Архив номеров
Медицинская Техника / Медицинская техника №3, 2026 / с. 53-55

Методы снижения размерности электрокардиографических данных для мультиклассовой классификации

Д.С. Лысков, О.А. Григорьева, С.И. Нефедов


Аннотация 

В настоящем исследовании проведен анализ методов снижения размерности ЭКГ-сигналов [прореживания, квантизации, метода главных компонент (principal component analysis, PCA)] для задач мультиклассовой классификации. Предложен подход, включающий в себя интегральную оценку эффективности, анализ вклада метапризнаков и их глобального доминирования. Показано, что вклад метапризнаков зависит от объема и информативности сигнала: при увеличении объема данных их влияние на качество классификации возрастает. При этом метапризнаки не обеспечивают универсальной компенсации потерь при агрессивном сжатии и проявляют эффект преимущественно в условиях более информативного сигнального представления. Установлено также, что сигнальные модели в ряде случаев превосходят гибридные по многокритериальной эффективности, что указывает на отсутствие универсального преимущества метаинформации.


Вернуться к содержанию

Сведения об авторах

Дмитрий Сергеевич Лысков, студент, 
Ольга Александровна Григорьева, студент, департамент электронной инженерии, Национальный исследовательский университет «Высшая школа экономики», 
Сергей Игоревич Нефедов, д-р техн. наук, профессор, Московский институт электроники и математики им. А.Н. Тихонова, академический руководитель образовательной программы «Аппаратно-программные комплексы искусственного интеллекта», департамент электронной инженерии, Национальный исследовательский университет «Высшая школа экономики», г. Москва, 

Список литературы

1. Alsayat A.A., Mahmoud A.A., Alanazi S. et al. Enhancing cardiac diagnostics: A deep learning ensemble approach for precise ECG image classification // Journal of Big Data. 2025. Vol. 12. № 1. P. 7. 
2. An Q., Rahman S., Zhou J., Kang J.J. A comprehensive review on machine learning in healthcare industry: Classification, restrictions, opportunities and challenges // Sensors. 2023. Vol. 23. № 9. P. 4178. 
3. Bai X., Dong X., Li Y., Liu R., Zhang H. A hybrid deep learning network for automatic diagnosis of cardiac arrhythmia based on 12-lead ECG // Scientific Reports. 2024. Vol. 14. № 1. P. 24441. 
4. Cai W., Chen Y., Guo J., Han B., Shi Y., Ji L., Wang J., Zhang G., Luo J. Accurate detection of atrial fibrillation from 12-lead ECG using deep neural network // Computers in Biology and Medicine. 2020. Vol. 116. P. 103378. 
5. De Amorim L.B.V., Cavalcanti G.D.C., Cruz R.M.O. The choice of scaling technique matters for classification performance // arXiv. 2022. 
6. Clifford G.D., Liu C., Moody B., Lehman L.W.H., Silva I., Li Q., Johnson A.E.W., Mark R.G. AF classification from a short single lead ECG recording: The PhysioNet/Computing in Cardiology Challenge 2017 // Computing in Cardiology. 2017. Vol. 44. PP. 1-4. 
7. He H., Garcia E.A. Learning from imbalanced data // IEEE Transactions on Knowledge and Data Engineering. 2009. Vol. 21. № 9. PP. 1263-1284. 
8. Goldberger A.L., Amaral L.A.N., Glass L. et al. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals // Circulation. 2000. Vol. 101. № 23. PP. e215-e220. 
9. Wagner P., Strodthoff N., Bousseljot R.D. et al. PTB-XL, a large publicly available electrocardiography dataset // Scientific Data. 2020. Vol. 7. № 1. P. 154. 
10. Strodthoff N., Wagner P., Schaeffter T., Samek W. Deep learning for ECG analysis: Benchmarks and insights from PTB-XL // IEEE Journal of Biomedical and Health Informatics. 2021. Vol. 25. № 5. PP. 1519-1528.