Способ обработки и анализа данных электрокардиограммы (ЭКГ) Российский патент 2024 года по МПК A61B5/346 G06N3/84 

Область техники

Настоящее изобретение относится к обработке медицинских сигналов, в частности к диагностика заболеваний сердечно-сосудистой системы с использованием сверточных нейронных сетей.

Уровень техники

Диагностика заболеваний сердечно-сосудистой системы является одной из ключевых задач современной медицины, и в частности кардиологии, по нескольким причинам:

1) Распространенность: Сердечно-сосудистые заболевания являются ведущей причиной смертности и инвалидности в мире. Эффективная диагностика помогает своевременно обнаруживать заболевания и предотвращать развитие осложнений.

2) Сложность заболеваний: Многие сердечно-сосудистые заболевания имеют сложную этиологию и могут прогрессировать бессимптомно, что делает их трудными для раннего выявления без специализированных диагностических инструментов.

3) Вариативность симптомов: Симптомы сердечно-сосудистых заболеваний могут варьироваться от очень мягких до крайне тяжелых и часто могут быть ошибочно приписаны другим менее опасным состояниям.

4) Профилактика осложнений: Ранняя диагностика позволяет предотвратить осложнения, такие как инфаркт миокарда, инсульт, сердечная недостаточность, что значительно улучшает прогноз и качество жизни пациентов.

5) Лечение и мониторинг: Точная диагностика позволяет выбрать наиболее эффективное лечение, а также следить за его эффективностью и вносить корректировки при необходимости.

В настоящее время одним из самых распространенных и легкодоступных источников сведений о работе сердечно-сосудистой системы является электрокардиограмма. Автоматический анализ ЭКГ представляет достаточно сложную задачу, связанную, в первую очередь, с особенностями происхождения сигнала, его разнообразием, изменчивостью и непредсказуемостью, а также подверженностью помехам.

Компьютерные системы диагностики различных заболеваний сердца на основе ЭКГ известны уже достаточно давно, однако, повсеместное их использование в медицинских учреждениях пока не достигнуто.

Задачей заявленного решения является создание способа обработки электрокардиограмм, выполненного с возможностью определения 50 патологий с использованием меньшего количества вычислительной мощности.

Техническим результатом заявленного решения является разработка способа обработки и анализа данных электрокардиограммы (ЭКГ) для использования в качестве входных данных для обучения моделей нейронных сетей, который позволяет в значительной мере повысить точность автоматического анализа различных патологий по ЭКГ.

Раскрытие изобретения

Поставленная цель, требуемый и получаемый при использовании изобретения технический результат достигаются тем, что способ обработки и анализа сигналов электрокардиографии (ЭКГ) для формирования обучающих данных для модели нейронной сети, обнаруживающей патологии, содержит этапы:

прием набора сигналов ЭКГ;

декодирование полученного сигнала ЭКГ в формат 12 канального сигнала;

фильтрация, передискретизации и нормализация сигнала ЭКГ;

поиск и коррекция R-пиков для каждого отведения;

определения координат начала и конца для каждого зубца PQST для каждого отведения;

разметка PQRST-зубцов для каждого отведения;

выполнения коррекция координат начала и конца каждого зубца на основе разметки для каждого отведения;

вычисление временных интервалов между зубцами и амплитуды каждого зубца для каждого отведения;

определение корригированного временного интервала;

вычисление медианы, среднего значения, минимума и максимума временных интервалов для каждого отведения;

объединение значений, определенных на предыдущем этапе в один вектор признаков;

отправку вектора признаков и нормализованного, семплированного сигнала, полученного на предыдущем этапе, на вход модели нейронной сети для обучения;

сохранение обученной модели нейронной сети в аппаратно-программном комплексе диагностики патологий сердца для последующей классификации поступающих сигналов ЭКГ.

Поставленная цель, требуемый и получаемый при использовании изобретения технический результат достигаются тем, что в способе диагностики патологий сердца реализуемом аппаратно-программным комплексом с сохраненной нейронной сетью, обученной способом по п. 1, содержит этапы:

получение сигнала ЭКГ пациента и сохранение его в базе данных;

инициализация запроса на получение ЭКГ из базы данных;

сегментация сигнала ЭКГ нейронной сетью;

классификация сегментированного сигнала ЭКГ по одному из 50 сердечно сосудистых заболеваний.

