АНАЛІЗ ВАРІАБЕЛЬНОСТІ СЕРЦЕВОГО РИТМУ ЗА ДОПОМОГОЮ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ
Ключові слова:
нейрона мережа, машинне навчання, варіабельність серцевого ритму, діагностика серцевих захворювань, RR інтервал
Анотація
У статті проведено стислий огляд та аналіз існуючих алгоритмів і програмних реалізацій діагностичних систем оцінки варіабельності серцевого ритму, що засновані на методах машинного навчання. Наведено переваги використання штучної нейронної мережі для класифікації типів електрокардіографічних сигналів, що забезпечує підвищення ефективності та якості функціональної діагностики серцевої діяльності. З метою виявлення найбільш ефективного варіанта побудови нейромережевих блоків для апаратно-програмного комплексу аналізу варіабельності серцевого ритму запропоновано декілька варіантів реалізації побудови нейронної мережі. Здійснено аналіз методів та алгоритмів морфологічного аналізу електрокардіограми та наведено основні етапи проектування штучної нейронної мережі у якості класифікатору розпізнавання образів - RR-інтервалів.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Clifford G.D., Liu Ch., Moody B., Lehman L.H., Silva I., Li Q. Classification from a Short Single Lead ECG Recording: The PhysioNet – Computing in Cardiology Challenge 2017, “Computing in Cardiology”, pp.1-4, DOI: 10.22489/CinC.2017.065-469.
2. Чернетченко Д.В., Мілих М.М., Луданов К.В. Апаратна реалізація імпульсної імпульсної штучної нейронної мережі для детектування параметрів електрокардіографічного сигналу (ЕКГ). Дніпропетровський національний університет ім. Олеся Гончара, Том 4, 2019 (275). DOI: 10.31891/2307-5732-2019-275-4-126-133
3. Tekeste T., Saleh H., Mohammad B., Khandoker A., Elnaggar M. A nano-watt ecg feature extraction engine in 65nm technology, IEEE Trans. on Circuits and Systems II: Express Briefs PP (99) (2017) 1–1. DOI: 10.1109/TCSII. 2017.2658670.
4. Jain S., Ahirwal M., Kumar A., Bajaj V., Singh G. QRS detection using adaptive filters: A comparative study, ISA Transactions 66 (2017) 362–375. DOI: 10.1016/j.isatra.2016.09.023.
5. Лісун Ю.Б., Углев Є.І. Варіабельність серцевого ритму, використання та методи аналізу. ДНУ «Центр інноваційних медичних технологій НАН України». № 4. 2020. DOI: 10.25284/2519-2078.4(93).2020.220693.
6. Karimipour M., Homaeinezhad R. Real-time electrocardiogram p-qrs-t detection delineation algorithm based on qualitysupported analysis of characteristic templates, Computers in Biology and Medicine 52 (2014) 153–165. DOI: 10.1016/j.compbiomed.2014.07.002.
7. Kovalchuk M., Kharchenko V., Yavorskyi A. ECG signal classification using machine learning techniques. Bulletin of Taras Shevchenko National University of Kyiv. Series Physics & Mathematics 2022, 2 DOI: 10.17721/1812-5409.2022/2.9
8. Wu L., Xie X., Wang Y. (2021): ECG Enhancement and R-Peak Detection Based on Window Variability, “Healthcare” 2021, (Basel), 9 (2), P. 227; DOI: 10.3390/healthcare9020227.
9. Wieclaw L., Khoma Y., Fałat P., Sabodashko D., Herasymenko V. Biometrie identification from raw ECG signal using deep learning techniques. In 2017 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS). Vol. 1. Р. 129–133). DOI: 10.1109/IDAACS.2017.8095063
10. Goldberger A. L., Amaral A. N., Glass L. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research for complex physiologic signals. Circulation. 2000 Vol. 101. P. 215-220.
