RU2767157C2 - Method and system for automatic ecg analysis - Google Patents

Abstract

FIELD: medical equipment.

SUBSTANCE: invention relates to the field of automatic analysis of an electrocardiogram using machine learning algorithms. In the claimed method, a computing system is provided, containing three machine learning models, while the method performs stages, at which: a patient’s ECG signal is received; the received signal is pre-processed; signal processing is carried out using the first machine learning model, wherein during the specified processing, time coordinates of QRS signal complexes are allocated; using the second machine learning model, based on a classification convolutional neural network (CNN), the following is performed: signal segments of a predetermined size centered on the position of QRS complex is processed based on time coordinates allocated by the first ML model; an averaged heartbeat vector of QRS complex is formed; patient’s heartbeat data is classified using the third ML model by processing the mentioned time coordinates of QRS signal complexes obtained by the first ML model and the averaged heartbeat vector of QRS complex formed by the second ML model.

EFFECT: increase in the accuracy of ECG analysis.

6 cl, 4 dwg, 3 tbl

Description

ОБЛАСТЬ ТЕХНИКИFIELD OF TECHNOLOGY

[0001] Заявленное техническое решение относится к автоматизированному способу и системе автоматического анализа электрокардиограммы (ЭКГ) с помощью алгоритмов машинного обучения.[0001] The claimed technical solution relates to an automated method and system for automatic analysis of an electrocardiogram (ECG) using machine learning algorithms.

УРОВЕНЬ ТЕХНИКИBACKGROUND OF THE INVENTION

[0002] Холтеровское мониторирование - это длительная запись ЭКГ (24 часа и более), которая содержит большое количество ценной диагностической информации о пациенте. Интерпретация длительных сигналов является трудоемкой задачей для врача функциональной диагностики, который анализирует ЭКГ, потому что каждое сердцебиение должно быть классифицировано по отдельности.[0002] Holter monitoring is a long-term ECG recording (24 hours or more), which contains a large amount of valuable diagnostic information about the patient. Interpreting long-term signals is a laborious task for the functional diagnostician who analyzes the ECG because each heartbeat must be classified individually.

[0003] Сердечно-сосудистые заболевания остаются основной причиной смерти во всем мире по данным Всемирной организации здравоохранения (ВОЗ) [1]. Своевременный скрининг и диагностика таких заболеваний могут значительно снизить вызываемую ими смертность и инвалидизацию населения.[0003] Cardiovascular disease remains the leading cause of death worldwide according to the World Health Organization (WHO) [1]. Timely screening and diagnosis of such diseases can significantly reduce the mortality and disability caused by them.

[0004] Электрокардиограмма является одним из самых доступных и распространенных инструментов для записи сердечного ритма, который облегчает диагностику широкого спектра сердечных патологий. Учитывая тот факт, что нарушения сердечного ритма могут происходить нерегулярно, для выявления таких событий необходим мониторинг в течение длительного периода времени.[0004] The electrocardiogram is one of the most widely available and widely used heart rate recording tools, which facilitates the diagnosis of a wide range of cardiac pathologies. Given the fact that cardiac arrhythmias may occur irregularly, monitoring over a long period of time is necessary to detect such events.

[0005] Записи холтеровского ЭКГ содержат сотни тысяч сердцебиений, и в идеале положение каждого из них должно быть точно определено и классифицироваться индивидуально. По этой причине кардиологи используют коммерческое программное обеспечение для кластеризации сердцебиений по внешнему виду и для их дальнейшей классификации, а затем вручную проверяют и корректируют результаты автоматической классификации.[0005] Holter ECG records contain hundreds of thousands of heartbeats, and ideally the position of each of them should be accurately determined and classified individually. For this reason, cardiologists use commercial software to cluster heartbeats by appearance and further classify them, and then manually check and correct the automatic classification results.

[0006] Кардиолог проверяет каждый кластер и исправляет ошибки классификации, если это необходимо, как описано в статье [3]. Задача интерпретации долгосрочных записей Холтера остается сложной, что раскрыто в статье [15]. В одном исследовании автоматическая интерпретация сигналов ЭКГ выявила несинусовый ритм сердца только с точностью 53,5% [14]. Другое исследование [5] показало, что среди ЭКГ с автоматическим диагнозом мерцательной аритмии или трепетания предсердий диагноз был неверным почти в 10% случаев.[0006] The cardiologist checks each cluster and corrects classification errors, if necessary, as described in [3]. The task of interpreting long-term Holter records remains challenging, as discussed in [15]. In one study, automatic interpretation of ECG signals detected a non-sinus heart rhythm with only 53.5% accuracy [14]. Another study [5] showed that among ECGs with an automatic diagnosis of atrial fibrillation or atrial flutter, the diagnosis was incorrect in almost 10% of cases.

[0007] Почти в половине случаев ошибочный диагноз не был исправлен врачом, верифицирующим автоматический анализ. Клиническое влияние неверной интерпретации ЭКГ на основе существующего автоматического ПО также оценивалось в статье [6], где было продемонстрировано, что неправильный автоматический диагноз (АД) значительно влияет на точность интерпретации ЭКГ записи врачом. В частности, точность диагностики, достигнутая кардиологами-ординаторами, упала на 43,20%, когда им был показан неверный АД.[0007] In almost half of the cases, the misdiagnosis was not corrected by the physician verifying the automatic analysis. The clinical impact of ECG misinterpretation based on existing automated software was also assessed in [6], where it was demonstrated that automated misdiagnosis (BP) significantly affects the accuracy of physician interpretation of the ECG record. In particular, the accuracy of diagnosis achieved by cardiologists-residents fell by 43.20% when they were shown the wrong BP.

[0008] Автоматизированная интерпретация сигнала ЭКГ традиционно реализуется с помощью алгоритмов извлечения признаков (начало и смещение различных волн, измерения различных интервалов, параметров амплитуды и т.д.), а также решающими правилами, которые задаются экспертно. Чтобы повысить точность таких методов, к данной задаче был применен ряд алгоритмов машинного обучения. Эти методы позволили использовать более информативные признаки, например, методы преобразования времени в частоту (например, вейвлет-преобразование) для извлечения признаков из сигналов переменной длины как показано в статье [12]. Тем не менее, проблема автоматической интерпретации сигналов ЭКГ по-прежнему остается недостаточно изученной, несмотря на все усилия, описанные в статьях [4] и [2]. Кроме того, с появлением методов, основанных на глубоком обучении, возникли новые ожидания, что качество автоматической интерпретации ЭКГ с использованием современных глубоких нейронных сетей может быть сопоставимо с кардиологами [13].[0008] Automated interpretation of the ECG signal is traditionally implemented using feature extraction algorithms (onset and offset of various waves, measurements of various intervals, amplitude parameters, etc.), as well as decision rules that are set by experts. To improve the accuracy of such methods, a number of machine learning algorithms were applied to this problem. These methods allowed the use of more informative features, such as time-to-frequency conversion methods (eg, wavelet transform) to extract features from variable length signals as shown in [12]. However, the problem of automatic interpretation of ECG signals still remains insufficiently studied, despite all the efforts described in articles [4] and [2]. In addition, with the advent of methods based on deep learning, new expectations have arisen that the quality of automatic ECG interpretation using modern deep neural networks can be comparable to that of cardiologists [13].

