Методи машинного навчання для визначення біологічного віку серця на основі ЕКГ

Скорочена інформація про документ
dc.contributor.advisorСліпченко, Володимир Георгійович
dc.contributor.authorАнтонкін, Дмитро Олександрович
dc.date.accessioned2026-02-02T12:57:43Z
dc.date.available2026-02-02T12:57:43Z
dc.date.issued2025
dc.description.abstractАктуальність 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.
dc.description.abstractotherRelevance of the topic. Cardiovascular diseases (CVD) remain the leading cause of death globally, necessitating urgent improvements in early diagnostic methods. Traditional risk markers, such as chronological age, often fail to reflect the true physiological wear and tear of the cardiovascular system, as aging processes are highly individual and heterogeneous. In this context, the concept of "heart biological age" becomes critical as an integral health indicator. Existing diagnostic methods are often invasive, expensive, or reliant on subjective physician assessment. The rapid advancement of artificial intelligence, particularly Deep Learning, opens unique opportunities for automated electrocardiogram (ECG) analysis, enabling the detection of hidden non-linear aging patterns unavailable for visual interpretation. The purpose of the work is to enhance the efficiency and accuracy of human biological age estimation by developing an intelligent software system based on advanced deep convolutional neural network architectures. Research tasks: • Conduct a systematic analysis of existing biological age determination methods and investigate representative biomedical datasets (specifically, the Jena University Hospital database). • Develop and implement algorithms for ECG signal preprocessing, including digital noise filtering, adaptive segmentation, normalization, and data augmentation to improve model training. • Investigate and compare the efficiency of various machine learning approaches: classical feature engineering-based models (Logistic Regression, Random Forest) and neural network architectures (Autoencoder, RNN, CNN) under class imbalance conditions. • Develop and optimize an advanced deep neural network architecture (Advanced CNN) combining residual connections (ResNet) and an attention mechanism (Attention) to achieve high classification accuracy. • Create a fully functional client-server software prototype to demonstrate the practical application of the developed model in clinical settings. Object of research: the process of automated processing and intelligent analysis of electrocardiographic signals for solving diagnostic tasks. Subject of research: deep learning methods, models, and algorithms, specifically convolutional neural networks (CNN), recurrent neural networks (RNN), and attention mechanisms applied to biological age classification based on multi-channel ECG data. Research methods. The work employs digital signal processing methods (Butterworth bandpass filtering, Welch's method) for data cleaning and frequency analysis; statistical analysis methods for investigating feature distribution; machine learning and deep learning methods (gradient descent, backpropagation) for training predictive models; and software engineering and web development methods (React, Node.js) for creating the application architecture. Scientific novelty. For the first time, the effectiveness of applying an Advanced CNN architecture reinforced with an Attention mechanism and residual connections (ResNet) to solve the 15-class biological age classification problem on a highly imbalanced dataset has been substantiated and experimentally confirmed. It is proven that the proposed end-to-end approach achieves a classification accuracy of 87%, surpassing existing analogues based on manual heart rate variability calculation. Practical value of the results obtained. The "BioAge-ECG AI" intelligent system was developed, tested, and implemented as a web application. The system provides automated ECG analysis, determining the heart's biological age with a confidence score. The created product can be used as an effective decision support tool in cardiological practice, preventive medicine, and patient telemonitoring systems. Approbation of results. The main theoretical provisions and practical results of the thesis were reported and discussed at the All-Ukrainian Internet Conference of Young Scientists and Students "Information Technologies in Education, Technology, and Industry" (ITOTP-2025). Structure and volume of the thesis. The work consists of an introduction, five chapters, conclusions, a list of references, and appendices. The full volume of the work is 114 pages. Publications. 1 scientific papers have been published on the topic of the thesis.
dc.format.extent114 с.
dc.identifier.citationАнтонкін, 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.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78589
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectелектрокардіограма
dc.subjectбіологічний вік
dc.subjectштучний інтелект
dc.subjectглибоке навчання
dc.subjectзгорткові нейронні мережі
dc.subjectresnet
dc.subjectattention
dc.subjectкласифікація
dc.subjectдисбаланс даних
dc.subjectweb-застосунок
dc.titleМетоди машинного навчання для визначення біологічного віку серця на основі ЕКГ
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Antonkin_magistr.pdf
Розмір:
8.95 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ЦТЕ)
Магістерські роботи