Алгоритмічні методи обробки біомедичних сигналів у системах персоналізованої медицини

Abstract

У роботі досліджено та розроблено алгоритмічні методи обробки біомедичних сигналів для систем персоналізованої медицини. Об’єктом дослідження є фізіологічні сигнали різної природи — електрокардіограма, респіраторний сигнал, пульсова хвиля та акселерометричні дані. Предметом дослідження є методи фільтрації, детекції подій, спектрального аналізу та розрахунку фізіологічних показників на основі цих сигналів. У роботі виконано аналітичний огляд сучасних систем біомедичного моніторингу, технічних та алгоритмічних рішень у галузі аналізу часових рядів. Розроблено математичні моделі сигналів та обґрунтовано вибір методів їх обробки, включно зі смуговими фільтрами Butterworth, методом Savitzky–Golay, адаптивними алгоритмами детекції R-піків, RESP-циклів та систолічних піків PW. Особливу увагу приділено розрахунку ключових фізіологічних параметрів: HRV, частоти дихання та часу проходження пульсової хвилі. У науково-дослідній частині проведено експериментальну верифікацію алгоритмів на синтетичних і реальних даних (MIT-BIH). Середня точність детекції R-піків досягла F1 = 0.987, похибка визначення частоти дихання становила ±1.2 вд/хв, а середнє значення PTT варіювало в межах 4–6 мс. Застосування акселерометричних даних дозволило знизити вплив рухових артефактів на 40–50%. Розроблене програмне забезпечення реалізовано в MATLAB як модульна система, що забезпечує повний цикл обробки сигналів — від завантаження даних до обчислення параметрів і візуалізації результатів. Робота має практичну цінність для побудови систем персоналізованого моніторингу, телемедицини, медичних пристроїв та навчальних лабораторій з біомедичної інженерії.

The thesis investigates and develops algorithmic methods for biomedical signal processing within personalized medicine systems. The research focuses on physiological signals of different origins, including electrocardiogram, respiratory signal, pulse wave, and accelerometric data. The subject of the study includes filtering techniques, event detection methods, spectral analysis, and the calculation of physiological parameters. The analytical section provides an overview of modern biomedical monitoring systems, signal-processing algorithms, and tools for the analysis of physiological time series. Mathematical models of the signals were developed, and the selection of appropriate processing methods was justified, including Butterworth bandpass filtering, Savitzky–Golay smoothing, and adaptive detection algorithms for R-peaks, respiratory cycles, and pulse-wave systolic peaks. Particular attention was paid to computing physiological parameters such as HRV, breathing rate, and pulse transit time. The experimental research included verification of the proposed algorithms on synthetic and real datasets (MIT-BIH). The average R-peak detection accuracy achieved F1 = 0.987, the breathing rate estimation error was ±1.2 breaths/min, and the average PTT varied within 4–6 ms. Incorporating accelerometer data reduced motion artefacts by 40–50%. The developed software system was implemented in MATLAB as a modular architecture that provides a complete signal-processing workflow — from data acquisition to parameter computation and visualization. The results demonstrate practical applicability for personalized health monitoring, telemedicine systems, wearable medical devices, and educational laboratory work in biomedical engineering.