[0009] В одной из таких работ [9] описывается, как многоступенчатая модель применялась к задаче детекции мерцательной аритмии. В частности, сигнал был разделен на 10-минутные сегменты, для которых был выполнено шумоподавление и частотный анализ с использованием вейвлет-преобразования. Кроме того, из спектрограмм с использованием CNN (сокращение от англ. Convolutional Neural Network - Сверточная нейронная сеть) были извлечены признаки, в то время как BRNN (сокращение от англ. Bidirectional Recurrent Neural Network - Двунаправленная Рекуррентная нейронная сеть) с механизмом внимания использовались для детекции временных характеристик в извлеченных признаках, в результате чего последний классификационный слой вычисляет вероятность наличия мерцательной аритмии. Однако, недостатком применения такой модели является склонность к переобучению, повышенная вычислительная сложность, возможность рассмотрения только одной патологии.[0009] One such paper [9] describes how a multistage model has been applied to the task of detecting atrial fibrillation. In particular, the signal was divided into 10-minute segments, for which noise reduction and frequency analysis were performed using wavelet transform. In addition, features were extracted from spectrograms using CNN (short for Convolutional Neural Network - Convolutional Neural Network), while BRNN (short for Bidirectional Recurrent Neural Network - Bidirectional Recurrent Neural Network) with attention mechanism were used for detection of temporal characteristics in the extracted features, as a result of which the last classification layer calculates the probability of having atrial fibrillation. However, the disadvantage of using such a model is the tendency to overfit, increased computational complexity, and the possibility of considering only one pathology.

[0010] Еще одна работа по применению глубокого обучения к задаче интерпретации ЭКГ представлена в статье [10], где 34-слойная CNN превзошла кардиолога в обнаружении широкого спектра аритмий сердца, используя большой набор аннотированных данных и очень глубокую CNN. Такой подход имеет ряд недостатков. Во-первых, обучающий и тестовый наборы данных в статье [10] были сформированы таким образом, чтобы сделать их более сбалансированными, то есть, принимая на вход только 2 тридцати секундных окна для каждого пациента, таким образом, вероятно, делая метрику ложноположительных результатов неточной. Во-вторых, приведенная в статье модель работает с записями ЭКГ только с одним отведением.[0010] Another work on the application of deep learning to the task of ECG interpretation is presented in [10], where a 34-layer CNN outperformed a cardiologist in detecting a wide range of cardiac arrhythmias using a large set of annotated data and a very deep CNN. This approach has a number of disadvantages. First, the training and test datasets in [10] were shaped to make them more balanced, i.e., only accepting 2 thirty second windows per patient, thus likely making the false positive metric inaccurate. . Secondly, the model presented in the article works with ECG records with only one lead.

[0011] Что касается проблемы шума в записях ЭКГ, то она изучается в статье [11]. Авторы определили 5 классов шума, упорядоченных по клиническому влиянию шума на клинические параметры, которые должны быть измерены в ЭКГ. Были предложены различные измерения уровня шума, такие как отклонение базовой линии, помехи в линии электропередачи и стандартное отклонение шума. А также, построена карта шума, которая характеризует временное распределение шума. В статье [11] показано, что уровень шума может быть чрезмерно высоким для автоматической или человеческой интерпретации сигналов ЭКГ.[0011] With regard to the problem of noise in ECG recordings, it is studied in the article [11]. The authors defined 5 noise classes, ranked by the clinical impact of the noise on the clinical parameters to be measured in the ECG. Various noise measurements have been proposed, such as baseline deviation, power line interference, and noise standard deviation. And also, a noise map was built, which characterizes the temporal distribution of noise. The article [11] shows that the noise level can be too high for automatic or human interpretation of ECG signals.

[0012] Общим недостатком существующих решений в данной области является низкая точность определения клинической картины и отсутствие возможности анализа шумных данных.[0012] A common disadvantage of existing solutions in this area is the low accuracy of determining the clinical picture and the lack of the ability to analyze noisy data.

РАСКРЫТИЕ ИЗОБРЕТЕНИЯDISCLOSURE OF THE INVENTION

[0013] В заявленном техническом решении предлагается новый подход, к автоматическому анализу ЭКГ. В нем представлена архитектура CNN, которая позволяет получать одинаковые признаки для дальнейшей их классификации и сегментации, что позволяет применять ее при различном числе отведений и в условиях временного отсоединения одного или нескольких электродов. Кроме того, в данном решении используется модель сегментации и классификации ЭКГ (CNN + GBDT (сокращение от англ. Gradient Boosting Detection Tree - Градиентный бустинг на решающих деревьях)), что позволяет модели учитывать не только локальные признаки QRS-комплекса - это желудочковый комплекс, который регистрируется во время возбуждения желудочков сердца, но и глобальные признаки, полученные при анализе всей записи целиком.[0013] The claimed technical solution proposes a new approach to the automatic analysis of the ECG. It presents the CNN architecture, which allows obtaining the same features for their further classification and segmentation, which allows it to be used for a different number of leads and in conditions of temporary disconnection of one or more electrodes. In addition, this solution uses an ECG segmentation and classification model (CNN + GBDT (short for Gradient Boosting Detection Tree - Gradient boosting on decision trees)), which allows the model to take into account not only the local signs of the QRS complex - it is a ventricular complex, which is recorded during excitation of the ventricles of the heart, but also global signs obtained by analyzing the entire record.

[0014] Эффективность данного решения подтверждается существенным приростом точности анализа ЭКГ. Данный подход приближается к уровню точности опытных кардиологов, что будет продемонстрированно в эксперименте, описанном ниже.[0014] The effectiveness of this solution is confirmed by a significant increase in the accuracy of ECG analysis. This approach approaches the accuracy level of experienced cardiologists, as will be demonstrated in the experiment described below.

[0015] Таким образом, решается техническая проблема точного автоматического анализа ЭКГ.[0015] Thus, the technical problem of accurate automatic ECG analysis is solved.

[0016] Техническим результатом, достигающимся при решении данной проблемы, является повышение точности анализа ЭКГ.[0016] The technical result achieved by solving this problem is to increase the accuracy of ECG analysis.

[0017] Указанный технический результат достигается благодаря осуществлению компьютерно-реализуемого способа автоматического анализа ЭКГ, выполняемого с помощью, по меньшей мере, одного процессора и содержащего этапы, на которых:[0017] The specified technical result is achieved due to the implementation of a computer-implemented method for automatic analysis of the ECG, performed using at least one processor and containing the steps in which:

- получают сигнал ЭКГ, по меньшей мере, одного пациента;receiving an ECG signal from at least one patient;

- осуществляют обработку полученного сигнала с помощью первой модели машинного обучения (МО), причем в ходе указанной обработки осуществляется выделение временных координат QRS комплексов сигнала;- carry out the processing of the received signal using the first model of machine learning (ML), and in the course of this processing, the time coordinates of the QRS of the signal complexes are allocated;

- с помощью второй модели МО на базе классификационной сверточной нейронной сети (CNN) осуществляют:- using the second ML model based on the classification convolutional neural network (CNN), the following is carried out:

обработку отрезков сигнала заранее заданного размера, центрированных по положению QRS-комплекса на основании временных координат, выделенных первой моделью МО;

processing segments of the signal of a predetermined size, centered on the position of the QRS complex based on the time coordinates allocated by the first MO model;

формирование усредненного вектора сердцебиения QRS-комплекса;

formation of the average heartbeat vector of the QRS complex;

- осуществляют классификацию данных сердцебиения пациента с помощью третьей модели МО с помощью обработки упомянутых временных координат QRS комплексов сигнала, полученных первой моделью МО и усредненного вектора сердцебиения QRS-комплекса, формируемого второй моделью МО.- the patient's heartbeat data is classified using the third MO model by processing the said QRS time coordinates of the signal complexes obtained by the first MO model and the average heartbeat vector of the QRS complex generated by the second MO model.

