Сверточная нейронная сеть для обнаружения нарушений сердечного ритма
https://doi.org/10.25881/18110193_2025_4_44
Аннотация
Целью исследования является разработка и оценка архитектуры нейронной сети для автоматизированного анализа электрокардиографических (ЭКГ) сигналов, позволяющей выявлять нарушения сердечного ритма.
Материалы и методы. Для обучения использованы открытые базы данных ЭКГ (34570 записей). Работа проводилась на основе данных шести стандартных отведений (I, II, III, aVR, aVL, aVF). Предобработка сигналов включала удаление полиномиального тренда, вейвлет-фильтрацию, медианную фильтрацию, сглаживание и нормализацию. Для классификации использовалась сверточная нейронная сеть, которая обрабатывает сигналы каждого из шести отведений по отдельности. Итоговое решение формируется методом взвешенного голосования с эмпирически определенными коэффициентами, отражающими вклад каждого канала на основе предварительного анализа метрик. В качестве референсного теста использовалась клиническая аннотация, выполненная врачами-кардиологами.
Результаты. Предложенная модель демонстрирует высокие показатели качества классификации: accuracy – 0,97 (95% ДИ 0,96-0,98), precision – 0,98 (95% ДИ 0,97-0,99), recall – 0,98 (95% ДИ 0,97-0,99), specificity – 0,94 (95% ДИ 0,92-0,96), F1-score – 0,98 (95% ДИ 0,97-0,99), ROC-AUC – 0,99 (95% ДИ 0,98-1,00), PR-AUC – 0,96 (95% ДИ 0,94-0,97).
Заключение. Полученные результаты подтверждают эффективность предложенного метода в задачах диагностики сердечно-сосудистых заболеваний. Предложенная методика может быть адаптирована для диагностики более широкого спектра сердечных заболеваний, что делает ее актуальной для внедрения в практическую кардиологию.
Об авторах
О. А. Новикова
Первый Московский государственный медицинский университет имени И.М. Сеченова
Россия
Россия
к.т.н.
г. Москва
А. Е. Ермолов
МИРЭА – Российский технологический университет
Россия
Россия
г. Москва
Список литературы
1. Zhang C, Li J, Guo P, et al. A configurable hardware-efficient ECG classification inference engine based on CNN for mobile healthcare applications. Microelectronics Journal. 2023; 141: 105969. doi: 10.1016/j.mejo.2023.105969.
2. Шутов Д.В., Дроздов Д.В., Газашвили Т.М. и др. Методические и нормативные аспекты создания набора данных ЭКГ для тестирования автоматизированных алгоритмов и систем искусственного интеллекта // Врач и информационные технологии. – 2021. – №4. – С. 4-15. doi: 1025881/18110193_2021_4_4.
3. Zhang Y, Liu S, He Z, et al. A CNN Model for Cardiac Arrhythmias Classification Based on Individual ECG Signals. Cardiovasc Eng Technol. 2022; 13(4): 548-447. doi: 10.1007/s13239-021-00599-8.
4. Cheng J, Zou Q, Zhao Y. ECG signal classification based on deep CNN and BiLSTM. BMC Med Inform Decis Mak. 2021; 21: 365. doi: 10.1186/s12911-021-01736-y.
5. Maweu BM, Dakshit S, Shamsuddin R, et al. CEFEs: A CNN Explainable Framework for ECG Signals. Artif Intell Med. 2021; 115: 102059. doi: 10.1016/j.artmed.2021.102059.
6. Андриков Д.А., Курбанов С.В. Алгоритмическое обеспечение спектральной обработки кардиограмм // Вестник Российского университета дружбы народов. Серия: Инженерные исследования. – 2024. – Т.25. – №2. – C. 111-120. doi: 10.22363/2312-8143-2024-25-2-111-120.
7. Павлов А.Н., Руннова А.Е., Храмов А.Е. Частотно-временной анализ нестационарных процессов: концепции вейвлетов и эмпирических мод // Известия вузов. ПНД. – 2011. – Т.19. – №2. – С.141-157. doi: 10.18500/0869-6632-2011-19-2-141-157.
8. Kaggle. Shaoxing and Ningbo Hospital ECG Database. Available at: https://www.kaggle.com/datasets/bjoernjostein/shaoxing-and-ningbo-first-hospital-database. Accessed January 2, 2025.
9. Kaggle. PTB-XL ECG dataset. Available at: https://www.kaggle.com/datasets/khyeh0719/ptb-xl-dataset.Accessed January 2, 2025.
10. Kaggle. Georgia 12-Lead ECG Challenge Database. Available at: https://www.kaggle.com/datasets/bjoernjostein/georgia-12lead-ecg-challenge-database. Accessed January 2, 2025.
11. Kaggle. China Physiological Signal Challenge in 2018. Available at: https://www.kaggle.com/datasets/bjoernjostein/china-physiological-signal-challenge-in-2018. Accessed January 2, 2025.
