Логотип
ИЭА СТР
УДК 004.891:614.2 • EDN: FTCWAM • e-Library ID: 91674049

МОДЕЛИ ФОНОКАРДИОГРАММ И МЕТРИКИ В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ

• С. 102-109
🇷🇺 На русском

Для цитирования

Бурый А .С . , Алина А . А . Модели фонокардиограмм и метрики в системах поддержки принятия врачебных решений // Информационно-экономические аспекты стандартизации и технического регулирования. 2026. № 3 (90). С. 102–109.

Аннотация

Анализ биомедицинских сигналов лежит в основе современного здравоохранения, обеспечивая точную диагностику, непрерывный физиологический мониторинг и информированное ведение пациентов. Цель работы: совершенствование методологического подхода к разработке надежного диагностического конвейера автоматизированной обработки частотно-временны́х представлений сигналов фонокардиограмм (ФКГ) для систем поддержки принятия врачебных решений на основе рекуррентных нейросетей. Методы: информационно-сигнальный анализ, методы принятия решений в условиях определенности, методы машинного обучения в задачах классификации признаков на основе рекуррентных нейронных сетей. Результаты: выявлена перспективность применения сигналов ФКГ для диагностики сердечно-сосудистых заболеваний; эффективность задачи классификации тонов сердца оценивается на основе вычисления метрик информативности; полученный анализ параметров может быть применен в медицинских мониторинговых системах, а также в цифровых средствах поддержки врачебных решений.

Ключевые слова

рекуррентная нейронная сеть система поддержки принятия врачебных решений сердечно-сосудистые заболевания фонокардиограмма машинное обучение классификация матрица ошибок

Об авторах

Бурый Алексей Сергеевич

Бурый Алексей Сергеевич — Доктор технических наук, ФГБУ «Институт стандартизации», ( Москва, Россия )

Алина Анастасия Александровна

Алина Анастасия Александровна — Аспирант, ФГБУ «Институт стандартизации», ( Москва, Россия )

Список литературы

  1. 1. Грибова В.В., Шалфеева Е.А., Петряева М.В., Окунь Д.Б. Интеграция клинических рекомендаций в инструменты цифрового здравоохранения: онтологическое моделирование. Сибирский журнал клинической и экспериментальной медицины. 2025. № 40(3). С. 36–49. https://doi.org/10.29001/ 2073- 8552-2025-40-3-36-49
  2. 2. Alqudah A.M. , Moussavi Z. Bridging Signal Intelligence and Clinical Insight: A Comprehensive Review of Feature Engineering, Model Interpretability, and Machine Learning in Biomedical Signal Analysis // Applied Sciences. 2025. T. 15, № 22. P. 12036. https://doi.org/10.3390/app152212036
  3. 3. Фраленко В.П. Автоматизированное рабочее место врача-диагноста для работы с медицинскими данными и элементами мультимодальной визуализации // Программные системы: теория и приложения. 2025. Т. 16, № 4(67). С. 81–117. – EDN ZVWLTC.
  4. 4. Peters L.J. , et al. What helps the successful implementation of digital decision aids supporting shared decision-making in cardiovascular diseases? A systematic review // European Heart Journal-Digital Health. 2023. Т. 4, № 1. С. 53–62.
  5. 5. Реброва О.Ю. Эффективность систем поддержки принятия врачебных решений: способы и результаты оценки // Клиническая и экспериментальная тиреоидология. 2019. Т. 15, № 4. С. 148–155. https://doi.org/10.14341/ket12377. – EDN XFSSOM.
  6. 6. Alquran H., Al-Issa Y., Alsalatie M., Tawalbeh S. Deep learning models for segmenting phonocardiogram signals: a comparative study // PLoS ONE. 2025. Т. 20, № 4. e0320297. https://doi. org/10.1371/journal.pone.0320297
  7. 7. Волосатова Т.М., Спасенов А.Ю., Логунова А.О. Автоматизированная система анализа и интерпретации электрокардиосигнала // Радиооптика. 2016. № 1. С. 1–18. – EDN VRCULN.
  8. 8. Немковский Г.Б., Дорофеева Е.И., Лосев А.Ю. Оптимизация информационных процессов при подготовке и проведении хирургического вмешательства // Информационно-экономические аспекты стандартизации и технического регулирования. 2024. № 2 (77). С. 51–58. – EDN ACASTK.
  9. 9. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. – М.: ДМК Пресс, 2018. – 652 с.
  10. 10. 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. – EDN CCFUQO.
  11. 11. Андреев П.К., Ананьев В.В., Макаров В.А. [и др.]. Диагностика гипертрофий левых отделов сердца с помощью глубокой нейронной сети // Труды ИСП РА. 2020. Т. 32, Вып. 4. С. 141–154. https://doi.org/ 10.15514/ISPRAS–2020–32(4)–10. – EDN DRBGZX.
  12. 12. Yadav H., Shah P., Gandhi N., et al. CNN and bidirectional GRUbased heartbeat sound classification architecture for elderly people // Mathematics. 2023. T. 11, № 6. С. 1365.
  13. 13. Бурый А.С., Усцелемов В.Н. Информационная поддержка систем принятия решений на основе прецедентов // Информационно-экономические аспекты стандартизации и технического регулирования. 2024. № 2(77). С. 44–50. – EDN YBEOPY.
  14. 14. Kalimuthu M. , Hemanth C. Preliminary study on real-time phonocardiogram signal acquisition and analysis using machine learning and IoMT for digital stethoscope // IEEE Access. 2025. T. 13. C. 68682–68709.
  15. 15. Костелей Я.В., Жданов Д.С., Боровской И.Г. Адаптация фильтра нелокального усреднения для усиления звуков тонов сердца на фонокардиограммах плода и человека // Вестник СибГУТИ. 2021. № 3(55). С. 77–91. – EDN HJFFMZ.
  16. 16. Bao X., Xu Y., Kamavuako E. N. The effect of signal duration on the classification of heart sounds: A deep learning approach // Sensors. 2022. Т. 22, № 6. С. 2261.
  17. 17. McDonald A., Gales M. J. F., Agarwal A. A recurrent neural network and parallel hidden Markov model algorithm to segment and detect heart murmurs in phonocardiograms // PLOS Digital Health. 2024. Т. 3, № 11. С. e0000436.
  18. 18. Калякулина А.И., Юсипов И.И., Москаленко В.А. [и др.]. Вейвлет-анализ для нахождения точек морфологий волн электрокардиографического сигнала // Известия вузов. Радиофизика. 2018. Т. 61, № 8–9. С. 773–789. – EDN YUHXRJ.
  19. 19. Аед В.М. Развитие методов и алгоритмов обработки и нейросетевого анализа фоно-кардиосигнала: автореф. дис. …канд. техн. наук: 05.12.04. – Владимир, 2017. – 20 с.
  20. 20. Платонова А.И., Попов В.С. Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU // Современные инновации, системы и технологии. 2025. Т. 5, № 2. С. 3061–3070. https://doi.org/10.47813/2782- 2818-2025-5-2-3061-3070. – EDN LDSMFM.
  21. 21. Корнеенков А.А., Рязанцев С.В., Вяземская Е.Э. Вычисление и интерпретация показателей информативности диагностических медицинских технологий // Медицинский совет. 2019. № 20. С. 45–51. https://doi.org/10.21518/2079-701X-2019-20-45-51. – EDN FMTNPQ.
🇬🇧 In English

