Recognition of cardiac signals using neural networks

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Acesso é pago ou somente para assinantes

Resumo

The article considers the use of neural networks for recognizing cardiac signals obtained from a phonendoscope. Information is provided on the main stages of implementing the neural network training procedures and making decisions during subsequent classification. The results of processing cardiac signals using statistical analysis and machine learning methods are presented.

Texto integral

Acesso é fechado

Sobre autores

S. Dvornikov

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Autor responsável pela correspondência
Email: ikirshina@mail.ru

к.т.н., доцент кафедры конструирования и технологий электронных и лазерных средств

Rússia

S. Dvornikov

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Email: ikirshina@mail.ru

д.т.н., профессор кафедры конструирования и технологий электронных и лазерных средств

Rússia

I. Kirshina

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Email: ikirshina@mail.ru

к.э.н., доцент кафедры конструирования и технологий электронных и лазерных средств

O. Lifanova

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Email: ikirshina@mail.ru

магистр кафедры медицинской радиоэлектроники

Rússia

O. Tikhonenkova

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Email: ikirshina@mail.ru

к.т.н., заведующий кафедрой медицинской радиоэлектроники

Rússia

Bibliografia

  1. Шарибоев Н., Джураев Ш., Жабборов А. Вейвлет-метод обработки кардиосигналов // Автоматика и программная инженерия. 2020. № 1(31). С. 37–41.
  2. Витязева Т.А. Реализация оптимальной многоскоростной обработки кардиосигнала на процессоре 1967ВН028 АО «ПКК «Миландр» в целях анализа вариабельности сердечного ритма // Биомедицинская радиоэлектроника. 2021. Т. 24, № 4. С. 83–88. – https://doi.org/10.18127/j15604136-202104-11
  3. Дворников С. В., Якушенко С. А., Лифанова О. Н. Кратномасштабная обработка кардиосигналов // Информация и космос. 2024. № 2. С. 85–92.
  4. Коннова Н. С., Басараб М. А., Басараб Д. А. и др. Подготовка и применение данных электросейсмокардиографии для диагностики состояния сердечно-сосудистой системы человека // Нейрокомпьютеры: разработка, применение. 2019. № 1. С. 52–67.
  5. Бобоходжаев Р. Р., Мартышкин А. И. Обзор и анализ актуальных аспектов использования кардиографов в медицине // Современные информационные технологии. 2024. № 39(39). С. 144–147.
  6. Андреев В. Г., Нгуен Т. Ф. Обработка кардиосигналов на фоне комбинированных помех // Вестник Рязанского государственного радиотехнического университета. 2014. № 48. С. 60–64.
  7. Дворников С. В., Дворников С. С. Эмпирический подход к оценке помехоустойчивости сигналов фазовой модуляции // Информатика и автоматизация. 2020. Т. 19. № 6. С. 1280–1306. – https://doi.org/10.15622/ia.2020.19.6.6
  8. Сикарев И. А., Иванюк В. Ю., Сахаров В. В. Цифровизация и идентификация ЭКГ-сигналов с применением вейвлет-технологий // Проблемы информационной безопасности. Компьютерные системы. 2022. №2. С. 82–97. – https://doi.org/10.48612/jisp/b4dd-gma4-epzv.
  9. Ластовецкий А. Г., Минина Е. Н. Метрологическая оценка фазового усредненного кардиоцикла в решении задач восстановительной и спортивной медицины // Вопросы курортологии, физиотерапии и лечебной физической культуры. 2020. Т. 97. № 3. С. 14–23. – https://doi.org/10.17116/kurort20209703114.
  10. Грузевич Ю. К., Ачильдиев В. М., Евсеева Ю. Н., Бедро Н. А. Исследование пиков кардиосигналов различной природы // Биомедицинская радиоэлектроника. 2021. Т. 24, № 6. С. 5–16.