11. PhysioNet Content Overview URL: https://physionet.org/about/content/
12. Bailey J.A. et.al. Behavioral simulation and synthesis of biological neuron systems using synthesizable VHDL, Neurocomputing, Elsevier B.V., pp. 2392-2406, 2011. DOI: 10.1109/BMAS.2008.4751231.
13. Дудикевич В.Б., Хома В.В., Чекурін В.Ф., Хома Ю.В. Нормалізація сигналів ЕКГ для застосування в системах біометричної ідентифікації Інформатика, обчислювальна техніка та автоматизація. Том 30 (69) Ч. 1 № 4 2019. DOI: 10.32838/2663-5941/2019.4-1/10.
2. Чернетченко Д.В., Мілих М.М., Луданов К.В. Апаратна реалізація імпульсної імпульсної штучної нейронної мережі для детектування параметрів електрокардіографічного сигналу (ЕКГ). Дніпропетровський національний університет ім. Олеся Гончара, Том 4, 2019 (275). DOI: 10.31891/2307-5732-2019-275-4-126-133
3. Tekeste T., Saleh H., Mohammad B., Khandoker A., Elnaggar M. A nano-watt ecg feature extraction engine in 65nm technology, IEEE Trans. on Circuits and Systems II: Express Briefs PP (99) (2017) 1–1. DOI: 10.1109/TCSII. 2017.2658670.
4. Jain S., Ahirwal M., Kumar A., Bajaj V., Singh G. QRS detection using adaptive filters: A comparative study, ISA Transactions 66 (2017) 362–375. DOI: 10.1016/j.isatra.2016.09.023.
5. Лісун Ю.Б., Углев Є.І. Варіабельність серцевого ритму, використання та методи аналізу. ДНУ «Центр інноваційних медичних технологій НАН України». № 4. 2020. DOI: 10.25284/2519-2078.4(93).2020.220693.
6. Karimipour M., Homaeinezhad R. Real-time electrocardiogram p-qrs-t detection delineation algorithm based on qualitysupported analysis of characteristic templates, Computers in Biology and Medicine 52 (2014) 153–165. DOI: 10.1016/j.compbiomed.2014.07.002.
7. Kovalchuk M., Kharchenko V., Yavorskyi A. ECG signal classification using machine learning techniques. Bulletin of Taras Shevchenko National University of Kyiv. Series Physics & Mathematics 2022, 2 DOI: 10.17721/1812-5409.2022/2.9
8. Wu L., Xie X., Wang Y. (2021): ECG Enhancement and R-Peak Detection Based on Window Variability, “Healthcare” 2021, (Basel), 9 (2), P. 227; DOI: 10.3390/healthcare9020227.
9. Wieclaw L., Khoma Y., Fałat P., Sabodashko D., Herasymenko V. Biometrie identification from raw ECG signal using deep learning techniques. In 2017 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS). Vol. 1. Р. 129–133). DOI: 10.1109/IDAACS.2017.8095063
10. Goldberger A. L., Amaral A. N., Glass L. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research for complex physiologic signals. Circulation. 2000 Vol. 101. P. 215-220.
11. PhysioNet Content Overview URL: https://physionet.org/about/content/
12. Bailey J.A. et.al. Behavioral simulation and synthesis of biological neuron systems using synthesizable VHDL, Neurocomputing, Elsevier B.V., pp. 2392-2406, 2011. DOI: 10.1109/BMAS.2008.4751231.
13. Дудикевич В.Б., Хома В.В., Чекурін В.Ф., Хома Ю.В. Нормалізація сигналів ЕКГ для застосування в системах біометричної ідентифікації Інформатика, обчислювальна техніка та автоматизація. Том 30 (69) Ч. 1 № 4 2019. DOI: 10.32838/2663-5941/2019.4-1/10.
Опубліковано
2024-02-09
Як цитувати
Krylova Viktoriia Аналіз варіабельності серцевого ритму за допомогою штучних нейронних мереж / Viktoriia Krylova, Andrey Ivashko, Oleh Petrenko // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2024. – Т. 1 (75). – С. 109-114. – doi:https://doi.org/10.26906/SUNZ.2024.1.109.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
