Модель глубокого обучения для автоматизированной интерпретации медицинских электрофизиологических данных
Ключевые слова:
машинное обучение, глубокое обучение, нейронные сети, медицинские данные, электрофизиологияАннотация
Статья посвящена разработке нейросетевой модели для автоматизированного анализа медицинских данных в области электрофизиологии на основе методов глубокого обучения. Актуальность работы обусловлена растущей потребностью в повышении объективности, скорости и точности обработки сложных пространственно-временных сигналов, таких как ЭКГ или ЭЭГ. В качестве инструмента анализа были использованы сверточные нейронные сети (CNN), позволяющие извлекать пространственные особенности, и временные сверточные нейронные сети (TCN), специализирующиеся на выявлении временных зависимостей. Интеграция этих архитектур позволила выявить и обобщить сложные паттерны в сигналах и, впоследствии, классифицировать их с высокой точностью. В работе представлена архитектура предложенной гибридной нейросетевой модели, разработанной для обработки временных рядов, и приведено обоснование выбора ключевых гиперпараметров. Для оптимизации модели реализована стратегия адаптивного изменения скорости обучения на основе значения функции потерь на валидационном наборе данных. Реализован механизм ранней остановки обучения для предотвращения избыточных вычислений и осуществления контроля переобучения в случае отсутствия уменьшения значения ошибки на валидационных данных в течение заданного количества эпох. При обучении после каждой эпохи фиксировались параметры модели, включая номер эпохи, значение функции потерь и параметры оптимизатора, что позволяет восстанавливать обучение с любой эпохи, а также детально проанализировать поведение модели на различных стадиях обучения. Применение разработанной модели анализа дает возможность произвести более глубокие исследования электрофизиологических данных, что повышает объективность диагностики. Представленные в работе методы могут быть масштабированы на другие типы биомедицинских данных. Практическая значимость работы заключается в возможности интеграции предложенной модели в биомедицинские системы в качестве инструмента поддержки врачебных решений для автоматизированного выявления патологий и снижения нагрузки на персонал.
Литература
2. Президент России. Указ Президента РФ от 13.05.2017 № 208 «О Стратегии экономической безопасности Российской Федерации на период до 2030 года». URL: http://www.kremlin.ru/acts/bank/41921 (дата обращения: 20.02.2025).
3. Шевцов Е.С., Шамин Р.В. Логическая интеграция информационных систем на основе экспертных систем // Российский технологический журнал. 2025. Т. 13. №2. С. 27–35. DOI: 10.32362/2500-316X-2025-13-2-27-35.
4. Mityakov E.S., Lapaev D.N., Beskhmelnov M.I., Ladynin A.I., et al. Knowledge-intensive Enterprises Multi-criteria Decision-making Energy Security Management Information System // Proceedings of the 2022 Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). 2022.
pp. 1711–1713. DOI: 10.1109/ElConRus54750.2022.9755655.
5. Красноперова А.С., Твердохлебов А.С., Карташов А.А., Вебер В.И., Куприц В.Ю. Исследование эффективности применения моделей нейронных сетей YOLO для распознавания объектов на радиолокационных изображениях // Российский технологический журнал. 2025. Т. 13. №4. С. 25–36. DOI: 10.32362/2500-316X-2025-13-4-25-36.
6. Всемирная организация здравоохранения. Сердечно-сосудистые заболевания (ССЗ). URL: https://www.who.int/ru/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds) (дата обращения: 25.02.2025).
7. Министерство здравоохранения Российской Федерации. Федеральный проект «Борьба с сердечно-сосудистыми заболеваниями». URL: https://minzdrav.gov.ru/ poleznye-resursy/natsproektzdravoohranenie/bssz (дата обращения: 25.02.2025).
8. Шишкин С.В., Шейман И.М., Алмазов А.А., Бирюкова А.И., Власов В.В., Потапчик Е.Г., Сажина С.В., Салахутдинова С.К. Российское здравоохранение: перспективы развития. Доклад НИУ ВШЭ / Под ред. Шишкина С.В. //
М.: Изд. дом ВШЭ. 2024. 60 с.
9. Hong S., Zhou Y., Shang J., Xiao C., Sun J. Opportunities and challenges of deep learning methods for electrocardiogram data: A systematic review // Computers in Biology and Medicine. 2020. vol. 122. pp. 1–16. DOI: 10.1016/j.compbiomed.2020.103801.
10. Zhang C.-J., Yuan L., Tang F.-Q., Cai H.-P., Qian Y.-F., Wang C. Heart failure classification using deep learning to extract spatiotemporal features from ECG // BMC Medical Informatics and Decision Making. 2024. vol. 24. no. 1. pp. 1–19. DOI: 10.1186/s12911-024-02415-4.
