Применение искусственного интеллекта в анализе данных электрокардиографа сверхвысокого разрешения
Автор: Е.А. Денисова, А.А. Кордюкова, Д.О. Шевяков
Журнал: Научное приборостроение @nauchnoe-priborostroenie
Рубрика: Приборостроение для биологии и медицины
Статья в выпуске: 4, 2025 года.
Бесплатный доступ
Целью данного исследования является демонстрация возможности классификации данных измерений малогабаритного блока для снятия, регистрации и записи электрокардиосигналов (ЭКС) по методу электрокардиографии сверхвысокого разрешения (ЭКГ СВР), разработка которого ведется в лаборатории 235 Института аналитического приборостроения Российской академии наук (ИАП РАН). Для классификации результатов электрокардиографических измерений использовалась 4-слойная сверточная нейронная сеть (НС), обученная и протестированная на базе данных, состоящей из 90 записей ЭКС СВР, полученных в ходе экспериментов по моделированию острой ишемии миокарда на подопытных крысах. Каждый опыт включал в себя три этапа эксперимента — "стабилизация", "ишемия" и "реперфузия", характеризующихся разной морфологией и спектральными характеристиками регистрируемых сигналов. Была поставлена задача автоматически оценить вероятность принадлежности каждого кардиоцикла одной записи ЭКС СВР к одному из 4 классов, соответствующих трем основным этапам экспериментов, а также переходному этапу между стадиями стабилизации и ишемии. Для оценки качества классификации была построена кривая обучения модели, а также временнáя зависимость оценки вероятности принадлежности каждого кардиоцикла одной записи ЭКС СВР к одному из 4 классов.
Электрокардиография, электрокардиосигнал, сверхвысокое разрешение, нейронная сеть, слой, модель, ишемическая болезнь сердца, маркер
Короткий адрес: https://sciup.org/142246260
IDR: 142246260 | УДК: 004.622
The use of artificial intelligence in the analysis of ultra-high resolution electrocardiograph data
The purpose of this study is to demonstrate the possibility of classifying measurement data of a small-sized block for logging, registration and recording electrocardiosignals (ECS) using the ultra-high resolution electrocardiography (UHR ECG) method, which is being developed in Laboratory 235 of the Institute for Analytical Instrumentation of the Russian Academy of Sciences (IAI RAS). To classify the results of electrocardiographic measurements, a 4-layer convolutional neural network (NN) was used, trained and tested on a database consisting of 90 records of UHR ECS obtained during experiments modeling acute myocardial ischemia in experimental rats. Each experiment included three stages — "stabilization", "ischemia" and "reperfusion", characterized by different morphology and spectral characteristics of the recorded signals. The task was to automatically estimate the probability of each cardiac cycle belonging to one of the 4 classes corresponding to the three main stages of the experiments, as well as the transitional stage between the stages of "stabilization" and "ischemia". To assess the quality of the classification, a learning curve of the modeland a time dependence of the probability assessment of each cardiac cycle belonging to one of the 4 classes of an UHR ECS recordwere plotted.
Список литературы Применение искусственного интеллекта в анализе данных электрокардиографа сверхвысокого разрешения
- 1. Nowbar A.N., Gitto M., Howard J.P., Francis D.P., Al-Lamee R. Mortality from schemicheart disease: Analysis of data from the World Health Organization and coronary artery disease risk factors from NCD risk factor collaboration // Circulation: Cardiovascular Quality and Outcomes. 2019. Vol. 12, no. 6. P. 1–11. DOI:10.1161/CIRCOUTCOMES.118.005375
- 2. Martinek R., Ladrova M., Sidikova M., Jaros R., Behbehani K., Kahankova R., Kawala-Sterniuk A. Advancedbioelectrical signal processing methods: past, present and future approach — Part I: cardiac signals // Sensors. 2021. Vol. 21, no. 15. Id. 5186. P. 1–32.
