ПІДХІД ДО ОЦІНЮВАННЯ ЕЛЕКТРОКАРДІОСИГНАЛІВ НА ОСНОВІ БАГАТОФАКТОРНОГО РЕГРЕСІЙНОГО АНАЛІЗУ ФУНКЦІЇ ЧАСОВОЇ ВАРІАБЕЛЬНОСТІ

А. С. Сверстюк; Л. Є. Мосій

doi:10.31649/1997-9266-2025-182-5-96-104

Автор(и)

А. С. Сверстюк

Тернопільський національний технічний університет імені І. Пулюя; Тернопільський національний медичний університет імені І. Я. Горбачевського

Л. Є. Мосій

Тернопільський національний технічний університет імені Івана Пулюя ROR

DOI https://doi.org/10.31649/1997-9266-2025-182-5-96-104

Ключові слова

функція часової варіабельності, багатофакторна регресійна модель електрокардіосигнал кардіологічна діагностика покрокова регресія екстрасистолія блокада лівої ніжки пучка Гіса коефіцієнт прогнозування CDPCTVF статистичні предиктори автоматична класифікація серцевих патологій циклічні дискретні випадкові процеси серцево-судинна система

Анотація

У дослідженні представлено розробку багатофакторної регресійної моделі, призначеної для автоматизованої ідентифікації кардіологічних станів шляхом аналізу статистичних параметрів часової мінливості електрокардіографічних даних. Розроблена модель базується на п’яти ключових статистичних індикаторах: середньому арифметичному, медіані, моді, середньоквадратичному відхиленні та ексцесі. Ці параметри ідентифіковано через послідовну процедуру регресійного відбору із загальної сукупності тринадцяти первинних характеристик за граничного рівня статистичної достовірності p < 0,05. Вагові параметри кожного індикатора визначено за допомогою оптимізації квадратичних відхилень. Домінантний вплив на результат діагностування чинить середнє арифметичне (коефіцієнт β = 153,952), натомість решта показників забезпечують уточнювальний ефект з від’ємними ваговими коефіцієнтами.

Розроблена модель демонструє високу ефективність розрізнення трьох категорій серцевої активності: фізіологічної норми, аритмічних розладів типу передчасних серцевих скорочень та структурних порушень провідності міокарда (часткової блокади лівого пучка Гіса). Якість моделювання підтверджується коефіцієнтом детермінації R² = 0,97636 (з урахуванням корекції R² = 0,97577). Фізіологічний стан характеризується мінімальною дисперсією часових інтервалів (0,0003…0,00004 с²), натомість передчасні скорочення демонструють тисячократне збільшення цього показника (0,011…0,012 с²). Перевірка на експериментальному масиві даних з 204 записів серцевої активності засвідчила високу надійність системи (показник Фішера F = 1635,7, коли p < 0,001) та дотримання фундаментальних вимог регресійного моделювання. Дослідження похибок прогнозування виявило їх відповідність гаусівському розподілу та однорідність дисперсії, що підтверджує коректність розробленої системи.

Запропонований підхід поєднує переваги класичних статистичних методів із запропонованим використанням функції часової варіабельності для комплексного аналізу морфологічних і ритмічних ознак кардіосигналів. Практичне значення дослідження полягає у створенні математичного інструментарію для автоматизованих систем діагностики серцево-судинних захворювань та систем підтримки прийняття клінічних рішень.

155 66

Як цитувати

[1]

«ПІДХІД ДО ОЦІНЮВАННЯ ЕЛЕКТРОКАРДІОСИГНАЛІВ НА ОСНОВІ БАГАТОФАКТОРНОГО РЕГРЕСІЙНОГО АНАЛІЗУ ФУНКЦІЇ ЧАСОВОЇ ВАРІАБЕЛЬНОСТІ», Вісник ВПІ, вип. 5, с. 96–104, Жов 2025, doi: 10.31649/1997-9266-2025-182-5-96-104.

