Костырко В.Д.
ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ЭЛЕКТРОКАРДИОГРАММЫ И УДАЛЕНИЯ ШУМА С ЕЕ СИГНАЛОВ *
Аннотация:
машинное обучение (МО) применяется во всех отраслях жизни с развитием искусственного интеллекта (ИИ). В данной статье рассматривается применение технологии машинного обучения в анализе электрокардиограммы (ЭКГ) для диагностики и классификации текущего заболевания сердца пациента, прогнозирования возможных будущих заболеваний и составления индивидуального плана лечения. В процессе анализа было отмечено несколько проблем, таких как непостоянство сигналов ЭКГ, схожесть по результатам различных заболеваний на ЭКГ, и недоступность использования персонализированной информации о пациенте для прогнозирования. Преодоление этих проблем может произвести переворот в области кардиологии, что позволит осуществлять более точное и своевременное медицинское вмешательство. Данное исследование подчеркивает потенциал машинного обучения для улучшения качества оказания кардиологической помощи, а также указывает на важность решения ключевых проблем для достижения максимального эффекта в клинической практике.
Ключевые слова:
машинное обучение, электрокардиограмма, здравоохранение, удаление шума
ИИ и машинное обучение быстро приводят к изменениям в различных отраслях, и здравоохранение не является исключением. В последние годы такие крупные компании, как Amazon и Apple, активно занимаются проектами по машинному обучению, чтобы предоставить более продуманные решения для удовлетворения потребностей людей, например, персонализированные рекомендации по товарам и усовершенствованное распознавание голоса. Анализ ЭКГ - одна из областей, где машинное обучение, как ожидается, изменит сферу здравоохранения. ЭКГ - важнейший биомедицинский показатель, используемый для диагностики различных заболеваний сердца и предоставляющий бесценную клиническую информацию специалистам здравоохранения. Однако применение технологии машинного обучения для анализа ЭКГ по-прежнему сопряжено с некоторыми трудностями: во-первых, исходная ЭКГ содержит много шумов, которые сложно удалить, во-вторых, поскольку ЭКГ каждого человека имеет определенные различия, а также два разных заболевания сердца имеют схожие сигналы ЭКГ, возникает проблема некорректной идентификации, в-третьих, способна ли машина в целом использовать подходящие методы для точного прогнозирования будущего состояния пациента на основе его текущего состояния здоровья и выдачи правильных медицинских рекомендаций.Цель данной статьи - показать возможность применения технологии машинного обучения для анализа ЭКГ-сигналов, провести шумоподавление на основе трех характерных источников шума: дрейфа базовой линии, помех от ЛЭП и мышечных сокращений, а также подобрать соответствующие методы машинного обучения для построения модели.Применение машинного обучения (МО) для анализа электрокардиограмм (ЭКГ) направлено для достижения трех ключевых целей: точной диагностики заболеваний сердца, определения конкретных типов заболеваний сердца для отдельно взятого пациента и прогнозирования вероятности развития других заболеваний в течение определенного периода времени. Реализуя эти функции, данная технология может значительно улучшить существующие методы анализа ЭКГ, заменив субъективные и подверженные ошибкам ручные подходы. Используя многочисленные данные, системы машинного обучения распознают сложные закономерности и аномалии в сигналах ЭКГ, что позволяет повысить точность диагностики сердечных заболеваний и обеспечить своевременное вмешательство. Более того, анализируя индивидуальные данные ЭКГ и сравнивая их с случаями, произошедшими ранее, можно предложить персонализированные рекомендации по лечению. Прогнозирование будущих рисков для здоровья позволяет принимать упреждающие профилактические меры. Применение машинного обучения в анализе ЭКГ переворачивает представление о кардиологии, способствуя развитию объективного подхода, основанного на данных, и тем самым расширяя возможности как специалистов здравоохранения, так и пациентов для достижения лучших результатов.Возможность удаления шумов на сигналах ЭКГ подразумевает, что машинное обучение применимо к анализу ЭКГ. Как говорилось ранее, на сигналах ЭКГ присутствует три основных вида шумов: дрейф базовой линии, помехи от ЛЭП и мышечные сокращения. Современные технологии позволяют устранить все перечисленные разновидности. Стоит уточнить, что сигналы ЭКГ принято подразделять на P-волну, QRS комплекс и T-волну.Изучая работу Censi [1], можно сделать вывод, что дрейф базовой линии будет влиять на P-волну, тем самым влияя на интерпретацию ЭКГ-сигналов. Для решения такой проблемы в исследовании Mneimneh [2] был предложен адаптивный фильтр Калмана (KF) для удаления базовых отклонений в реальном времени. По сравнению с другими методами, метод KF имеет наименьшее искажение. Хотя метод KF для удаления базовой линии не работает в случае высокочастотных изменений, эта проблема может быть решена путем увеличения размера окна временных выборок.Помехи от электросети и мышечные сокращения имеют свойство влиять на весь сигнал ЭКГ в целом, из-за чего их устранение играет очень важную роль. Mahesh Chawan в своей работе [3] предложил цифровой фильтр с конечной импульсной характеристикой (FIR) и другие волнистые нотч-фильтры, которые могут эффективно устранить помехи в линии электропередачи, улучшить качество сигнала и облегчить точную диагностику. Такой способ также может позволить избавиться от шума, возникающего при сокращении мышц. Sharma and Sidhu [4] отметили, что мышечные сокращения можно фильтровать с помощью метода наименьших квадратов (LMS) и нормализованного LMS (NLMS), чтобы удалить шумы и получить чистый сигнал ЭКГ.