[0018] В одном из частных вариантов реализации способа сигнал ЭКГ, по меньшей мере, одного пациента содержит показания при отключенных и подключенных электродах.[0018] In one of the private embodiments of the method, the ECG signal of at least one patient contains readings with the electrodes disconnected and connected.

[0019] В другом частном варианте реализации способа полученный сигнал ЭКГ предобрабатывают.[0019] In another particular embodiment of the method, the received ECG signal is preprocessed.

[0020] В другом частном варианте реализации способа на этапе предварительной обработки полученного сигнала выполняют:[0020] In another particular embodiment of the method, at the stage of pre-processing the received signal, the following is performed:

- заполнение сигнала от отключенных электродов линейной интерполяцией между последней ненулевой точкой до отключения и первой ненулевой точкой после разъединения;- filling the signal from the disconnected electrodes with linear interpolation between the last non-zero point before disconnection and the first non-zero point after disconnection;

- устранение блуждания изолинии путем вычитания двух проходов усредняющего фильтра с окном в 400 миллисекунд;- elimination of baseline wandering by subtracting two passes of the averaging filter with a window of 400 milliseconds;

- применение фильтра нижних частот с частотой среза 40 Гц;- application of a low-pass filter with a cutoff frequency of 40 Hz;

- понижение частоты дискретизации сигнала.- downsampling of the signal.

[0021] В другом частном варианте реализации способа первая модель МО реализована на базе сегментационной сверточной нейронной сети (CNN).[0021] In another particular embodiment of the method, the first MO model is implemented on the basis of a segmentation convolutional neural network (CNN).

[0022] В другом частном варианте реализации способа заранее заданный отрезок времени установлен в 2 секунды.[0022] In another particular embodiment of the method, the predetermined length of time is set to 2 seconds.

[0023] В другом частном варианте реализации способа осуществляют классификацию данных сердцебиения пациента с помощью третьей модели МО на основе градиентного бустинга над решающими деревьями.[0023] In another particular embodiment of the method, the patient's heartbeat data is classified using a third MO model based on gradient boosting over decision trees.

[0024] Кроме того, заявленный технический результат достигается за счет системы автоматического анализа ЭКГ содержащей:[0024] In addition, the claimed technical result is achieved through an automatic ECG analysis system containing:

- по меньшей мере один процессор;- at least one processor;

- по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивают выполнение способа автоматического анализа ЭКГ.- at least one memory connected to the processor, which contains machine-readable instructions, which, when executed by at least one processor, provide for the execution of an automatic ECG analysis method.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙBRIEF DESCRIPTION OF THE DRAWINGS

[0025] Признаки и преимущества настоящего изобретения станут очевидными из приводимого ниже подробного описания изобретения и прилагаемых чертежей.[0025] The features and advantages of the present invention will become apparent from the following detailed description of the invention and the accompanying drawings.

[0026] Фиг. 1 иллюстрирует пример реализации способа автоматического анализа ЭКГ.[0026] FIG. 1 illustrates an example implementation of an automatic ECG analysis method.

[0027] Фиг. 2 иллюстрирует анализ сигнала ЭКГ первой моделью МО.[0027] FIG. 2 illustrates the analysis of the ECG signal by the first MO model.

[0028] Фиг. 3 иллюстрирует анализ сигнала ЭКГ второй моделью МО.[0028] FIG. 3 illustrates the analysis of the ECG signal by the second MO model.

[0029] Фиг. 4 иллюстрирует общий вид системы автоматического анализа ЭКГ.[0029] FIG. 4 illustrates a general view of the automatic ECG analysis system.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯIMPLEMENTATION OF THE INVENTION

[0030] Данное техническое решение может быть реализовано на компьютере, в виде автоматизированной информационной системы (АИС) или машиночитаемого носителя, содержащего инструкции для выполнения вышеупомянутого способа.[0030] This technical solution can be implemented on a computer, in the form of an automated information system (AIS) or a machine-readable medium containing instructions for performing the above method.

[0031] Техническое решение может быть реализовано в виде распределенной компьютерной системы.[0031] The technical solution can be implemented as a distributed computer system.

[0032] В данном решении под системой подразумевается компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, четко определенную последовательность вычислительных операций (действий, инструкций).[0032] In this solution, a system refers to a computer system, a computer (electronic computer), CNC (numerical control), PLC (programmable logic controller), computerized control systems and any other devices capable of performing a given, well-defined sequence of computing operations (actions, instructions).

[0033] Под устройством обработки команд подразумевается электронный блок либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы)/[0033] A command processing device is an electronic unit or an integrated circuit (microprocessor) that executes machine instructions (programs)/

[0034] Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройства хранения данных, например таких устройств, как оперативно запоминающие устройства (ОЗУ) и/или постоянные запоминающие устройства (ПЗУ). В качестве ПЗУ могут выступать, но, не ограничиваясь, жесткие диски (HDD), флеш-память, твердотельные накопители (SSD), оптические носители данных (CD, DVD, BD, MD и т.п.) и др.[0034] The instruction processor reads and executes machine instructions (programs) from one or more storage devices, such as random access memory (RAM) and/or read only memory (ROM). ROM can be, but not limited to, hard drives (HDD), flash memory, solid state drives (SSD), optical storage media (CD, DVD, BD, MD, etc.), etc.

[0035] Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.[0035] A program is a sequence of instructions intended to be executed by a computer control device or command processing device.

[0036] Данные ЭКГ, были собраны из нескольких клиник одной из восточноевропейских стран. Данные состоят из 5095 амбулаторных записей ЭКГ с двумя отведениями продолжительностью 24 часа (в таблице 1 представлены статистики, относящиеся к датасету) и частотой 250 Гц. Вся персональная информация о пациентах была удалена клиниками. Каждая запись была аннотирована опытными кардиологами с использованием коммерческого программного обеспечения для анализа ЭКГ.[0036] ECG data were collected from several clinics in one of the Eastern European countries. The data consists of 5095 ambulatory 2-lead ECG recordings of 24 hours duration (Table 1 shows statistics related to the dataset) at a frequency of 250 Hz. All personal information about patients has been deleted by clinics. Each record was annotated by experienced cardiologists using commercial ECG analysis software.

[0037] Разметка представляет собой положения отдельных QRS-комплексов, а также метки классов, такие как широкие или узкие QRS-комплексы, аритмические события (экстрасистолы и паузы) и различные типы пауз. Разметка получена полуавтоматическим методом - вначале проприетарный коммерческий алгоритм провел автоматическую разметку записи, затем опытный специалист функциональной диагностики провел вариацию и исправление ошибок алгоритма. Алгоритм, участвовавший в разметке данных, представлен в итоговой таблице (см. таблицу 2) под названием "Коммерческое ПО 1".[0037] The labels represent the positions of individual QRS complexes, as well as class labels such as wide or narrow QRS complexes, arrhythmic events (extrasystoles and pauses), and different types of pauses. The labeling was obtained by a semi-automatic method - at first, a proprietary commercial algorithm performed automatic labeling of the record, then an experienced functional diagnostics specialist carried out a variation and correction of algorithm errors. The algorithm involved in the labeling of the data is presented in the final table (see table 2) under the name "Commercial software 1".

