Розробка інтелектуальних методів аналізу електрокардіосигналів для ранньої діагностики аритмій

Abstract

У роботі розроблено комплекс інтелектуальних методів аналізу електрокардіосигналів (ЕКГ) для задачі ранньої діагностики аритмій. Основною метою дослідження є підвищення точності автоматичного виявлення патологічних серцевих ритмів шляхом удосконалення процедур попередньої обробки сигналів, детекції серцевих подій та класифікації порушень ритму. У межах роботи проведено аналіз сучасних методів цифрової обробки ЕКГ та інтелектуальних алгоритмів. Запропоновано повний алгоритмічний конвеєр обробки сигналів, що включає фільтрацію (0.5–40 Гц), нормалізацію, детекцію R-піків за алгоритмом Pan–Tompkins, екстракцію часових та морфологічних ознак, а також класифікацію аритмій із використанням методів машинного навчання. Розроблене програмне забезпечення реалізовано в середовищі MATLAB із застосуванням бібліотеки WFDB та протестовано на еталонній базі MIT-BIH Arrhythmia Database. Проведена експериментальна верифікація показала високі показники точності: середня чутливість 99.40%, точність (PPV) 99.33%, F1-міра 99.36%, що підтверджує ефективність обраних методів та їх придатність для застосування у медичних діагностичних системах. Отримані результати можуть бути використані у системах холтерівського моніторингу, портативних діагностичних пристроях, телемедичних платформах та інтелектуальних системах підтримки лікарських рішень. Запропоновані алгоритмічні рішення забезпечують високу точність, стійкість до шумів та можливість інтеграції в апаратно-програмні комплекси персоналізованої медицини.

This work is dedicated to the development of intelligent methods for electrocardiogram (ECG) signal analysis aimed at early detection of cardiac arrhythmias. The primary objective of the research is to improve the accuracy and reliability of automatic arrhythmia detection through the enhancement of ECG preprocessing procedures, R-peak detection algorithms, feature extraction techniques, and machine learning–based classification models. A comprehensive analytical review of classical digital signal processing (DSP) approaches and modern intelligent algorithms was carried out. Based on this analysis, a complete ECG processing pipeline was proposed, including band-pass filtering (0.5–40 Hz), baseline drift removal, amplitude normalization, R-peak detection using the Pan–Tompkins algorithm, extraction of temporal and morphological features, and arrhythmia classification using machine learning methods. The software implementation was developed in MATLAB using the WFDB Toolbox and evaluated on the MIT-BIH Arrhythmia Database. Experimental verification confirmed high detection performance: average sensitivity of 99.40%, positive predictive value (PPV) of 99.33%, and F1-score of 99.36%. These results demonstrate the effectiveness of the proposed approach and validate the suitability of the developed algorithms for integration into modern diagnostic and monitoring systems. The obtained results can be applied in Holter monitoring systems, portable diagnostic devices, telemedicine platforms, and intelligent clinical decision-support systems. The proposed methods ensure high noise robustness, computational efficiency, and the potential for implementation in real-time biomedical monitoring environments.