Поставленная цель, требуемый и получаемый при использовании изобретения технический результат достигаются тем, что апаратно-программный комплекс диагностики патологий сердца, содержащий взаимосвязанные между собой память, устройство обработки, блок связи для взаимодействия с внешними база данных и медицинскими системами, модуль сервиса, содержащий: модуль конфигурации и утилит, модуль предобработки, модуль сопряжения, модуль классификации и детекции, причем:

модуль сервиса, который при приеме запроса на обработку данных ЭКГ для диагностики патологий сердца, инициирует работу модуля конфигурации и утилит и отправляет ему данные ЭКГ пациента;

модуль конфигурации и утилит, соединенный с модулем предобработки и модулем сопряжения со специализированным ядром, осуществляет подготовку входных и выходных данных ЭКГ для передачи в модуль предобработки и подготавливает файл для конфигурирования моделей нейронной сети для отправки в модуль сопряжения;

модуль предобработки осуществляет предобработку данных ЭКГ и отправляет их в модуль сопряжения, сегментацию сигнала ЭКГ посредством модели нейронной сети, обученной способом по пункту 1 формулы,

модуль классификации и детекции, классифицирует полученный от модуля сопряжения сегментированный сигнал ЭКГ по одному из 50 сердечно-сосудистых заболеваний.

Краткое описание чертежей

Сущность изобретения поясняется чертежами.

На фиг. 1 представлена схема архитектуры аппаратно-программного комплекса ЭКГ.

На фиг. 2 показан пример отфильтрованного и нормализованного сигнала ЭКГ с одного из отведений, с найденными маркерами R-пиков.

На фиг. 3 приведен пример отфильтрованного и нормализованного сигнала ЭКГ с одного из отведений, с найденными маркерами PQRST-комплекса.

Осуществление изобретения

Электрокардиограмма (ЭКГ) - это графическое отображение электрических потенциалов, возникающих во время сокращений сердца. Для записи ЭКГ (в зависимости от типа аппарата) используются устройства регистрации электрокардиограммы, такие как стационарные кардиомониторы, холтеровские ЭКГ-мониторы, носимые устройства регистрации ЭКГ и мобильные устройства с функцией регистрации ЭКГ, информация с которых поступает в аппаратно-программный комплекс для обнаружения патологий и постановки диагноза.

Основным инструментом для обнаружения патологий выступает нейронная сеть, созданная на основе алгоритмов искусственного интеллекта и глубокого обучения, которая обучена на большом наборе данных и сохранена на аппаратно-программном комплексе.

Аппаратно-программный комплекс развернут на рабочем месте в эксплуатирующей организации и подключен сети Интернет, для обмена информацией с внешними медицинскими системами и сторонними базами данных посредством технологии REST-API, а также подключен к сети электропитания для работы в круглосуточном режиме.

Аппаратно-программный комплекс содержит взаимосвязанные между собой память, устройство обработки, блок связи для взаимодействия с внешними база данных и медицинскими системами, модуль сервиса, содержащий: модуль конфигурации и утилит, модуль предобработки, модуль логического вывода, модуль сопряжения, модуль классификации и детекции.

В одном из вариантов реализации каждый из модуля конфигурации и утилит, модуля предобработки, модуля логического вывода, модуля сопряжения, модуля классификации и детекции представляет собой компьютерную программу, каждая из которых расположена в отдельной ячейке памяти и реализуема устройством обработки при обращении его к соответствующей ячейке.

В другом варианте реализации каждый модуль конфигурации и утилит, модуль предобработки, модуль логического вывода, модуль сопряжения, модуль классификации и детекции представляет собой арифметико-логическое устройство.

Аппаратно-программный комплекс работает на базе ядра российского производства.

При поступлении пациента в медицинское учреждение (например, больницу) происходит сбор клинических данных, таких как: пол, возраст, анализ крови, ЭКГ и т.д, которые сохраняются в базе данных.