Завантажити посилання

Біографії авторів

автор А. С. Сверстюк, афіліація Тернопільський національний технічний університет імені І. Пулюя; Тернопільський національний медичний університет імені І. Я. Горбачевського

д-р техн. наук, професор, професор кафедри медичної інформатики Тернопільського національного медичного університету імені І. Я. Горбачевського; професор кафедри комп’ютерних наук Тернопільського національного технічного університету імені Івана Пулюя

автор Л. Є. Мосій, афіліація Тернопільський національний технічний університет імені Івана Пулюя

аспірант кафедри комп’ютерних наук

Посилання

H. Franchevska, M. Khvostivskyi, V. Dozorskyi, E. Yavorska, and O. Zastavnyy, “The Method and Algorithm for Detecting the Fetal ECG Signal in the Presence of Interference,” in Proceedings of the 1st International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2023), CEUR Workshop Proceedings, Ternopil, Ukraine, June 14-16, 2023, pp. 263-272. ISSN 1613-0073.

L. Mosiy, and A. Sverstiuk, “Methods of modeling and classification of electrocardiograms,” Computer-Integrated Technologies: Education, Science, Production, no. 58, pp. 104-115, 2025. https://doi.org/10.36910/6775-2524-0560-2025-58-12 .

L. Mosiy, and A. Sverstiuk, “Information technology for electrocardiographic signal analysis based on mathematical models of temporal and amplitude variability,” Computer Systems and Information Technologies, no. 2, pp. 36-44, 2025. https://doi.org/10.31891/csit-2025-2-4 .

Y. Kim, et al., “Predicting Future Incidences of Cardiac Arrhythmias Using Discrete Heartbeats from Normal Sinus Rhythm ECG Signals via Deep Learning Methods,” Diagnostics, vol. 13, no. 17, p. 2849, 2023. https://doi.org/10.3390/diagnostics13172849 .

P. K. P. Shanmuganathan, and V. Sivaratri, “Integrating Deep Learning for Arrhythmia Detection with Automated Drug Delivery: A Comprehensive Approach to Cardiac Health Monitoring and Treatment,” arXiv, 2024. https://doi.org/10.48550/ARXIV.2410.19827 .

R. Patil, B. Narkhede, S. Varma, S. Suraliya, and N. Mehendale, “Auto Lead Extraction and Digitization of ECG Paper Records using cGAN,” arXiv, 2022. https://doi.org/10.48550/ARXIV.2211.06720 .

S. Lupenko, and R. Butsiy, “Isomorphic Multidimensional Structures of the Cyclic Random Process in Problems of Modeling Cyclic Signals with Regular and Irregular Rhythms,” Fractal and Fractional, vol. 8, no. 4, p. 203, 2024. https://doi.org/10.3390/fractalfract8040203 .

S. Lupenko, “The Mathematical Model of Cyclic Signals in Dynamic Systems as a Cyclically Correlated Random Process,” Mathematics, vol. 10, no. 18, pр. 3406, 2022. https://doi.org/10.3390/math10183406 .

S. Lupenko, “Rhythm-adaptive statistical estimation methods of probabilistic characteristics of cyclic random processes,” Digital Signal Processing, vol. 151, pр. 104563, 2024. https://doi.org/10.1016/j.dsp.2024.104563 .

V. Martsenyuk, A. Sverstiuk, A. Klos-Witkowska, A. Horkunenko, and S. Rajba, “Vector of Diagnostic Features in the Form of Decomposition Coefficients of Statistical Estimates Using a Cyclic Random Process Model of Cardiosignal,” in 2019 10th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), Metz, France, 2019, pp. 298-303. https://doi.org/10.1109/idaacs.2019.8924398 .

S. Lupenko, I. Lytvynenko, A. Sverstiuk, B. Shelestovskyi, and A. Horkunenko, “Software for Statistical Processing and Modeling of a Set of Synchronously Registered Cardio Signals of Different Physical Nature,” CEUR Workshop Proceedings, vol. 2864, pp. 194-205, 2021. https://doi.org/10.32782/cmis/2864-17 .

V. Kalidas and L. S. Tamil, “Detection of atrial fibrillation using discrete-state Markov models and Random Forests,” Computers in Biology and Medicine, vol. 113, pр. 103386, 2019. https://doi.org/10.1016/j.compbiomed.2019.103386 .