PHONOCARDIOGRAM MODELS AND METRICS IN MEDICAL DECISION SUPPORT SYSTEMS

For citation

Buryi A.S., Alina A.A. Phonocardiogram Models and Metrics in Medical Decision Support Systems. Information and economic aspects of standardization and technical regulation. 2026;3(90):102–109. (In Russ.).

Abstract

Biomedical signal analysis is at the core of modern healthcare, providing accurate diagnosis, continuous physiological monitoring, and informed patient management. The purpose of the paper: to improve the methodological approach to the development of a reliable diagnostic pipeline for automated processing of time-frequency representations of phonocardiogram signals (PCG) for decision support systems based on recurrent neural networks. Methods of study: information and signal analysis, methods of decision-making in conditions of certainty, machine learning methods in feature classification tasks based on recurrent neural networks. Study findings: the prospects of using PCG signals for the diagnosis of cardiovascular diseases have been identified; the effectiveness of the heart tone classification task is assessed based on the calculation of information metrics; the obtained parameter analysis can be applied in medical monitoring systems, as well as in digital medical decision support tools.

Keywords

recurrent neural network medical decision support system cardiovascular diseases phonocardiogram machine learning classification matrix of confusion

About the authors

Buryi A. S.

Buryi A. S. — Doctor of Science in Technology, Russian Standardization Institute, ( Moscow, Russia )

Alina A. A.

Alina A. A. — Graduate Student, Russian Standardization Institute, ( Moscow, Russia )

