Моделі та методи інтелектуального аналізу морфологічних і ритмічних ознак електрокардіосигналів

Abstract

Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 – Комп’ютерні науки (12 – Інформаційні технології). – Тернопільський національний технічний університет імені Івана Пулюя, Тернопіль, 2026. Підготовка здійснювалась на кафедрі комп’ютерних наук Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. У дисертаційній роботі вирішено актуальне наукове завдання – підвищення ефективності автоматизованої кардіодіагностики внаслідок розроблення моделей та методів інтелектуального аналізу морфологічних і ритмічних ознак електрокардіосигналів на основі математичної моделі у вигляді циклічного випадкового процесу із сегментною зонною структурою, функцій амплітудної та часової варіабельності зубців електрокардіосигналів, методів їх статистичного оцінювання та алгоритмів класифікації. У вступі обґрунтовано актуальність теми дисертації, визначено зв’язок роботи з науковими темами, сформульовано мету і завдання дослідження, визначено об’єкт, предмет і методи дослідження, наведено загальну характеристику дисертації, окреслено наукову новизну отриманих результатів та їхнє практичне значення, а також розкрито питання апробації результатів дисертації та їх висвітлення в наукових працях. У першому розділі виконано детальний аналіз літературних джерел, що стосуються тематики дисертаційного дослідження. Проаналізовано клінічне значення електрокардіосигналів та сфери його застосування в неінвазивній медичній діагностиці. Розглянуто традиційні підходи до опрацювання електрокардіосигналів, що ґрунтуються на візуальній оцінці лікарем та базових алгоритмах обробки сигналів (фільтрація, детекція R-зубців, вимірювання інтервалів), а також сучасні підходи із застосуванням методів машинного навчання та глибокого навчання. Здійснено порівняльний аналіз існуючих математичних моделей електрокардіосигналів та методів їх аналізу. Визначено обмеження та недоліки існуючих підходів – зокрема, недостатнє врахування циклічної природи електрокардіосигналів, відсутність комплексного аналізу морфологічних і ритмічних ознак, обмежені можливості для аналізу амплітудної варіабельності – що дало змогу сформулювати мету та завдання дисертаційного дослідження. У другому розділі на основі теорії циклічних випадкових процесів розроблено математичну модель електрокардіосигналів із сегментною зонною структурою, яка враховує як морфологічні, так і ритмічні характеристики сигналу через функцію ритму ( ) , T t n . Запропоновано математичну модель функції амплітудної варіабельності зубців ЕКС (P, Q, R, S, T) як різниці амплітудних значень однойменних зубців у послідовних кардіоциклах, а також математичну модель функції часової варіабельності, що описує часові інтервали між однойменними зубцями у послідовних кардіоциклах. Охарактеризовано метод оцінювання функції ритму та методи статистичного опрацювання циклічного випадкового процесу із урахуванням функції ритму, зокрема оцінювання математичного сподівання та дисперсії в межах циклу. У третьому розділі розроблено структурну схему інформаційної технології інтелектуального аналізу морфологічних і ритмічних ознак електрокардіосигналів. Проведено експериментальну верифікацію запропонованих підходів та методів із використанням реальних електрокардіосигналів пацієнтів в стані норми, а також для деяких патологій. Здійснено спектральний аналіз математичного сподівання та дисперсії електрокардіосигналів у межах одного циклу методом розкладу в ряд Фур’є, що дало змогу виявити характерні спектральні діагностичні патерни для різних типів кардіологічних патологій. Проведено статистичну валідацію математичних моделей функцій амплітудної та часової варіабельності на даних 204 записів електрокардіосигналів з бази PhysioNet, що охоплюють ішемію міокарда, надшлуночкову аритмію, шлуночкову тахікардію та нормальний ритм. Перевірено стаціонарність функцій амплітудної та часової варіабельності за критеріями Колмогорова-Смірнова та Дікі-Фуллера, а також відповідність нормальному розподілу за тестом Андерсона-Дарлінга, критеріями Ліллієфорса та Шапіро-Уілка. У четвертому розділі здійснено обґрунтування методів прийняття діагностичних рішень на основі ідентифікованих морфологічних і ритмічних ознак електрокардіосигналу та з використанням сучасних алгоритмів машинного навчання. Зокрема, досліджено ефективність чотирьох алгоритмів виявлення аномалій – однокласової машини опорних векторів (OneClassSVM з RBF-ядром), ізоляційного лісу (Isolation Forest), локального фактора викиду (LOF) та еліптичної оболонки (Elliptic Envelope) – для класифікації електрокардіосигналів пацієнтів із фібриляцією та тріпотінням передсердь. Встановлено вплив попередньої обробки (StandardScaler + PCA): точність класифікації морфологічних ознак зросла з 52-83 % до 98-100 %, при цьому метод локального фактора викиду (LOF) забезпечив найвищу точність для фібриляції передсердь. Для розширення діагностичних можливостей проведено класифікацію чотирьох типів серцево-судинних захворювань на основі десяти статистичних дескрипторів функції амплітудної варіабельності (середнє, медіана, мода, стандартне відхилення, дисперсія, ексцес, асиметрія, розмах, мінімум, максимум) з використанням платформи AutoML PyCaret; за результатами порівняння десяти алгоритмів найкращий результат продемонстрував Random Forest Classifier (Accuracy = 0,9187, AUC = 0,9433, F1 = 0,9186). Для інтерпретації класифікаційних рішень моделі застосовано SHAP-аналіз (SHapley Additive exPlanations), який дав змогу встановити на глобальному та локальному рівнях, що асиметрія та ексцес функції амплітудної варіабельності є ключовими діагностичними ознаками морфологічних захворювань міокарда.