12. Kaggle. China 12-Lead ECG Challenge Database. Available at: https://www.kaggle.com/datasets/bjoernjostein/china-12lead-ecg-challenge-database. Accessed January 2, 2025.
13. Safdar M, Nowak R, Palka P. Pre-Processing techniques and artificial intelligence algorithms for electrocardiogram (ECG) signals analysis: A comprehensive review. Computers in Biology and Medicine. 2024; 170: 107908. doi: 10.1016/j.compbiomed.2023.107908.
14. Lin M., Hong Y., Hong S., et al. Discrete Wavelet Transform based ECG classification using gcForest: A deep ensemble method. Technol Health Care. 2024; 32(S1): 95-105. doi: 10.3233/thc-248008.
15. Pal A, Rai H, Agarwal S, et al. Advanced Noise-Resistant Electrocardiography Classification Using Hybrid Wavelet-Median Denoising and a Convolutional Neural Network. Sensors. 2024; 24(21): 7033. doi: 10.3390/s24217033.
16. Mokhtari R, Belhaouari S, Kassoul K, et al. ECG Heartbeat classification using Progressive Moving Average Transform. Research Square. 2024; 10: 21203. doi: 10.1038/s41598-025-88119-9.
17. Yousuf A, Hafiz R, Riaz S, et al. Inferior Myocardial Infarction Detection from lead II of ECG: A Gramian Angular Field-based 2D-CNN Approach. Electrical Engineering and Systems Science. 2024; 2302: 13011. doi: 10.1109/lsens.2024.3450176.
18. Narotamo H, Dias M, Santos R, et al. Deep learning for ECG classification: A comparative study of 1D and 2D representations and multimodal fusion approaches. Biomedical Signal Processing and Control. 2024; 93: 106141. doi: 10.2139/ssrn.4555989.
19. Guo K, Wang S, Ma L, et al. ECG signals’ detection using a Dropout Deep Convolutional Neural Network. Reasearch Square. 2022; 10: 21203. doi: 10.21203/rs.3.rs-1591115/v1.
20. Liu C, Wan Z, Ouyang C, et al. Zero-Shot ECG Classification with Multimodal Learning and Test-time Clinical Knowledge Enhancement. Electrical Engineering and Systems Science. 2024; 2403: 06659. doi: 10.48550/arXiv.2403.06659.
21. Ebrahimi Z, Loni M, Daneshtalab M, et al. A review on deep learning methods for ECG arrhythmia classification. Expert Systems with Applications: X. 2020; 7: 100033. doi: 10.1016/j.eswax.2020.100033.
22. Xie C, Wang Z, Yang C, et al. Machine Learning for Detecting Atrial Fibrillation from ECGs: Systematic Review and Meta-Analysis. Rev Cardiovasc Med. 2024; 25(1): 8. doi: 10.31083/j.rcm2501008.
23. Fiorina L, Chemaly P, Cellier J, et al. Artificial intelligence–based electrocardiogram analysis improves atrial arrhythmia detection from a smartwatch electrocardiogram. Eur Heart J Digit Health. 2024; 5(5): 535-541. doi: 10.1093/ehjdh/ztae047.
24. Hygrell T, Viberg F, Dahlberg E, et al. An artificial intelligence–based model for prediction of atrial fibrillation from single-lead sinus rhythm electrocardiograms facilitating screening. EP Europace. 25(4): 1332-1338. doi: 10.1093/europace/euad036.
25. Barker J, Li X, Kotb A, et al. Artificial intelligence for ventricular arrhythmia capability using ambulatory electrocardiograms. European Heart Journal – Digital Health. 5(3): 384-388. doi: 10.1093/ehjdh/ztae004.
26. Gruwez H, Barthels M, Haemers P, et al. Detecting Paroxysmal Atrial Fibrillation From an Electrocardiogram in Sinus Rhythm: External Validation of the AI Approach. JACC: Clinical Electrophysiology. 9(8): 1771-1782. doi: 10.1016/j.jacep.2023.04.008.
27. Gadaleta M, Harrington, Barnhill E, et al. Prediction of atrial fibrillation from at-home single-lead ECG signals without arrhythmias. npj Digit. Med. 6: 229. doi: 10.1038/s41746-023-00966-w.
Рецензия
Для цитирования:
Новикова О.А., Ермолов А.Е. Сверточная нейронная сеть для обнаружения нарушений сердечного ритма. Врач и информационные технологии. 2025;(4):44-55. https://doi.org/10.25881/18110193_2025_4_44
For citation:
Novikova O.A., Ermolov A.E. Convolutional neural network for detecting cardiac arrhythmias. Medical Doctor and Information Technologies. 2025;(4):44-55. (In Russ.) https://doi.org/10.25881/18110193_2025_4_44
Просмотров:
42
Послать статью по эл. почте 