367026, г. Махачкала, пр. Имама Шамиля, 70
Качаева Гюльханум Ибадулаховна – кандидат экономических наук, заведующая кафедрой информационных технологий и информационной безопасности.
70 I. Shamilya Ave., Makhachkala 367026
Gyulkhanum I. Kachaeva– Cand. Sci. (Economics), Department of Information Technology and Information Security
367026, г. Махачкала, пр. Имама Шамиля, 70
Мустафаев Арслан Гасанович – доктор технических наук, профессор, кафедра информационных технологий и информационной безопасности
70 I. Shamilya Ave., Makhachkala 367026
Arslan G. Mustafayev - Dr.Sci. (Technical), Prof., Department of Information Technology and Information Security.
Цель. Цель работы состоит в использовании нейронных сетей для обнаружения характерных ЭКГ сигналов, определяющих аномалии сердечного ритма и выявлении соответствующего заболевания сердца. Одним из важнейших факторов для своевременного оказания медицинской помощи является быстрое и точное получение информации о состоянии здоровья пациента. Своевременность постановки диагноза нередко является основным фактором, определяющим прогноз больного. В последние годы в кардиологии значительно увеличилась точность диагностики благодаря широкому применению, как инструментальных, так и лабораторных методов исследований. Тем не менее, процент диагностических ошибок в кардиологии достаточно высок. Электрокардиография (ЭКГ) представляет собой неинвазивный процесс интерпретации электрической активности сердца, позволяющий оценивать скорость и регулярность сердечных сокращений. Эти данные используются для определения повреждений и патологий сердца. Автоматический анализ ЭКГ является непростой теоретической и практической задачей.
Метод. При проектировании был использован пакет Neural Network Toolbox из MATLAB 8.6 (R2015b) моделирующий аппарат искусственных нейронных сетей. При обучении нейронной сети использовался алгоритм обратного распространения ошибки. Эффективность разработанной нейросетевой модели для анализа ЭКГ была исследована с использованием базы данных аритмий MIT-BIH.
Результат. Точность обнаружения и извлечения компонентов сигнала ЭКГ показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов. Чувствительность модели составила 71%, специфичность 89%. Развитие существующих и разработка новых методов обработки электрокардиографических данных позволяют решить проблему своевременной диагностики и профилактики сердечно-сосудистых заболеваний на ранних этапах их выявления.
Вывод. Точность обнаружения и извлечения компонентов сигнала ЭКГ, показывает, что разработанная нейросетевая модель может быть использована для выявления заболеваний сердца у пациентов.
Objectives The aim of the work is to use neural networks to detect characteristic ECG signals that determine heart rhythm abnormalities and detect the corresponding heart disease. One of the most important factors for the timely provision of medical care is the rapid and accurate obtaining of information about the patient's state of health. The timeliness of diagnosis is often the main factor determining the patient's prognosis. While the accuracy of cardiological diagnosis has significantly increased in recent years due to the wide application of both instrumental and laboratory research methods, the percentage of diagnostic errors in cardiology remains high. Electrocardiography (ECG) consists ina non-invasive process of interpreting the electrical activity of the heart, allowing the speed and regularity of the heartbeat to be assessed. These data are then used to determine any heart defects or pathologies. However, automatic ECG analysis remains a challenging theoretical and practical task.
MethodsA MATLAB 8.6 (R2015b) Neural Network Toolbox was used to simulate artificial neural networksduring the design. A backpropagation algorithm was used for trainingthe neural network. The efficiency of the developed neural network model for ECG analysis was investigated using the MIT-BIH arrhythmia database.
Results The accuracy of detection and extraction of the components of the ECG signal shows that the developed neural network model can be successfully used to detect heart diseases among patients. The sensitivity of the model was 71%, with a specificity of 89%. The elaboration of existing and development of new methods for processing electrocardiographic data allow the problem of timely diagnosis and prevention of cardiovascular diseases to be solvedat early stages of their detection.
ConclusionThe accuracy of detection and extraction of the ECG signal components shows that the developed neural network model can be used to detect heart diseases among patients.
The authors declare that there are no conflicts of interest present.