Логотип
ИЭА СТР
УДК 004.04:612.172 • EDN: CCFUQO • e-Library ID: 83017072

РАЗРАБОТКА НЕЙРОННОЙ СЕТИ ТИПА GRU ДЛЯ АВТОМАТИЗИРОВАННОЙ ИНТЕРПРЕТАЦИИ КАРДИОГРАММ

• С. 104-109
Скачать JATS XML Скачать PDF
🇷🇺 На русском

Для цитирования

Лосев А.Ю. Разработка нейронной сети типа GRU для автоматизированной интерпретации кардиограмм // Информационно-экономические аспекты стандартизации и технического регулирования. 2025. № 5 (86). С. 104–109.

Аннотация

Существующие трудности ручного анализа электрокардиограмм из-за разнообразия и изменчивости паттернов приводят к необходимости создания автоматизированных решений. Изложена последовательность шагов по разработке GRU-нейросети для анализа кардиограмм, использующей модели автоматического анализа и интерпретации электрокардиограмм. Представлены результаты обучения и тестирования GRU-нейросети, оценки точности алгоритма классификации для разных классов аритмии с помощью метрик Accuracy, Precision, Recall и F1-score. Приведены графики обучения полученных результатов (матрица ошибок, графики точности и потерь по эпохам). Проведен анализ полученных результатов, заключающихся в снижении времени анализа кардиограмм, повышении надежности диагностики при хронической сердечной недостаточности. Подчеркнут потенциальный вклад рассмотренного подхода в области персонализированной медицины, особенно в условиях ограниченного доступа к специализированной кардиологической помощи.

Ключевые слова

сердечно-сосудистые заболевания электрокардиограмма рекуррентная нейронная сеть машинное обучение метрики классов аритмий персонализированная медицина

Об авторах

Лосев А. Ю.

Лосев А. Ю. — соискатель, ФГАОУ ВО Первый Московский государственный медицинский университет имени И.М. Сеченова (Сеченовский Университет), ( Москва, Россия )

Список литературы

  1. 1. Муромцев В.В., Никитин В.М., Ефремова О.А., Камышникова Л.А. Подход к улучшению автоматизированной системы компьютерного анализа электрокардиограммы // Медицинские технологии. Оценка и выбор. 2019. № 2 (36). С. 42–48.
  2. 2. Лебедев Г.С., Шепетовская Н.Л., Решетников В.А. Телемедицина и механизмы ее интеграции // Национальное здравоохранение. 2021. Т. 2, № 2. С. 21–27.
  3. 3. Волосатова Т.М., Спасёнов А.Ю., Логунова А.О. Автоматизированная система анализа и интерпретации электрокардиосигнала // Радиооптика. 2016. № 1. С. 1–18.
  4. 4. Кошечкин К.А. Регулирование искусственного интеллекта в медицине // Пациентоориентированная медицина и фармация. 2023. Т. 1, № 1. С. 32–40.
  5. 5. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. – 2-е изд., испр. – М.: ДМК Пресс, 2018. – 652 с.
  6. 6. Ramaraj E. A novel deep learning based gated recurrent unit with extreme learning machine for electrocardiogram (ECG) signal recognition // Biomedical Signal Processing and Control. 2021. Vol 68. Art. 102779.
  7. 7. Лосев А.Ю., Сулейманова Д.С., Черноморец Ю.А. [и др.]. Повышение эффективности медицинских осмотров на основе медицинских информационных систем // Информационно-экономические аспекты стандартизации и технического регулирования. 2024. № 3 (78). С. 59–66.
  8. 8. 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, pp. 45–50.
  9. 9. Kim B.H, Pyun J.Y. ECG identification for personal authentication using LSTM-based deep recurrent neural networks // Sensors. 2020. Vol. 20, no. 11. Art. 3069.
  10. 10. Lynn H.M., Pan S.B., Kim P. A deep bidirectional GRU network model for biometric electrocardiogram classification based on recurrent neural networks // IEEE Access. 2019. Vol. 7, pp. 145395–405.
  11. 11. Hammad M., Chelloug S.A., Alkanhel R., et al. Automated detection of myocardial infarction and heart conduction disorders based on feature selection and a deep learning model // Sensors. 2022. Vol. 22, no. 17. Art. 6503.
🇬🇧 In English

DEVELOPMENT OF A GRU NEURAL NETWORK FOR AUTOMATED INTERPRETATION OF CARDIOGRAMS

For citation

Losev A.Yu. Development of a GRU neural network for automated interpretation of cardiograms. Information and Economic Aspects of Standardization and Technical Regulation. 2025; 5 (86): 104–109. (In Russ.).

