Медицинская Техника / Медицинская техника №4, 2024 / с. 44-46

Обнаружение опасных для жизни аритмий методами искусственного интеллекта

А.П. Немирко, Л.А. Манило, Е.А. Семенова, Е.Г. Евдакова

Аннотация

Предложен новый метод обнаружения опасных для жизни сердечных аритмий по электрокардиограмме с применением алгоритмов искусственного интеллекта. Определены перечень и структура опасных аритмий, собран соответствующий банк данных и проведены исследования эффективности предложенных алгоритмов. Полученные результаты показали высокую эффективность предложенного подхода по сравнению с опубликованными ранее. Результаты могут быть полезны при создании эффективного алгоритмического обеспечения оперативного анализа электрокардиограмм для кардиомониторных систем.

Вернуться к содержанию

Сведения об авторах

Анатолий Павлович Немирко, д-р техн. наук, профессор,

Людмила Алексеевна Манило, д-р техн. наук, профессор,

Евгения Анатольевна Семенова, канд. техн. наук, доцент, кафедра биотехнических систем,

Екатерина Геннадьевна Евдакова, аспирант, ФГАОУ ВО «Санкт-Петербургский государственный электротехнический университет им. В.И. Ульянова (Ленина)», г. С.-Петербург,

e-mail: apn-bs@yandex.ru

Список литературы

1. MIT-BIH Malignant Ventricular Ectopy Database / https:// www.physionet.org/content/vfdb/1.0.0/ (дата обращения: 01.02.2021).

2. Manilo L.A., Nemirko A.P. Recognition of biomedical signals based on their spectral description data analysis // Pattern Recognit. Image Anal. 2016. Vol. 26. PP. 782-788.

3. Manilo L.A., Nemirko A.P., Evdakova E.G. Recognition of dangerous rhythm disturbances by short fragments of the electrocardiosignal // Biotekhnosfera. 2021. № 1 (66). PP. 42-47.

4. Haberl R., Jilge G., Pulter R., Steinbeck G. Spectral mapping of the electrocardiogram with Fourier transform for identification of patients with sustained ventricular tachycardia and coronary artery disease // Eur. Heart J. 1989. № 10 (4). PP. 316-322.

5. Tuncer T., Dogan S., Plawiak P., Acharya U.R. Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet transform with ECG signals // Knowledge- Based Systems. 2019. Vol. 186. P. 104923.

6. Li C., Zheng C., Tai C. Detection of ECG characteristic points using wavelet transforms // IEEE Transactions on Biomedical Engineering. 1995. Vol. 42 (1). PP. 21-28.

7. Olanrewaju R.F., Ibrahim S.N., Asnawi A.L., Altaf H. Classification of ECG signals for detection of arrhythmia and congestive heart failure based on continuous wavelet transform and deep neural networks // Indonesian Journal Electrical Engineering and Computer Science. 2021. Vol. 22 (3). PP. 1520-1528.

8. Oznur Ozaltin, Ozgur Yeniay A novel proposed CNN-SVM architecture for ECG scalograms classification // Data Analytics and Machine Learning. 2023. Vol. 27 (8). PP. 4639-4658.

9. Acharya U.R., Fujita H., Oh S.L., Hagiwara Y., Tan J.H., Adam M., Tan R.S. Deep convolutional neural network for the automated diagnosis of congestive heart failure using ECG signals // Applied Intelligence. 2019. Vol. 49 (1). PP. 16-27.

10. Byeon Y.H., Pan S.B., Kwak K.C. Intelligent Deep Models Based on Scalograms of Electrocardiogram Signals for Biometrics // Sensors. 2019. Vol. 19 (4). P. 935.

11. Gupta V., Mittal M. QRS complex detection using STFT, chaos analysis, and PCA in standard and real-time ECG databases // Journal of the Institution of Engineers (India): Series B. 2019. Vol. 100 (5). PP. 489-497.

12. Rajendra Acharya U., Hamido Fujita, Shu Lih Oh, Raghavendra U., Jen Hong Tan, Muhammad Adam, Arkadiusz Gertych, Yuki Hagiwara Automated identification of shockable and non- shockable life-threatening ventricular arrhythmias using convolutional neural network // Future Generation Computer Systems. 2018. Vol. 79 (3). PP. 952-959.

13. Wang T., Lu C., Sun Y., Yang M., Liu C., Ou C. Automatic ECG Classification Using Continuous Wavelet Transform and Convolutional Neural Network // Entropy (Basel). 2021. Vol. 23 (1). P. 119.

14. Nemirko A.P., Popadina A.O. Recognition of life-threatening arrhythmias by the spectral characteristics of a short electrocardiogram recording // Biotechnosfera. 2022. Vol. 67 (1). PP. 3-8.

15. Lown B., Wolf M. Approaches to Sudden Death from Coronary Heart Disease // Circulation. 1971. Vol. 44 (1). РP. 130-142.

16. Bigger J. Identification of patients at high risk for sudden cardiac death // Am. J. Cardiol. 1984. Vol. 54 (9). РP. 3D-8D.

17. Chawla N.V., Bowyer K.W., Hall L.O., Kegelmeyer W.P. SMOTE: Synthetic Minority Over-sampling Technique // Journal of Artificial Intelligence Research. 2002. Vol. 16 (1). PP. 321-357.

18. Polikar R. The wavelet tutorial. – Rowan University, 2001. 67 p.

19. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2012. Vol. 60 (6). PP. 84-90.

20. Nemirko A.P., Ba Mahel A.S., Manilo L.A. Recognition of life- threatening arrhythmias by ECG scalograms // Computer Optics. 2024. Vol. 48 (1). PP. 149-156.