[0038] Комплекс QRS - это желудочковый комплекс, который регистрируется во время возбуждения желудочков сердца. Это самый большой комплекс на ЭКГ. В нем различают несколько остроконечных зубцов - как положительных (направлены вверх), так и отрицательных (направлены вниз).[0038] The QRS complex is a ventricular complex that is recorded during excitation of the ventricles of the heart. This is the largest complex on the ECG. It distinguishes several pointed teeth - both positive (directed upwards) and negative (directed downwards).

[0039] Кроме того, записи ЭКГ содержат большое количество шумных и нечитаемых участков, а также часто встречалась ситуация, когда один из электродов был отключен в течение некоторого времени. Набор данных был разделен на обучающую, валидационную и тестовую выборки в пропорции 74%, 20% и 6% соответственно (3804, 1000 и 291 записей в каждой выборке).[0039] In addition, ECG recordings contain a large number of noisy and unreadable areas, and it was also common for one of the electrodes to be disconnected for some time. The data set was divided into training, validation and test sets in proportions of 74%, 20% and 6% respectively (3804, 1000 and 291 records in each set).

[0040] Валидационная выборка получена случайным разбиением общего набора данных, в то время как тестовая выборка выбрана таким образом, что плотность патологий в ней увеличено на 50%. Это необходимо для того, чтобы обеспечить в тестовой выборке достаточное количество редких патологий. При этом тестовый набор записей был дополнительно аннотирован комитетом из трех независимых сертифицированных практикующих кардиологов, и итоговое решение (англ. «ground truth») определялся путем голосования этих экспертов. Решение специализированных врачей применялось для последующей тренировки и отладки используемых в настоящем решении моделей машинного обучения.[0040] The validation set was obtained by randomly splitting the total data set, while the test set was chosen such that the density of pathologies in it was increased by 50%. This is necessary in order to provide a sufficient number of rare pathologies in the test sample. At the same time, the test set of records was further annotated by a committee of three independent certified practicing cardiologists, and the final decision (eng. "ground truth") was determined by a vote of these experts. The decision of specialized doctors was used for subsequent training and debugging of the machine learning models used in this solution.

[0041] Чтобы уменьшить шум в сигнале, были применены следующие шаги предварительной обработки к данным. Первым шагом было заполнение сигнала от отключенных электродов линейной интерполяцией между последней ненулевой точкой до отключения и первой ненулевой точкой после разъединения. Целью этого шага является устранение экстремальных высокочастотных всплесков в точках, где электроды отключены и повторно подключены. Вторым шагом было устранено блуждание изолинии путем вычитания двух проходов усредняющего фильтра с окном в 400 миллисекунд. Третьим шагом было применение фильтра нижних частот с частотой среза 40 Гц. Последним шагом было понижение частоты дискретизации сигнала. Во время этапа обучения вычитали медиану поканально для каждого окна обучения, чтобы еще больше приблизить изолинию к нулю и нормализовывали амплитуду путем разделения амплитуды сигнала на стандартное отклонение амплитуды в каждом окне обучения.[0041] To reduce the noise in the signal, the following pre-processing steps were applied to the data. The first step was to fill the signal from the disconnected electrodes with a linear interpolation between the last non-zero point before disconnection and the first non-zero point after disconnection. The purpose of this step is to eliminate extreme high frequency bursts at the points where the electrodes are disconnected and reconnected. The second step was to eliminate baseline wandering by subtracting two passes of the averaging filter with a window of 400 milliseconds. The third step was to apply a low-pass filter with a cutoff frequency of 40 Hz. The last step was to downsample the signal. During the training phase, the median was subtracted channel-by-channel for each training window to bring the isoline even closer to zero, and the amplitude was normalized by dividing the signal amplitude by the amplitude standard deviation in each training window.

[0042] Как показано на Фиг. 1 способ автоматического анализа ЭКГ состоит из нескольких этапов. На вход первой МО подается сигнал ЭКГ, по меньшей мере, одного пациента. Первым этапом является обработка сигнала ЭКГ с помощью модели сегментации CNN с архитектурой энкодер-декодер, на котором осуществляют выделение временных координат QRS комплексов сигнала. Для каждого канала имеется отдельный CNN энкодер с идентичной структурой, но разными весами. Выходы энкодеров усредняются для того, чтобы гарантировать, что оба энкодера генерируют одинаковые признаки из разных каналов и дополняют друг друга (см. Фиг. 2).[0042] As shown in FIG. 1, the automatic ECG analysis method consists of several steps. The ECG signal of at least one patient is fed to the input of the first MO. The first stage is the processing of the ECG signal using the CNN segmentation model with the encoder-decoder architecture, which is used to extract the QRS time coordinates of the signal complexes. For each channel there is a separate CNN encoder with identical structure but different weights. The outputs of the encoders are averaged to ensure that both encoders generate the same features from different channels and complement each other (see Fig. 2).

[0043] Это решение основано на том факте, что практически в каждой записи имеются длительные периоды (иногда до 100% времени), в которых один из электродов отсоединен или канал имеет очень низкий индекс качества сигнала (SQI). В то время как в статье [9] авторы, сталкиваясь с аналогичной проблемой и обучают нейронную сеть только на каналах с самым высоким SQL. В заявленном решении было обнаружено, что использование всех каналов в любое время позволяет нейронной сети самой научиться распознавать шум или отсутствующие сигналы. Цель заключалась в том, чтобы создать модель, которая работает на любом количестве отведений, а каждый присоединенный электрод повышает общее качество, в то время как отсоединение электрода не приводит к его ухудшению. Это достигается за счет специальной архитектуры нейронной сети, в которой каждый входной канал обрабатывается отдельной нейронной сетью - энкодером. Выходные признаки энкодеров затем усредняют и подаются в единый декодер-классификатор. Усреднение выходов энкодеров обязывает сеть учить одни и те же выходные признаки для разных каналов.[0043] This decision is based on the fact that in almost every recording there are long periods (sometimes up to 100% of the time) in which one of the electrodes is disconnected or the channel has a very low signal quality index (SQI). While in the article [9], the authors, faced with a similar problem, train the neural network only on the channels with the highest SQL. In the claimed solution, it was found that the use of all channels at any time allows the neural network itself to learn to recognize noise or missing signals. The goal was to create a model that works on any number of leads, and each attached electrode improves the overall quality, while removing the electrode does not degrade it. This is achieved through a special neural network architecture, in which each input channel is processed by a separate neural network - an encoder. The output features of the encoders are then averaged and fed into a single classifier decoder. Averaging encoder outputs obliges the network to learn the same output features for different channels.

[0044] На втором этапе с помощью второй классификационной МО CNN, осуществляют обработку отрезков сигнала заранее заданного размера, центрированных по положению QRS-комплекса на основании временных координат, выделенных первой моделью МО и осуществляют формирование усредненного вектора сердцебиения QRS-комплекса.[0044] At the second stage, using the second classification MO CNN, signal segments of a predetermined size are processed, centered on the position of the QRS complex based on the time coordinates allocated by the first MO model, and the average heartbeat vector of the QRS complex is formed.

[0045] На третьем этапе осуществляют классификацию на основе градиентного бустинга над решающими деревьями. Использование градиентного бустинга над решающими деревьями повышает эффективность этапа классификации сердцебиений путем включения в модель признаков пациента, полученных со всей записи целиком. В то время как CNN на первом этапе обрабатывает только 30 секунд сигнала, a CNN второй ступени обрабатывает 2 секунды сигнала, в результате чего было выявлено, что важно добавлять характеристики целой записи и использовать их в окончательной классификации.[0045] At the third stage, classification is performed based on gradient boosting over decision trees. The use of gradient boosting over decision trees increases the efficiency of the heartbeat classification step by including patient features obtained from the entire record in the model. While the CNN at the first stage only processes 30 seconds of the signal, and the CNN of the second stage processes 2 seconds of the signal, as a result, it was found that it is important to add the characteristics of the entire record and use them in the final classification.

