Метод попередньої обробки сигналу ЕКГ  для класифікації електрокардіограм за допомогою спайкінгових нейронних мереж

Дмитро  Милосердов; Олег  Колесницький

doi:10.25140/2411-5363-2025-3(41)-203-210

Автор(и)

Дмитро Милосердов Вінницький національний технічний університет, Україна https://orcid.org/0009-0001-5216-3552
Олег Колесницький Вінницький національний технічний університет, Україна https://orcid.org/0000-0003-0336-4910

DOI:

https://doi.org/10.25140/2411-5363-2025-3(41)-203-210

Ключові слова:

мінімаксна нормалізація; ресемплювання; ЕКГ; інтерполяція; спайкінгові нейронні мережі

Анотація

На основі математичних підходів з обробки послідовностей у роботі було представлено новий метод попередньої обробки сигналу ЕКГ для його подальшого використання у задачі класифікації. Описано послідовність виконання таких операцій, як ресемплювання та ретаймінг сигналу, його нормалізація та додаткові операції, що потрібні для повної обробки. Метод було протестовано та наведено позитивні результати моделювання у вигляді сигналу, що характеризує удар серця зі збереженими P, T хвилями та QRS-комплексом, але з нормалізованою амплітудою до [0,1] та стандартною тривалістю сигналу протягом одного запису.

Посилання

Kolesnytskyj, O. K., Bokotsey, I. V., & Yaremchuk, S. S. (2010). Optoelectronic imple-mentation of pulsed neurons and neural networks using bispin-devices. Optical Memory and Neural Networks, 19(2), 154–165. https://doi.org/10.3103/s1060992x10020062.

Kolesnytskyj, O. K., Kutsman, V. V., Skorupski, K., & Arshidinova, M. (2019, November 6). Neurocomputer architecture based on spiking neural network and its optoelectronic imple-mentation. In Proceedings of SPIE 11176, Photonics Applications in Astronomy, Communica-tions, Industry, and High-Energy Physics Experiments 2019 (Paper 1117609). https://doi.org/10.1117/12.2536607.

Kutsman, V., & Kolesnytskyj, O. (2021). Dynamic handwritten signature identification using spiking neural network. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 11(3), 34–39. https://doi.org/10.35784/iapgos.2718.

MIT-BIH Arrhythmia Database. (n.d.). PhysioNet. Retrieved August 17, 2025, from https://www.physionet.org/content/mitdb/1.0.0/

Kozemiako, V. P., Kolesnytskyj, O. K., Lischenko, T. S., Wojcik, W., & Sulemenov, A. (2013, January 11). Optoelectronic spiking neural network. In Proceedings of SPIE 8698, Opti-cal Fibers and Their Applications 2012 (Paper 86980M). https://doi.org/10.1117/12.2019340.

Choi, H., Park, J., Lee, J., & Sim, D. (2024). Review on spiking neural network-based ECG classification methods for low-power environments. Biomedical Engineering Letters. https://doi.org/10.1007/s13534-024-00391-2.

Yan, Z., Zhou, J., & Wong, W.-F. (2021). Energy efficient ECG classification with spiking neural network. Biomedical Signal Processing and Control, 63, 102170. https://doi.org/10.1016/j.bspc.2020.102170.

Amirshahi, A., & Hashemi, M. (2019). ECG classification algorithm based on STDP and R-STDP neural networks for real-time monitoring on ultra low-power personal wearable devic-es. IEEE Transactions on Biomedical Circuits and Systems, 13(6), 1483–1493. https://doi.org/10.1109/tbcas.2019.2948920.

Maass, W. (1997). Networks of spiking neurons: The third generation of neural network models. Neural Networks, 10(9), 1659–1671. https://doi.org/10.1016/S0893-6080(97)00011-7.

Gerstner, W., & Kistler, W. M. (2002). Spiking neuron models: Single neurons, popula-tions, plasticity. Cambridge, UK: Cambridge University Press. https://doi.org/10.1017/CBO9780511815706.

Kent State University Libraries. (n.d.). Pearson correlation coefficient. Retrieved August 29, 2025, from https://libguides.library.kent.edu/SPSS/PearsonCorr.

Mulders, M. (Ed.). (2017). 2015 European School of High-Energy Physics: Bansko, Bulgaria, 02–15 September 2015. Geneva: CERN. https://doi.org/10.23730/CYRSP-2017-001.