Іванушкіна, Наталія ГеоргіївнаМневець, Антон Володимирович2026-05-042026-05-042026Мневець, А. В. Система виявлення серцевих аритмій методами машинного навчання : дис. ... доктора філософії : 153 – Мікро- та наносистемна техніка / Мневець Антон Володимирович. – Київ, 2026. – 195 с.https://ela.kpi.ua/handle/123456789/80563Мневець А. В. Система виявлення серцевих аритмій методами машинного навчання – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 153 «Мікро- та наносистемна техніка». – Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського», МОН України, Київ, 2026. Дисертаційна робота присвячена розробці та дослідженню методів автоматизованого виявлення серцевих аритмій на основі аналізу електрокардіографічних сигналів з використанням сучасних методів машинного навчання та нейронних мереж. Дослідження спрямоване на вдосконалення методичного та алгоритмічного забезпечення систем комп'ютерної неінвазивної діагностики серцево-судинних захворювань. Основною задачею дисертаційного дослідження є розробка системи виявлення серцевих аритмій на ЕКГ з використанням методів машинного навчання та нейронних мереж, що забезпечує підвищення точності, чутливості та специфічності автоматизованої діагностики та прогнозування порушень ритму серця. Дослідження обумовлене потребою у підвищенні точності діагностики патологій серцево-судинної системи в умовах гетерогенності та нестачі ЕКГ даних і вдосконаленні методів виявлення низькоамплітудних ознак патологій на ЕКГ, зокрема пізніх потенціалів шлуночків та передсердь, які є критично важливими маркерами небезпечних для життя аритмій, але часто залишаються непомітними для стандартних методів аналізу. У першому розділі проаналізовано структуру сучасних ЕКГ електрокардіографів, що пройшли значний шлях розвитку від стаціонарних 12-канальних апаратів до портативних холтер-моніторів та вбудованих систем у смарт-годинниках. Особливу увагу приділено методу, спрямованому на підвищення точності виявлення низькоамплітудних компонентів на ЕКГ, такому як електрокардіографія високого розрізнення. Встановлено, що основним викликом у сучасній кардіодіагностиці аритмій є значна варіабельність клінічних проявів патологій, багато з яких на ранніх стадіях мають низькоамплітудні або слабко виражені ознаки на ЕКГ. Тому розвитку методів та засобів раннього виявлення та лікування серцевих аритмій останнім часом приділяється велика увага. У другому розділі розглянуто прояви патологічної електричної активності серця на ЕКГ під час наявності різних типів аритмій та методи їх діагностування. Проаналізовано комплекс методів аналізу ЕКГ, що включає часові, частотні, нелінійні, векторні, морфологічні та комбіновані підходи. Кожен з цих методів має унікальні діагностичні можливості для виявлення окремих типів порушень серцевого ритму. Встановлено, що існуючі методи аналізу демонструють обмежену ефективність під час багатокласової діагностики, коли необхідно одночасно ідентифікувати кілька типів серцевих захворювань. У третьому розділі виконано розробку методів попередньої обробки ЕКГ сигналів. Запропоновано удосконалений метод усереднення кардіоциклів з розбиттям на епохи та застосуванням лінійного матричного розкладання для придушення нерегулярних включень. Цей підхід продемонстрував вищу чутливість і точність виділення пізніх потенціалів порівняно з класичним усередненням. Розроблено нейромережеві моделі для фільтрації шумових фрагментів, що застосовуються для корекції результатів автоматизованих електрокардіографів та суттєво підвищують точність виявлення QRS комплексів. Розробка спеціалізованого автоенкодера для стиснення ЕКГ сигналів зі збереженням діагностичної інформації, який забезпечує формування стислого латентного вектора навіть у випадку високого ступеня стиснення стала важливим результатом. У четвертому розділі проведено огляд методів автоматизованого аналізу ЕКГ сигналів. Розроблено метод на основі безперервного вейвлетперетворення, який продемонстрував високу ефективність у виявленні низькоамплітудних патологічних складових ЕКГ сигналів. Створено алгоритми, засновані на аналізі форми ЕКГ сигналу, що є корисним інструментом для морфологічного опису сигналу. Для складних задач багатокласової класифікації аритмій та супутніх патологій найбільш перспективними виявилися нейромережеві методи. Розроблена класифікаційна модель сіамської нейронної мережі показала вищу середню точність порівняно зі спеціалізованою архітектурою ECGNet. Ключовою перевагою розробленої моделі є її ефективність в умовах обмежених та незбалансованих наборів даних. Для подальшого підвищення чутливості нейронних мереж до низькоамплітудних сигналів розроблено адаптивну функцію активації з властивістю стискаючого відображення, яка продемонструвала найкращі результати точності та швидкості збіжності навчання. У п'ятому розділі досліджено можливості підвищення ефективності автоматизованого виявлення низькоамплітудних компонентів ЕКГ сигналів. Застосування сіамської нейронної мережі у вузькоспрямованій задачі виявлення пізніх потенціалів шлуночків та передсердь показали, що