Методи машинного навчання для визначення біологічного віку серця на основі ЕКГ
Вантажиться...
Дата
2025
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Актуальність теми. Серцево-судинні захворювання (ССЗ) продовжують займати перше місце серед причин смертності у глобальному масштабі, що зумовлює гостру потребу в удосконаленні методів ранньої діагностики. Традиційні маркери ризику, такі як хронологічний вік, часто не відображають реального фізіологічного зносу серцево-судинної системи, оскільки процеси старіння є індивідуальними та гетерогенними. У цьому контексті концепція «біологічного віку серця» (Heart Age) набуває критичного значення як інтегральний показник здоров'я. Існуючі діагностичні методи є або інвазивними, або дороговартісними, або залежать від суб'єктивної оцінки лікаря. Стрімкий розвиток методів штучного інтелекту, зокрема глибокого навчання (Deep Learning), відкриває унікальні можливості для автоматизованого аналізу електрокардіограм (ЕКГ), дозволяючи виявляти приховані нелінійні патерни старіння, недоступні для візуальної інтерпретації.
Мета роботи полягає у підвищенні ефективності та точності оцінювання біологічного віку людини шляхом розробки інтелектуальної програмної системи, що базується на передових архітектурах та підходах машинного навчання та глибоких нейронних мереж.
Завдання дослідження:
• Провести системний аналіз існуючих методів визначення біологічного віку та дослідити репрезентативні набори біомедичних даних (зокрема, базу Jena University Hospital).
• Розробити та програмно реалізувати алгоритми попередньої обробки сигналів ЕКГ, включаючи цифрову фільтрацію шумів, адаптивну сегментацію, нормалізацію та аугментацію даних для покращення навчання моделей.
• Дослідити та порівняти ефективність різних підходів машинного навчання: класичних моделей на основі інженерії ознак (Logistic Regression, Random Forest) та нейромережевих архітектур (Autoencoder, RNN, CNN) в умовах дисбалансу класів.
• Розробити та оптимізувати удосконалену архітектуру глибокої нейронної мережі (Advanced CNN), що поєднує залишкові з'єднання (ResNet) та механізм уваги (Attention), для досягнення високої точності класифікації.
• Створити повнофункціональний клієнт-серверний програмний прототип системи для демонстрації практичного застосування розробленої моделі в клінічних умовах.
Об’єкт дослідження: методи, моделі та алгоритми глибокого навчання, зокрема згорткові нейронні мережі (CNN), рекурентні мережі (RNN) та механізми уваги, що застосовуються для класифікації біологічного віку за даними багатоканальної ЕКГ.
Предмет дослідження: класифікація біологічного віку серця на основі моделей Logistic Regression, Random Forest, Autoencoder, RNN та CNN із використанням даних електрокардіографії.
Методи дослідження. У роботі використано методи цифрової обробки сигналів (смугова фільтрація Баттерворта, метод Велча) для очищення та частотного аналізу даних; методи статистичного аналізу для дослідження розподілу ознак; методи машинного навчання та глибокого навчання (градієнтний спуск, зворотне поширення помилки) для тренування прогностичних моделей; методи програмної інженерії та веб-розробки (React, Node.js) для створення архітектури додатку.
Наукова новизна одержаних результатів. Вперше обґрунтовано та експериментально підтверджено ефективність застосування архітектури Advanced CNN, посиленої механізмом уваги (Attention) та залишковими зв'язками (ResNet), для вирішення задачі 15-класової класифікації біологічного віку на вкрай незбалансованому наборі даних. Доведено, що запропонований end-to-end підхід дозволяє досягти точності класифікації у 87%, перевершуючи існуючі аналоги, що базуються на ручному розрахунку варіабельності серцевого ритму.
Практичне значення отриманих результатів. Розроблено, протестовано та впроваджено у вигляді веб-додатку інтелектуальну систему «BioAge-ECG AI». Система забезпечує автоматизований аналіз ЕКГ, визначаючи біологічний вік серця з наданням оцінки впевненості прогнозу. Створений продукт може бути використаний як ефективний інструмент підтримки прийняття рішень у кардіологічній практиці, превентивній медицині та системах телемоніторингу пацієнтів.
Апробація результатів роботи. Основні теоретичні положення та практичні результати дисертаційної роботи доповідались та обговорювались на Всеукраїнській Інтернет-конференції молодих учених і студентів «Інформаційні технології в освіті, техніці та промисловості» (ІТОТП-2025).
Структура та обсяг магістерської дисертації. Робота складається зі вступу, п'яти розділів, висновків, списку використаних джерел та додатків. Повний обсяг роботи становить 114 сторінок.
Публікації. За темою дисертації опубліковано 1 наукову працю.
Розроблений програмний комплекс, зокрема клієнт-серверний застосунок, демонструє готовий до впровадження прототип системи підтримки прийняття клінічних рішень. Він може бути використаний лікарями для швидкого скринінгу пацієнтів та ідентифікації осіб з прискореним біологічним старінням серця, що потребують поглибленої діагностики. Розроблено на Python (pytorch, scikit-learn) для backend та Next.js (React, TypeScript) для frontend.
Опис
Ключові слова
електрокардіограма, біологічний вік, штучний інтелект, глибоке навчання, згорткові нейронні мережі, resnet, attention, класифікація, дисбаланс даних, web-застосунок
Бібліографічний опис
Антонкін, Д. О. Методи машинного навчання для визначення біологічного віку серця на основі ЕКГ : магістерська дис. : 122 Комп’ютерні науки / Антонкін Дмитро Олександрович. – Київ, 2025. – 114 с.