Методи моделювання та класифікації електрокардіосигналів

Л.Є. Мосій; А.С. Сверстюк

doi:10.36910/6775-2524-0560-2025-58-12

Л.Є. Мосій https://orcid.org/0009-0000-9778-331X
А.С. Сверстюк https://orcid.org/0000-0001-8644-0776

DOI: https://doi.org/10.36910/6775-2524-0560-2025-58-12

Ключові слова: електрокардіосигнал (ЕКС), модель, метод, аналіз, класифікація, алгоритм, оцінка, нейронна мережа (NN, DNN, ANN, CNN), штучний інтелект (AI), система машинного навчання (MLS), ритм серця

Анотація

У статті проведений ґрунтовний аналіз методів моделювання, опрацювання та класифікації електрокардіосигналів на основі дослідження публікацій у наукометричній базі Web of Science Core Collection за 2014-2024 роки. Проаналізовано 513 наукових праць, що відображають динаміку розвитку підходів до інтерпретації кардіологічних даних. Бібліометричний аналіз виявив зростання публікаційної активності з максимальними показниками у 2019 році (58 публікацій), 2022 році (51 публікація) та 2024 році (54 публікації), що підтверджує актуальність досліджуваної тематики. На основі ключових слів публікацій створено хмару термінів, яка демонструє превалювання таких концептів як електрокардіосигнал, глибинне навчання, класифікація, опрацювання сигналів та варіабельність серцевого ритму. Методологічний аналіз засвідчив еволюцію підходів від традиційних методів цифрової обробки сигналів до впровадження інноваційних технологій штучного інтелекту. Зокрема, досліджено ефективність застосування згорткових нейронних мереж для класифікації електрокардіосигналів, які демонструють точність понад 95% при діагностуванні різних типів аритмій. Географічний розподіл публікацій показав лідерство наукових установ США (19% публікацій), Індії (12%), Німеччини (10%) та Китаю (9%). За тематичним спрямуванням переважають дослідження в галузі інженерії (51% публікацій) та комп'ютерних наук (29%), що підкреслює міждисциплінарність проблематики. Визначено пріоритетні напрями розвитку методів аналізу ЕКС: розробка адаптивних алгоритмів фільтрації завад, вдосконалення методів екстракції діагностично значущих ознак, створення інтелектуальних систем класифікації на основі гібридних архітектур. Особливу увагу приділено синергії методів машинного навчання з класичними підходами до аналізу ЕКС для підвищення достовірності діагностування серцево-судинних патологій

Посилання

1. Sydorenko, O. L., Kovbasa, N. M., & Deus, V. Ye. (2017). Модифіковані фактори ризику ішемічної хвороби серця у світі. In Медсестринство (Issue 1). Ternopil State Medical University.
2. Kapatsila, R.; Sverstiuk, A. Застосування дерев прийняття рішень для прогнозування настання серцевих захворювань. COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, 2023, 53: 317-327.
3. Сверстюк, А. С. Обґрунтування та верифікація математичної моделі синхронно зареєстрованих кардіосигналів з використанням вектора циклічних ритмічно пов’язаних випадкових процесів. Вимірювальна та обчислювальна техніка в технологічних процесах, 2009, 1: 143-147.
4. Лупенко, С., Зозуля, А., Сверстюк, А., & Стадник, Н. (2018). Математичне моделювання та методи опрацювання сигналів серця на базі циклічних випадкових процесів та векторів. Sciences and Education a New Dimension. Natural and Technical Sciences, VI (20), (172), 47-54.
5. Литвиненко, Я. В., Лупенко, С. А., Дем’янчук, Н. Р., & Сверстюк, А. С. (2009). Імітаційне моделювання синхронно зареєстрованих сигналів серця на основі вектора циклічних ритмічно пов’язаних випадкових процесів у задачах кардіодіагностики. Електроніка та системи управління–К.: НАУ, (4), 22.