[0046] Аугментация[0046] Augmentation

Доказано, что аугментация является эффективным методом улучшения обучения нейронных сетей. В заявленном решении основная аугментация выбрана эмпирически: обнуление одного из каналов с вероятностью 0,9 и добавление вместо него сильного гауссовского шума, что вынуждает модель обучаться, используя только действующие каналы.Augmentation has been proven to be an effective method for improving the training of neural networks. In the proposed solution, the main augmentation is chosen empirically: zeroing one of the channels with a probability of 0.9 and adding strong Gaussian noise instead, which forces the model to train using only the active channels.

[0047] Другие использованные аугментации распространены в области обработки ЭКГ и других сигналов [17]: добавление гауссовского шума к обоим каналам, растяжение/сжатие с коэффициентом (0,7-1,3) и умножение амплитуды канала на случайный коэффициент (0,5-1,5).[0047] Other augmentations used are common in the field of ECG and other signal processing [17]: adding Gaussian noise to both channels, stretching/compressing by a factor (0.7-1.3), and multiplying the channel amplitude by a random factor (0.5 -1.5).

[0048] Сэмплирование и функции потерь[0048] Sampling and loss functions

Из-за большого дисбаланса широких/узких сердцебиений в данных (примерно 1:100), при обучении в нейронную сеть подавались примеры с искусственно завышенной частотой широких комплексов. В экспериментах заявленного решения наилучшие результаты были достигнуты при соотношении широких/узких 3:17. При тестировании различных функций потерь Dice loss показал лучшие результаты на этапе сегментации, а ВСЕ loss на этапе классификации.Due to the large imbalance of wide/narrow heartbeats in the data (approximately 1:100), during training, examples with an artificially high frequency of wide complexes were fed into the neural network. In the experiments of the claimed solution, the best results were achieved with a wide/narrow ratio of 3:17. When testing various loss functions, Dice loss showed the best results at the segmentation stage, and ALL loss at the classification stage.

[0049] Обучение нейронных сетей[0049] Neural network training

В заявленном решении обе CNN нейронные сети обучались 100 ООО шагов с размером батча 64. Использовался оптимизатор Адама с В1=0,9 и В2=0,999, скорость обучения = 0,001 с экспоненциальным затуханием с коэффициентом 0,97 каждые 1000 шагов. Каждый батч формировали путем отбора широких сердечных сокращений с вероятностью 0,15 и узких с вероятностью 0,85.In the proposed solution, both CNN neural networks were trained in 100,000 steps with a batch size of 64. An Adam optimizer was used with B1=0.9 and B2=0.999, learning rate = 0.001 with exponential decay with a factor of 0.97 every 1000 steps. Each batch was formed by selecting wide heart beats with a probability of 0.15 and narrow ones with a probability of 0.85.

[0050] Третий этап классификации был сделан с использованием градиентного бустинга над решающими деревьями с использованием библиотеки LightGBM [18]. Модель была обучена на валидационном наборе данных, который был разделен на 700 пациентов для обучения и 300 пациентов для проверки на текущей стадии. Обучение было остановлено после 461 итерации на основе метрики IoU (англ. Intersection over Union), полученной на валидационном наборе данных. Набор признаков для текущего этапа был сгенерирован с использованием признаков, полученных на предыдущих этапах.[0050] The third stage of the classification was done using gradient boosting over decision trees using the LightGBM library [18]. The model was trained on a validation dataset that was split into 700 patients for training and 300 patients for validation at the current stage. Training was stopped after 461 iterations based on the Intersection over Union (IoU) metric obtained on the validation dataset. The set of features for the current stage was generated using the features obtained in the previous stages.

[0051] На этом этапе были использованы следующие признаки:[0051] At this stage, the following features were used:

1. Вектор размерности 32, взятый с предпоследнего слоя классификационной нейронной сети1. Vector of dimension 32, taken from the penultimate layer of the classification neural network

2. Вектор среднего значения векторов из 1-го пункта для всех QRS-комплексов пациента.2. The vector of the average value of the vectors from the 1st point for all QRS complexes of the patient.

3. Стандартное отклонение векторов из 1-го пункта для всех QRS-комплексов пациента.3. Standard deviation of vectors from the 1st point for all QRS complexes of the patient.

4. Медианное значение векторов из 1-го пункта для всех QRS-комплексов пациента.4. The median value of the vectors from the 1st point for all QRS complexes of the patient.

5. Медианная частота сердечных сокращений в окне 100 и 10 ударов сердца около текущего QRS-комплекса.5. Median heart rate in the window of 100 and 10 heart beats near the current QRS complex.

6. Отношение RR-интеравала текущего QRS-комплекса к значениям 5-го пункта.6. The ratio of the RR interval of the current QRS complex to the values of the 5th item.

[0052] Таки образом, модель получила возможность использовать как локальные признаки каждого QRS-комплекса, так и признаки, полученные в результате обработки всей записи целиком, что существенно повышает ее точность.[0052] Thus, the model was able to use both local features of each QRS complex and features obtained as a result of processing the entire record, which significantly increases its accuracy.

[0053] Результаты проведенных экспериментов приведены в таблице 2.[0053] The results of the experiments performed are shown in Table 2.

[0054] Для сравнения данной модели были выбраны два широко используемых коммерческих ПО для автоматической расшифровки ЭКГ, созданных двумя разными поставщиками.[0054] To compare this model, two widely used commercial ECG automatic transcription software developed by two different vendors were selected.

[0055] Кроме того, модель заявленного решения сравнивали с разметкой опытных кардиологов, которые валидируют автоматическую разметку, полученную с помощью коммерческого ПО, произведенного поставщиком 2.[0055] In addition, the model of the claimed solution was compared with the labeling of experienced cardiologists who validate automatic labeling obtained using commercial software produced by vendor 2.

[0056] В заявленном решении качество моделей измеряли с помощью сегментационной метрики IoU. Результат считался истинно положительным для задачи детекции QRS-комплекса, если модель обнаруживала сердцебиение в интервале 150 мс от истинного. Сравнение выполнялось на тестовом наборе данных, состоящем из 291 записи, аннотированной комитетом из трех кардиологов. Этот набор данных был аннотирован независимо от исходного набора данных для обучения, что позволило оценить работу отдельного кардиолога.[0056] In the claimed solution, the quality of the models was measured using the IoU segmentation metric. The result was considered true positive for the QRS complex detection task if the model detected a heartbeat within 150 ms of the true one. The comparison was performed on a test dataset of 291 records, annotated by a committee of three cardiologists. This dataset was annotated independently of the original training dataset, allowing the performance of the individual cardiologist to be assessed.

[0057] Как видно из таблицы 2, в заявленном решении модель превосходит две выбранные коммерческие ПО для автоматической интерпретации ЭКГ в задаче определения положения QRS-комплекса, а также в классификации сердечных сокращений на узкие и широкие. Более того, предлагаемая модель достигла уровня точности, сопоставимого с опытными кардиологами по этим задачам, как показано в Таблице 2.[0057] As can be seen from Table 2, in the claimed solution, the model outperforms the two selected commercial software for automatic ECG interpretation in the task of determining the position of the QRS complex, as well as in classifying heart beats into narrow and wide. Moreover, the proposed model achieved a level of accuracy comparable to experienced cardiologists on these tasks, as shown in Table 2.

