С. Сали1, З.М. Юлдашев2

1,2 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина) (Санкт-Петербург, Россия)

1 salar.sali97@gmail.com, 2 zmyuldashev@etu.ru

Постановка проблемы. Развитие автоматизированных систем анализа электрокардиограмм (ЭКГ) требует надежных методов быстрого выявления клинически значимых аритмий по коротким фрагментам сигнала. Одновременная классификация большого числа классов аритмий является сложной задачей, что обосновывает применение иерархического подхода с последовательным определением основных групп ритмов и последующей специализированной классификацией желудочковых аритмий, включая фибрилляцию желудочков (ФЖ).

Цель. Разработать двухэтапный метод классификации коротких фрагментов ЭКГ для автоматического выявления желудочковых аритмий и ФЖ.

Результаты. Проведено научное обоснование применения иерархического подхода к классификации коротких фрагментов ЭКГ. Разработан и исследован программный конвейер, объединяющий четыре базы данных PhysioNet MIT-BIH, унифицированную предварительную обработку сигналов, сегментацию ЭКГ на перекрывающиеся пятиисекундные фрагменты, иерархическую автоматическую разметку и гибридную одномерную остаточную сверточную нейронную сеть. Показано, что на первом этапе выполняется классификация фрагментов на нормальный ритм (Normal), предсердную аритмию (Atrial Arrhythmia) и желудочковую аритмию (Ventricular Arrhythmia), на втором – различение фрагментов без ФЖ (Non-VF) и ФЖ (Ventricular Fibrillation). Установлено, что точность составила 0,875 для первого этапа, 0,870 – для второго этапа и 0,914 – для всей иерархической системы. Значения ROC AUC соответственно – 0,940, 0,952 и 0,964.

Практическая значимость. Предложенная и описанная в работе двухэтапная система позволяет снизить сложность много- классовой классификации ЭКГ за счет последовательного определения группы ритма и специализированного выявления ФЖ по коротким фрагментам сигнала. Полученные результаты могут быть использованы при разработке автоматизированных средств анализа ЭКГ и систем поддержки принятия решений при выявлении опасных желудочковых аритмий.

Сали С., Юлдашев З.М. Двухэтапная классификация опасных аритмий на коротких интервалах времени // Биомедицинская радиоэлектроника. 2026. Т. 29. № 6. С. 85−91. DOI: https://doi.org/10.18127/j15604136-202606-15

1. Zeppenfeld K., Tfelt-Hansen J., de Riva M. et al. 2022 ESC Guidelines for the management of patients with ventricular arrhythmias and the prevention of sudden cardiac death // European Heart Journal. 2022. V. 43(40). P. 3997–4126. DOI:10.1093/eurheartj/ehac262.
2. Xiao Q., Lee K., Mokhtar S.A., Ismail I., Pauzi A.L.B.M., Zhang Q., Lim P.Y. Deep Learning-Based ECG Arrhythmia Classification: A Systematic Review // Applied Sciences. 2023. V. 13(8). P. 4964. DOI:10.3390/app13084964.
3. Ansari Y.A., Mourad O., Qaraqe K.Q., Serpedin E. Deep learning for ECG Arrhythmia detection and classification: an overview of progress for period 2017–2023 // Frontiers in Physiology. 2023. V. 14. P. 1246746. DOI:10.3389/fphys.2023.1246746.
4. Ribeiro A.H., Ribeiro M.H., Paixão G.M.M. et al. Automatic diagnosis of the 12-lead ECG using a deep neural network // Nature Communications. 2020. V. 11. P. 1760. DOI:10.1038/s41467-020-15432-4.
5. Hannun A.Y., Rajpurkar P., Haghpanahi M. et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network // Nature Medicine. 2019. V. 25. P. 65–69. DOI:10.1038/s41591-018-0268-3.
6. Moody G.B., Mark R.G. MIT-BIH Arrhythmia Database. PhysioNet. Version 1.0.0.
7. Moody G.B., Mark R.G. MIT-BIH Atrial Fibrillation Database. PhysioNet. Version 1.0.0.
8. Greenwald S.D. MIT-BIH Supraventricular Arrhythmia Database. PhysioNet. Version 1.0.0.
9. Albrecht P., Moody G.B., Mark R.G. MIT-BIH Malignant Ventricular Ectopy Database. PhysioNet. Version 1.0.0.
10. Niu J., Tang Y., Sun Z., Zhang W. Inter-Patient ECG Classification With Symbolic Representations and Multi-Perspective Convolutional Neural Networks // IEEE Journal of Biomedical and Health Informatics. 2020. V. 24(5). P. 1321–1332. DOI:10.1109/JBHI.2019.2942938.