Abstract

The existing dif culties of manual analysis of electrocardiograms due to the variety and variability of patterns lead to the need to create automated solutions. The sequence of steps for the development of a GRU neural network for the analysis of cardiograms using models of automatic analysis and interpretation of electrocardiograms is described.The results of training and testing the GRU neural network, evaluating the accuracy of the classi cation algorithm for different classes of arrhythmias using Accuracy, Precision, Recall and F1-score metrics are presented. The graphs of learning the obtained results (error matrix, graphs of accuracy and loss by epoch) are given. The analysis of the obtained results is carried out, which consist in reducing the analysis time of cardiograms and increasing the reliability of diagnosis in chronic heart failure. The potential contribution of the considered approach in the eld of personalized medicine is emphasized, especially in conditions of limited access to specialized cardiological care

Keywords

cardiovascular diseases electrocardiogram recurrent neural network machine learning metrics of classes of arrhythmias personalized medicine

About the authors

Losev A. Yu.

Losev A. Yu. — applicant, Sechenov First Moscow State Medical University, ( Moscow, Russia )

References

  1. 1. Muromtsev V.V., Nikitin V.M., Efremova O.A., Kamyshnikova L.A. Podhod k uluchsheniyu avtomatizirovannoj sistemy komp’yuternogo analiza elektrokardiogrammy. Medicinskie tekhnologii. Ocenka i vybor. 2019. No. 2(36), pp. 42–48.
  2. 2. Lebedev G.S., Shepetovskaya N.L., Reshetnikov V.A. Telemedicina i mekhanizmy ee integracii. Nacional’noe zdravoohranenie. 2021. Vol. 2. No. 2, pp. 21–27.
  3. 3. Volosatova T.M., Spasyonov A.Yu., Logunova A.O. Avtomatizirovannaya sistema analiza i interpretacii elektrokardiosignala. Radiooptika. 2016. No. 1, pp. 1–18.
  4. 4. Koshechkin K.A. Regulirovanie iskusstvennogo intellekta v medicine. Pacientoorientirovannaya medicina i farmaciya. 2023. Vol. 1. No. 1, pp. 32–40.
  5. 5. Gudfellou Y., Bendzhio I., Kurvill A. Glubokoe obuchenie: 2-nd ed. Moscow: DMK Press Publ., 2018. 652 p.
  6. 6. Ramaraj E. A novel deep learning based gated recurrent unit with extreme learning machine for electrocardiogram (ECG) signal recognition // Biomedical Signal Processing and Control. 2021. Vol 68. Art. 102779.
  7. 7. Losev A.Yu., Sulejmanova D.S., Chernomorec Yu.A., et al. Povyshenie effektivnosti medicinskih osmotrov na osnove medicinskih informacionnyh sistem. Information and Economic Aspects of Standardization and Technical Regulation. 2024. No. 3 (78), pp. 59–66.
  8. 8. 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, pp. 45–50.
  9. 9. Kim B.H, Pyun J.Y. ECG identification for personal authentication using LSTM-based deep recurrent neural networks // Sensors. 2020. Vol. 20, no. 11. Art. 3069.
  10. 10. Lynn H.M., Pan S.B., Kim P. A deep bidirectional GRU network model for biometric electrocardiogram classification based on recurrent neural networks // IEEE Access. 2019. Vol. 7, pp. 145395–405.
  11. 11. Hammad M., Chelloug S.A., Alkanhel R., et al. Automated detection of myocardial infarction and heart conduction disorders based on feature selection and a deep learning model // Sensors. 2022. Vol. 22, no. 17. Art. 6503.