Модуль сервиса аппаратно-программного комплекса, подключенного к базе данных посредством сети Интернет, инициализирует запрос в базу данных, для получения ЭКГ.

В другом варианте изобретения аппаратно-программный комплекс получает ЭКГ от устройства регистрации электрокардиограммы, к которому он подключен по сети.

В другом варианте изобретения аппаратно-программный комплекс получает ЭКГ от внешних медицинских систем по назначенному порту посредством сервиса REST-API.

Модуль сервиса предназначен для организации приема запросов и передачи ответов внешним информационным системам и дополнительно выполняет следующие функции:

- запускает процесс прослушивания порта входных данных;

- обрабатывает запросы;

- инициализирует и протоколирует работу входящих в него модулей с целью последующего выявления ошибок в их работе.

При приеме запроса на обработку ЭКГ, модуль сервиса инициирует работу модуля конфигурации и утилит отправляет ему ЭКГ пациента.

Входное ЭКГ закодировано в строке типа Base64, первым делом выполняется декодирование полученного ЭКГ в формат 12 канального сигнала (т.е. ЭКГ с 12 отведений), представленного в памяти непрерывно дискретными отсчетами. Для этих целей используется модуль конфигурации и утилит, который также используется для конфигурирования моделей нейронной сети.

Входные данные декодируются из строки формата Base64 в формат 12 мерного сигнала ЭКГ. Конфигурационный файл в формате JSON, содержащий: name - имя модели ЭКГ (нейронной сети); width - ширина входного изображения; height - высота входного изображения; num threads - количество используемых потоков процессора; backend - библиотека исполнения модели КТ (нейронной сети), может принимать значения tensorflow или cuda, передается в модуль сопряжения со специализированным ядром, входящий в состав модуля логического вывода.

Подготовленные модулем конфигурации и утилит данные передаются в модуль предобработки, предназначенный для приведения массива данных ЭКГ к виду, который поступает на вход нейронной сети.

Модуль предобработки выполняет последовательные этапы обработки.

Шаг 1: Фильтрация необработанной формы волны ЭКГ с помощью полосового фильтра с конечной импульсной характеристикой.

Снятие сигнала ЭКГ осуществляется с большим разрешением, что приводит к тому, что помимо полезного сигнала, относящегося к данным определяющим работу сердца пациента, также содержит шум, вызванный ЛЭП помехами, внешними электромагнитными полями, случайными движениями тела и дыхания.

Следовательно, основной задачей является улучшение сигнала ЭКГ посредством отделение полезного сигнала от помех (шумов и нежелательных артефактов).

Фильтрация проводится по каждому отведению входного сигнала по формуле:

где Р - порядок фильтра, х(n) - входной сигнал, у(n) - выходной сигнал, b_i - коэффициенты фильтра.

Далее отфильтрованный сигнал:

- семплируют до 500 Гц, т.е. производят передискредитация сигнала по формуле:

где Y, Y₀, Y₁ - текущее, предыдущее, следующее значения амплитуды, X, Х₀, X₁ - текущее, предыдущее, следующее значения точки отсчета;

- нормализуют в диапазоне [0, 1] по формуле:

где X_norm - нормализованное значение амплитуды, X - текущее значение амплитуды, X_max - максимальное значение амплитуды, X_min - минимальное значение амплитуды;

Результатом данного шага является первый вектор с исходным фильтрованным, сигналом ЭКГ (нормализованным и сэмплированным) размером 12×5000, который сохраняется и используется в качестве части входных данных для модели нейронной сети.

Шаг 2: Поиск R-пиков

На данном шаге выполняется поиск R-пиков с использованием алгоритма поиска R-пиков из открытой библиотеки NeuroKit, который заключается в обнаружении QRS-комплексов на основании крутизны абсолютного градиента сигнала ЭКГ, затем R-пики выявляются как локальные максимумы в QRS-комплексах.

На фиг. 2 показан пример отфильтрованного и нормализованного сигнала ЭКГ с одного из отведений, с найденными маркерами R-пиков

Результатом данного шага является массив значений амплитуд R-пиков для каждого отведения.