- DOI:10.3390/s21155186
- 3. Гуляев Ю.В., Зайченко К.В. Электрокардиография сверхвысокого разрешения. Задачи. Проблемы. Перспективы // Биомедицинская радиоэлектроника. 2013. № 9. С. 5–15. URL: https://elibrary.ru/item.asp?id=20250761
- 4. Кордюкова А.А. Раннее детектирование острой ишемии миокарда у подопытных крыс с помощью электрокардиографии сверхвысокого разрешения // Сб. научных статей по материалам XIV Международного симпозиума "Электроника в медицине. Мониторинг, диагностика, терапия (ЭМ–25)" (Санкт-Петербург, 17 апреля 2025 г.). 2025. С. 59–64.
- 5. Зайченко К.В., Кордюкова А.А., Логачев Е.П., Лучкова М.Н. Медицинские аспекты применения радиолокационных методов обработки сигналов при реализации электрокардиографии сверхвысокого разрешения // Медицинская техника. 2021. Вып. 55, № 1. С. 21–24. URL: http://www.mtjournal.ru/upload/iblock/937/93783e121ea4c0ced5a521a18099f073.pdf
- 6. Кордюкова А.А., Денисова Е.А. Применение алгоритма предварительной обработки для анализа электрокардиосигналов сверхвысокого разрешения // Сб. научных статей по материалам XXVII Международной научно-технической конференции "Медико-экологические информационные технологии – 2024" (Курск, 16–17 мая 2024 г.). Курск: ЮЗГУ, 2024. URL: https://elibrary.ru/item.asp?id=80573333&pff=1
- 7. Галагудза М.М., Зайченко К.В., Кордюкова А.А., Сонин Д.Л. Исследование острой ишемии миокарда у подопытных животных c помощью инструментальной электрофизиологии сверхвысокого разрешения // Сб. научных статей по материалам XXVI Международной научно-технической конференции "Медикоэкологические информационные технологии – 2023" (Курск, 18–19 мая 2023 г.). Курск: ЮЗГУ, 2023. С. 103–107. URL: https://elibrary.ru/pikaqq
- 8. Сиващенко П.П., Волкова Я.Я., Коваленко Е.И. Анализ ЭКГ методами нейронных сетей // Cб. статей Международной научно-практической конференции. "Приоритетные направления научных исследований. Анализ, управление, перспективы" (Саратов, 19 февраля 2020 г.). Уфа: OMEGA SCIENCE, 2020. С. 196–198. URL: https://os-russia.com/SBORNIKI/KON-288.pdf
- 9. Киреева К.А., Коробова Л.А., Арапов Д.В. Разработка искусственной нейронной сети для классификации ЭКГ // Моделирование систем и процессов. 2023. Т. 16, № 3. С. 42–54. URL: https://naukaru.ru/ru/nauka/article/70882/view
- 10. Садриев Р.Р. Использование нейронных сетей для распознавания заболеваний сердца по результатам ЭКГ // Материалы XIV научной конференции "Традиции и инновации" (Санкт-Петербург, 20–23ноября 2023 г.). СПб: Изд-во Санкт-Петербургского гос. технологического ин-та (технического университета), 2023. С. 281. URL: https://elibrary.ru/item.asp?id=69191026
- 11. Jurak P., Halamek J., Leinveber P. et al. Ultra-highfrequency ECG measurement // Proc. Computing in Cardiology Conference (CinC 2013) (Zaragoza, Spain, 22–25 September 2013). IEEE, 2013. Vol. 40. P. 783–786. URL: https://www.researchgate.net/publication/261055062_Ultra-high-frequency_ECG_measurement
- 12. Russakovsky O., Deng J., Su H. et al. ImageNet large scale visual recognition challenge // Int. J. Comput. Vis. 2015. Vol. 115. P. 211–252. DOI: 10.1007/s11263-015-0816-y
- 13. Gulshan V., Peng L., Coram M. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // J. Am. Med. Assoc. 2016. Vol. 316, no. 22. P. 2402–2410. DOI: 10.1001/jama.2016.17216
- 14. Ritter F.E., Schooler L.J. The Learning Curve // International Encyclopedia of the Social & Behavioral Sciences / eds. W. Kintch, N. Smelser, P. Baltes. New York, Elsevier, 2001. P. 8602–8605. URL: http://act-.psy.cmu.edu/wordpress/wpcontent/uploads/2012/12/408learningcurve.pdf