вони здатні забезпечити високу точність класифікації низькоамплітудних ознак. Застосування спеціалізованих архітектур нейронних мереж та вдосконалення методу вейвлет-перетворення дозволило зменшити вплив високоамплітудних складових сигналу, що маскують цільові ознаки. В результаті розроблене модифіковане вейвлет-перетворення забезпечило точнішу локалізацію низькоамплітудних структур у частотно-часовій області. У шостому розділі описано розроблену структуру, узагальнений алгоритм функціонування та спосіб застосування у клінічних умовах системи автоматизованого аналізу ЕКГ для виявлення різних серцевих патологій, особливо з низькоамплітудними ознаками. Запропонована структура об'єднує попередню фільтрацію та сегментацію сигналів, модифіковане вейвлетперетворення, стиснення векторів ознак за допомогою автоенкодера, сіамську нейронну мережу для порівняльного аналізу та виявлення небезпечних для життя станів серцево-судинної системи. Розроблена система здатна функціонувати як клінічний інструмент підтримки діагностичних рішень, оскільки не лише автоматизує інтерпретацію сигналу, а й виявляє ознаки, які важко помітити використовуючи стандартний аналіз ЕКГ. Наукова новизна отриманих результатів: 1. Розроблено комплекс класифікаційних моделей сіамських нейронних мереж, особливістю яких є використання згорткових шарів для паралельної обробки двох типів фрагментів даних: усередненого кардіоциклу з детальними морфологічними характеристиками та ЕКГ-сигналу, що відображає варіабельність серцевого ритму, а також застосування розроблених еталонних векторів ознак патологій для виявлення аритмій, супутніх патологічних станів серцево-судинної системи та пізніх потенціалів шлуночків і передсердь на ЕКГ в умовах обмеженої кількості тренувальних даних. 2. Розроблено нову адаптивну функцію активації, відмінністю якої є нелінійна залежність з властивістю стискаючого відображення, що на основі зменшення проблеми вибуху та згасання градієнтів під час застосування в послідовних шарах нейронних мереж сприяє розпізнаванню низькоамплітудних складових ЕКГ, а також за допомогою запропонованого методу виявлення «надлишкових» шарів призводить до підвищення швидкості роботи НМ без втрати точності. 3. Розроблено метод зменшення розмірності ознак ЕКГ сигналу на основі нейромережевого автоенкодера з використанням шару уваги, залишкових зв’язків та спільних ваг шарів нейронної мережі, що дає можливість створити скорочений вектор, який характеризується високим ступенем стиснення оригінального сигналу та збереженням діагностично значущих ознак. 4. Вдосконалено метод вейвлет-перетворення для аналізу ЕКГ сигналів за допомогою введення косинусної подібності та запропонованої масштабуючої функції, особливістю якої є посилення низькоамплітудних компонентів, що дозволяє підвищити точність виявлення пізніх потенціалів передсердь та шлуночків. Практичне значення отриманих результатів: 1. На основі запропонованих методів попередньої обробки та удосконаленого методу усереднення кардіоциклів розроблено алгоритмічне забезпечення системи, що дозволяє підвищити точність автоматизованого виявлення низькоамплітудних ознак патологій на ЕКГ, зокрема пізніх потенціалів шлуночків та передсердь (на 10-30% в результаті оцінювання показників подібності з еталонними пізніми потенціалами з амплітудою 5 мкВ). 2. Розроблено алгоритмічне забезпечення для системи виявлення аритмій на основі кластерного аналізу ЕКГ параметрів без вчителя, що дозволяє виявляти приховані групи ризику розвитку серцевої недостатності у пацієнтів та небезпечні для життя стани функціонування серця. 3. Розроблено підхід до використання згорткових нейронних мереж для виявлення помилково детектованих або зашумлених кардіоциклів, що дає можливість видаляти спотворені фрагменти ЕКГ сигналу та підвищувати точність виявлення пізніх потенціалів шлуночків і передсердь на 19% на основі аналізу показника подібності динамічної трансформації часової шкали в порівнянні з використанням класичного ЕКГ детектора. 4. Запропоновано алгоритми виділення діагностично значущих ознак із використанням послідовності методів попередньої обробки ЕКГ сигналів, які ґрунтуються на аналізі коливальних процесів кардіоциклів за допомогою вейвлет-перетворення, що дозволяє забезпечити виявлення тахіаритмій і патологічних форм QRS-комплексів. 5. Розроблено структуру, алгоритм функціонування та спосіб застосування в клінічних умовах системи виявлення серцевих аритмій на ЕКГ, особливістю якої є використання розроблених методів машинного навчання, попередньої обробки сигналів та моделей нейронних мереж, що дає можливість ранньої діагностики аритмій та супутніх патологій.195 с.ukмікроелектронні системимашинне навчаннячастотна характеристикаглибоке навчаннякласифікаціяпізні потенціалиелектрокардіограмаадаптивні методимоданейронні мережіаналіз ЕКГаналіз медичних данихmicroelectronic systemsmachine learningfrequency responsedeep learningclassificationlate potentialselectrocardiogramadaptive techniquesmodeneural networksECG analysismedical data analysisThesis Doctoral004.8:616.12-073.7