  11. Непомнящий О. В., Хантимиров А. Г., Альсагир М. М. И., Шабир С. Использование сверточной нейронной сети при анализе электрокардиограмм // Нейрокомпьютеры: разработка, применение. 2023. Т. 25. № 2. С. 58–65. – https://doi.org/10.18127/j19998554-202302-05.
  12. Мясникова Н. В., Матвеева О. С. Обработка кардиосигнала с использованием нейросетевых технологий // Инжиниринг и технологии. 2020. Т. 5. № 1. С. 12–16. – https://doi.org/10.21685/ 2587-7704-2020-5-1-3.
  13. Yeh Y.-C., Wang W.-J. QRS complexes detection for ECG signal: The Difference Operation Method (DOM) // Computer methods and programs in biomedicine. 2008. V. 91. PP. 245–254.
  14. Ince T., Kiranyaz S., Gabbouj M. A generic and robust system for automated patient-specific classification of ECG signals // IEEE Trans. Biomed. Eng. 2009. V. 56. PP. 1415–1426.
  15. de Chazal P., O’Dwyer M., Reilly R. B. Automatic classification of heartbeats using ECG morphology and heartbeat interval features // IEEE Trans. Biomed. Eng. 2004. V. 51. PP. 1196–1206.
  16. Дворников С. В., Манаенко С. С., Дворников С. С. Параметрическая мимикрия сигналов, модулированных колебаниями и сформированных в различных функциональных базисах // Информационные технологии. 2015. Т. 21. № 4. С. 259–263.
  17. Вентцель Е.С. Теория вероятностей: Учеб. для вузов / 6-е изд. стер. М.: Высш. шк., 1999. 576 с.
  18. Inan O. T., Giovangrandi L., Kovacs G. T. A. Robust neural-network-based classification of premature ventricular contractions using wavelet transform and timing interval features // IEEE Trans. Biomed. Eng. 2006. V. 53. PP. 2507–2515.
  19. Ince T., Kiranyaz S., Gabbouj M. A generic and robust system for automated patient-specific classification of ECG signals // IEEE Trans. Biomed. Eng. 2009. V. 56. PP. 1415–1426.
  20. Jiang W., Kong S. G. Block-based neural networks for personalized ECG signal classification // IEEE Trans. Neural Netw. 2007. V. 18. No. 6. PP. 1750–1761.
  21. Anthony M., Bartlett P. L. Neural network learning: theoretical foundations. Cambridge University Press, Cambridge, 1999.
  22. Berner J., Grohs P., Kutyniok G., Petersen P. The modern mathematics of deep learning. – arXiv preprint arXiv:2105.04026, 2021.
  23. Васильева Д. В., Дворников С. С., Толстуха Ю. Е. и др. Формирование векторов признаков для систем видеонаблюдения // Вопросы радиоэлектроники. Серия: Техника телевидения. 2023. № 4. С. 62–68.
  24. Васильева Д. В., Дворников С. В., Якушенко С. А., Дворников С. С. Автоматизация процедур обнаружения лесных пожаров по результатам обработки видео // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2023. № 4. С. 47–58. – https://doi.org/10.61260/2218-130X-2024-2023-4-47-58.
  25. Васильева Д. В., Якушенко С. А., Дворников С. С. и др. Обнаружение морских дронов в оптическом диапазоне // Морской вестник. 2023. № 4(88). С. 90–92.
  26. Дворников С. В., Дворников С. С., Коноплев М. А. Алгоритм распознавания сигналов радиосвязи на основе симметрических матриц // Информационные технологии. 2010. № 9. С. 75–77.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Fig. 1. Cardiac signals obtained using a phonendoscope

Baixar (99KB)
Metadados
3. Fig. 2. Cardiac signals s1(t) and s2(t) on an enlarged scale

Baixar (180KB)
Metadados
4. Fig. 3. Cardiac signals s1(t) and s3(t) on the same scale

Baixar (237KB)
Metadados
5. Fig. 4. The principle of constructing a single-layer neural network

Baixar (163KB)
Metadados
6. Fig. 5. The structure of a single-layer neural network

Baixar (60KB)
Metadados
7. Fig. 6. Fragment of the weight matrix for the first 50 values

Baixar (106KB)
Metadados

Declaração de direitos autorais © Dvornikov S., Dvornikov S., Kirshina I., Lifanova O., Tikhonenkova O., 2025