Recognition of cardiac signals using neural networks

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription or Fee Access

Abstract

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.

Full Text

Restricted Access

About the authors

S. Dvornikov

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Author for correspondence.
Email: ikirshina@mail.ru

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

Russian Federation

S. Dvornikov

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Email: ikirshina@mail.ru

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

Russian Federation

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

Russian Federation

O. Tikhonenkova

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Email: ikirshina@mail.ru

к.т.н., заведующий кафедрой медицинской радиоэлектроники

Russian Federation

References

  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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Cardiac signals obtained using a phonendoscope

Download (99KB)
Indexing metadata
3. Fig. 2. Cardiac signals s1(t) and s2(t) on an enlarged scale

Download (180KB)
Indexing metadata
4. Fig. 3. Cardiac signals s1(t) and s3(t) on the same scale

Download (237KB)
Indexing metadata
5. Fig. 4. The principle of constructing a single-layer neural network

Download (163KB)
Indexing metadata
6. Fig. 5. The structure of a single-layer neural network

Download (60KB)
Indexing metadata
7. Fig. 6. Fragment of the weight matrix for the first 50 values

Download (106KB)
Indexing metadata

Copyright (c) 2025 Dvornikov S., Dvornikov S., Kirshina I., Lifanova O., Tikhonenkova O.