Класифікація серцевих ритмів на основі аудіосигналів методами глибокого навчання

Автор(и)

DOI:

https://doi.org/10.15330/itee.2026.4.07

Ключові слова:

обробка аудіосигналів, класифікація звуків серця, випадковий ліс, градієнтний бустинг, згорткові нейронні мережі, глибоке навчання, машинне навчання

Анотація

Серцево-судинні захворювання посідають перші місця серед причин смерті в розвинених країнах світу, що робить розробку ефективних методів діагностики критично важливою задачею для охорони здоров'я. Розробка методів діагностики та оцінки ризиків на основі даних про серцеві ритми займає важливе місце в міждисциплінарних роботах, створених на стику математики, аналізу даних та медицини. Результати таких досліджень знаходять широке застосування у розробці застосунків для мобільних смартфонів і різних портативних пристроїв, де все більше уваги приділяється проблемам самодіагностики та раннього виявлення серцевих захворювань.

У даній роботі досліджується класифікація аудіосигналів серцевих тонів, зібраних за допомогою стетоскопа, для автоматичної діагностики захворювань, викликаних неправильною роботою серця. Для дослідження використано набір даних Classifying Heart Sounds, що містить 813 аудіофрагментів тривалістю від 1 до 30 секунд, розподілених за чотирма категоріями: нормальні серцеві тони, шуми (murmur), екстрасистоли та артефакти. Методи, розглянуті в роботі, дозволяють використовувати їх для запису серцебиття за допомогою мобільного пристрою та подальшого аналізу з використанням спеціалізованих застосунків.

Попередня обробка даних включала нормалізацію тривалості записів та розширення набору даних шляхом генерації синтетичних прикладів з коефіцієнтами розтягування 1,2 та 0,8. Для отримання ознак використовувалися мел-частотні кепстральні коефіцієнти (MFCC) з 20 компонентами. Порівнювалися різні підходи до класифікації: алгоритми Random Forest та градієнтного бустингу XGBoost показали точність 89% та 85% відповідно, виявивши труднощі у розрізненні класів екстрасистоли та артефактів.

Основна увага приділена розробці гібридної архітектури глибокої нейронної мережі CNN-LSTM, яка поєднує згорткові шари для виділення просторових ознак із рекурентними LSTM-шарами для аналізу темпоральних залежностей. Модель складається з трьох блоків згорткових шарів Conv1D (1024, 512, 256 фільтрів), шарів MaxPooling та BatchNormalization, за якими слідує LSTM-шар з 128 одиницями та повнозв'язні Dense-шари з регуляризацією Dropout. Робота виконана мовою Python з використанням бібліотек TensorFlow, Librosa, Pandas та SciPy. Результати показують, що запропонована архітектура досягає точності класифікації 95% на тестовому наборі даних, значно перевершуючи традиційні методи, особливо у виявленні складних класів екстрасистоли (F1-score 0,86) та артефактів (F1-score 1,0).

Посилання

W. Chen, Q. Sun, X. Chen, G. Xie, and H. Wu, “Deep learning methods for heart sounds classification: A systematic review,” Entropy, vol. 23, no. 6, Art. no. 667, May 2021. doi: https://doi.org/10.3390/e23060667 .

W. Zhang, J. Han, and S. Deng, “Heart sound classification based on scaled spectrogram and tensor de-composition,” Expert Syst. Appl., vol. 84, pp. 220–231, Oct. 2017. doi: https://doi.org/10.1016/j.eswa.2017.05.014 .

J. Chen, X. Dang, and M. Li, “Heart sound classification method based on ensemble learning,” in Proc. 2022 16th IEEE Int. Conf. Signal Process. (ICSP), Beijing, China, 2022, pp. 8–13. doi: https://doi.org/10.1109/ICSP54964.2022.9778383 .

T. Tuncer, S. Dogan, R.-S. Tan, and U. R. Acharya, “Application of Petersen graph pattern technique for automated detection of heart valve diseases with PCG signals,” Inf. Sci., vol. 565, pp. 91–104, Jul. 2021. doi: https://doi.org/10.1016/j.ins.2021.01.088 .

P. Aparna, G. Jayalaxmi, and P. Vishwanath, “Heart sound classification system using deep-learning neural networks,” in Proc. 4th Int. Conf. Frontiers Comput. Syst. (COMSYS 2023), Singapore: Springer, 2024, pp. 647–658. doi: https://doi.org/10.1007/978-981-97-2614-1_46 .

Yaseen, G.-Y. Son, and S. Kwon, “Classification of heart sound signal using multiple features,” Appl. Sci., vol. 8, no. 12, Art. no. 2344, Nov. 2018. doi: https://doi.org/10.3390/app8122344 .

J. Huang, B. Chen, B. Yao, and W. He, “ECG arrhythmia classification using STFT-based spectrogram and convolutional neural network,” IEEE Access, vol. 7, pp. 92871–92880, 2019. doi: https://doi.org/10.1109/ACCESS.2019.2928017 .

D. Kozłowski, “Method in the chaos – a step-by-step approach to ECG interpretation,” Eur. J. Transl. Clin. Med., vol. 1, no. 1, pp. 74–90, 2018. doi: https://doi.org/10.31373/ejtcm/92255 .

T. S. M. Tsang, W. P. Abhayaratna, M. E. Barnes, et al., “Prediction of cardiovascular outcomes with left atrial size: Is volume superior to area or diameter?,” J. Am. Coll. Cardiol., vol. 47, no. 5, pp. 1018–1023, Mar. 2006. doi: https://doi.org/10.1016/j.jacc.2005.08.077 .

A. Y. Hannun, P. Rajpurkar, M. Haghpanahi, et al., “Cardiologist-level arrhythmia detection and classi-fication in ambulatory electrocardiograms using a deep neural network,” Nat. Med., vol. 25, no. 1, pp. 65–69, Jan. 2019. doi: https://doi.org/10.1038/s41591-018-0268-3

##submission.downloads##

Опубліковано

2026-06-30

Як цитувати

Петриняк, Юрій, і Ігор Пірко. «Класифікація серцевих ритмів на основі аудіосигналів методами глибокого навчання». Інформаційні технології та інженерна електроніка, вип. 4, Червень 2026, с. 58-64, doi:10.15330/itee.2026.4.07.