Методи багаторівневого аналізу електрокардіографічних сигналів із застосуванням вейвлет-перетворень

В.І. Голота; В.О. Поліняєв; В.В. Мартинюк

doi:10.15330/itee.2024.1.04

Автор(и)

В.І. Голота Прикарпатський національний університет імені Василя Стефаника https://orcid.org/0000-0003-4605-7507
В.О. Поліняєв Прикарпатський національний університет імені Василя Стефаника https://orcid.org/0009-0001-7413-0751
В.В. Мартинюк Прикарпатський національний університет імені Василя Стефаника https://orcid.org/0009-0001-4310-6302

DOI:

https://doi.org/10.15330/itee.2024.1.04

Ключові слова:

електрокардіограма, ЕКГ, методи цифрової обробки сигналів, згорткові нейронні мережі, машинне навчання, глибинні нейронні моделі

Анотація

У статті представлено аналіз та розробку програмного комплексу для цифрової обробки та автоматизованої класифікації сигналів електрокардіограм (ЕКГ) із застосуванням методів штучного інтелекту. Показано створення спектрограм ЕКГ за допомогою вейвлет-перетворення та застосування триканальної згорткової нейронної мережі для точного розпізнавання патологій. Описано архітектуру системи, інтерфейс користувача та робочий процес. Оцінка продуктивності та порівняльний аналіз технічних рішень підтверджують надійність, ефективність та практичну придатність розробленої системи для клінічного використання.

Посилання

Mnevets, A.V., & Ivanushkina, N.G., “Neural Networks Detection of Low-Amplitude Components on ECG Using Modified Wavelet Transform,” Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia, no. 97, pp. 46–57, 2024. doi: https://doi.org/10.20535/RADAP.2024.97.46-57

Software for Statistical Processing and Modeling of a Set of Synchronously Registered Cardio Signals of Different Physical Nature / S. Lupenko et al. Computer Modeling and Intelligent Systems. 2021. Vol. 2864. P. 194–205. doi: https://doi.org/10.32782/cmis/2864-17.

Dzundza, B.S., Kohut, I.T., Holota, V.I., Fedoriuk, V.V., & Nykyruy, L.I., “Principles of Construction of Hybrid Microsystems for Biomedical Applications,” Physics and Chemistry of Solid State, vol. 23, no. 4, pp. 776–784, 2022. doi: https://doi.org/10.15330/pcss.23.4.776-784.

Electrocardiogram Classification Using Wavelet Transformations / I. Krak et al. 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 25–29 February 2020. 2020. doi: https://doi.org/10.1109/tcset49122.2020.235573.

Lee J.-A., Kwak K.-C. Heart Sound Classification Using Wavelet Analysis Approaches and Ensemble of Deep Learning Models. Applied Sciences. 2023. Vol. 13, no. 21. P. 11942. doi: https://doi.org/10.3390/app132111942.

Modeling of integrated signal converters for biomedical sensor microsystems / I. T. Kogut et al. Physics and Chemistry of Solid State. 2023. Vol. 24, no. 3. P. 515–519. doi: https://doi.org/10.15330/pcss.24.3.515-519.

Electrocardiographic signal analysis using wavelet transforms / G. S. Kumari et al. 2015 International Conference on Electrical, Electronics, Signals, Communication and Optimization (EESCO), Visakhapatnam, 24–25 January 2015. 2015. doi: https://doi.org/10.1109/eesco.2015.7253688.

Cyber-physical System for Monitoring and Analyzing Human Biomedical Data / I. Kogut et al. Advances in Cyber-Physical Systems. 2024. Vol. 9, no. 1. P. 32–38. doi: https://doi.org/10.23939/acps2024.01.032.

Darsana P., Kumar V. N. Extracting Fetal ECG Signals through a Hybrid Technique Utilizing Two Wavelet-Based Denoising Algorithms. IEEE Access. 2023. P. 1. doi: https://doi.org/10.1109/access.2023.3308409.

Mostovoy Y. M., Danilevych T. D. Predictors of heart rhythm disorders in the patients with severe COVID-infection. Reports of Vinnytsia National Medical University. 2020. Vol. 24, no. 4. P. 640–646. URL: https://doi.org/10.31393/reports-vnmedical-2020-24(4)-14.