1. SISN
  2. Всі випуски
  3. Випуск 18 (Частина 2), 2025
  4. Методи машинного навчання для класифікації електрокардіосигналів за ритмічними та морфологічними ознаками

Методи машинного навчання для класифікації електрокардіосигналів за ритмічними та морфологічними ознаками

SISN.
2025;
Випуск 18
: cc. 113 - 128
Автори:
  1. Любомир Мосій
  2. Андрій Сверстюк
1
Тернопільський національний технічний університет імені Івана Пулюя, кафедра комп’ютерних наук, Україна
2
Тернопільський національний медичний університет імені І.Я. Горбачевського, кафедра медичної інформатики,Україна; Тернопільський національний технічний університет імені Івана Пулюя, кафедра комп’ютерних наук, Україна

У статті представлено експериментальне дослідження ефективності методів машинного навчання для класифікації електрокардіосигналів за ритмічними та морфологічними ознаками з використанням інформаційної технології на основі математичного апарату циклічних випадкових процесів. Розглянуто проблему автоматизованого виявлення передсердних аритмій, зокрема фібриляції та тріпотіння передсердь, які характеризуються комплексними змінами як у морфології зубців ЕКС, так і в часових інтервалах серцевих циклів.

Для класифікації патологічних станів досліджено чотири алгоритми виявлення аномалій: OneClassSVM з радіально-базисною функцією, IsolationForest, Local Outlier Factor (LOF) та EllipticEnvelope. Проаналізовано вплив методів попередньої обробки даних (StandardScaler для стандартизації та PCA для зниження розмірності) на точність класифікації. Експериментальні результати показали, що застосування попередньої обробки критично важливе для класифікації морфологічних порушень, підвищуючи точність з 50-83 % до 100 % для фібриляції передсердь. Алгоритм LOF продемонстрував найбільш стабільні результати (83-100 %) для різних типів патологій. При класифікації ритмічних порушень методи IsolationForest, LOF та EllipticEnvelope показали однаково високу ефективність (89 %), при цьому попередня обробка не призвела до суттєвого покращення результатів.

