Формалізація ознак ЕКГ-сигналів для побудови моделей машинного навчання

В. М. Самусь; Є. І. Самусь

doi:10.24144/2616-7700.2025.46(1).262-272

Автор(и)

В. М. Самусь ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0000-0002-1682-689X
Є. І. Самусь ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0009-0003-9601-289X

DOI:

https://doi.org/10.24144/2616-7700.2025.46(1).262-272

Ключові слова:

електрична цифрова кардіограма, ектопічність, статистичні характеристики, машинне навчання, сегментація

Анотація

ЕКГ, або електрокардiограма, — це метод неiнвазивного дослiдження, який дозволяє зафiксувати електричну активнiсть серця за допомогою спецiальних електродiв, розташованих на шкiрi. Цей метод використовується для оцiнки ритму серця, виявлення порушень електричної провiдностi, а також для дiагностики рiзноманiтних серцевих патологiй, таких як iшемiя, iнфаркт мiокарда та аритмiї. Завдяки своїй простотi та доступностi, ЕКГ є одним iз основних iнструментiв у кардiологiї для монiторингу стану пацiєнта як у стацiонарних, так i в амбулаторних умовах.

Пiдготовка сигналу ЕКГ до машинного навчання — це комплекс процесiв, що включає кiлька ключових етапiв для забезпечення високої якостi даних i їх оптимальної придатностi для аналiзу. Спочатку проводиться попередня обробка сигналу, яка полягає у фiльтрацiї для усунення шумiв та артефактiв, наприклад, базового дрейфу чи високочастотних перешкод. Далi виконується нормалiзацiя, яка забезпечує однорiднiсть даних, приводячи амплiтуди сигналу до спiльного масштабу та знижуючи вплив зовнiшнiх факторiв.

Наступним етапом є сегментацiя, коли безперервний сигнал розбивається на окремi фрагменти навколо пiкiв R, що дозволяє видiлити окремi комплекси серцевих скорочень. Пiсля цього проводиться видiлення ознак: з кожного сегмента вилучаються ключовi характеристики, такi як тривалiсть iнтервалiв, амплiтуди окремих хвиль, а також часово-частотнi параметри. Цi ознаки допомагають моделi розрiзняти нормальнi та патологiчнi стани серця. Завершальним кроком є перетворення обробленого сигналу у формат, зручний для подачi в алгоритми машинного навчання. Такий комплексний пiдхiд дозволяє ефективно навчати моделi розпiзнавати закономiрностi в роботi серця, що є основою для дiагностики та прогнозування рiзних кардiологiчних станiв.

Дана стаття присвячена побудовi алгоритмiв для пiдготовки даних цифрової кардiограми до машинного навчання. Розроблений алгоритм дозволяє отримати статистичнi характеристики цифрової кардiограми, що дає можливiсть використати їх в подальшому аналiзi з використанням методiв машинного навчання.

Біографії авторів

В. М. Самусь, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспірант кафедри системного аналізу та теорії оптимізації

Є. І. Самусь, ДВНЗ «Ужгородський нацiональний унiверситет»

Старший викладач кафедри комп'ютерних систем та мереж

Посилання

Zhang, Y., Wei, S., & Wang, H. (2021). Arrhythmia classification of LSTM autoencoder based on time series clustering. Computers in Biology and Medicine, 139, 104944.
Liu, F., & Liu, C. (2024). CLINet: A novel deep learning network for ECG signal classification. Journal of Electrocardiology, 82, 37–44.
Lourenço, A., Silva, H., Leite, P., Lourenço, R., & Fred, A. L. (2012). Real-time electrocardiogram segmentation for finger-based ECG biometrics. In Biosignals, 49–54.
Wang, J., & Zhang, Y. (2024). An Arrhythmia Classification Model Based on a CNN-LSTMSE Network. Sensors, 24(19), 6306.
Chen, T., & Li, X. (2023). A hybrid deep learning network for automatic diagnosis of cardiac arrhythmias. Scientific Reports, 13, 17261.
Alamatsaz, N., & et al. (2022). A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection. arXiv preprint, arXiv:2209.00988.
Kumar, P., & Kumar, R. (2023). Cardiac arrhythmia detection using deep learning approach and Morse wavelet transform. Frontiers in Physiology, 14, 10588016.
McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media.
PhysioNet. Open databases. Retrieved from https://physionet.org/about/database
Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P. C., Mark, R., . . . & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online], 101(23), e215–e220.