Применение искусственного интеллекта в анализе данных электрокардиографа сверхвысокого разрешения

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.

Еще

Электрокардиография, электрокардиосигнал, сверхвысокое разрешение, нейронная сеть, слой, модель, ишемическая болезнь сердца, маркер

Короткий адрес: https://sciup.org/142246260

IDR: 142246260   |   УДК: 004.622

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
Еще
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp