Багатошарова архітектура нейронної мережі для аналізу ЕКГ сигналу

Abstract

В даний час, з урахуванням зростаючої кількості серцево-судинних захворювань, актуальність швидкого та точного аналізу електрокардіограм (ЕКГ) суттєво зростає. Традиційні методи аналізу ЕКГ вимагають значних тимчасових витрат та високої кваліфікації фахівців, що стимулює розробку та впровадження автоматизованих систем, здатних ефективно інтерпретувати дані ЕКГ. У статті досліджується застосування нейронних мереж для аналізу ЕКГ, що дозволяє значно збільшити швидкість та точність діагностики. Запропоновано розробка та аналіз ефективності моделі нейронної мережі, здатної розпізнавати і класифікувати основні аритмії за даними ЕКГ. У статті представлені результати порівняння кількох архітектур нейронних мереж, включаючи згорткові та рекурентні нейронні мережі, на наборі даних ЕКГ з різними патологіями. Аналіз показав, що використання згорткових нейронних мереж (CNN) демонструє високу точність у класифікації ЕКГ-сигналів, що забезпечує значний потенціал для клінічного застосування. Currently, given the increasing number of cardiovascular diseases, the relevance of fast and accurate analysis of electrocardiograms (ECG) is growing significantly. Traditional methods of ECG analysis require significant time costs and high qualifications of specialists, which stimulates the development and implementation of automated systems capable of effectively interpreting ECG data. The article investigates the use of neural networks for ECG analysis, which allows significantly increasing the speed and accuracy of diagnosis. The development and analysis of the effectiveness of a neural network model capable of recognizing and classifying the main arrhythmias from ECG data is proposed. The article presents the results of comparing several neural network architectures, including convolutional and recurrent neural networks, on a set of ECG data with various pathologies. The analysis showed that the use of convolutional neural networks (CNN) demonstrates high accuracy in classifying ECG signals, which provides significant potential for clinical application.