ГИБРИДНЫЙ ПОДХОД ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ТОЧНОЙ КЛАССИФИКАЦИИ ЭКГ-СЕРДЦЕБИЕНИЙ С ИСПОЛЬЗОВАНИЕМ RESNET18 И BILSTM

Аннотация

Точная классификация сердечных сокращений на электрокардиограмме (ЭКГ) играет ключевую роль в ранней диагностике сердечно-сосудистых заболеваний. В данной работе предлагается новая гибридная архитектура глубокого обучения, сочетающая сверточную нейронную сеть (CNN) ResNet18 с двунаправленной долгой краткосрочной памятью (BiLSTM) для повышения точности классификации ЭКГ-сокращений. На первом этапе сигналы ЭКГ очищаются от шума с помощью дискретного вейвлет-преобразования с использованием вейвлета 'sym5', после чего сегментируются на отдельные сердечные сокращения, центрированные по R-пикам. Каждое сокращение преобразуется в изображение в оттенках серого с унифицированным размером 224×224 пикселя. Далее применяется обширная аугментация данных для обеспечения сбалансированности классов по семи типам сокращений: NOR, LBB, RBB, PVC, APC, VFW и VEB. В отличие от традиционных подходов на основе CNN, предлагаемая модель использует сеть ResNet18 для извлечения пространственных признаков из изображений сокращений, которые затем обрабатываются слоем BiLSTM для выявления последовательных зависимостей между сокращениями. Такая временная модель позволяет классификатору точнее распознавать тонкие морфологические различия, связанные с аритмиями. Эксперименты на базе MIT-BIH Arrhythmia Database показали, что гибридная модель превосходит базовые CNN-архитектуры, достигая точности 97,4% и макро F1-метрики 96,8%.
Визуализация результатов с помощью матриц ошибок и диаграмм F1-оценок дополнительно подтверждает эффективность предложенного подхода, особенно в распознавании редких типов сокращений. Данное исследование предлагает надежное и масштабируемое решение для классификации сокращений на ЭКГ с перспективой интеграции в системы мониторинга сердца в реальном времени в качестве инструмента поддержки клинических решений.