T. K. Lin, D. Wendelken, B. O’Rourke, S. R. Jones, N. M. Punjabi, and D. DeMazumder, “Abstract 453: Phenotyping by ECG Dynamics During Sleep Predicts Cardiovascular Disease Risk Factors in a Multicenter Study of Asymptomatic Middle-aged Community Adults,” Circulation Research, vol. 125, Suppl. 1, 2019. https://doi.org/10.1161/res.125.suppl_1.453 .

A. Mombereau, Y. Serinagaoglu Dogrusoz, R. Dubois, and L. R. Bear, “Improved Performance of Data-Adaptive Regression Framework Based on Multivariate Adaptive Regression Splines for Electrocardiographic Imaging,” in Computing in Cardiology Conference (CinC), vol. 51, 2024. https://doi.org/10.22489/cinc.2024.294 .

M. Malik, “Relation between QT and RR intervals is highly individual among healthy subjects: implications for heart rate correction of the QT interval,” Heart, vol. 87, no. 3, pp. 2200-228, 2002. https://doi.org/10.1136/heart.87.3.220 .

A. Paul, et al., “Development of Automated Cardiac Arrhythmia Detection Methods Using Single Channel ECG Signal,” 2023.

M. Lavanga, et al., “Maturation of the Autonomic Nervous System in Premature Infants: Estimating Development Based on Heart-Rate Variability Analysis,” Frontiers in Physiology, vol. 11, 2021. https://doi.org/10.3389/fphys.2020.581250 .

B. A. Shah, et al., “Heart rate variability and amplitude-integrated electroencephalography measured shortly after birth and time to reach clinical milestones: a pilot study in late preterm infants,” Frontiers in Pediatrics, vol. 13, 2025. https://doi.org/10.3389/fped.2025.1579197 .

R. Sassi, et al., “Advances in heart rate variability signal analysis: joint position statement by the e-Cardiology ESC Working Group and the European Heart Rhythm Association co-endorsed by the Asia Pacific Heart Rhythm Society,” Europace, vol. 17, no. 9, pp. 1341-1353, 2015. https://doi.org/10.1093/europace/euv015 .

M. Pagani, D. Lucini, and A. Porta, “Sympathovagal balance from heart rate variability: time for a second round?” Experimental Physiology, vol. 97, no. 10, pp. 1141-1142, 2012. https://doi.org/10.1113/expphysiol.2012.066977 .

B. Dhananjay, and J. Sivaraman, “Prediction of cardiac rhythm based on heart rate variability features in sinus tachycardia conditions,” in 2021 Seventh International conference on Bio Signals, Images, and Instrumentation (ICBSII), Chennai, India, 2021, pp. 1-6. https://doi.org/10.1109/icbsii51839.2021.9445167 .

A. Smiley and J. Finkelstein, “Regression Analysis for Prediction of Exercise Exertion Levels Using Physiological Data,” in 2023 IEEE 14th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), New York, NY, USA, 2023, pp. 0416-0419. https://doi.org/10.1109/uemcon59035.2023.10315969 .

C. D. Zuluaga-Ríos, M. A. Álvarez-López, and Á. A. Orozco-Gutiérrez, “Comparación de métodos de filtro de Kalman robustos para corrección de artefactos en el análisis de la variabilidad de la frecuencia cardiaca,” TecnoLógicas, vol. 18, no. 34, p. 25, 2015. https://doi.org/10.22430/22565337.213 .

P. Sardar, R. Gupta, and S. Mukhopadhyay, “Multiclass Signal Quality Assessment of Electrocardiogram using Entropy-based Features and Machine Learning Technique,” in 2022 IEEE Silchar Subsection Conference (SILCON), Silchar, India, 2022, pp. 1-7. https://doi.org/10.1109/silcon55242.2022.10028787 .

A. Lyon, A. Mincholé, J. P. Martínez, P. Laguna, and B. Rodriguez, “Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances,” Journal of The Royal Society Interface, vol. 15, no. 138, pp. 20170821, 2018. https://doi.org/10.1098/rsif.2017.0821 .

J. Li, M. Wang, F. Zhang, G. Liu, and W. Wen, “Chronic Stress Recognition Based on Time-Slot Analysis of Ambulatory Electrocardiogram and Tri-Axial Acceleration,” IEEE Transactions on Affective Computing, vol. 15, no. 3, pp. 1178-1189, 2024. https://doi.org/10.1109/taffc.2023.3326747 .