vdgtuВестник Дагестанского государственного технического университета. Технические наукиHerald of Dagestan State Technical University. Technical Sciences2073-61852542-095XDaghestan State Technical University10.21822/2073-6185-2026-53-2-52-60vdgtu-2091Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGY AND TELECOMMUNICATIONSОптимизация генеративно-состязательных сетей для синтеза электрокардиограмм методом адаптивной квантизацииOptimization of generative-adversarial networks for the synthesis of electrocardiograms by adaptive quantizationhttps://orcid.org/0009-0005-2450-0274ГордеевМ. М.GordeevM. M.

Максим Михайлович Гордеев, аспирант, кафедра «Информатика и системы управления»

603155, г. Нижний Новгород, ул. Минина, 24

Maxim M. Gordeev, Postgraduate Student, Department of Computer Science and Control Systems

24 Minina St., Nizhny Novgorod 603155

maximgrdv@gmail.comhttps://orcid.org/0000-0003-4826-9087СавкинА. Е.SavkinA. E.

Артем Евгеньевич Савкин, ассистент, кафедра «Информатика и системы управления»

603155, г. Нижний Новгород, ул. Минина, 24

Artem E. Savkin, Assistant, Department of Computer Science and Control Systems

24 Minina St., Nizhny Novgorod 603155

sae.20@bk.ruhttps://orcid.org/0000-0002-1935-7697ТимофееваО П.TimofeevaO. P.

Ольга Павловна Тимофеева, кандидат технических наук, доцент; кафедра «Информатика и системы управления»

603155, г. Нижний Новгород, ул. Минина, 24

P. Timofeeva, Cand. Sci. (Eng.), Assoc. Prof.; Department of Computer Science and Control Systems

24 Minina St., Nizhny Novgorod 603155

optimofeeva@mail.ruhttps://orcid.org/0000-0002-6676-4228ШагаловаП. А.ShagalovaP. A.

Полина Анатольевна Шагалова, кандидат технических наук, доцент, кафедра «Информатика и системы управления»

603155, г. Нижний Новгород, ул. Минина, 24

Polina A. Shagalova, Cand. Sci. (Eng.), Assoc. Prof., Department of Computer Science and Control Systems

24 Minina St., Nizhny Novgorod 603155

polli-shagalova@yandex.ruНижегородский государственный технический университет им. Р.Е.АлексееваРоссияR.E.Alekseev Nizhny Novgorod State Technical UniversityRussian Federation2026100820265325260Copyright © Гордеев М.М., Савкин А.Е., Тимофеева О.П., Шагалова П.А., 20262026Гордеев М.М., Савкин А.Е., Тимофеева О.П., Шагалова П.А.Gordeev M.M., Savkin A.E., Timofeeva O.P., Shagalova P.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.dgtu.ru/jour/article/view/2091

Цель. Данная работа посвящена преодолению высоких требований к вычислительным ресурсам и объему оперативной памяти путем разработки методов эффективной оптимизации генеративно-состязательных сетей, адаптированных для генерации сигналов электрокардиограмм.Метод. В работе использованы методы глубокого обучения генеративно-состязательных сетей, способы обработки сигналов электрокардиограмм и реализации адаптивной квантизации весовых коэффициентов по поиску оптимального уровня квантизации для снижения потребления памяти при сохранении качества синтеза данных.Результат. В результате проведённых экспериментов была разработана и обучена собственная архитектура генеративно-состязательной сети для синтеза сигналов электрокардиограмм. Сравнительный анализ метрики Fréchet Distance подтвердил высокое сходство сгенерированных данных с реальными ЭКГ-записями. Разработанный метод адаптивного квантования AGWR обеспечил сокращение потребления оперативной памяти на 75% при сохранении качества синтеза, превосходя традиционный подход Min-Max даже при экстремальном сжатии весов до 4 бит.Вывод. Работа преодолевает ограничения GAN по вычислительным ресурсам, открывая возможности для практического внедрения в медицинские системы с ограниченными аппаратными ресурсами. Предложенная методика способствует восполнению дефицита клинических данных, ускоряя развитие интеллектуальных диагностических инструментов и персонализированной медицины в области сердечно-сосудистой патологии

Objective. This work is devoted to overcoming high requirements for computational resources and RAM volume through the development of effective optimization methods for generative adversarial networks, adapted for generating electrocardiogram signals.Method. The work employed methods of deep learning generative adversarial networks, electrocardiogram signal processing techniques, and implementations of adaptive quantization of weight coefficients for searching the optimal quantization level to reduce memory consumption while maintaining data synthesis quality.Result. Based on experiments, a proprietary architecture of a generative adversarial network for synthesizing electrocardiogram signals was developed and trained. Comparative analysis of the Fréchet Distance metric confirmed high similarity between generated data and real ECG recordings. The developed adaptive quantization method AGWR achieved a 75% reduction in RAM consumption while maintaining synthesis quality, outperforming the traditional Min-Max approach even at extreme weight compression to 4 bits.Conclusion. The work overcomes the computational resource limitations of GANs, opening opportunities for practical implementation in medical systems with constrained hardware. The technique helps fill the gap in clinical data, accelerating the development of intelligent diagnostic tools and personalized medicine in cardiovascular pathology.

