Математичне моделювання амплітудної варіабельності електрокардіосигналів для інформаційної технології аналізу їх морфологічних та ритмічних ознак

А. С.  Сверстюк; Л. Є. Мосій

doi:10.36910/6775-2524-0560-2025-59-29

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

DOI: https://doi.org/10.36910/6775-2524-0560-2025-59-29

Ключові слова: технологія, алгоритм, кардіодіагностика, зубці ЕКС, штучний інтелект, класифікація, штучний інтелект, система машинного навчання, ритм серця

Анотація

У статті представлено математичне моделювання амплітудної варіабельності електрокардіосигналів (ЕКС) як важливого компонента інформаційної технології аналізу морфологічних та ритмічних ознак кардіосигналів. Розроблено математичну модель функції амплітудної варіабельності V_k(m), що дозволяє кількісно оцінювати зміни амплітуд характеристичних зубців ЕКС (P, Q, R, S, T) між послідовними кардіоциклами. Запропоновано комплексний метод обробки амплітудної варіабельності, що включає розрахунок середнього значення, стандартного відхилення, коефіцієнта варіації, розмаху значень та індексу нестабільності амплітуд. Проведено порівняльний аналіз показників амплітудної варіабельності у здорових пацієнтів та пацієнтів з екстрасистолією, який виявив суттєві відмінності в розмаху амплітудної варіабельності (в середньому від 12 до 40 разів вище при патології). Підтверджено нормальність розподілу показників функції амплітудної варіабельності, що забезпечує надійність параметричних методів аналізу в рамках інформаційної технології. Запропоновано архітектуру інформаційної технології з модулем розрахунку показників амплітудної варіабельності, що дозволяє виявляти приховані патерни та аномалії, а також створює передумови для розробки предиктивних алгоритмів діагностики серцево-судинних патологій на основі динаміки амплітудної варіабельності ЕКС

Посилання

1. Miller, A. C., Obermeyer, Z., & Mullainathan, S. (2018). Measuring the Stability of EHR- and EKG-based Predictive Models (Version 1). arXiv.
2. Shang, H., Wei, S., Liu, F., Wei, D., Chen, L., & Liu, C. (2019). An Improved Sliding Window Area Method for T Wave Detection. Computational and Mathematical Methods in Medicine, 2019, 1–11.
3. Rubart, M. (2005). Mechanisms of sudden cardiac death. Journal of Clinical Investigation, 115(9), 2305–2315.
4. Myers, P. D., Scirica, B. M., & Stultz, C. M. (2017). Machine Learning Improves Risk Stratification After Acute Coronary Syndrome. Scientific Reports, 7(1).
5. Rueda, C., Larriba, Y., & Lamela, A. (2021). The hidden waves in the ECG uncovered revealing a sound automated interpretation method. Scientific Reports, 11(1).