ГЕМОДИНАМИКАЛЫҚ МАҢЫЗДЫ АРИТМИЯЛАРДЫ ЭКГ НЕГІЗІНДЕ АВТОМАТТЫ ТҮРДЕ ЖІКТЕУ

Мақалада қосымша визуализациялық диагностикалық әдістерді қолданбай-ақ электрокардиограмма (ЭКГ) параметрлеріне негізделген гемодинамикалық тұрғыдан маңызды аритмияларды (ГМА) жіктеу әдісі ұсынылады. Негізгі белгілер ретінде QRS комплексінің ұзақтығы, RR аралықтары және жүрек соғу жиілігі (ЖСЖ) анықталды. Аритмиялар MIT-BIH Arrhythmia Database деректер базасы негізінде жіктелді. ГМА-ны автоматты түрде анықтауға арналған визуализациялар мен логикалық алгоритм әзірленді. Зерттеудің мақсаты – тек электрокардиографиялық ерекшеліктерге негізделген гемодинамикалық маңызды аритмияларды жіктеудің алгоритмін әзірлеу және валидациялау. Ұсынылған әдістеме ЭКГ белгілерін аритмияларды диагностикалауда қолдануға арналған бұрын жарияланған зерттеулерге сүйенеді және шектеулі ресурстар жағдайында диагностикаға қолжетімділікті арттыруды мақсат етеді. Жұмыстың басты мақсаты – интерпретациялауға оңай инженерлік шешімдер арқылы жүрек аритмияларын диагностикалаудың қолжетімділігін арттыру.

1. Moody G.B. The impact of the MIT-BIH Arrhythmia Database / G.B. Moody, R.G. Mark // IEEE Engineering in Medicine and Biology Magazine. – 2001. https://doi.org/10.1109/51.932724.

2. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals / A.L. Goldberger et al // Circulation. – 2000. – № 101(23). – Р. e215-e220. https://doi.org/10.1161/01.CIR.101.23.e215.

3. Cardiologist-level arrhythmia detection with convolutional neural networks / Р. Rajpurkar et al // arXiv preprint. – 2017. https://arxiv.org/abs/1707.01836.

4. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm / Z.I. Attia et al // The Lancet. – 2019. – № 394(10201). – Р. 861-867. https://doi.org/10.1016/S0140-6736(19)31721-0.

5. Automatic diagnosis of the 12-lead ECG using a deep neural network / А.Н. Ribeiro et al // Nature Communications. – 2020. – № 11. – Р. 1760. https://doi.org/10.1038/s41467-020-15432-4.

6. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network / A.Y. Hannun et al // Nature Medicine. – 2019. – № 25(1). – Р. 65-69. https://doi.org/10.1038/s41591-018-0268-3.

7. Recommendations for physical activity and recreational sports participation in young patients with genetic cardiovascular diseases / B.J. Maron et al // Circulation. – 2004. – № 109(23). – Р. 2807-2816. https://doi.org/10.1161/01.CIR.0000128363.85581.E1.

8. Deep learning-based stacked denoising autoencoder for ECG heartbeat classification / S. Nurmaini et al // Electronics. – 2020. – № 9(1). – Р. 135. https://doi.org/10.3390/electronics9010135.

9. AF Classification from a Short Single Lead ECG Recording: The PhysioNet / G.D. Clifford et al // Computing in Cardiology Challenge 2017. Computing in Cardiology. – 2017. – № 44. https://doi.org/10.22489/CinC.2017.065-469.

10. Passive detection of atrial fibrillation using a commercially available smartwatch / G.H. Tison et al // JAMA Cardiology. – 2018. – № 3(5). – Р. 409-416. https://doi.org/10.1001/jamacardio.2018.0136.

11. Yildirim Ö. A novel wavelet sequence based on deep bidirectional LSTM network model for ECG signal classification / Ö. Yildirim // Computers in Biology and Medicine. – 2018. – № 96. – Р. 189-202. https://doi.org/10.1016/j.compbiomed.2018.03.016.

12. Wu Zhenyan Deep learning and electrocardiography: systematic review of current techniques in cardiovascular disease diagnosis and management / Wu Zhenyan, Guo, Caixia // BioMedical Engineering OnLine. – 2025. – № 24. – Р. 23. https://doi.org/10.1186/s12938-025-01349-w.

13. CVPhysiology.com. (n.d.). Hemodynamic consequences of cardiac arrhythmias. Retrieved from https://cvphysiology.com/cad/cad007.

14. Translational challenges in atrial fibrillation / J. Heijman et al // Circulation Research. – 2018. – № 122(5). – Р. 752-773. https://doi.org/10.1161/CIRCRESAHA.117.311081.

15. MedElement. (n.d.). Ventricular arrhythmias and prevention of sudden cardiac death. Retrieved from https://diseases.medelement.com.

16. Deep learning for healthcare applications based on physiological signals: A review / О. Faust et al // Computer Methods and Programs in Biomedicine. – 2018. – № 161. – Р. 1-13. https://doi.org/10.1016/j.cmpb.2018.04.005.

17. Shen W.K. 2017 ACC/AHA/HRS Guideline for the Evaluation and Management of Patients With Syncope / W.K. Shen et al // Journal of the American College of Cardiology. – 2017. – № 70(5). – Р. e39-e110. https://doi.org/10.1016/j.jacc.2017.03.003.

18. Heart State Monitoring Using Multi-Agent Technology / А. Bekbay et al // In 2019 8th Mediterranean Conference on Embedded Computing (MECO)/ – 2019. – Р. 691-694. https://doi.org/10.1109/MECO.2019.8760007.

19. Deep learning-based algorithm for detecting aortic stenosis using electrocardiography / J.-M. Kwon et al // Journal of the American Heart Association. – 2020. – № 9(7). – Р. e014717. https://doi.org/10.1161/JAHA.119.014717.

20. Large-scale assessment of a smartwatch to identify atrial fibrillation (Apple Heart Study) / M.V. Perez et al // New England Journal of Medicine. – 2019. – № 381(20). – Р. 1909-1917. https://doi.org/10.1056/NEJMoa1901183.