Аналіз особливостей використання згорткових нейронних мереж для класифікації кардіосигналів

Abstract

This work presents a detailed review of the prospects of using one-dimensional convolutional neural networks (1D CNN) for the automated classification of cardiac signals. The key parameters of ECG signal are analyzed. The mechanics and architecture of 1D CNNs are investigated, highlighting the End-to-End learning process that allows the network to autonomously extract complex biomarkers without prior manual annotation. A comparative analysis of traditional expert systems and deep learning methods is conducted, justifying the superiority of 1D CNNs in noisy data environments and mobile monitoring. Classical algorithms are designed for 12-channel stationary cardiographs within hospitals, while CNNs allow you to obtain basic information working in single-channel mode ( a smart watch or fitness tracker) during human movement. Due to optimization and small size, these models can be deployed directly on the microprocessors of devices, providing continuous heart monitoring 24/7 without the need for an Internet connection.

У цій статті представлено огляд перспектив використання одновимірних згорткових нейронних мереж (1D CNN) для автоматизованої класифікації кардіосигналів. Проаналізовано ключові параметри ЕКГ-сигналу, необхідні для детекції патологій. Досліджено механіку роботи та архітектуру 1D CNN, висвітлено процес наскрізного навчання, який дозволяє мережі самостійно формувати  приховані біомаркери без попереднього ручного маркування зубців P, Q, R, S, T. Зроблено порівняльний аналіз традиційних експертних систем та методів глибокого навчання, де обґрунтовано перевагу 1D CNN в умовах зашумлених даних та мобільного моніторингу. Класичні алгоритми створені для 12-канальних стаціонарних кардіографів у межах стаціонарів, натомість CNN дозволяють отримувати базову інформацію працюючи в одноканальному режимі(зі смарт-годинника чи фітнес-трекера) під час руху людини. Завдяки оптимізації та малим розміром, ці моделі можна розгортати безпосередньо на мікропроцесорах пристроїв, забезпечуючи постійний моніторинг серця 24/7 без необхідності підключення до інтернету.