Класифікація серцевих ритмів на основі аудіосигналів методами глибокого навчання
Information Technologies and Engineering Electronics · 30.06.2026 · (4) · 58-64
DOI: 10.15330/itee.2026.4.07 ↗Kurz gefasst
Fachartikel in der Zeitschrift Information Technologies and Engineering Electronics, online erschienen am 30.06.2026. Verfasst von Юрій Петриняк und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Серцево-судинні захворювання посідають перші місця серед причин смерті в розвинених країнах світу, що робить розробку ефективних методів діагностики критично важливою задачею для охорони здоров'я. Розробка методів діагностики та оцінки ризиків на основі даних про серцеві ритми займає важливе місце в міждисциплінарних роботах, створених на стику математики, аналізу даних та медицини. Результати таких досліджень знаходять широке застосування у розробці застосунків для мобільних смартфонів і різних портативних пристроїв, де все більше уваги приділяється проблемам самодіагностики та раннього виявлення серцевих захворювань. У даній роботі досліджується класифікація аудіосигналів серцевих тонів, зібраних за допомогою стетоскопа, для автоматичної діагностики захворювань, викликаних неправильною роботою серця. Для дослідження використано набір даних Classifying Heart Sounds, що містить 813 аудіофрагментів тривалістю від 1 до 30 секунд, розподілених за чотирма категоріями: нормальні серцеві тони, шуми (murmur), екстрасистоли та артефакти. Методи, розглянуті в роботі, дозволяють використовувати їх для запису серцебиття за допомогою мобільного пристрою та подальшого аналізу з використанням спеціалізованих застосунків. Попередня обробка даних включала нормалізацію тривалості записів та розширення набору даних шляхом генерації синтетичних прикладів з коефіцієнтами розтягування 1,2 та 0,8. Для отримання ознак використовувалися мел-частотні кепстральні коефіцієнти (MFCC) з 20 компонентами. Порівнювалися різні підходи до класифікації: алгоритми Random Forest та градієнтного бустингу XGBoost показали точність 89% та 85% відповідно, виявивши труднощі у розрізненні класів екстрасистоли та артефактів. Основна увага приділена розробці гібридної архітектури глибокої нейронної мережі CNN-LSTM, яка поєднує згорткові шари для виділення просторових ознак із рекурентними LSTM-шарами для аналізу темпоральних залежностей. Модель складається з трьох блоків згорткових шарів Conv1D (1024, 512, 256 фільтрів), шарів MaxPooling та BatchNormalization, за якими слідує LSTM-шар з 128 одиницями та повнозв'язні Dense-шари з регуляризацією Dropout. Робота виконана мовою Python з використанням бібліотек TensorFlow, Librosa, Pandas та SciPy. Результати показують, що запропонована архітектура досягає точності класифікації 95% на тестовому наборі даних, значно перевершуючи традиційні методи, особливо у виявленні складних класів екстрасистоли (F1-score 0,86) та артефактів (F1-score 1,0).
Zitieren
APA
Петриняк, Ю., & Пірко, І. (2026). Класифікація серцевих ритмів на основі аудіосигналів методами глибокого навчання. Information Technologies and Engineering Electronics, 58-64. https://doi.org/10.15330/itee.2026.4.07
Vancouver
Петриняк Ю, Пірко І. Класифікація серцевих ритмів на основі аудіосигналів методами глибокого навчання. Information Technologies and Engineering Electronics. 2026:58-64. doi:10.15330/itee.2026.4.07
BibTeX
@article{2026,
author = {Петриняк, Юрій and Пірко, Ігор},
title = {Класифікація серцевих ритмів на основі аудіосигналів методами глибокого навчання},
journal = {Information Technologies and Engineering Electronics},
year = {2026},
number = {4},
pages = {58--64},
doi = {10.15330/itee.2026.4.07}
}
EUVIMED