После удаления перечисленных типов шумов можно приступить к предварительной обработке ЭКГ-сигнала. Кроме того, для обработки сигнала можно использовать преобразование Фурье и вейвлет-преобразование, чтобы разложить сигнал на компоненты, которые проявляются в разных масштабах. Таким образом, машинное обучение может удалить шум и обеспечить хорошую основу для анализа ЭКГ.Возможность проведения извлечения признаков также является важным свидетельством, подтверждающим применение методов машинного обучения для интерпретации ЭКГ. Как отмечается в работе Ramadevi [5], качественно отобранный набор признаков имеет решающее значение в эффективности работы модели. Что касается классификации заболеваний, то, поскольку не существует идеального подхода для интерпретации ЭКГ, её процесс представляет собой особую сложность. Из-за различий в строении сердца и физиологии у каждого человека могут проявляться уникальные особенности ЭКГ. Поэтому создание универсальных диагностических критериев становится сложной задачей и требует применения передовых методов обработки сигнала для учета индивидуальных различий. Если эту проблему удастся решить, машинное обучение для анализа ЭКГ станет более практичным. Кроме того, некоторые различные заболевания сердца могут оказывать схожее влияние на сигналы ЭКГ здоровых людей, что еще больше усложняет процесс диагностики. Это явление может привести к ошибочному диагнозу и требует мощных алгоритмов машинного обучения для выявления тонких различий. Это также одна из самых серьезных проблем в выявлении заболеваний сердца по сигналам ЭКГ.Алгоритмы машинного обучения для классификации ЭКГ-сигналов — это самый важный этап и наиболее убедительное доказательство того, что технология может быть реализована. При обработке ЭКГ-сигналов на начальном этапе часто используется контролируемая классификация, когда уже известные аномальные ЭКГ-сигналы используются для обучения модели. Такой подход помогает алгоритму научиться различать нормальные и патологические закономерности. После того как модель обучена, ее необходимо применить к новым, не встречавшимся при обучении сигналам ЭКГ, чтобы протестировать работу модели в новой среде. В некоторых случаях для дальнейшего изучения данных и выявления скрытых закономерностей или особенностей, которые могут помочь в интерпретации ЭКГ-сигналов, может применяться обучение без учителя. Такие методы могут быть особенно полезны, когда доступные размеченные данные весьма ограничены или вовсе отсутствуют, и модель должна извлечь из них дополнительные сведения самостоятельно. Следует отметить, что оба подхода способствуют всестороннему анализу ЭКГ-сигналов и помогают точно диагностировать и классифицировать сердечные заболевания. Таким образом, эта технология может быть использована для прогнозирования заболеваний, что позволит добиться более качественного оказания медицинской помощи.Описанная концепция анализа ЭКГ с использованием машинного обучения, несомненно, является важным этапом для продвижения в этом направлении, однако не менее важно выявить и устранить существующие технические недостатки и ограничения.Во-первых, удаление шумов на сигналах ЭКГ остается важнейшей технической проблемой. Точность и надежность алгоритмов машинного обучения в значительной степени зависят от качества входных данных. Поэтому разработка более эффективных методов удаления шумов и предварительной обработки имеет решающее значение для повышения общей производительности аналитических систем ЭКГ. Во-вторых, материальные аспекты, такие как ограничения по времени и стоимости, являются серьезными препятствиями для широкого внедрения этой технологии. Например, вычислительная сложность некоторых моделей машинного обучения может мешать проведению анализа в реальном времени в условиях ограниченных ресурсов, из-за чего придется прилагать дополнительные усилия для оптимизации алгоритмов и обновления аппаратного обеспечения. Кроме того, финансовые ограничения могут ограничивать доступ к современным инструментам анализа ЭКГ в более бедных регионах. Решение этих финансовых вопросов и работа над тем, чтобы сделать эти технологии доступными для всех, имеют решающее значение для достижения равноправного доступа к медицинским услугам.Кроме того, повышенного внимания требуют вопросы конфиденциальности данных и приватности пользователей. Поскольку системы машинного обучения часто опираются на большие объемы персональных медицинских данных, существует обоснованная обеспокоенность по поводу возможного раскрытия и неправомерного использования конфиденциальной информации. Поэтому надежное шифрование данных, безопасное хранение и прозрачная политика конфиденциальности необходимы для укрепления доверия пользователей и обеспечения выполнения нормативных требований по защите данных.Как итог, данный анализ демонстрирует, как с помощью методов машинного обучения можно удалить дрейф базовой линии, помехи от ЛЭП и мышечных сокращений, с целью фильтрации ЭКГ-сигнала от шума, как использовать алгоритмы для диагностики заболеваний, а также как использовать машинное обучение для выполнения прогнозирования заболеваний. Применение машинного обучения к электрокардиограмме открывает большие перспективы и будет способствовать развитию медицины в будущем. Но в то же время остается много недостатков с точки зрения технического оснащения, эффективности и этики для реализации этой технологии, которыми нельзя пренебрегать.
Номер журнала Вестник науки №6 (87) том 2
Ссылка для цитирования:
Костырко В.Д. ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ЭЛЕКТРОКАРДИОГРАММЫ И УДАЛЕНИЯ ШУМА С ЕЕ СИГНАЛОВ // Вестник науки №6 (87) том 2. С. 1718 - 1725. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/24095 (дата обращения: 09.07.2025 г.)
Вестник науки © 2025. 16+