Восстановление данных ЭКГ на основе ИИ и классификация сердечно‑сосудистых заболеваний (CEDRC-network)

Почему важно очищать сердечные сигналы

Каждый сердечный цикл оставляет электрический след, который врачи читают, чтобы выявить проблемы на ранней стадии. Но в реальных больницах эти записи ЭКГ часто бывают шумными или неполными из‑за движения пациента, соскальзывания электродов или сбоев оборудования. В этом исследовании представлена интеллектуальная вычислительная система CEDRC‑Net, которая автоматически очищает зашумлённые ЭКГ, восстанавливает пропущенные фрагменты и затем помогает классифицировать несколько распространённых нарушений ритма сердца. Вместо того чтобы отбрасывать дефектные записи, метод делает их полезными, что может обеспечить более быстрое и надёжное обслуживание большого числа пациентов.

От реальных больничных данных к более умному конвейеру

Исследователи построили и протестировали систему на большой коллекции MIMIC‑IV‑ECG: около 800 000 десятисекундных 12‑канальных ЭКГ примерно от 160 000 пациентов, связанных с клиническими записями. Вместо того чтобы разрабатывать единый непрозрачный «чёрный ящик», они разделили процесс на этапы, имитирующие работу человеческого эксперта: сначала очистка сигнала, затем восстановление повреждённых частей, затем поиск признаков заболеваний. Такая модульная архитектура облегчает проверку работы каждого этапа и адаптацию системы к разным больничным условиям или оборудованию.

Очищение сигнала без утраты важной информации

Первый этап решает одну из самых простых, но частых проблем в повседневных ЭКГ: шум. Мышечные подёргивания, ослабленные провода или другие приборы могут искажать тонкие волны, несущие сведения о работе сердца. Для этого команда использует временную сверточную денойзинговую автокодировочную сеть (Temporal Convolutional Denoising Autoencoder, TCDAE). Проще говоря, эта модель учится тому, как должны выглядеть нормальные ЭКГ‑волны, и преобразует зашумлённые входные сигналы в более чистые версии, стараясь сохранить ключевые формы, такие как острые QRS‑спайки и более широкие P‑ и T‑волны. Сравнительные тесты оригинальных и очищенных сигналов показали низкую ошибку и сильное сходство, то есть модель устраняла большое количество шума, не стирая важные медицинские детали.

Заполнение пропусков с помощью продвинутого прогнозирования

Реальные ЭКГ не только зашумлены, но и могут содержать пропуски, когда электроды отпадают или запись прерывается. Для исследования авторы смоделировали пропущенные сегменты на трёх уровнях—10%, 30% и 50%—и затем пытались восстановить полный сигнал. Они сравнили два семейства современных инструментов ИИ. Вариационные автокодировщики (VAE) сжимают сигнал в скрыёный код, а затем восстанавливают его, тогда как Temporal Fusion Transformers (TFT) специализированы на временных рядах и используют механизмы внимания, чтобы фокусироваться на наиболее информативных частях последовательности. Оба подхода могли восстановить реалистичные формы волн даже при утрате половины данных, но TFT оказались значительно точнее: их ошибки реконструкции были примерно в 5–10 раз меньше, чем у VAE, что соответствовало лишь около 1–2% отклонению от нормализованной амплитуды ЭКГ.

Преобразование восстановленных сигналов в клинические решения

После очистки и восстановления ЭКГ встал практический вопрос: помогают ли эти улучшенные сигналы в обнаружении заболеваний? Авторы извлекли медико‑значимые признаки, такие как интервалы между сокращениями, длительность и ориентация ключевых волн, и подали их в ряд стандартных классификаторов машинного обучения (включая опорные векторы, случайный лес, градиентный бустинг и XGBoost). Они сосредоточились на различении ритмов, таких как нормальный синусовый ритм, фибрилляция предсердий, синусовая брадикардия и тахикардия. Как для целых, так и для искусственно повреждённых записей признаки, полученные из сигналов, восстановленных TFT, последовательно приводили к более высокой точности, precision и F1‑мере по сравнению с признаками из реконструкций VAE. В нескольких случаях модели на основе сигналов, улучшенных TFT, достигали примерно 98–98,4% точности.

Что это значит для пациентов и клиницистов

Для пациентов главный вывод заключается в том, что несовершенные ЭКГ больше не означают неопределённый диагноз. CEDRC‑Net показывает, что сочетание удаления шума, интеллектуального заполнения пропусков и известных методов классификации может превратить даже дефектные записи в надёжные диагностические данные. Исследование также демонстрирует, что методы на базе трансформеров, такие как TFT, особенно эффективны в сохранении тонких временных закономерностей, указывающих на сердечные нарушения, превосходя более традиционные генеративные модели. При внедрении и валидации в разных клиниках такой конвейер может снизить нагрузку на кардиологов, способствовать более раннему выявлению опасных ритмов и улучшить уход в загруженных или ресурсно‑ограниченных условиях, где получить чистые и непрерывные ЭКГ сложно.

Цитирование: Khan, M.R., Haider, Z.M., Hussain, J. et al. AI based ECG data recovery and cardiovascular diseases classification (CEDRC-network). Sci Rep 16, 11733 (2026). https://doi.org/10.1038/s41598-026-46232-3

Ключевые слова: электрокардиограмма, сердечно‑сосудистые заболевания, глубокое обучение, реконструкция сигнала, классификация аритмий