УДК 004.93’11:616.12­073.7:004.891
DOI: 10.36871/2618­-9976.2025.11.013

Авторы

Евгений Юрьевич Щетинин,
Доктор физико­математических наук, профессор кафедры информационных систем и технологий, Севастопольский государственный университет, Севастополь, Россия
Дмитрий Владимирович Моисеев,
Доктор технических наук, доцент, профессор кафедры информационные технологии и системы, Севастопольский государственный университет, Севастополь, Россия
Анна Вячеславовна Пестрякова,
Ассистент кафедры информационные технологии и системы, Севастопольский государственный университет, Севастополь, Россия

Аннотация

В работе исследована задача автоматической диагностики нарушений сердечного ритма по одноканальным сигналам электрокардиограммы (ЭКГ) в условиях выраженной несбалансированности классов и повышенных требований к клинической надёжности. Предложена гибридная архитектура глубокого обучения, сочетающая одномерную свёрточную нейронную сеть (1D­CNN) и двунаправленную рекуррентную сеть с ячейками долгой краткосрочной памяти (BiLSTM), что позволяет эффективно извлекать как локальные морфологические признаки ЭКГ­сигнала, так и моделировать его временные зависимости. Для компенсации дисбаланса классов реализована генеративная аугментация редких категорий ЭКГ на основе условной диффузионной модели (Conditional Diffusion Transformer, CDiT). Обучение и оценка качества модели выполнены с соблюдением принципа patient­wise разбиения данных, исключающего утечку информации между обучающей и тестовой выборками. В качестве основных метрик использованы macro­F1­score, per­class recall, площадь под ROC­кривой (ROC­AUC), а также их статистические оценки (среднее значение и стандартное отклонение по пяти независимым запускам). Проведённое абляционное исследование количественно подтверждает вклад каждого компонента системы CDiT, BiLSTM и Focal Loss в итоговое качество классификации. Эксперименты на базе данных MIT­BIH Arrhythmia Database продемонстрировали достижение macro­F1 = 94,6 ± 0,3 % и чувствительности (recall) не ниже 92 % для всех пяти классов по стандарту AAMI EC57. Работа вносит инновационный вклад в область биомедицинского искусственного интеллекта, демонстрируя, что строгая постановка задачи в сочетании с современными генеративными методами позволяет получать клинически значимые результаты даже при работе с малыми и сильно несбалансированными наборами данных.

Ключевые слова

аритмия
электрокардиограмма
глубокое обучение
несбалансированные данные
диффузионные модели
гибридные нейросети
patient­wise разбиение

Список литературы

[1] Щетинин Е.Ю. Автоматическое обнаружение нарушений сердечного ритма на основе анализа электрокардиограмм методами глубокого обучения // Вестник Компьютерных  Информационных  Технологий. 2021; 18(5):18–27. DOI: 10.14489/vkit.2021.05. pp.018­027.

[2] Cheng J, Zou Q, Zhao Y. ECG signal classification based on deep CNN and BiLSTM. BMC Med Inform Decis Mak. 2021;21:365. DOI: 10.1186/s12911­021­01736­y.

[3] Dhariwal P, Nichol A. Diffusion models beat GANs on image synthesis. arXiv: 2105. 05233v4 [cs.LG] 1 Jun 2021.

[4] Gupta V., Mittal M., Mittal V. et al. A Critical Review of Feature Extraction Techniques for ECG Signal Analysis. J. Inst. Eng. India Ser. B 102, 1049–1060 (2021). DOI: 10.1007/s40031­021­ 00606­5.

[5] Gupta, V., Saxena, N.K., Kanungo, A. et al. A review of different ECG classification/detection techniques for improved medical applications. Int J Syst Assur Eng Manag. 13, 1037–1051 (2022). DOI:10.1007/s13198­021­01548­3.

[6] Ho J., Jain A., Abbeel P. Denoising Diffusion Probabilistic Models. In: Larochelle H., Ranzato M., Hadsell R., Balcan M., Lin H., editors. Advances in Neural Information Processing Systems. Volume 33. Curran Associates, Inc.; Red Hook, NY, USA: 2020. pp. 6840–6851.

[7] Kiranyaz S, Ince T, Gabbouj M. Real­time patient­specific ECG classification by 1­D convolutional neural networks. IEEE Trans Biomed Eng. 2016; 63(3):664–675. DOI: 10.1109/ TBME.2015.2468589.

[8] Kuvaev A., Khudorozhkov R. (2020). An Attention­Based CNN for ECG Classification. In: Arai K., Kapoor S. (eds) Advances in Computer Vision. CVC 2019. Advances in Intelligent Systems and Computing, vol 943. Springer, Cham. DOI.org/10.1007/978­3­030­17795­9_49.

[9] Moody G.B., Mark R.G. The impact of the MIT­BIH Arrhythmia Database. IEEE Eng in Med and Biol. 20(3):45­50 (May­June 2001). (PMID: 11446209).

[10] Rahman M.M., Hossain M.S., Alahi E.E.P., et al. ECG arrhythmia classification using deep learning: A comprehensive benchmark study on the MIT­BIH dataset. PLoS One. 2023;18(4):e0284791. DOI:10.1371/journal.pone.0284791.

[11] Wu Z., Guo C. Deep learning and electrocardiography: systematic review of current techniques in cardiovascular disease diagnosis and management. BioMed Eng OnLine. 24, 23 (2025). DOI:10.1186/s12938­025­01349­w.

[12] Yuansan Liu, Sudanthi Wijewickrema, Dongting Hu, Christofer Bester, Stephen O’Leary, James Bailey. Stochastic Diffusion: A Diffusion Based Model for Stochastic Time Series Forecasting. arXiv:2406.02827. DOI:10.48550/arXiv.2406.02827.