Інформаційні технології та комп'ютерна техніка

МЕТОД КЛАСИФІКАЦІЇ ЕЛЕКТРОКАРДІОГРАМ ІЗ ЗАСТОСУВАННЯМ СПАЙКІНГОВИХ НЕЙРОННИХ МЕРЕЖ

Автор(и)

Д. А. Милосердов
Вінницький національний технічний університет ROR
О. К. Колесницький
Вінницький національний технічний університет ROR
DOI https://doi.org/10.31649/1997-9266-2025-182-5-121-128

Ключові слова

спайкінгові нейронні мережі нейронні мережі, часові ряди ЕКГ Leaky integrate-and-fire neuron класифікація часових рядів

Анотація

Розроблено метод класифікації ЕКГ з використанням SNN для розпізнавання серцевої недостатності. Розглянуто актуальність проблеми, переваги SNN над традиційними мережами, аналіз основ SNN, особливостей ЕКГ та архітектури моделі. Метою дослідження є створення теоретичної бази для енергоефективної моделі. Структура статті охоплює теоретичні основи, особливості класифікації, запропоновану архітектуру, аналіз переваг та висновки.

У розділі теоретичних основ спайкінгових нейронних мереж описуються біологічні моделі нейронів, такі як Leaky integrate-and-fire математичне моделювання динаміки спайків через диференціальні рівняння, типи мережі liquid state machine. Модель Leaky integrate-and-fire балансує біологічну правдоподібність з обчислювальною ефективністю, дозволяючи обробку темпоральних патернів ЕКГ з низьким енергоспоживанням.

Особливості класифікації ЕКГ за допомогою спайкінгових нейронних мереж включають аналіз структури сигналу, проблеми шуму, варіабельності та реального часу обробки. Cпайкінгові нейронні мережі можуть використовувати різні підходи навчання: STDP, градієнтні методи та апроксимацію. Це забезпечує стійкість до артефактів та високу точність, як показано в розглянутих роботах.

Запропонована архітектура моделі складається з трьох шарів: вхідного (кодування ЕКГ у спайки за допомогою Leaky integrate-and-fire), резервуарного (1000 нейронів з рекурентними зв’язками та балансом збуджувальних/гальмівних синапсів) та вихідного (декодування для 5 класів через підрахунок спайків). Теоретичний аналіз стійкості базується на динамічних системах, забезпечуючи ефективність для носимих пристроїв.

Аналіз переваг підкреслює енергоефективність та біомімікрію спайкінгових нейронних мереж порівняно з іншими, виклики обчислювальної складності та перспективи в клінічній практиці, зокрема, в телемедицині та персоналізованій діагностиці.

148 75

Як цитувати

[1]
«МЕТОД КЛАСИФІКАЦІЇ ЕЛЕКТРОКАРДІОГРАМ ІЗ ЗАСТОСУВАННЯМ СПАЙКІНГОВИХ НЕЙРОННИХ МЕРЕЖ», Вісник ВПІ, вип. 5, с. 121–128, Жов 2025, doi: 10.31649/1997-9266-2025-182-5-121-128.

Біографії авторів

автор Д. А. Милосердов, афіліація Вінницький національний технічний університет

 аспірант кафедри комп’ютерних наук

автор О. К. Колесницький, афіліація Вінницький національний технічний університет

канд. тех. наук, доцент, професор кафедри комп’ютерних наук

Посилання

H. Choi et al., “Review on spiking neural network-based ECG classification methods for low-power environments,” Biomed. Eng. Lett., 2024.
Z. Yan, J. Zhou, and W.-F. Wong, “Energy efficient ECG classification with spiking neural network,” Biomed. Signal Process. Control, vol. 63, Art. no. 102170, 2021.
O. K. Kolesnytskyj, I. V. Bokotsey, and S. S. Yaremchuk, “Optoelectronic implementation of pulsed neurons and neural networks using bispin-devices,” Opt. Memory Neural Netw., vol. 19, no. 2, pp. 154-165, 2010. https://doi.org/10.3103/S1060992X10020062 .
O. K. Kolesnytskyj, V. V. Kutsman, K. Skorupski, and M. Arshidinova, “Neurocomputer architecture based on spiking neural network and its optoelectronic implementation,” in Proc. SPIE 11176, Photon. Appl. Astron., Commun., Ind., High-Energy Phys. Exp. 2019, Nov. 2019, Art. no. 1117609, https://doi.org/10.1117/12.2536607 .
D. Mohammad, “Detection of abnormalities in cardiac rhythm using spiking neural networks,” M.S. thesis, Lund Univ., Lund, Sweden, 2023.
A. Rana and K. [incomplete author list], “Electrocardiography classification with leaky integrate-and-fire neurons in an artificial neural network-inspired spiking neural network framework,” [incomplete publication details].
W. Gerstner, and W. M. Kistler, Spiking Neuron Models: Single Neurons, Populations, Plasticity. Cambridge, U.K.: Cambridge Univ. Press, 2002, ISBN 0-511-07817-X.
X. Li, et al., “A spiking neural network-based approach with ECG and PCG for cardiovascular disease classification,” Sensors, 2024.
V. Kutsman, and O. Kolesnytskyj, “Dynamic handwritten signature identification using spiking neural network,” Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, vol. 11, no. 3, pp. 34–39, 2021, https://doi.org/10.35784/iapgos.2718.
Z. Yan, et al., “SparrowSNN: A hardware/software co-design for energy efficient ECG classification,” arXiv: 2406.06543v1, 2024.
W. Maass, “Networks of spiking neurons: The third generation of neural network models,” Neural Netw., vol. 10, pp. 1659-1671, 1997, https://doi.org/10.1016/S0893-6080(97)00011-7 .
A. Amirshahi, and M. Hashemi, “ECG classification algorithm based on STDP and R-STDP neural networks for real-time monitoring on ultra low-power personal wearable devices,” IEEE Trans. Biomed. Circuits Syst., 2019.
C. Y. Saw, and Y. C. Wong, “Neuromorphic computing based on stochastic spiking reservoir for heartbeat classification,” Jordanian J. Comput. Inf. Technol., vol. 08, no. 02, pp. 184-195, 2022.
P. Kovacs, and K. Samiee, “Arrhythmia detection using spiking variable projection neural networks,” Preprint, 2023.
D. Banerjee, S. Dey, and A. Pal, An SNN based ECG classifier for wearable edge devices, 2023.
J. Wang, et al., “Building and training a deep spiking neural network for ECG classification,” Biomed. Signal Process. Control, 2022.
Y. Xing, and L. Zhang, “Accurate ECG classification based on spiking neural network and attentional mechanism for real-time implementation on personal portable devices,” Electronics, vol. 11, Art. no. 1889, 2022.
Нормальна ЕКГ: зубці, сегменти, інтервали. [Електронний ресурс]. Режим доступу: https://therapy.odmu.edu.ua/ecg-online-course/normal-ecg-waves-intervals .

Статті цього автора (цих авторів), які найбільше читають