Abstract
<jats:p>У роботі розроблено структурно-алгоритмічний метод аналізу електрокардіографічних сигналів для ранньої діагностики аритмій на основі методів машинного навчання. Запропонований підхід орієнтований на підвищення надійності автоматизованого аналізу ЕКГ у біотехнічних системах медичного призначення та враховує особливості реєстрації реальних сигналів, зокрема наявність шумів, артефактів та міжіндивідуальної мінливості параметрів серцевої діяльності. В рамках дослідження розроблено багаторівневий комплекс попередньої обробки сигналів, який включає адаптивну фільтрацію компенсації, дрейф ізоліній, придушення мережевого шуму та зменшення впливу високочастотного шуму. Це дозволило забезпечити належну якість вхідних даних для подальшого аналізу та підвищити стабільність алгоритмів. Було застосовано алгоритм розпізнавання комплексу QRS, а також процедури вибору інформативних часових, частотних та морфологічних ознак, які найповніше характеризують стан серцевого ритму та можуть бути використані для виявлення патологічних змін. На основі отриманих результатів побудовано структурну модель системи біотехнічного аналізу ЕКГ, яка відображає послідовність основних етапів обробки сигналу: від реєстрації та попередньої фільтрації до класифікації та формування діагностичного висновку. Було проведено порівняльний аналіз ефективності класифікації аритмій за допомогою алгоритмів Random Forest, Support Vector Machine та багатошарової нейронної мережі. За результатами моделювання було виявлено, що найкращу продуктивність продемонструвала багатошарова нейронна мережа, для якої точність класифікації досягла 96,8%. Запропонований метод забезпечує підвищену стійкість системи до шуму, артефактів та індивідуальних варіацій сигналу, що свідчить про його практичну придатність для використання в системах раннього виявлення аритмій та підтримки прийняття діагностичних рішень. </jats:p>