[0058] Кроме того, заявленный метод проверялся на базе данных аритмии MIT BIH и сравнивали результаты различных подходов, описанных в литературе, с аналогичными показателями заявленной модели (см. Таблицу 3) [20].[0058] In addition, the claimed method was tested against the MIT BIH arrhythmia database and compared the results of various approaches described in the literature with those of the claimed model (see Table 3) [20].

[0059] База данных MIT-BIH - это тестовый набор для оценки эффективности детекции аритмии, а также для фундаментальных исследований сердечной динамики, который использовался примерно исследователями около 500 раз по всему миру с 1980 года [21]. В связи с тем, что этот набор данных не подходит для задачи классификации, заявленную модель оценивали только в контексте задачи детекции QRS-комплекса.[0059] The MIT-BIH database is a test kit for evaluating arrhythmia detection performance as well as for basic cardiac dynamics research, which has been used approximately 500 times by researchers around the world since 1980 [21]. Due to the fact that this data set is not suitable for the classification task, the claimed model was evaluated only in the context of the QRS complex detection task.

[0060] Как показано в таблице 3, заявленный подход к проблеме детекции сердцебиения показал более высокий уровень качества (согласно метрикам), чем сравниваемые с ним подходы для решения аналогичной задачи.[0060] As shown in Table 3, the claimed approach to the problem of heartbeat detection showed a higher level of quality (according to metrics) than compared approaches to solve a similar problem.

[0061] Результаты сравнения эффективности показывают, что заявленный способ автоматического анализа ЭКГ является более точным и эффективным по сравнению с существующими аналогами. Заявленное решение предлагает канальную архитектуру CNN и объединяет ее с моделью GBDT, которая может использовать признаки пациентов. Кроме того, было продемонстрировано на наборе из 291 24-часовой амбулаторной записи ЭКГ с двумя отведениями, что заявленный способ автоматического анализа ЭКГ значительно превосходит два коммерчески доступных ПО, широко используемых кардиологами в стране, приближаясь к уровню качества опытных специалистов функциональной диагностики.[0061] The results of comparing the effectiveness show that the claimed method of automatic analysis of the ECG is more accurate and efficient compared to existing analogues. The claimed solution proposes a CNN channel architecture and combines it with a GBDT model that can use patient features. In addition, it was demonstrated on a set of 291 24-hour 2-lead ambulatory ECG recordings that the proposed method for automatic ECG analysis significantly outperforms two commercially available software widely used by cardiologists in the country, approaching the quality level of experienced functional diagnostic specialists.

[0062] На Фиг. 4 представлен пример общего вида вычислительной системы (300), которая обеспечивает реализацию заявленного способа или является частью компьютерной системы, например, сервером, персональным компьютером, частью вычислительного кластера, обрабатывающим необходимые данные для осуществления заявленного технического решения.[0062] In FIG. 4 shows an example of a general view of a computing system (300), which provides the implementation of the claimed method or is a part of a computer system, for example, a server, a personal computer, a part of a computing cluster that processes the necessary data to implement the claimed technical solution.

[0063] В общем случае, система (300) содержит объединенные общей шиной информационного обмена один или несколько процессоров (301), средства памяти, такие как ОЗУ (302) и ПЗУ (303), интерфейсы ввода/вывода (304), устройства ввода/вывода (1105), и устройство для сетевого взаимодействия (306).[0063] In general, the system (300) comprises one or more processors (301), memory facilities such as RAM (302) and ROM (303), input/output interfaces (304), input devices connected by a common information exchange bus / output (1105), and a device for networking (306).

[0064] Процессор (301) (или несколько процессоров, многоядерный процессор и т.п.) может выбираться из ассортимента устройств, широко применяемых в настоящее время, например, таких производителей, как: Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. Под процессором или одним из используемых процессоров в системе (300) также необходимо учитывать графический процессор, например, GPU NVIDIA или Graphcore, тип которых также является пригодным для полного или частичного выполнения способа, а также может применяться для обучения и применения моделей машинного обучения в различных информационных системах.[0064] The processor (301) (or multiple processors, multi-core processor, etc.) can be selected from a range of devices currently widely used, for example, manufacturers such as: Intel™, AMD™, Apple™, Samsung Exynos ™, MediaTEK™, Qualcomm Snapdragon™, etc. Under the processor or one of the processors used in the system (300), it is also necessary to take into account the graphics processor, for example, NVIDIA GPU or Graphcore, the type of which is also suitable for full or partial execution of the method, and can also be used to train and apply machine learning models in various information systems.

[0065] ОЗУ (302) представляет собой оперативную память и предназначено для хранения исполняемых процессором (301) машиночитаемых инструкций для выполнение необходимых операций по логической обработке данных. ОЗУ (302), как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.). При этом, в качестве ОЗУ (302) может выступать доступный объем памяти графической карты или графического процессора.[0065] RAM (302) is a random access memory and is designed to store machine-readable instructions executable by the processor (301) to perform the necessary data logical processing operations. The RAM (302) typically contains the executable instructions of the operating system and associated software components (applications, program modules, etc.). In this case, the RAM (302) may be the available memory of the graphics card or graphics processor.

[0066] ПЗУ (303) представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш-память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD-R/RW, BlueRay Disc, MD) и др.[0066] A ROM (303) is one or more persistent storage devices such as a hard disk drive (HDD), a solid state drive (SSD), flash memory (EEPROM, NAND, etc.), optical storage media ( CD-R/RW, DVD-R/RW, BlueRay Disc, MD), etc.

[0067] Для организации работы компонентов системы (300) и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В (304). Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п.[0067] Various types of I/O interfaces (304) are used to organize the operation of system components (300) and organize the operation of external connected devices. The choice of appropriate interfaces depends on the particular design of the computing device, which can be, but not limited to: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232, etc.

[0068] Для обеспечения взаимодействия пользователя с вычислительной системой (300) применяются различные средства (305) В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п.[0068] To ensure user interaction with the computer system (300), various means (305) of I/O information are used, for example, a keyboard, a display (monitor), a touch screen, a touchpad, a joystick, a mouse, a light pen, a stylus, touch panel, trackball, speakers, microphone, augmented reality, optical sensors, tablet, indicator lights, projector, camera, biometric identification tools (retinal scanner, fingerprint scanner, voice recognition module), etc.

[0069] Средство сетевого взаимодействия (306) обеспечивает передачу данных посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п. В качестве одного или более средств (306) может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др.[0069] The network communication means (306) provides data transmission via an internal or external computer network, for example, an Intranet, the Internet, a LAN, and the like. As one or more means (306) can be used, but not limited to: Ethernet card, GSM modem, GPRS modem, LTE modem, 5G modem, satellite communication module, NFC module, Bluetooth and / or BLE module, Wi-Fi module and others

[0070] Представленные материалы заявки раскрывают предпочтительные примеры реализации технического решения и не должны трактоваться как ограничивающие иные, частные примеры его воплощения, не выходящие за пределы испрашиваемой правовой охраны, которые являются очевидными для специалистов соответствующей области техники.[0070] The submitted application materials disclose preferred examples of the implementation of the technical solution and should not be construed as limiting other, particular examples of its implementation that do not go beyond the scope of the requested legal protection, which are obvious to specialists in the relevant field of technology.

