Time Frequency and Wavelets in Biomedical Signal Processing. Wiley-IEEE Press. 1997. 768 p.
2. Inoue H., Miyazaki A. A noise reduction method for ECG signals using the dyadic wavelet transform // IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences. 1998. V. E81-A. № 9. P. 1001–1007.
3. Huang J., Chen B., Yao B., He W. ECG Arrhythmia Classification Using STFT-Based Spectrogram and Convolutional Neural Network // IEEE Access. 2019. V. 7. P. 92871–92880.
4. Lakhani P., Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks // Radiology. 2017. V. 284. № 2. P.574–582. DOI: 10.1148/radiol.2017162326.
5. Acharya U.R., Fujita H., Oh S.L., Hagiwara Y., Tan J.H., Adam M. Automated Detection of Arrhythmias Using Different Intervals of Tachycardia ECG Segments with Convolutional Neural Network // Information sciences. 2017. V. 405. P. 81–90.
6. Cao J., Brown M.L., Higgins E.J., Degroot P.J. Automatic thresholds for atrial tachyarrhythmia detection in an implantable medical device // Google Patents. 2019. [Электронный ресурс]. – Режим доступа: https://patents.google.com/patent/WO2018022558A1/en, дата обращения 02.09.2022.
7. Li F., Chen K., Ling J., Zhan Y., Manogaran G. Automatic diagnosis of cardiac arrhythmia in electrocardiograms via multigranulation computing // Applied Soft Computing. 2019. V. 80. P. 400–413. DOI: 10.1016/j.asoc.2019.04.007.
8. Wu Z., Lan T., Yang C., Nie Z. A Novel Method to Detect Multiple Arrhythmias Based on Time-Frequency Analysis and Convolutional Neural Networks // IEEE Access. 2019. V. 7. P. 170820–170830. DOI: 10.1109/ACCESS.2019.2956050.
9. Коберниченко В.Г. Основы цифровой обработки сигналов: учебное пособие. Екатеринбург: Уральский федеральный университет. 2018. 147 с.
10. Alfaras M., Soriano M.C., Ortín S. A fast machine learning model for ECG-based heartbeat classification and arrhythmia detection // Frontiers in Physics. 2019. V. 7. № JULY. DOI: 10.3389/fphy.2019.00109.
11. Luz E.J., Schwartz W.R., Cámara-Chávez G., Menotti D. ECG-based heartbeat classification for arrhythmia detection: A survey // Computer Methods and Programs in Biomedicine. 2016. V. 127. P. 144–164. DOI: 10.1016/j.cmpb.2015.12.008.
12. Prakash A.J., Ari S. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal // In book: Bioelectronics and Medical Devices. San Francisco: Elsevier. 2019. P. 891–911. DOI: 10.1016/B978-0-08-102420-1.00042-X.
13. Помпрапа А., Ахмед В., Штолленверк А., Ковалевски С., Леонард С. Исследование аритмии на ЭКГ, зарегистрированной бесконтактными емкостными электродами, с использованием сверточных нейронных сетей // Биомедицинская радиоэлектроника. 2018. № 6. С. 45–48.
14. Талеб Е.М., Сушкова Л.Т., Аль-Хайдри В.А., Исаков Р.В. Выявление ишемической болезни сердца по одноканальной электрокардиограмме на основе искусственных нейронных сетей // Биомедицинская радиоэлектроника. 2018. № 9. С. 3–9. DOI: 10.18127/j15604136-201809-01.
15. De Albuquerque V.H.C., Nunes T., Pereira D., Luz E., Menotti D., Papa J., Tavares J. Robust automated cardiac arrhythmia detection in ECG beat signals // Neural Computing and Applications. 2018. V. 29. №. 3. P. 679–693. DOI:10.1007/s00521-016-2472-8.
16. MIT-BIH Arrhythmia Database. [Электронный ресурс]. – Режим доступа: https://physionet.org/content/mitdb/1.0.0/, дата обращения 16.06.2022.
17. AHA Database Sample Excluded Record. [Электронный ресурс]. – Режим доступа: https://physionet.org/content/ahadb/1.0.0/, дата обращения 16.06.2022.
18. Elhaj F.A., Salim N., Ahmed T., Harris A.R., Swee T.T. Hybrid classification of Bayesian and extreme learning machine for heartbeat classification of arrhythmia detection // Materials 6th ICT International Student Project Conference (ICT-ISPC). 2017. P. 1–4.
19. Yildirim Ö., Pławiak P., Tan R.S., Acharya U.R. Arrhythmia Detection Using Deep Convolutional Neural Network With Long Duration ECG Signals // Computers in Biology and Medicine. 2018. V. 102. P. 411–420. DOI: 10.1016/j.compbiomed.2018.09.009.
20. Işın A., Özdalili S. Cardiac arrhythmia detection using deep learning // Procedia computer science. 2017. V. 120. P. 268–275. DOI: 10.1016/j.procs.2017.11.238.