Настоящая работа посвящена исследованию возможности определения сердечных заболеваний на основе 13 категориальных и численных признаков. Мы представляем подробный анализ набора данных, включающий разделение данных на обучающую и тестовую выборки, разбиение признаков на численные и категориальные, применение 4 различных алгоритмов классификации, проверка качества модели двумя техниками – отложенной выборки и кросс-валидацией. Для оценки качества модели обращаем внимание на значение метрики recall и на матрицу ошибок, построенные на тестовом наборе данных из отложенной выборки или на каждом тестовом фолде при использовании кросс-валидации. Результаты исследования имеют значение как для глубинного понимания связи определённых медицинских показателей с сердечными заболевания, так и для развития эффективных методов их прогнозирования при наличии отдельных симптомов.

Ключевые слова: сердечные заболевания, задача классификации, метрики качества, кросс-валидация, recall, машинное обучение, случайный лес

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 3.1.20 - Кардиология

Автоматическая классификация сигналов электрокардиограмм позволит оказать своевременную медицинскую помощь пациентам при оказании первой медицинской помощи. Нейросетевые модели классификации сигналов электрокардиограмм, включающие в себя этап предварительной обработки сигналов, позволяют повысить точность отнесения электрокардиограмм к той или иной категории аритмий. В работе представлен вычислительный метод предварительной обработки сигналов электрокардиограмм, включающий в себя шумоподавление с использованием дискретного вейвлет-преобразования и выделение морфологических признаков методами частотного анализа. Результаты моделирования классификации 12-канальных сигналов электрокардиограмм с использованием этапа их предварительной обработки показали увеличение точности классификации на 23,2% по сравнению с классификацией без предварительной обработки сигнала.

Ключевые слова: классификация сигналов электрокардиограммы, нейронная сеть с долгосрочной короткой памятью, метаданные, предварительная обработка сигналов вейвлет-преобразование, спектральный анализ, PhysioNet Computing in Cardiology Challenge 2021

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 3.1.20 - Кардиология

Заболевания сердечно-сосудистой системы основная причина смертности населения планеты. Основным способом диагностики заболеваний сердечно-сосудистой системы является снятие электрокардиограммы пациента. Автоматическая обработка сигналов электрокардиограммы позволит врачам своевременно выявить кардиологические проблемы пациента. В данной статье представлен метод вычисления детализирующего вектора для нейросетевой обработки двенадцати канального сигнала электрокардиограммы. Добавление детализирующего вектора к сигналам электрокардиограммы увеличивает точность классификации заболеваний до 87,50 %. Предложенный метод может быть использован для автоматической классификации двух и более канальных сигналов электрокардиограммы.

Ключевые слова: электрокардиограмма, рекуррентная нейронная сеть, нейронная сеть с долгосрочной короткой памятью, детализирующий вектор, PhysioNet Computing in Cardiology Challenge 2021

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 3.1.20 - Кардиология