Формалізація ознак ЕКГ-сигналів для побудови моделей машинного навчання

Abstract

ЕКГ, або електрокардiограма, — це метод неiнвазивного дослiдження, який дозволяє зафiксувати електричну активнiсть серця за допомогою спецiальних електродiв, розташованих на шкiрi. Цей метод використовується для оцiнки ритму серця, виявлення порушень електричної провiдностi, а також для дiагностики рiзноманiтних серцевих патологiй, таких як iшемiя, iнфаркт мiокарда та аритмiї. Завдяки своїй простотi та доступностi, ЕКГ є одним iз основних iнструментiв у кардiологiї для монiторингу стану пацiєнта як у стацiонарних, так i в амбулаторних умовах. Пiдготовка сигналу ЕКГ до машинного навчання — це комплекс процесiв, що включає кiлька ключових етапiв для забезпечення високої якостi даних i їх оптимальної придатностi для аналiзу. Спочатку проводиться попередня обробка сигналу, яка полягає у фiльтрацiї для усунення шумiв та артефактiв, наприклад, базового дрейфу чи високочастотних перешкод. Далi виконується нормалiзацiя, яка забезпечує однорiднiсть даних, приводячи амплiтуди сигналу до спiльного масштабу та знижуючи вплив зовнiшнiх факторiв. Наступним етапом є сегментацiя, коли безперервний сигнал розбивається на окремi фрагменти навколо пiкiв R, що дозволяє видiлити окремi комплекси серцевих скорочень. Пiсля цього проводиться видiлення ознак: з кожного сегмента вилучаються ключовi характеристики, такi як тривалiсть iнтервалiв, амплiтуди окремих хвиль, а також часово-частотнi параметри. Цi ознаки допомагають моделi розрiзняти нормальнi та патологiчнi стани серця. Завершальним кроком є перетворення обробленого сигналу у формат, зручний для подачi в алгоритми машинного навчання. Такий комплексний пiдхiд дозволяє ефективно навчати моделi розпiзнавати закономiрностi в роботi серця, що є основою для дiагностики та прогнозування рiзних кардiологiчних станiв. Дана стаття присвячена побудовi алгоритмiв для пiдготовки даних цифрової кардiограми до машинного навчання. Розроблений алгоритм дозволяє отримати статистичнi характеристики цифрової кардiограми, що дає можливiсть використати їх в подальшому аналiзi з використанням методiв машинного навчання.

An ECG, or electrocardiogram, is a non-invasive method that records the heart’s electrical activity via electrodes placed on the skin. It is used to assess heart rhythm, detect conduction disorders, and diagnose a variety of cardiac pathologies such as ischemia, myocardial infarction, and arrhythmias. Because of its simplicity and availability, the ECG is one of the primary tools in cardiology for monitoring a patient’s condition in both inpatient and outpatient settings. Preparing an ECG signal for machine-learning analysis involves several key stages to ensure high-quality data and optimal suitability for modelling. The process starts with pre-processing, where filtering is applied to remove noise and artefacts, such as baseline wander or high-frequency interference. Normalization then brings signal amplitudes to a common scale, reducing the influence of external factors. The next stage is segmentation, in which the continuous signal is divided into individual segments around the R peaks, allowing isolation of separate cardiac-cycle complexes. Feature extraction follows: each segment is analyzed to obtain key characteristics such as interval durations, wave amplitudes, and time-frequency parameters. These features enable the model to distinguish between normal and pathological heart conditions. The final step is to convert the processed signal into a format suitable for input to machine-learning algorithms. This comprehensive approach facilitates effective model training to recognize cardiac patterns, forming the basis for diagnosis and prognosis of various cardiological conditions. The present article focuses on designing algorithms that prepare digital ECG data for machine learning. The proposed algorithm yields statistical characteristics of the digital ECG, which can subsequently be used in further analysis with machine-learning methods.