Шаг 3: Коррекция R-пиков для каждого отведения.

Данный шаг предназначен для коррекции R-пиков, полученных на предыдущем шаге. Для этого применяется алгоритм коррекции R-пиков, который основан на:

усреднении R-пиков соседних отведений,

удаление артефактных R-пиков, находящихся на расстоянии 160 мс или меньше,

удаление пиков, которые встречаются менее 4 раз;

удаление пиков, которые не встречаются на других отведениях.

Таким образом, алгоритм создает матрицу похожих значений R-пиков, группируя таким образом R-пики, которые, предположительно, соответствуют одному и тому же сердечному сокращению, наблюдаемому в разных отведениях.

Этот метод используется для уменьшения влияния шумов и артефактов, которые могли бы быть ошибочно идентифицированы как R-пики, если бы они встречались только в одном или нескольких отведениях, но не в других. В результате из найденных R-пиков на 2 шаге удаляются R-пики, которые не входят в эту матрицу.

Результатом данного шага является усредненный массив R-пиков для каждого отведения.

Шаг 4: Разметка PQRST-зубцов исходного сигнала.

На данном шаге выполняется поиск и анализ остальных компонентов ЭКГ: Р-зубцев, Q-зубцев, S-зубцев и Т-зубцев.

Для каждого зубца в исходном сигнале с использованием непрерывного вейвлет-преобразования определяют координаты начала и конца зубца, делается это путем корреляции сигнала с серией вейвлетов, которые изменяются по масштабу (или частоте) и позиции. В результате получают частотно-временное представление сигнала, которое выявляет его локальные характеристики, после чего выполняется разметка всех PQRST-зубцов для каждого отведения.

На фиг. 3 показан пример отфильтрованного и нормализованного сигнала ЭКГ с одного из отведений, с найденными маркерами PQRST-комплекса.

Шаг 5: Разметка PQRST-зубцов.

Данный шаг предназначен для поиска и коррекции разметки PQST-зубцов на основе усредненной разметки, полученной на предыдущем шаге. Производится анализ сигнала на наличие других зубцов, таких как Р, Q, S, Т, исходя из расположения R-пиков. По аналогии с 3 шагом выполняется коррекция координат начала и конца каждого зубца на основе усредненных координат из разметки.

Результатом данного шага является корректно размеченная последовательность PQRST-зубцов для каждого отведения.

Шаг 6: Извлечение характеристик из разметки PQRST-зубцов и создание набора вектора признаков сигнала ЭКГ.

Используя исходный сигнал ЭКГ и разметку PQRST-зубцов, определенную на предыдущем шаге, вычисляют различные временные интервалы, такие как RR, РР, PQ, QT, QS, QR, RS, Р и Т интервалы. Тем самым для каждого зубца определяют амплитудные значения для пиков Р, Q, R, S, Т в каждом из 12 отведений ЭКГ и временные интервалы.

В зависимости от частоты сердечных сокращений (ЧСС) определяют характер Т-зубца посредством определения корригированного интервала QT и его коррекции в зависимости от частоты сердечных сокращений (ЧСС).

Если ЧСС менее 60 или более 100 в минут, то применяется формула Фрамингема, в остальных случаях формула Баззетта.

Вычисляют медиану, среднее значение, минимум и максимум временных интервалов между зубцов (RR, РР, PQ, QT, QS, QR, RS, Р и Т), которые используются в качестве пороговых значений признаков сигнала ЭКГ.

В завершении, вектор признаков каждого отведения объединяют в один вектор.

Результатом данного шага является вектор признаков сигналов ЭКГ, содержащий 94 значений, который используют как часть входных данных для модели нейронной сети.

Вышеуказанные данные также использовались для обучения нейронной сети с целью сегментации входящих сигналов ЭКГ, которая сохранена в модуле сопряжения аппаратно-программного комплекса, являющегося частью модуля логического вывода.

Модуль сопряжения со специализированным ядром организует взаимодействие с ядром российского производства и выполняет следующие функции:

инициализирует модель ЭКГ следующими данными: количество потоков; имя модели ЭКГ; используемая библиотека исполнения модели;

подает входные тензоры на входы модели ЭКГ;

возвращает вероятности диагностирования по каждому из заболеваний.

