Разработка метода обработки сигнала электрокардиографии для эффективной оценки сердечного ритма пациента с использованием свёрточной нейронной сети

Обоснование. Оценка ритма сердца пациента является первым этапом при аннотировании электрокардиограммы. В представленной работе был разработан метод, предназначенный для обработки сигнала электрокардиографии и оценки сердечного ритма. Метод основан на применении обученной свёрточной нейронной сети, что позволит в кратчайшие сроки после получения электрокардиограммы предоставить врачу предварительную информацию о возможной фибрилляции предсердий или наличии иных нарушений ритма. Кроме того, такие методы могут быть интегрированы в системы телемедицины, позволяя проводить мониторинг сердечного состояния дистанционно.

Цель — разработка метода обработки сигнала электрокардиографии для классификации сердечного ритма пациента по трём классам: синусовый ритм, фибрилляция предсердий и прочие аритмии.

Материалы и методы. Для тренировки и тестирования модели были выбраны электрокардиограммы пациентов, находящиеся в открытом доступе [1]. Программное обеспечение написано на языке программирования Python с использованием фреймворка TensorFlow. Тренировочная, валидационная и тестовая выборки формировались с соотношением 10:1:1, распределение по классам равномерное. Наборы данных для каждой записи подготавливались в трёх вариантах: совмещение графиков всех 12 отведений электрокардиограммы на одном изображении, получение спектрограмм II и V1 отведений с использованием вейвлета Гаусса, представление записи в виде векторной кардиограммы. За основу архитектуры свёрточной нейронной сети была взята архитектура ResNet18, которая была в дальнейшем модифицирована, и для каждого из представлений входных данных были произведены серии модификаций.

Результаты. Была получена сериализированная модель со следующими показателями точности: accuracy=43% для совмещения 12 электрокардиографических отведений на изображении; accuracy=43% для векторного представления электрокардиограммы; accuracy=69% для вейвлет-преобразования электрокардиограммы. В случае двухклассовой задачи, включающей в себя синусовый ритм и фибрилляцию предсердий, метрика accuracy для вейвлет-преобразования достигает 93% с метриками recall=93%, precision=94% и f1-score=93%.

Заключение. Полученные результаты демонстрируют возможности применения свёрточных нейронных сетей для оценки сердечного ритма пациентов. Дальнейшее развитие проекта предполагает подбор наилучшего алгоритма машинного обучения, апробация этого алгоритма для двухклассовой задачи и расширение решения для других классов нарушений ритма. Кроме того, возможно улучшение результатов классификации для трёхклассовой задачи при использовании лучшей модели и введении дополнительной кластеризации.