Источники информации:Sources of information:

1. WHO statistics of cardiovascular disease (CVD)[Online]. Available: https://www.who.int/health-topics/cardiovascular-diseases1. WHO statistics of cardiovascular disease (CVD)[Online]. Available: https://www.who.int/health-topics/cardiovascular-diseases

2. Estes N. A. M.: Computerized Interpretation of ECGs: Supplement Not a Substitute. Circulation: Arrhythmia and Electrophysiology, 6(1), 2-4 (2013) https://doi.org/10.1161/circep.111.0000972. Estes N. A. M.: Computerized Interpretation of ECGs: Supplement Not a Substitute. Circulation: Arrhythmia and Electrophysiology, 6(1), 2-4 (2013) https://doi.org/10.1161/circep.111.000097

3. Adamec J., Adamec R.: ECG Holter Guide to Electrocardiographic Interpretation. Springer, 3-5 (2008) https://doi.org/10.1007/978-0-387-78187-73. Adamec J., Adamec R.: ECG Holter Guide to Electrocardiographic Interpretation. Springer, 3-5 (2008) https://doi.org/10.1007/978-0-387-78187-7

4. Kaplan, B.S., Uysal A.K., Sora Gunal E., Ergin S., Gunal S., Gulmezoglu M.В.: A survey on ECG analysis. Biomedical Signal Processing and Control, 43, 216-235 (2018) https://doi.org/10.1016/j.bspc.2018.03.0034. Kaplan, B.S., Uysal A.K., Sora Gunal E., Ergin S., Gunal S., Gulmezoglu M.B.: A survey on ECG analysis. Biomedical Signal Processing and Control, 43, 216-235 (2018) https://doi.org/10.1016/j.bspc.2018.03.003

5. Lindow, Т., Kron, J., Thulesius, H.,

, E., Pahlm, O.: Erroneous computer-based interpretations of atrial fibrillation and atrial flutter in a Swedish primary health care setting. Scandinavian Journal of Primary Health Care, 37:4, 426-433 (2019) https://doi.org/10.1080/02813432.2019.16844295. Lindow, T., Kron, J., Thulesius, H.,

, E., Pahlm, O.: Erroneous computer-based interpretations of atrial fibrillation and atrial flutter in a Swedish primary health care setting. Scandinavian Journal of Primary Health Care, 37:4, 426-433 (2019) https://doi.org/10.1080/02813432.2019.1684429

6. Bond R.R., Novotny Т., Andrsova I., Koc L., Sisakova M., Finlay D., … Malik M. Automation bias in medicine: The influence of automated diagnoses on interpreter accuracy and uncertainty when reading electrocardiograms. Journal of Electrocar-diology. (2018) https://doi.org/10.1016/j.jelectrocard.2018.08.0076. Bond R.R., Novotny T., Andrsova I., Koc L., Sisakova M., Finlay D., … Malik M. Automation bias in medicine: The influence of automated diagnoses on interpreter accuracy and uncertainty when reading electrocardiograms. Journal of Electrocardiology. (2018) https://doi.org/10.1016/j.jelectrocard.2018.08.007

7. Osowski S., & Tran Hoai Linh. ECG beat recognition using fuzzy hybrid neural network. IEEE Transactions on Biomedical Engineering, 48(11), 1265-1271 (2001) https://doi.org/10.1109/10.9593227. Osowski S., & Tran Hoai Linh. ECG beat recognition using fuzzy hybrid neural network. IEEE Transactions on Biomedical Engineering, 48(11), 1265-1271 (2001) https://doi.org/10.1109/10.959322

8. Author, F., Author, S.: Title of a proceedings paper. In: Editor, F., Editor, S. (eds.) CONFERENCE 2016, LNCS, vol. 9999, pp.1-13. Springer, Heidelberg (2016). https://doi.org/10.10007/12345678908. Author, F., Author, S.: Title of a proceedings paper. In: Editor, F., Editor, S. (eds.) CONFERENCE 2016, LNCS, vol. 9999, pp.1-13. Springer, Heidelberg (2016). https://doi.org/10.10007/1234567890

9. Shashikumar, S., Shah, A., Clifford, G., Nemati, S.: Detection of Paroxysmal Atrial Fibrillation using Attention-based Bidirectional Recurrent Neural Networks. In: KDD '18: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp.715-723. Association for Computing Machinery, New York (2018). https://doi.org/10.1145/3219819.32199129. Shashikumar, S., Shah, A., Clifford, G., Nemati, S.: Detection of Paroxysmal Atrial Fibrillation using Attention-based Bidirectional Recurrent Neural Networks. In: KDD '18: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp.715-723. Association for Computing Machinery, New York (2018). https://doi.org/10.1145/3219819.3219912

10. Rajpurkar, P., Hannun, A., Haghpanahi, M., Bourn, C., Ng, A.: Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks. arXiv:1707.01836.10. Rajpurkar, P., Hannun, A., Haghpanahi, M., Bourn, C., Ng, A.: Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks. arXiv:1707.01836.

11. Everss-Villalba, E., Melgarejo-Meseguer, F.M., Blanco-Velasco, M., Gimeno-Blanes, F. J., Sala-Pla, S., Rojo-Alvarez, J. L.,

, A.: Noise Maps for Quantitative and Clinical Severity Towards Long-Term ECG Monitoring. Sensors (Basel, Switzerland), 17(11), 2448. https://doi.org/10.3390/s1711244811. Everss-Villalba, E., Melgarejo-Meseguer, FM, Blanco-Velasco, M., Gimeno-Blanes, FJ, Sala-Pla, S., Rojo-Alvarez, JL,

, A.: Noise Maps for Quantitative and Clinical Severity Towards Long-Term ECG Monitoring. Sensors (Basel, Switzerland), 17(11), 2448. https://doi.org/10.3390/s17112448

12. Essam, H., Kilany, M., Hassanien, A. E.: ECG signals classification: a review. International Journal of Medical Engineering and Informatics. Pp.376-396.12. Essam, H., Kilany, M., Hassanien, A. E.: ECG signals classification: a review. International Journal of Medical Engineering and Informatics. Pp.376-396.

10.1504/IJIEI.2017.10008807.10.1504/IJIEI.2017.10008807.

13. Hong, Sh., Zhou, Y., Shang, J., Xiao, С & Sun, J.: Opportunities and Challenges in Deep Learning Methods on Electrocardiogram Data: A Systematic Review. arXiv:2001.01550.13. Hong, Sh., Zhou, Y., Shang, J., Xiao, C & Sun, J.: Opportunities and Challenges in Deep Learning Methods on Electrocardiogram Data: A Systematic Review. arXiv:2001.01550.

14. Shah, A.P., Rubin, S.A.: Errors in the computerized electrocardiogram interpretation of cardiac rhythm. Journal of Electrocardiology, 40(5):385- 390, 2007.14. Shah, A.P., Rubin, S.A.: Errors in the computerized electrocardiogram interpretation of cardiac rhythm. Journal of Electrocardiology, 40(5):385-390, 2007.

15.

, J., Wellens, H.J.: Computer-Interpreted Electrocardiograms: Benefits and Limitations, Journal of the American College of Cardiology, Volume 70, Issue 9, 2017, Pp.1183-1192, ISSN 0735-1097, 10.1016/j.jacc.2017.07.723.15.

, J., Wellens, HJ: Computer-Interpreted Electrocardiograms: Benefits and Limitations, Journal of the American College of Cardiology, Volume 70, Issue 9, 2017, Pp.1183-1192, ISSN 0735-1097, 10.1016/j.jacc. 2017.07.723.