Модуль сопряжения реализуется в качестве движка выполнения модели нейронной сети на ядре российского производства, использует функционал библиотеки, поставляемой вместе с ядром.

Для обучения использовался набор данных, состоящий из 1002045 электрокардиограмм. Каждая электрокардиограмма содержит 12 отведений: 6 отведений от конечностей, из них 3 стандартных и 3 усиленных отведения и 6 отведений с поверхности грудной клетки и имеет длительность от 10 секунд. Данные были размечены врачами-кардиологами, причем для каждой ЭКГ было указано 50 различных показателей или состояний.

Для обучения нейронной сети используется нормализованный и семплированный сигнал исходной электрокардиограммы, полученный на этапе Шаг №1, а также набор признаков, полученных на этапе предобработки (шаги 1-7). Он представляет собой вектор из 5000 элементов, подающихся на первый вход, а также вектор из 94 признаков, подающихся на второй вход.

Для обучения используется алгоритм обратного распространения ошибки. Модель выдает новые предсказания раз в секунду.

Архитектура сети содержит сто пять сверточных слоев, слои нормализации, полносвязные слои и функцию sigmoid на выходе.

Для того, чтобы процесс обучения проходил стабильно и предсказуемо, используется техника компоновки остаточных блоков, где исходный сигнал пробрасывается между блоками для исключения проблем исчезновения градиента. Сигнал нормализуется на входе попакетно-нормализация по мини-батчам.

Сеть содержит десять остаточных блоков, в каждом блоке по два сверхточных слоя. Особенностью операции свертки является использование подхода взятия разряженной области под ядром свертки. Ядро проходит над областью, захватывая только часть сигналов. Это позволяет увеличить область охвата, при этом не увеличивая число параметров сети. Если параметров много, то трудоемкость обучения сети увеличивается.

Перед каждым сверточным слоем применяется нормализация по мини-батчам и устраняется линейность преобразования. Также для регуляризации используется Dropout - подход, при котором часть сигналов зануляется, что увеличивает генерализующую способность сети. Финальным слоем является полносвязный слой и функция активации softmax, выдающая предсказание для одного из 50 классов:

1. Синусовый ритм

2. Синусовая аритмия

3. Миграция водителя ритма

4. Предсердный ритм

5. Фибрилляция предсердий

6. Трепетание предсердий

7. AV-узловой ритм

8. Идиовентрикулярный ритм

9. Ритм ЭКС

10. Нормальное положение электрической оси сердца

11. Вертикальное положение электрической оси сердца

12. Отклонение электрической оси сердца вправо

13. Резкое отклонение электрической оси сердца вправо

14. Горизонтальное положение электрической оси сердца

15. Отклонение электрической оси сердца влево

16. Резкое отклонение электрической оси сердца влево

17. Наджелудочковая экстрасистолия

18. Блокированные НЖЭ

19. Выскальзывающие наджелудочковые комплексы

20. Желудочковая экстрасистолия

21. Выскальзывающие желудочковые комплексы

22. AV блокада I степени

23. AV блокада II степени

24. AV блокада III степени

25. Полная блокада левой ножки пучка Гиса

26. Неполная блокада левой ножки пучка Гиса

27. Блокада передней ветви левой ножки пучка Гиса

28. Блокада задней ветви левой ножки пучка Гиса

29. Полная блокада правой ножки пучка Гиса

30. Неполная блокада правой ножки пучка Гиса

31. Синдром Вольфа-Паркинсона-Уайта (WPW)

32. Укорочение PQ (CLC и др)

