Registration Number
0826U001865, PhD dissertation
Status
Доктор філософії
Date
07-07-2026
popup.evolution
o
Title
Models and Methods for Intelligent Analysis of Morphological and Rhythmic Features of Electrocardiographic Signals
Author
Liubomyr Mosii,
popup.head Mykhailo Fryz
popup.head Andrii Sverstiuk
popup.opponent Roman Yuzefovych
popup.opponent Pavlo Radiuk
popup.review Oleh Pastukh
popup.review Mykola Khvostivskyi
popup.rada
Ternopil Ivan Puluj National Technical University
Description
У дисертації розроблено моделі та методи інтелектуального аналізу морфологічних і ритмічних ознак електрокардіосигналів на основі теорії циклічних випадкових процесів. Актуальність роботи зумовлена недостатнім урахуванням циклічної природи електрокардіосигналів у існуючих підходах, відсутністю комплексного аналізу морфологічних і ритмічних ознак, а також обмеженими можливостями для аналізу амплітудної варіабельності в задачах автоматизованої кардіодіагностики.
У першому розділі проведено детальний аналіз літературних джерел із тематики дослідження. Проаналізовано клінічне значення електрокардіосигналів та їх роль у неінвазивній медичній діагностиці. Розглянуто традиційні підходи до опрацювання електрокардіосигналів – фільтрацію, детекцію R-зубців, вимірювання інтервалів – а також сучасні підходи із застосуванням методів машинного навчання. Виконано порівняльний аналіз існуючих математичних моделей електрокардіосигналів, визначено їх обмеження та недоліки, що дало змогу сформулювати мету і завдання дисертаційного дослідження.
У другому розділі на основі теорії циклічних випадкових процесів розроблено математичну модель електрокардіосигналу із сегментною зонною структурою, яка враховує як морфологічні, так і ритмічні характеристики сигналу через функцію ритму T(t,n). Запропоновано математичну модель функції амплітудної варіабельності зубців електрокардіосигналу (P, Q, R, S, T) як різниці амплітудних значень однойменних зубців у послідовних кардіоциклах, а також математичну модель функції часової варіабельності, що описує часові інтервали між однойменними зубцями у послідовних кардіоциклах. Охарактеризовано метод оцінювання функції ритму та методи статистичного опрацювання циклічного випадкового процесу з урахуванням функції ритму, зокрема оцінювання математичного сподівання та дисперсії в межах циклу.
У третьому розділі розроблено структурну схему інформаційної технології інтелектуального аналізу морфологічних і ритмічних ознак електрокардіосигналів. Здійснено спектральний аналіз математичного сподівання та дисперсії електрокардіосигналів у межах одного циклу методом розкладу в ряд Фур’є, що дало змогу виявити характерні спектральні діагностичні патерни для різних типів кардіологічних патологій. Проведено статистичну валідацію математичних моделей функцій амплітудної та часової варіабельності на даних 204 записів електрокардіосигналів з бази PhysioNet, що охоплюють ішемію міокарда, надшлуночкову аритмію, шлуночкову тахікардію та нормальний ритм. Перевірено стаціонарність функцій варіабельності за критеріями Колмогорова-Смірнова та Дікі-Фуллера, а також відповідність нормальному розподілу за тестом Андерсона-Дарлінга, критеріями Ліллієфорса та Шапіро-Уілка.
У четвертому розділі обґрунтовано методи прийняття діагностичних рішень на основі ідентифікованих морфологічних і ритмічних ознак електрокардіосигналу із застосуванням сучасних алгоритмів машинного навчання. Досліджено ефективність чотирьох алгоритмів виявлення аномалій – OneClassSVM з RBF-ядром, Isolation Forest, локального фактора викиду (LOF) та еліптичної оболонки (Elliptic Envelope) – для класифікації електрокардіосигналів пацієнтів із фібриляцією та тріпотінням передсердь. Встановлено, що попередня обробка методом StandardScaler із подальшим зниженням розмірності за допомогою PCA дозволяє підвищити точність класифікації морфологічних ознак з 52-83 % до 98-100 %, при цьому метод LOF забезпечив найвищу точність для фібриляції передсердь. Для розширення діагностичних можливостей проведено класифікацію чотирьох типів серцево-судинних захворювань на основі десяти статистичних дескрипторів функції амплітудної варіабельності з використанням платформи AutoML PyCaret. За результатами порівняльного аналізу десяти алгоритмів найкращий результат продемонстрував Random Forest Classifier (Accuracy = 0,9187, AUC = 0,9433, F1 = 0,9186). Для інтерпретації класифікаційних рішень застосовано SHAP-аналіз, який встановив на глобальному та локальному рівнях, що асиметрія та ексцес функції амплітудної варіабельності є ключовими діагностичними ознаками морфологічних захворювань міокарда.
Registration Date
2026-05-22
popup.nrat_date
2026-06-08 / 2026-08-05