Dissertation for the degree of Doctor of Philosophy in specialty 122 – Computer Science (12 – Information Technologies). – Ternopil Ivan Puluj National Technical University, Ternopil, 2026. The research was carried out at the Department of Computer Science, Ternopil Ivan Puluj National Technical University, Ministry of Education and Science of Ukraine. The dissertation addresses a relevant scientific problem – improving the efficiency of automated cardiac diagnostics through the development of models and methods for intelligent analysis of morphological and rhythmic features of electrocardiographic signals, based on a mathematical model in the form of a cyclic random process with a segmental zone structure, amplitude and temporal variability functions of electrocardiographic signal waves, methods for their statistical estimation, and classification algorithms. The introduction substantiates the relevance of the dissertation topic, establishes the relationship of the research with scientific programs, formulates the aim and objectives of the study, defines the object, subject, and methods of research, provides a general characterisation of the dissertation, outlines the scientific novelty of the results obtained and their practical significance, and addresses the dissemination of the dissertation results through approbation and scientific publications. Chapter 1 presents a comprehensive review of the literature pertaining to the subject of the dissertation. The clinical significance of the ECG and its application domains in non-invasive medical diagnostics are analysed. Conventional ECG processing approaches – based on physician visual assessment and fundamental signal processing algorithms (filtering, R-peak detection, interval measurement) – are examined alongside contemporary methods employing machine learning and deep learning. A comparative analysis of existing ECG mathematical models and methods is conducted. The limitations and shortcomings of existing approaches are identified – in particular, insufficient consideration of the cyclic nature of the ECG, the absence of integrated analysis of morphological and rhythmic features, and limited capabilities for amplitude variability analysis – which served as the basis for formulating the aim and objectives of the dissertation research. Chapter 2 presents a mathematical model of electrocardiographic signals with a segment-zone structure, developed on the basis of cyclic random process theory, which accounts for both morphological and rhythmic signal characteristics through the rhythm function ( ) , T t n . A mathematical model of the amplitude variability function of ECG waves (P, Q, R, S, T) is proposed, defined as the difference between amplitude values of corresponding waves in successive cardiac cycles, as well as a mathematical model of the time variability function describing the time intervals between corresponding waves in successive cardiac cycles. The method for estimating the rhythm function is characterised, along with methods for statistical processing of the cyclic random process with respect to the rhythm function, including estimation of the mathematical expectation and variance within a cycle. Chapter 3 presents the structural scheme of the information technology for intelligent analysis of morphological and rhythmic features of electrocardiographic signals. Experimental verification of the proposed approaches and methods is performed using real electrocardiographic signals from patients in normal condition as well as for certain pathologies. Spectral analysis of the mathematical expectation and variance of electrocardiographic signals within a single cycle is carried out by means of Fourier series decomposition, enabling the identification of characteristic spectral diagnostic patterns for various types of cardiac pathology. Statistical validation of the mathematical models of the amplitude and time variability functions is conducted on a dataset of 204 electrocardiographic signal recordings from the PhysioNet database, encompassing myocardial ischaemia, supraventricular arrhythmia, ventricular tachycardia, and normal sinus rhythm. The stationarity of the amplitude and time variability functions is assessed using the Kolmogorov-Smirnov and augmented Dickey-Fuller tests, and normality of distribution is evaluated by the Anderson-Darling test, the Lilliefors criterion, and the Shapiro-Wilk test. Chapter 4 presents the substantiation of methods for diagnostic decision-making based on the identified morphological and rhythmic features of electrocardiographic signals using modern machine learning algorithms. Specifically, the effectiveness of four anomaly detection algorithms – One-Class Support Vector Machine (OneClassSVM with RBF kernel), Isolation Forest, Local Outlier Factor (LOF), and Elliptic Envelope – is investigated for the classification of electrocardiographic signals from patients with atrial fibrillation and atrial flutter. The decisive influence of preprocessing (StandardScaler + PCA) is established: the classification accuracy for morphological features increased from the range of 52-83% to 98-100%, with the Local Outlier Factor (LOF) method achieving the highest accuracy for atrial fibrillation classification. To extend the diagnostic capabilities, classification of four cardiovascular disease categories is performed based on ten statistical descriptors of the amplitude variability function (mean, median, mode, standard deviation, variance, kurtosis, skewness, range, minimum, maximum) using the AutoML PyCaret platform; a comparison of ten algorithms revealed that the Random Forest Classifier achieved the best performance (Accuracy = 0.9187, AUC = 0.9433, F1 = 0.9186). For the interpretation of classification decisions, SHAP analysis (SHapley Additive exPlanations) was applied, establishing at both global and local levels that skewness and kurtosis of the amplitude variability function are the key diagnostic features of morphological myocardial pathologies.