33. Гипертрофия миокарда левого желудочка

34. Гипертрофия миокарда правого желудочка

35. Инфаркт миокарда

36. Поражение миокарда передней стенки левого желудочка

37. Поражение миокарда боковой стенки левого желудочка

38. Поражение миокарда перегородочной локализации

39. Поражение миокарда нижней стенки левого желудочка

40. Поражение миокарда верхушечной локализации

41. Поражение миокарда заднебазальной локализации

42. Поражение миокарда базальнобоковой локализации

43. Инфаркт миокарда острой стадии

44. Инфаркт миокарда подострой стадии

45. Инфаркт миокарда рубцовой стадии

46. Патологическая депрессия сегмента ST

47. Укорочение QT

48. Удлинение QT

49. Синдром ранней реполяризации желудочков

50. Синдром Бругада

Вышеуказанная классификация осуществляется посредством модуля классификации и детекции, который анализирует сегментированный нейронной сетью сигнал ЭКГ и формирует массив данных, содержащий вероятности диагностирования 50 патологий. Полученный массив данных отображается медицинскому работнику или отправляется во внешнюю медицинскую систему посредством модуля сервиса.

Массив данных (ответ) содержит следующую информацию: идентификатор патологии наименование патологии; уверенность, что ЭКГ относится к данной патологии. В случае ошибки обработки запроса ответ содержит: код класса ошибок; описание класса ошибок, для соответствующего кода ошибки; расширенное описание ошибки, который протоколируется модулем сервиса.

Подход, описанный в данной работе, позволил получить высокую точность, превысившую показатель точность врача-кардиолога, составляющую, примерно, 80%. В случае подтверждения при клинических испытаниях высокого качества работы созданного алгоритма, может быть сокращено количество неверных заключений, а также увеличена скорость постановки диагноза.

Как следует из описания заявленного изобретения, предложенный способ обработки сигналов электрокардиографии (ЭКГ) для формирования обучающих данных для нейронной сети, обнаруживающей патологии, а также способ диагностики патологий на данных ЭКГ пациента с помощью нейронной сети и аппаратно-программный комплекс диагностики патологий сердца обеспечивают достижение заявленного технического результата, а именно посредством разработки способа обработки и анализа данных электрокардиограммы (ЭКГ) для использования в качестве входных данных для обучения моделей нейронных сетей значительной мере повышается точность автоматического анализа патологий по ЭКГ, а также расширяется возможность по внедрению программного обеспечения в медицинских учреждениях.

Проведенный анализ показывает, что все общие и частные признаки группы изобретений являются существенными, так как каждый из них необходим для промышленного осуществления заявленной группы изобретений, а в совокупности признаки позволяют достичь заявленного технического результата.

Таким образом, в разделах «Уровень техники» и «Раскрытие изобретения» было показано, что все общие и частные признаки предложенного решения являются существенными и в совокупности удовлетворяют критерию патентоспособности «новизна». В разделе «Осуществление изобретения» было показано, что заявленная группа изобретений технически осуществима, позволяет решать поставленные изобретательские задачи и уверенно достигать требуемого технического результата при его (изобретения) использовании, что свидетельствует о промышленной применимости предложенных способов и устройства. Исходя из сказанного выше, мы считаем, что заявленный способ обработки сигналов электрокардиографии (ЭКГ) для формирования обучающих данных для нейронной сети, обнаруживающей патологии, а также способ диагностики патологий на данных ЭКГ пациента с помощью нейронной сети и аппаратно-программный комплекс диагностики патологий сердца, удовлетворяют всем требованиям охраноспособности, предъявляемым к изобретениям.

Изобретение относится к обработке медицинских сигналов, в частности к диагностике заболеваний сердечно-сосудистой системы с использованием моделей нейронных сетей. Предложен способ обработки и анализа сигналов электрокардиографии (ЭКГ), который содержит следующие этапы: прием сигнала ЭКГ с целью предварительной обработки в виде передискретизации сигнала до 500 Гц и нормализации амплитуды до значений [0, 1]; устранение шумов и помех на сигнале ЭКГ с использованием полосового фильтра с конечной импульсной характеристикой; детектирование ключевых компонентов ЭКГ, таких как R-пики, с применением нескольких эвристических методов; проведение детального анализа сигнала ЭКГ для выявления и коррекции других зубцов ЭКГ, извлекаются характеристики: интервалы между зубцами и их амплитуды; расчет дополнительных статистических параметров; формирование входных векторов для нейронной сети: первый вектор с исходной фильтрованной ЭКГ размером 12×5000, второй вектор, состоящий из вычисленных 94 признаков; отправка входных векторов на входы нейронной сети и ее обучение. Техническим результатом заявленного решения является разработка способа обработки и анализа данных электрокардиограммы (ЭКГ), который позволяет в значительной мере повысить точность автоматического анализа различных патологий по ЭКГ. 3 н. и 2 з.п. ф-лы, 3 ил.

