Програмно-апаратний комплекс аналізу ритміки серця з використанням методів машинного навчання

Abstract

У кваліфікаційній роботі розроблено програмно-апаратний комплекс аналізу ритміки серця з використанням методів машинного навчання, призначений для автоматизованої обробки електрокардіографічних сигналів та оцінювання функціонального стану серцево-судинної системи. У роботі проведено аналіз сучасних методів реєстрації та обробки електрокардіографічних сигналів, досліджено існуючі підходи до автоматизованого аналізу серцевого ритму та використання методів машинного навчання в кардіологічних інформаційних системах. Обґрунтовано структуру програмно-апаратного комплексу, виконано вибір технічних засобів та розроблено математичне, алгоритмічне й програмне забезпечення системи. Для цифрової обробки електрокардіографічних сигналів використано алгоритм Pan–Tompkins, що забезпечує автоматичне виявлення QRS-комплексів. На основі послідовностей RR-інтервалів здійснюється розрахунок показників варіабельності серцевого ритму та формування діагностичних ознак. Для класифікації функціонального стану серця використано алгоритм Random Forest. Програмну реалізацію комплексу виконано в середовищі MATLAB R2014a. Результати проведених досліджень підтвердили ефективність запропонованого підходу до аналізу ритміки серця. Розроблений комплекс забезпечує автоматизовану обробку електрокардіографічних сигналів, високу точність виявлення QRS-комплексів та ефективну класифікацію функціонального стану серцево-судинної системи. Отримані результати можуть бути використані у системах кардіомоніторингу, функціональної діагностики та медичних інформаційних системах.

The qualification thesis is devoted to the development of a software and hardware complex for heart rhythm analysis using machine learning methods intended for automated processing of electrocardiographic signals and assessment of the functional state of the cardiovascular system. The thesis presents an analysis of modern methods for electrocardiographic signal acquisition and processing, investigates existing approaches to automated heart rhythm analysis, and examines the application of machine learning techniques in cardiological information systems. The structure of the proposed software and hardware complex is substantiated, and the technical, mathematical, algorithmic, and software support of the system is developed. The Pan–Tompkins algorithm is employed for digital processing of electrocardiographic signals, providing automatic detection of QRS complexes. Based on RR interval sequences, heart rate variability parameters are calculated and diagnostic features are extracted. The Random Forest algorithm is applied to classify the functional state of the heart. The software implementation of the complex was developed using MATLAB R2014a. The obtained research results confirmed the effectiveness of the proposed approach to heart rhythm analysis. The developed complex provides automated processing of electrocardiographic signals, high accuracy of QRS complex detection, and efficient classification of the functional state of the cardiovascular system. The proposed solution can be applied in cardiac monitoring systems, functional diagnostics, and medical information systems.