Выявление сердечно-сосудистых заболеваний по сигналу ЭКГ с использованием методов машинного обучения

В статье рассматривается актуальная проблема автоматической диагностики сердечно-сосудистых заболеваний на основе анализа электрокардиографических (ЭКГ) сигналов. Основной целью исследования является повышение эффективности диагностического процесса с применением современных методов машинного обучения. В ходе работы проведен комплексный анализ существующих научных исследований в данной области. Особое внимание уделено систематизации наиболее эффективных методов и подходов к обработке ЭКГ и ЭЭГ-сигналов. В результате исследования выявлены перспективные направления применения капсульных нейронных сетей, генеративно-состязательных сетей и вейвлет-преобразования для решения задач диагностики. Отдельное внимание уделено диагностике вибраций оборудования, искажающих сигнал ЭКГ. Практическая значимость работы заключается в представлении современных методов автоматического выявления сердечно-сосудистых заболеваний на основе данных ЭКГ. На основе проведенного анализа сформулированы рекомендации по применению различных методов машинного обучения и определены перспективные направления дальнейших исследований.

1. Butun E., Yildirim O., Talo M., Tan R. 1D-CADCapsNet: One dimensional deep capsule networks for coronary artery disease detection using ECG signals. Physica Medica. 2020;70:39–48 URL: https://www.sciencedirect.com/science/article/pii/S 1120179720300077. DOI: 10.1016/j.ejmp.2020.01.007

2. El Boujnouni I., Zili H., Tali A., Tali T., Laaziz Y. A wavelet-based capsule neural network for ECG biometric identification. Biomedical Signal Processing and Control. 2022;76:103692. URL: https://www.sciencedirect.com/science/article/pii/S 1746809422002142 DOI: 10.1016/j.bspc.2022.103692

3. El Boujnouni I., Harouchi B., Tali A., Rachafi S., Laaziz Y. Automatic diagnosis of cardiovascular diseases using wavelet feature extraction and convolutional capsule network. Biomedical Signal Processing and Control. 2023;81:104497. URL: https://www.sciencedirect.com/science/article/pii/S 174680942200951X DOI: 10.1016/j.bspc.2022.104497

4. Sonawane R., Patil H. Automated heart disease prediction model by hybrid heuristic-based feature optimization and enhanced clustering. Biomedical Signal Processing and Control. 2022;72:103260. URL: https://www.sciencedirect.com/science/article/abs/pii/S 0925231221005270 DOI: 10.1016/j.bspc.2021.103260

5. Li C., Wang B., Zhang S., Liu Y., Song R., Cheng J., Chen X. Emotion recognition from EEG based on multi-task learning with capsule network and attention mechanism. Computers in Biology and Medicine. 2022;143:105303. URL: https://www.sciencedirect.com/science/article/pii/S 0010482522000956 DOI: 10.1016/j.compbiomed.2022.105303

6. Wei Y., Liu Y., Li C., Cheng J., Song R., Chen X. TC-Net: A Transformer Capsule Network for EEG-based emotion recognition. Computers in Biology and Medicine. 2023;152:106463. URL: https://www.sciencedirect.com/science/article/pii/S 0010482522011714 DOI: 10.1016/j.compbiomed.2022.106463

7. Zhou J., Chu S., Li X., Xiao F., Sun L. An EEG emotion recognition method based on transfer learning and echo state network for HilCPS. Microprocessors and Microsystems. 2021;87:103381. URL: https://www.sciencedirect.com/science/article/pii/S 0141933120305391 DOI: 10.1016/j.micpro.2020.103381.

8. Hou F., Gao Q., Song Y., Wang Z., Bai Z., Yang Y., Tian Z. Deep feature pyramid network for EEG emotion recognition. Measurement. 2022;201:111724. URL: https://www.sciencedirect.com/science/article/pii/S 0263224122009290 DOI: 10.1016/j.measurement.2022.111724

9. Hu J., Wang C., Jia Q., Bu Q., Sutcliffe R., Feng J. ScalingNet: Extracting features from raw EEG data for emotion recognition. Neurocomputing. 2021;463:177–184. URL: https://www.sciencedirect.com/science/article/pii/S 0925231221012029 DOI: 10.1016/j.neucom.2021.08.018

10. Dong H., Chen D., Zhang L., Ke H., Li X. Subject sensitive EEG discrimination with fast reconstructable CNN driven by reinforcement learning: A case study of ASD evaluation. Neurocomputing. 2021;449:136–145. URL: https://www.sciencedirect.com/science/article/pii/S 0925231221005270 DOI: 10.1016/j.neucom.2021.04.009

11. Liang P., Deng C., Yuan X., Zhang L. A deep capsule neural network with data augmentation generative adversarial networks for single and simultaneous fault diagnosis of wind turbine gearbox. ISA Transactions. 2022. URL: https://www.sciencedirect.com/science/article/pii/S 0019057822005365 DOI: 10.1016/j.isatra.2022.10.008

12. Zhang Q., Li J., Ding W., Ye Z., Meng Z. Mechanical fault intelligent diagnosis using attention-based dualscale feature fusion capsule network. Measurement. 2023;207:112345. URL: https://www.sciencedirect.com/science/article/pii/S 026322412201541X DOI: 10.1016/j.measurement.2022.112345

13. Liu J., Zhang C., Jiang X. Imbalanced fault diagnosis of rolling bearing using improved MsR-GAN and feature enhancement-driven CapsNet. Mechanical Systems and Signal Processing. 2022;168:108664. URL: https://www.sciencedirect.com/science/article/pii/S 0888327021009882 DOI: 10.1016/j.ymssp.2021.108664