Recognition of cardiac signals using neural networks

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅或者付费存取

详细

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.

全文:

受限制的访问

作者简介

S. Dvornikov

Санкт-Петербургский государственный университет аэрокосмического приборостроения

编辑信件的主要联系方式.
Email: ikirshina@mail.ru

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

俄罗斯联邦

S. Dvornikov

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Email: ikirshina@mail.ru

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

俄罗斯联邦

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

俄罗斯联邦

O. Tikhonenkova

Санкт-Петербургский государственный университет аэрокосмического приборостроения

Email: ikirshina@mail.ru

к.т.н., заведующий кафедрой медицинской радиоэлектроники

俄罗斯联邦

参考

  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.

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Cardiac signals obtained using a phonendoscope

下载 (99KB)
索引源数据
3. Fig. 2. Cardiac signals s1(t) and s2(t) on an enlarged scale

下载 (180KB)
索引源数据
4. Fig. 3. Cardiac signals s1(t) and s3(t) on the same scale

下载 (237KB)
索引源数据
5. Fig. 4. The principle of constructing a single-layer neural network

下载 (163KB)
索引源数据
6. Fig. 5. The structure of a single-layer neural network

下载 (60KB)
索引源数据
7. Fig. 6. Fragment of the weight matrix for the first 50 values

下载 (106KB)
索引源数据

版权所有 © Dvornikov S., Dvornikov S., Kirshina I., Lifanova O., Tikhonenkova O., 2025