11. Madan P., Singh V., Singh D.P., Diwakar M., Pant B., Kishor A. A Hybrid Deep Learning Approach for ECG-based Arrhythmia Classification // Bioengineering. 2022. vol. 9. no. 4. DOI: 10.3390/bioengineering9040152.
12. Huang Z., Yu J., Shan Y., Wang X. A Non-Invasive Fetal QRS Complex Detection Method Based on a Multi-Feature Fusion Neural Network // Applied Sciences. 2024. vol. 14. no. 19.
13. Teplitzky B.A., McRoberts M., Ghanbari H. Deep learning for comprehensive ECG annotation // Heart Rhythm. 2020. vol. 17. no. 5. pp. 881–888. DOI: 10.1016/j.hrthm.2020.02.015.
14. Riemann D., Krone L.B., Wulff K., Nissen C. Sleep, insomnia, and depression // Neuropsychopharmacology. 2020. vol. 45. no. 1. pp. 74–89. DOI: 10.1038/s41386-019-0411-y.
15. Paul T., Hassan O., Islam S.K., Mosa A.S.M. Real-time obstructive sleep apnea detection from raw ECG and SpO₂ signal using convolutional neural network // AMIA Joint Summits on Translational Science Proceedings. 2024. pp. 662–669.
16. Ji X., Li Y., Wen P., Barua P., Acharya U.R. MixSleepNet: A Multi-Type Convolution Combined Sleep Stage Classification Model // Computer Methods and Programs in Biomedicine. 2024. vol. 244. 107992 p. DOI: 10.1016/j.cmpb.2023.107992.
17. Mvuh F.L., Ebode Ko'a C.O.V., Bodo B. Multichannel high noise level ECG denoising based on adversarial deep learning // Scientific Reports. 2024. vol. 14. no. 1. DOI: 10.1038/s41598-023-50334-7.
18. Aversano L., Bernardi M.L., Cimitile M., Montano D., Pecori R. Characterization of Heart Diseases per Single Lead Using ECG Images and CNN-2D // Sensors. 2024. vol. 24. no. 11. DOI: 10.3390/s24113485.
19. Zacarias H., Marques J.A.L., Felizardo V., Pourvahab M., Garcia N.M. ECG Forecasting System Based on Long Short-Term Memory // Bioengineering. 2024. vol. 11. no. 1. DOI: 10.3390/bioengineering11010089.
20. Kamanditya B., Fuadah Y.N., Mahardika T.N.Q., Lim K.M. Continuous blood pressure prediction system using Conv-LSTM network on hybrid latent features of photoplethysmogram (PPG) and electrocardiogram (ECG) signals // Scientific Reports. 2024. vol. 14. no. 1.
21. Khan F., Yu X., Yuan Z., Rehman A.U. ECG classification using 1-D convolutional deep residual neural network // PLOS One. 2023. vol. 18. no. 4. e0284791 p. DOI: 10.1371/journal.pone.0284791.
22. Sawano S., Kodera S., Setoguchi N., et al. Applying masked autoencoder-based self-supervised learning for high-capability vision transformers of electrocardiographies // PLOS One. 2024. vol. 19. no. 8. pp. 1–17. DOI: 10.1371/journal.pone.0307978.
23. van de Leur R.R., de Brouwer R., Bleijendaal H., et al. ECG-only explainable deep learning algorithm predicts the risk for malignant ventricular arrhythmia in phospholamban cardiomyopathy // Heart Rhythm. 2024. vol. 21. no. 7.
pp. 1102–1112. DOI: 10.1016/j.hrthm.2024.02.038.
24. Nishikimi R., Nakano M., Kashino K., Tsukada S. Variational autoencoder-based neural electrocardiogram synthesis trained by FEM-based heart simulator // Cardiovascular Digital Health Journal. 2023. vol. 5. no. 1. pp. 19–28. DOI: 10.1016/j.cvdhj.2023.12.002.
25. Sohn J., Shin H., Lee J., Kim H.C. Validation of Electrocardiogram Based Photoplethysmogram Generated Using U-Net Based Generative Adversarial Networks // Journal of Healthcare Informatics Research. 2024. vol. 8. no. 1. pp. 140–157. DOI: 10.1007/s41666-023-00156-z.
26. Nasim A., Kim Y.S. DE-PNN: Differential Evolution-Based Feature Optimization with Probabilistic Neural Network for Imbalanced Arrhythmia Classification // Sensors. 2022. vol. 22. no. 12. 4450 p. DOI: 10.3390/s22124450.
27. Din S., Qaraqe M., Mourad O., Qaraqe K., Serpedin E. ECG-based cardiac arrhythmias detection through ensemble learning and fusion of deep spatial-temporal and long-range dependency features // Artificial Intelligence in Medicine. 2024. vol. 150. 102818 p.
Опубликован
Как цитировать
Раздел
Copyright (c) Анна Геннадьевна Шмелева, Олег Борисович Лебедев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).