16. Li, Q., Mark, R.G., Clifford, G.D.: Robust heart rate estimation from multiple asynchronous noisy sources using signal quality indices and a Kalman filter. Physiol. Meas. 2008; 29:15-32. doi: 10.1088/0967-3334/29/1/002.16. Li, Q., Mark, R.G., Clifford, G.D.: Robust heart rate estimation from multiple asynchronous noisy sources using signal quality indices and a Kalman filter. physiol. Meas. 2008; 29:15-32. doi: 10.1088/0967-3334/29/1/002.

17. Salamon, J., Bello, J.P.: Deep Convolutional Neural Networks and Data Augmen-tation for Environmental Sound Classification. IEEE Signal Processing Letters, vol. 24, no. 3, pp.279-283, March 2017.17. Salamon, J., Bello, J.P.: Deep Convolutional Neural Networks and Data Augmentation for Environmental Sound Classification. IEEE Signal Processing Letters, vol. 24, no. 3, pp. 279-283, March 2017.

18. Ke, G., Meng, Q., Finley, Т., Wng, Т., Chen, W., Ma, W., Ye, Q., Liu, Т.: Light-GBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems 30, pp.3149-3157, NIPS 2017.18. Ke, G., Meng, Q., Finley, T., Wng, T., Chen, W., Ma, W., Ye, Q., Liu, T.: Light-GBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems 30, pp.3149-3157, NIPS 2017.

19. Paszke A., Gross S., Chintala S, Chanan G., Yang E., DeVito Z., Lin Z., Desmaison A., Antiga L., and Lerer A.: Automatic differentiation inpytorch. In NIPS-W, 2017.19. Paszke A., Gross S., Chintala S, Chanan G., Yang E., DeVito Z., Lin Z., Desmaison A., Antiga L., and Lerer A.: Automatic differentiation inpytorch. In NIPS-W, 2017.

20. Rodriguez J., Mexicano R., Bila A., Ponce J, Cervantes R., Salvador: Feature Extraction of Electrocardiogram Signals by Applying Adaptive Threshold and Principal Component Analysis. Journal of Applied Research and Technology, 46, 1253-1258. (2014) https://doi.org/10.1109/IS3C.2014.32420. Rodriguez J., Mexicano R., Bila A., Ponce J, Cervantes R., Salvador: Feature Extraction of Electrocardiogram Signals by Applying Adaptive Threshold and Principal Component Analysis. Journal of Applied Research and Technology, 46, 1253-1258. (2014) https://doi.org/10.1109/IS3C.2014.324

21. Moody G.В., Mark G.В.: The impact of the MIT-BIH Arrhythmia Database. IEEE Engineering in Medicine and Biology Magazine, vol. 20, no. 3, pp.45-50, (May-June 2001) https://doi.org/10.1109/51.9327221. Moody G.B., Mark G.B.: The impact of the MIT-BIH Arrhythmia Database. IEEE Engineering in Medicine and Biology Magazine, vol. 20, no. 3, pp.45-50, (May-June 2001) https://doi.org/10.1109/51.93272

Claims (21)

1. Компьютерно-реализуемый способ автоматического анализа ЭКГ, выполняемый с помощью вычислительной системы, содержащей три модели машинного обучения, при этом способ выполняет этапы, на которых:1. A computer-implemented method for automatic ECG analysis, performed using a computer system containing three machine learning models, wherein the method performs the steps of: - получают сигнал ЭКГ по меньшей мере одного пациента;receiving an ECG signal from at least one patient; - осуществляют предварительную обработку полученного сигнала:- carry out preliminary processing of the received signal: заполнения сигнала от отключенных электродов линейной интерполяцией между последней ненулевой точкой до отключения и первой ненулевой точкой после разъединения;filling the signal from the disconnected electrodes with linear interpolation between the last non-zero point before disconnection and the first non-zero point after disconnection; устранения блуждающей изолинии путем вычитания двух проходов усредненного фильтра;elimination of the wandering isoline by subtracting two passes of the averaged filter; применения фильтра нижних частот;applying a low-pass filter; понижения частоты дискретизации сигнала;downsampling of the signal; - осуществляют обработку, предварительно обработанного полученного сигнала, с помощью первой модели машинного обучения (МО), причем в ходе указанной обработки осуществляется выделение временных координат QRS комплексов сигнала;- carry out processing, pre-processed received signal, using the first model of machine learning (ML), and in the course of this processing is the selection of the time coordinates of the QRS signal complexes; - с помощью второй модели машинного обучения на базе классификационной сверточной нейронной сети (CNN) осуществляют:- using the second machine learning model based on the classification convolutional neural network (CNN), the following is carried out:

обработку отрезков, предварительно обработанного полученного сигнала, заранее заданного размера, центрированных по положению QRS-комплекса на основании временных координат, выделенных первой моделью МО;

processing segments, pre-processed received signal, a predetermined size, centered on the position of the QRS complex based on the time coordinates allocated by the first MO model;

формирование усредненного вектора сердцебиения QRS-комплекса;

formation of the average heartbeat vector of the QRS complex; - осуществляют классификацию данных сердцебиения пациента с помощью третьей модели МО на основе градиентного бустинга над решающими деревьями, при этом осуществляют обработку упомянутых временных координат QRS комплексов сигнала, полученных первой моделью МО, и усредненного вектора сердцебиения QRS-комплекса, формируемого второй моделью МО.- the patient's heartbeat data is classified using the third MO model based on gradient boosting over decision trees, while processing the mentioned QRS time coordinates of the signal complexes obtained by the first MO model, and the average heartbeat vector of the QRS complex formed by the second MO model. 2. Способ по п. 1, характеризующийся тем, что сигнал ЭКГ по меньшей мере одного пациента содержит показания, когда по меньшей мере один электрод отключен и при этом по меньшей мере один электрод подключен к пациенту.2. The method of claim. 1, characterized in that the ECG signal of at least one patient contains indications when at least one electrode is disconnected and at the same time at least one electrode is connected to the patient. 3. Способ по п. 1, характеризующийся тем, что на этапе предварительной обработки полученного сигнала:3. The method according to p. 1, characterized in that at the stage of preliminary processing of the received signal: - устраняют блуждания изолинии путем вычитания двух проходов усредняющего фильтра с окном в 400 миллисекунд;- eliminate baseline wandering by subtracting two passes of the averaging filter with a window of 400 milliseconds; - применяют фильтр нижних частот с частотой среза 40 Гц.- use a low-pass filter with a cutoff frequency of 40 Hz. 4. Способ по п. 1, характеризующийся тем, что первая модель машинного обучения (МО) реализована на базе сегментационной сверточной нейронной сети (CNN).4. The method according to claim 1, characterized in that the first machine learning (ML) model is implemented on the basis of a segmentation convolutional neural network (CNN). 5. Способ по п. 1, характеризующийся тем, что заранее заданный отрезок времени установлен в 2 секунды.5. The method according to claim. 1, characterized in that the predetermined length of time is set to 2 seconds. 6. Система автоматического анализа ЭКГ содержащая:6. An automatic ECG analysis system containing: - по меньшей мере один процессор;- at least one processor; - по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивают выполнение способа по любому из пп. 1-5.- at least one memory connected to the processor, which contains machine-readable instructions, which, when executed by at least one processor, provide execution of the method according to any one of paragraphs. 1-5.

Images