The paper considers the problem of detecting ECG anomalies using recurrent neural networks that can effectively process temporal dependencies of signals, as well as identify complex patterns and anomalies that may not be obvious when using traditional analysis methods. The stages of ECG data preprocessing from the ECG5000 dataset are described, including interpolation, augmentation and normalization of ECG in order to improve the characteristics of the input data for model training. The architecture of a neural network for solving the presented problem is presented, the process of its training and quality assessment is described. The obtained experimental results show high classification accuracy and the possibility of successfully identifying various types of anomalies. The prospects of using deep learning in the field of cardiology are substantiated, which can serve as a basis for further research.
Рассматривается задача обнаружения аномалий ЭКГ при помощи рекуррентных нейронных сетей, способных эффективно обрабатывать временные зависимости сигналов, а также выявлять сложные паттерны и аномалии, которые могут быть неочевидны при использовании традиционных методов анализа. Описываются этапы предобработки данных ЭКГ из датасета ECG5000, включая интерполяцию, аугментацию и нормализацию ЭКГ с целью улучшения характеристик входных данных для обучения модели. Представлена архитектура нейронной сети для решения поставленной задачи, изложен процесс ее обучения и оценки качества. Полученные результаты экспериментов показывают высокую точность классификации и возможность успешного выявления различных типов аномалий. Обоснована перспективность применения глубокого обучения в области кардиологии, что может послужить основой для проведения дальнейших исследований.