КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Молодь в науці: дослідження, проблеми, перспективи (МН-2026)

Розмір шрифта: 
МОДЕЛІ МАШИННОГО НАВЧАННЯ ДЛЯ РАННЬОГО ВИЯВЛЕННЯ АРИТМІЙ ЗА ЕКГ
Владислав Сергійович Матеуш

Остання редакція: 2026-06-15

Анотація


Анотація

В роботі наведено огляд підходів машинного та глибокого навчання для раннього виявлення аритмій за ЕКГ. Проаналізовано класичні моделі на ручних ознаках і сучасні архітектури глибокого навчання для 1D‑сигналів. Окрему увагу приділено протоколам валідації, проблемі дисбалансу класів та методам підвищення достовірності й інтерпретованості результатів.

 

 

MACHINE LEARNING MODELS FOR EARLY DETECTION OF ARRHYTHMIAS FROM ECG

Abstract

This paper reviews machine learning and deep learning approaches for early arrhythmia detection from electrocardiographic signals. Classical feature‑based models and modern deep architectures for 1D ECG are discussed. Particular attention is paid to validation protocols, class imbalance, and methods to improve reliability and interpretability of the predictions.

 


Ключові слова


ЕКГ; аритмія; машинне навчання; глибоке навчання; 1D‑CNN; валідація; ECG; arrhythmia; machine learning; deep learning; 1D‑CNN; validation

Посилання


1. Goldberger A. L., Amaral L. A. N., Glass L. et al. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation. 2000. Vol. 101, No. 23. P. e215–e220. DOI: 10.1161/01.CIR.101.23.e215.

 

2. Moody G. B., Mark R. G. The impact of the MIT-BIH arrhythmia database. IEEE Engineering in Medicine and Biology Magazine. 2001. Vol. 20, No. 3. P. 45–50. DOI: 10.1109/51.932724.

 

3. Pan J., Tompkins W. J. A real-time QRS detection algorithm. IEEE Transactions on Biomedical Engineering. 1985. Vol. BME 32, No. 3. P. 230–236. DOI: 10.1109/TBME.1985.325532.

 

4. Chen H., Duan D. QRS complex detection algorithm based on mathematical morphology and envelope. In: Proceedings of the 27th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBS). 2005. P. 4654–4657. DOI: 10.1109/IEMBS.2005.1615508.

 

5. Addison P. S. Wavelet transforms and the ECG: a review. Physiological Measurement. 2005. Vol. 26, No. 5. P. R155–R199. DOI: 10.1088/0967-3334/26/5/R01.

 

6. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart rate variability: standards of measurement, physiological interpretation, and clinical use. Circulation. 1996. Vol. 93, No. 5. P. 1043–1065. DOI: 10.1161/01.CIR.93.5.1043.

 

7. Sörnmo L., Laguna P. Bioelectrical Signal Processing in Cardiac and Neurological Applications. Academic Press (Elsevier). 2005.

 

8. Clifford G. D., Azuaje F., McSharry P. E. Advanced Methods and Tools for ECG Data Analysis. Artech House. 2006


Повний текст: PDF