Search academic texts

Information × Registration Number 0826U000618, PhD dissertation Status Доктор філософії Date popup.evolution o Title Cardiac arrhythmia detection system using machine learning methods Author Anton V. Mnevets, popup.head Nataliia H. Ivanushkina popup.opponent Valery N. Oliynik popup.opponent Vadim G. Tulchinsky popup.review Pavlo V. Popovych popup.review Anton O. Popov Description Актуальність створення системи виявлення аритмій серця на основі методів машинного навчання визначається необхідністю вирішення проблеми підвищення точності ранньої діагностики та прогнозування порушень серцевого ритму, які мають високу частоту появи і можуть викликати тяжкі ускладнення, а також недосконалістю технічного та інформаційно-алгоритмічного забезпечення кардіологічних систем для діагностики серцевих аритмій. Метою дослідження є розробка системи виявлення серцевих аритмій на ЕКГ з використанням методів машинного навчання, в основу якої покладено створення моделей нейронних мереж, вдосконалення методів попередньої обробки сигналів, виділення ознак патологій, зменшення розмірності даних, що забезпечує підвищення точності, чутливості й специфічності, а також пришвидшення автоматизованої діагностики серцевих аритмій в умовах клінічного застосування з обмеженою кількістю ЕКГ сигналів. Об’єкт дослідження: Сигнали електричної активності серця. Предмет дослідження: Методи обробки та класифікації електрокардіографічних сигналів в нормі та з наявними патологіями серцевих аритмій. Наукова новизна отриманих результатів: 1. Розроблено комплекс класифікаційних моделей сіамських нейронних мереж, особливістю яких є використання згорткових шарів для паралельної обробки двох типів фрагментів даних: усередненого кардіоциклу з детальними морфологічними характеристиками та ЕКГ-сигналу, що відображає варіабельність серцевого ритму, а також застосування розроблених еталонних векторів ознак патологій для виявлення аритмій, супутніх патологічних станів серцево-судинної системи та пізніх потенціалів шлуночків і передсердь на ЕКГ в умовах обмеженої кількості тренувальних даних. 2. Розроблено нову адаптивну функцію активації, відмінністю якої є нелінійна залежність з властивістю стискаючого відображення, що на основі зменшення проблеми вибуху та згасання градієнтів під час застосування в послідовних шарах нейронних мереж сприяє розпізнаванню низькоамплітудних складових ЕКГ, а також за допомогою запропонованого методу виявлення «надлишкових» шарів призводить до підвищення швидкості роботи НМ без втрати точності. 3. Розроблено метод зменшення розмірності ознак ЕКГ сигналу на основі нейромережевого автоенкодера з використанням шару уваги, залишкових зв’язків та спільних ваг шарів нейронної мережі, що дає можливість створити скорочений вектор, який характеризується високим ступенем стиснення оригінального сигналу та збереженням діагностично значущих ознак. 4. Вдосконалено метод вейвлет-перетворення для аналізу ЕКГ сигналів за допомогою введення косинусної подібності та запропонованої масштабуючої функції, особливістю якої є посилення низькоамплітудних компонентів, що дозволяє підвищити точність виявлення пізніх потенціалів передсердь та шлуночків. Практичне значення отриманих результатів: 1. На основі запропонованих методів попередньої обробки та удосконаленого методу усереднення кардіоциклів розроблено алгоритмічне забезпечення системи, що дозволяє підвищити точність автоматизованого виявлення низькоамплітудних ознак патологій на ЕКГ, зокрема пізніх потенціалів шлуночків та передсердь (на 10-30% в результаті оцінювання показників подібності з еталонними пізніми потенціалами з амплітудою 5 мкВ). 2. Розроблено алгоритмічне забезпечення для системи виявлення аритмій на основі кластерного аналізу ЕКГ параметрів без вчителя, що дозволяє виявляти приховані групи ризику розвитку серцевої недостатності у пацієнтів та небезпечні для життя стани функціонування серця. 3. Розроблено підхід до використання згорткових нейронних мереж для виявлення помилково детектованих або зашумлених кардіоциклів, що дає можливість видаляти спотворені фрагменти ЕКГ сигналу та підвищувати точність виявлення пізніх потенціалів шлуночків і передсердь на 19% на основі аналізу показника подібності динамічної трансформації часової шкали в порівнянні з використанням класичного ЕКГ детектора. 4. Запропоновано алгоритми виділення діагностично значущих ознак із використанням послідовності методів попередньої обробки ЕКГ сигналів, які ґрунтуються на аналізі коливальних процесів кардіоциклів за допомогою вейвлет-перетворення, що дозволяє забезпечити виявлення тахіаритмій і патологічних форм QRS-комплексів. 5. Розроблено структуру, алгоритм функціонування та спосіб застосування в клінічних умовах системи виявлення серцевих аритмій на ЕКГ, особливістю якої є використання розроблених методів машинного навчання, попередньої обробки сигналів та моделей нейронних мереж, що дає можливість ранньої діагностики аритмій та супутніх патологій. Ключові слова: мікроелектронні системи, машинне навчання, частотна характеристика, глибоке навчання, класифікація, пізні потенціали, електрокардіограма, адаптивні методи, мода, нейронні мережі, аналіз ЕКГ, аналіз медичних даних. Registration Date 2026-03-23 popup.nrat_date 2026-03-23 Close