генеративно-состязательные сетиметоды оптимизацииквантизация весовых коэффициентов электрокардиографических сигналовgenerative-adversarial networksoptimization methodsquantization of weighting coefficients of electrocardiographic signalsReferencesHannun A. Y., Rajpurkar P., Haghpanahi M., et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network // Nature Medicine. – 2019. – Vol. 25. – P. 65–69.Hannun A. Y., Rajpurkar P., Haghpanahi M., et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature Medicine. 2019;25:65–69.Wagner P., Strodthoff N., Bousseljot R., et al. PTB-XL, a large publicly available electrocardiography dataset // Scientific Data. – 2020. – Vol. 7. – 154.Wagner P., Strodthoff N., Bousseljot R., et al. PTB-XL, a large publicly available electrocardiography dataset. Scientific Data. 2020;7:154.IanJ. Goodfellow. Generative Adversarial Nets. // arXiv preprint arXiv: 1406.2661. – 2014.IanJ. Goodfellow. Generative Adversarial Nets. // arXiv preprint arXiv: 1406.2661. – 2014.Jacob B., Kligys S., Chen B., et al. Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2018. – P. 2704–2713.Jacob B., Kligys S., Chen B., et al. Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2018; 2704–2713.Moody G. B., Mark R. G. The impact of the MIT-BIH Arrhythmia Database // IEEE Engineering in Medicine and Biology Magazine. – 2001. – Vol. 20, № 3. – P. 45–50.Moody G. B., Mark R. G. The impact of the MIT-BIH Arrhythmia Database. IEEE Engineering in Medicine and Biology Magazine. 2001; 20(3):45–50.О.П. Тимофеева, М.М. Гордеев, Д.А. Кобляков. Обработка и генерация изображений ЭКГ // Труды НГТУ им. Р.Е. Алексеева № 1 (132),2021.– С. 24.O.P. Timofeeva, M.M. Gordeev, D.A. Koblyakov. ECG Image Processing and Generation. Proceedings of the R.E. Alekseev NSTU 2021;1(132):24.(In Russ)Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9, № 8. – P. 1735–1780.Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997;9(8):1735–1780.Heusel M., Ramsauer H., Unterthiner T., et al. GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium // Advances in Neural Information Processing Systems (NIPS). – 2017. – P. 6626–6637.Heusel M., Ramsauer H., Unterthiner T., et al. GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium. Advances in Neural Information Processing Systems (NIPS). 2017:. 6626–6637.Fel Zhu, Ye Fei.Electrocardiogram generation with a bidirectional LSTM-CNN Generative adversarial network.Translational Biomedical Informatics. – 2019. – P.1-9.Fel Zhu, Ye Fei.Electrocardiogram generation with a bidirectional LSTM-CNN Generative adversarial network. Translational Biomedical Informatics. 2019:1-9.A. Zhou et al. Incremental network quantization: Towards lossless CNNs with low-precision weights. // Proceedings of the International Conference on Learning Representations (ICLR). – 2017.A. Zhou et al. Incremental network quantization: Towards lossless CNNs with low-precision weights. Proceedings of the International Conference on Learning Representations (ICLR). 2017.Z. Wang et al. Image quality assessment: From error visibility to structural similarity. // IEEE Transactions on Image Processing. – Vol. 13, Issue 4, Apr. 2004. – PP. 600–612.Z. Wang et al. Image quality assessment: From error visibility to structural similarity. IEEE Transactions on Image Processing. 2004; 13(4, Apr.):600–612.Field, A. Discovering Statistics Using IBM SPSS Statistics. – London: Sage Publications Ltd., 2018.Field, A. Discovering Statistics Using IBM SPSS Statistics. – London: Sage Publications Ltd., 2018.H. Li et al. Pruning Filters for Efficient ConvNets. // Proceedings of the International Conference on Learning Representations (ICLR). – 2017.H. Li et al. Pruning Filters for Efficient ConvNets. Proceedings of the International Conference on Learning Representations (ICLR). 2017.Lloyd, S. P. Least Squares Quantization in PCM // IEEE Transactions on Information Theory. – 1982. – Vol. 28, № 2. – P. 129–137.Lloyd, S. P. Least Squares Quantization in PCM. IEEE Transactions on Information Theory. 1982; 28(2): 129–137.

The authors declare that there are no conflicts of interest present.