1. Способ обработки и анализа сигналов электрокардиографии (ЭКГ) для формирования обучающих данных для модели нейронной сети, обнаруживающей патологии, содержащий следующие этапы:

прием набора сигналов ЭКГ;

декодирование полученного сигнала ЭКГ в формат 12-канального сигнала;

фильтрация, передискретизация и нормализация сигнала ЭКГ;

поиск и коррекция R-пиков для каждого отведения;

определение координат начала и конца для каждого зубца PQST для каждого отведения;

разметка PQRST-зубцов для каждого отведения;

выполнение коррекции координат начала и конца каждого зубца на основе разметки для каждого отведения;

вычисление временных интервалов между зубцами и амплитуды каждого зубца для каждого отведения;

определение корригированного временного интервала;

вычисление медианы, среднего значения, минимума и максимума временных интервалов для каждого отведения;

объединение значений, определенных на предыдущем этапе, в один вектор признаков;

отправка вектора признаков и нормализованного, семплированного сигнала, полученного на предыдущем этапе, на вход модели нейронной сети для обучения;

сохранение обученной модели нейронной сети в аппаратно-программном комплексе диагностики патологий сердца для последующей классификации поступающих сигналов ЭКГ.

2. Способ по п. 1, отличающийся тем, что коррекция R-пиков для каждого отведения содержит: усреднение R-пиков соседних отведений, удаление артефактных R-пиков, находящихся на расстоянии 160 мс или меньше, удаление пиков, которые встречаются менее 4 раз; удаление пиков, которые не встречаются на других отведениях.

3. Способ по п. 1, отличающийся тем, что вектор признаков содержит 94 значения.

4. Способ диагностики патологий сердца, реализуемый аппаратно-программным комплексом с сохраненной нейронной сетью, обученной на обучающих данных, содержащий этапы:

- формирование обучающих данных посредством выполнения всех этапов способа обработки и анализа сигналов ЭКГ для формирования обучающих данных для модели нейронной сети, обнаруживающей патологии, по п. 1,

- получение сигнала ЭКГ пациента и сохранение его в базе данных;

- инициализация запроса на получение ЭКГ из базы данных;

- сегментация сигнала ЭКГ обученной нейронной сетью;

- классификация сегментированного сигнала ЭКГ по одному из 50 сердечно-сосудистых заболеваний.

5. Аппаратно-программный комплекс диагностики патологий сердца, содержащий взаимосвязанные между собой память, устройство обработки, блок связи для взаимодействия с внешними базами данных и медицинскими системами, модуль сервиса, содержащий: модуль конфигурации и утилит, модуль предобработки, модуль сопряжения, модуль классификации и детекции, причем:

модуль сервиса, который при приеме запроса на обработку данных ЭКГ для диагностики патологий сердца, инициирует работу модуля конфигурации и утилит и отправляет ему данные ЭКГ пациента;

модуль конфигурации и утилит, соединенный с модулем предобработки и модулем сопряжения с ядром, осуществляет подготовку входных и выходных данных ЭКГ для передачи в модуль предобработки и подготавливает файл для конфигурирования моделей нейронной сети для отправки в модуль сопряжения;

модуль предобработки осуществляет: предобработку данных ЭКГ и отправляет их в модуль сопряжения, сегментацию сигнала ЭКГ посредством модели нейронной сети, обученной на обучающих данных, сформированных посредством последовательных шагов способа обработки и анализа сигналов ЭКГ для формирования обучающих данных для модели нейронной сети, обнаруживающей патологии, по п. 1,

модуль классификации и детекции классифицирует полученный от модуля сопряжения сегментированный сигнал ЭКГ по одному из 50 сердечно-сосудистых заболеваний.