electrocardiographic signal modeling
інформаційні технології
cyclic discrete random process
amplitude-temporal characteristics
temporal rhythm function
amplitude variability
signal classification
artificial intelligence (AI)
machine learning system (MLS)
  1. Abdul Razak, S. F., Sayed Ismail, S. N. M., Yogarayan, S., Azli Abdullah, M. F., Kamis, N. H., & Abdul Aziz, A. (2023). Comparative Study of Machine Learning Algorithms in Classifying HRV for the Driver's Physiological Condition. Civil Engineering Journal, 9(9), 2272–2285. https://doi.org/10.28991/cej-2023-09-09-013
  2. Agrawal, R. K., Sewani, R. R., Delen, D., & Benjamin, B. (2022). A machine learning approach for classifying healthy and infarcted patients using heart rate variabilities derived vector magnitude. Healthcare Analytics, 2, 100121. https://doi.org/10.1016/j.health.2022.100121
  3. Coronado-Reyes, O. I., Téllez-Anguiano, A. C., Castro-Pimentel, L. A., & Gutierrez-Gnecchi, J. A. (2025). Non- invasive Hyperglycemia Detection via Electrocardiogram Using Discrete Wavelet Transform and Machine Learning. Cureus. https://doi.org/10.7759/cureus.80548
  4. Duong, L. T., Doan, T. T. H., Chu, C. Q., & Nguyen, P. T. (2023). Fusion of edge detection and graph neural networks to classifying electrocardiogram signals. Expert Systems with Applications, 225, 120107. https://doi.org/10.- 1016/j.eswa.2023.120107
  5. Gupta, T. R., & Nandhini, D. U. (2023). Learning Techniques of ECG Arrhythmia Classification: A Review. In 2023 1st International Conference on Cognitive Computing and Engineering Education (ICCCEE) (pp. 1–5). IEEE. https://doi.org/10.1109/icccee55951.2023.10424554
  6. Hassaballah, M., Wazery, Y. M., Ibrahim, I. E., & Farag, A. (2023). ECG Heartbeat Classification Using Machine Learning and Metaheuristic Optimization for Smart Healthcare Systems. Bioengineering, 10(4), 429. https://doi.org/10.3390/bioengineering10040429
  7. Janbhasha, S., & Bhavanam, S. N. (2023). A Comparative Analysis of the Feature Selection Process Using Deep Learning Methods for Arrhythmia. In 2023 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS) (Vol. 119, pp. 1–6). IEEE. https://doi.org/10.- 1109/sceecs57921.2023.10063070
  8. Koubaa, H., Boujelben, M., Hdidane, M., & Kallel, R. (2024). An ECG Data Feature Selection Comparison: Machine Learning and Expert Doctors. In 2024 IEEE/ACS 21st International Conference on Computer Systems and Applications (AICCSA) (pp. 1–5). IEEE. https://doi.org/10.1109/aiccsa63423.2024.10912630  
  9. Kumar, S., & Veer, K. (2023). Evaluation of Current Trends in Biomedical Applications Using Soft Computing. Current Bioinformatics, 18(9), 693–714. https://doi.org/10.2174/1574893618666230706112826
  10. Kumar M., A., & Chakrapani, A. (2022). Classification of ECG signal using FFT based improved Alexnet classifier. PLOS ONE, 17(9), e0274225. https://doi.org/10.1371/journal.pone.0274225
  11. Lytvynenko Ya.V. (2017). The method of segmentation of stochastic cyclic signals for the problems of their processing and modeling. Journal of Hydrocarbon Power Engineering, Oil and Gas Measurement and Testing. 4(2), 93–103.
  12. Nurmaini, S., Tondas, A. E., Darmawahyuni, A., Rachmatullah, M. N., Effendi, J., Firdaus, F., & Tutuko, B. (2021). Electrocardiogram signal classification for automated delineation using bidirectional long short-term memory. Informatics in Medicine Unlocked, 22, 100507. https://doi.org/10.1016/j.imu.2020.100507
  13. Philip, A. M., & Hemalatha, S. (2023). A Performance Analysis Of Advanced Machine Learning Techniques For Arrhythmia Detection By Categorizing Ecg Signals. In 2023 International Conference for Technological Engineering and its Applications in Sustainable Development (ICTEASD) (pp. 7–12). IEEE. https://doi.org/10.1109/icteasd57136.2023.10585040
  14. Rath, A., Mishra, D., & Panda, G. (2022). Imbalanced ECG signal-based heart disease classification using ensemble machine learning technique. Frontiers in Big Data, 5. https://doi.org/10.3389/fdata.2022.1021518
  15. Reethunandh, H R, Y., Venkata Sandeep, T. S., K R, S. N., & Chandrashekar, H. M. (2023). Classification of ECG Arrhythmia Using a Convolution Neural Network. In 2023 International Conference on Smart Systems for applications in Electrical Sciences (ICSSES) (pp. 1–8). IEEE. https://doi.org/10.1109/icsses 58299.2023.10200579
  16. Śmigiel, S., Topoliński, T., Ledziński, D., & Andrysiak, T. (2024). The ECG Signal Monitoring System Using Machine Learning Methods and LoRa Technology. Pomiary Automatyka Robotyka, 28(2), 21–36. https://doi.org/10.14313/par_252/21
  17. Sverstiuk A., & Mosiy L. (2025). Information technology for electrocardiographic signal analysis based on mathematical models of temporal and amplitude variability. Computer Systems and Information Technologies, (2), 36–44. https://doi.org/10.31891/csit-2025-2-4
  18. Sverstiuk А., & Mosiy, L. (2025). Інформаційна технологія опрацювання та аналізу електрокардіосигналів з врахуванням їх морфологічних та ритмічних ознак. Computer-integrated technologies: education, science, production, (60), 40-52. https://doi.org/10.36910/6775-2524-0560-2025-60-04
  19. Ullah, A., & Khan, M. S. (2024). Classification of Sleep Stages Using Single-Channel ECG Signals: A Comparative Analysis of Machine Learning and Deep Learning Methods. In 2024 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC) (pp. 1–6). IEEE. https://doi.org/10.- 1109/icspcc62635.2024.10770354
  20. Wasimuddin, M., Elleithy, K., Abuzneid, A., Faezipour, M., & Abuzaghleh, O. (2020). Stages-Based ECG Signal Analysis From Traditional Signal Processing to Machine Learning Approaches: A Survey. IEEE Access, 8, 177782–177803. https://doi.org/10.1109/access.2020.3026968
  21. Wasimuddin, M., Elleithy, K., Abuzneid, A., Faezipour, M., & Abuzaghleh, O. (2021). Multiclass ECG Signal Analysis Using Global Average-Based 2-D Convolutional Neural Network Modeling. Electronics, 10(2),170. https://doi.org/10.3390/electronics10020170
  22. Yildirim, B. E., Taskiran, M., & Nur Bekiroglu, K. (2024). Ensemble Learning Methodologies for Electrocardiogram Analysis: A Comparative Study. In 2024 International Conference on Intelligent and Innovative Technologies in Computing, Electrical and Electronics (IITCEE) (pp. 1–6). IEEE. https://doi.org/10.1109/iitcee59897.2024.10467494
  23. Yue, Y., Chen, C., Liu, P., Xing, Y., & Zhou, X. (2021). Automatic Detection of Short-Term Atrial Fibrillation Segments Based on Frequency Slice Wavelet Transform and Machine Learning Techniques. Sensors, 21(16), 5302. https://doi.org/10.3390/s21165302