References

  1. 1. Gribova V.V., Shalfeeva E.A., Petryaeva M.V., Okun D.B. Integration of clinical guidelines into digital healthcare tools: ontological modeling. Siberian Journal of Clinical and Experimental Medicine, 2025, vol. 40(3), pp. 36–49. https://doi.org/10.29001/ 2073-8552- 2025-40-3-36-49 (In Russ.).
  2. 2. Alqudah A.M. , Moussavi Z. Bridging Signal Intelligence and Clinical Insight: A Comprehensive Review of Feature Engineering, Model Interpretability, and Machine Learning in Biomedical Signal Analysis // Applied Sciences, 2025. T. 15, № 22. P. 12036. https:// doi.org/10.3390/app152212036
  3. 3. Fralenko V.P. Diagnostician automated workstation for working with medical data and elements of multimodal visualization. Program Systems: Theory and Applications, 2025, 16:4(67), pp. 81–117. (In Russ.).
  4. 4. Peters L.J. , et al. What helps the successful implementation of digital decision aids supporting shared decision-making in cardiovascular diseases? A systematic review. European Heart Journal-Digital Health, 2023, vol. 4, no. 1, pp. 53-62.
  5. 5. Rebrova O.Yu. Efficacy of clinical decision support systems: methods and estimates. Clinical and experimental thyroidology, 2019, vol. 15, no. 4, pp. 148–155. https://doi.org/10.14341/ket12377 (In Russ.).
  6. 6. Alquran H., Al-Issa Y., Alsalatie M., Tawalbeh S. Deep learning models for segmenting phonocardiogram signals: a comparative study. PLoS ONE, 2025, vol. 20, no. 4. e0320297. https://doi.org/10.1371/journal.pone.0320297
  7. 7. Volosatova T.M. , Spasenov A.Iu. , Logunova A.O. Automated ECG Analysis and Interpretation System. Radiooptics of the Bauman MSTU, 2016, no. 1, pp. 1–18. https://doi.org/10.7463/ rdopt.0116.0831932. (In Russ.).
  8. 8. Nemkovskiy G.B. , Dorofeeva E.I. , Losev A.Yu. Information processes optimization during preparation and implementation surgical intervention. Information and Economic Aspects of Standardization and Technical Regulation, 2024, no. 2(77), pp. 51–58. (In Russ.)
  9. 9. Goodfellow I., Bengio Y., Courville A. Deep Learning: MIT Press, 2016, 800 p.
  10. 10. Losev A.Yu. Development of a GRU neural network for automated interpretation of cardiograms. Information and Economic Aspects of Standardization and Technical Regulation. 2025, no. 5(86), pp. 104–109. (In Russ.).
  11. 11. Andreev P.K., Ananev V.V., Makarov V.A., et al. Diagnosis of left atrial and left ventricular hypertrophies using a deep neural network. Trudy ISP RAN/Proc. ISP RAS, 2020, vol. 32, iss. 4, pp. 141–154. (In Russ.).
  12. 12. Yadav H., Shah P., Gandhi N., et al. CNN and bidirectional GRUbased heartbeat sound classification architecture for elderly people. Mathematics, 2023, vol. 11, no. 6. P. 1365.
  13. 13. Buryi A.S., Ustselemov V.N. Information support for precedentbased decision-making systems. Information and Economic Aspects of Standardization and Technical Regulation, 2024, no. 2 (77), pp. 44–50. (In Russ.).
  14. 14. Kalimuthu M. , Hemanth C. Preliminary study on real-time phonocardiogram signal acquisition and analysis using machine learning and IoMT for digital stethoscope. IEEE Access, 2025. T. 13. C. 68682–68709.
  15. 15. Kosteley Y.V., Zhdanov D.S., Borovskoy I.G. Non-local averaging filter adaptation for heart sounds amplification on fetus and humans’ phonocardiograms. The Herald of the SSUTIS, 2021, no. 3(55), pp. 77–91. (In Russ.).
  16. 16. Bao X., Xu Y., Kamavuako E. N. The effect of signal duration on the classification of heart sounds: A deep learning approach. Sensors, 2022, vol. 22, no. 6. P. 2261.
  17. 17. McDonald A., Gales M. J. F., Agarwal A. A recurrent neural network and parallel hidden Markov model algorithm to segment and detect heart murmurs in phonocardiograms. PLOS Digital Health, 2024, vol. 3, no.11. P. e0000436.
  18. 18. Kalyakulina A.I., Yusipov I.I., Moskalenko V.A., et al. Vejvlet-analiz dlya nahozhdeniya tochek morfologij voln elektrokardiograficheskogo signala. Izvestiya vuzov. Radiofizika, 2018, vol. 61, no. 8–9, pp. 773–789. (In Russ.).
  19. 19. Aed V.M. Development of methods and algorithms for processing and neural network analysis of phonocardiosignal. Extended abstract of candidate’s thesis. Vladimir, 2017, 20 p. (In Russ.).
  20. 20. Platonova A.I. , Popov V.S. Sravnenie tochnosti modelej prognozirovaniya vremennyh ryadov: ARIMA, Prophet, LSTM i GRU. Sovremennye innovacii, sistemy i tekhnologii, 2025, vol. 5, no. 2, pp. 3061-3070. https://doi.org/10.47813/2782-2818-2025- 5-2-3061-3070. (In Russ.).
  21. 21. Korneenkov A.A., Ryazantsev S.V., Vyazemskaya Е.E. Symptom dynamics assessment of the disease by methods of survival analysis. Meditsinskiy sovet = Medical Council, 2019, no. 20, pp. 45–51. https://doi.org/10.21518/2079-701X-2019-20-45-51. (In Russ.).