Диагностика и категоризация сердечных заболеваний по ЭКГ с использованием гибридной нечеткой CNN, оптимизированной метаэвристическими алгоритмами

Почему важны более «умные» мониторы сердца

Заболевания сердца остаются ведущей причиной смертности в мире, и крошечные изменения в электрическом ритме сердца часто дают самые ранние предупреждающие признаки. Врачи читают эти электрические следы, называемые ЭКГ, чтобы обнаружить опасные нарушения ритма, но сигналы шумные, сложные и постоянные. В статье рассматривается новый способ обучения компьютеров чтению ЭКГ ближе к уровню экспертов-кардиологов с целью быстро и надёжно выявлять угрожающие жизни нарушения ритма.

От наклеек на грудь к цифровым биениям

Любая ЭКГ начинается с простых датчиков, размещённых на коже, которые улавливают электрическую активность сердца. Получающиеся волнистые линии показывают, как верхние и нижние камеры сокращаются и восстанавливаются при каждом ударе. Тонкие сдвиги формы и времени этих волн могут сигнализировать о очень разных проблемах: от относительно безвредных до связанных с инсультом или внезапной сердечной смертью. При этом сигналы ЭКГ малы, легко искажаются движением и электрическими помехами и могут меняться даже у здоровых людей, что осложняет надёжный автоматический анализ.

Почему некоторые неправильные удары опаснее

Исследователи сосредоточились на семи распространённых шаблонах, рекомендованных международным стандартом исследований сердечного ритма. Включены нормальные комплексы, дополнительные комплексы, исходящие из предсердий, дополнительные комплексы из желудочков, блокады проводимости сердца, фузионные комплексы, смешивающие два сигнала, и комплексы, которые трудно отнести к категории. Дополнительные комплексы из желудочков тесно связаны с быстрыми хаотичными ритмами, которые могут привести к остановке сердца, тогда как некоторые дополнительные комплексы из предсердий указывают на риск инсульта в будущем. Правильное обнаружение этих опасных комплексов среди множества нормальных имеет решающее значение, если автоматизированные системы должны помогать врачам принимать своевременные решения.

Преобразование ударов сердца в изображения для восприятия компьютером

Вместо того чтобы подавать сырые волнистые линии напрямую в программу, команда сначала очищает сигналы ЭКГ, убирая медленные дрейфы и электромагнитные помехи. Затем они используют стратегию поиска, вдохновлённую поведением табунов диких лошадей, чтобы найти наиболее регулярный повторяющийся участок сердечного цикла у каждого человека. С учётом этой индивидуальной периодичности каждое короткое фрагмент ЭКГ математически заворачивают в петлю и строят как двумерное изображение. Эти картинки сохраняют ключевые формы каждого комплекса, одновременно сглаживая шумы и случайные сдвиги. Параллельно измеряются классические временные признаки, такие как интервалы между ударами и длины ключевых интервалов, что даёт второй, более традиционный взгляд на ритм сердца.

Смешанный «мозг» для распознавания ритма

Для чтения этих обогащённых сигналов авторы построили гибридную модель, объединяющую две идеи. Сначала глубокая сверточная сеть сканирует изображения ЭКГ в нескольких слоях, обучаясь распознавать тонкие визуальные паттерны, связанные с каждым типом ритма. Затем слой нечеткой логики, работающий с мягкими «если–то» правилами вместо жёстких да/нет решений, объединяет то, что извлекла сеть изображений, с временными признаками. Вторая вдохновлённая поведением животных стратегия поиска, смоделированная по аналогии с охотой пума, тонко настраивает все веса сети и параметры нечетких правил совместно, вместо традиционной поэтапной настройки, которая может застревать в плохих решениях.

Насколько хорошо работает система

Модель обучали и тестировали на известной публичной коллекции ЭКГ, содержащей экспертно размеченные комплексы от 47 человек, а затем проверили на отдельном долгосрочном наборе данных, чтобы оценить обобщающую способность. В основной базе данных модель правильно классифицирует почти все комплексы по семи группам с общей точностью 99,71 процента. Особенно важно, что чувствительность к самым опасным классам — дополнительным комплексам из желудочков и из предсердий — повышается по сравнению с недавними соперничающими методами. Детальные статистические проверки показывают, что признаки, используемые моделью для принятия решений, соответствуют известным медицинским маркёрам, таким как изменения в интервалах между ударами и времени восстановления.

Что это значит для пациентов и клиницистов

Проще говоря, работа показывает, что преобразование сигналов ЭКГ в изображения и их комбинирование с основанным на правилах рассуждением может помочь компьютерам с очень высокой надёжностью отличать опасные ритмы от безвредных. Хотя это не заменяет кардиологов, такая система может лечь в основу более «умных» постельных мониторов, носимых устройств или телемедицины, которые в реальном времени отмечают тревожные шаблоны, позволяя людям-экспертам сосредоточиться на наиболее срочных случаях.

Цитирование: Davani, M., Taghizadeh, M., Pirbonyeh, M.A. et al. Heart disease diagnosis and categorization from ECG signals using hybrid Fuzzy-CNN machine optimized by meta-heuristic algorithms. Sci Rep 16, 16001 (2026). https://doi.org/10.1038/s41598-026-43637-y

Ключевые слова: аритмия ЭКГ, сердечный ритм, глубокое обучение, нечеткая логика, медицинский ИИ