<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Моделі машинного навчання для раннього виявлення аритмій за ЕКГ

Ескіз

Файли

27659.pdf (216,46 KB)

Дата

2026

Автори

Назва журналу

Номер ISSN

Назва тому

Видавець

ВНТУ

DOI

Анотація

Опис

Ключові слова

1D‑CNN , валидаціяAbstractThis paper reviews machine learning and deep learning approaches for early arrhythmia detection fromelectrocardiographic signals Classical feature‑based models and modern deep architectures for 1D ECG are , ECG , arrhythmia , machine learning , deep learning , validation

УДК

616.12-073.7:004.8

Тип документа

Thesis

Мова

uk_UA

Є частиною

Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026.

ISSN

Бібліографічний опис

Матеуш В. С. Моделі машинного навчання для раннього виявлення аритмій за ЕКГ // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-frtzp/all-frtzp-2026/paper/view/27659.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/54673

Зібрання

НТКП ВНТУ. Факультет інформаційних електронних систем (2026)

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (8)

  1. Goldberger A. L., Amaral L. A. N., Glass L. et al. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation. 2000. Vol. 101, No. 23. P. e215–e220. DOI: 10.1161/01.CIR.101.23.e215.
  2. Moody G. B., Mark R. G. The impact of the MIT-BIH arrhythmia database. IEEE Engineering in Medicine and Biology Magazine. 2001. Vol. 20, No. 3. P. 45–50. DOI: 10.1109/51.932724.
  3. Wagner P., Strodthoff N., Bousseljot R.-D. et al. PTB-XL, a large publicly available electrocardiography dataset. Scientific Data. 2020. Vol. 7. Article 154. DOI: 10.1038/s41597-020-0495-6.
  4. Kiranyaz S., Ince T., Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Transactions on Biomedical Engineering. 2016. Vol. 63, No. 3. P. 664–675. DOI: 10.1109/TBME.2015.2468589.
  5. Acharya U. R., Fujita H., Oh S. L. et al. Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals. Information Sciences. 2017. Vol. 415–416. P. 190–198. DOI: 10.1016/j.ins.2017.06.027.
  6. Hannun A. Y., Rajpurkar P., Haghpanahi M. et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature Medicine. 2019. Vol. 25, No. 1. P. 65–69. DOI: 10.1038/s41591-0180268-3.
  7. Rajpurkar P., Hannun A. Y., Haghpanahi M., Bourn C., Ng A. Y. Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks. arXiv:1707.01836. 2017.
  8. Clifford G. D., Azuaje F., McSharry P. E. Advanced Methods and Tools for ECG Data Analysis. Artech House. 2006.