Нейромережева модель KAN-типу для аналізу та класифікації сигналів ЕКГ
DOI:
https://doi.org/10.15276/opu.2.72.2025.17Ключові слова:
електрокардіограма, багатошаровий перцептрон, MLP-KAN, вейвлет-перетворення, радіальні базисні функції, класифікація, точністьАнотація
Дослідження електрокардіограм має критичне значення для діагностики серцево-судинних патологій, оскільки точне виділення локальних особливостей сигналу забезпечує надійність класифікації аритмій. Актуальність роботи обумовлена потребою підвищення точності автоматизованих систем, здатних працювати із сегментами сигналів різної довжини та в умовах шумового впливу. Метою роботи є розробка моделі на основі багатошарового перцептрона з додатковим шаром, що комбінує радіальні базисні функції та вейвлет-перетворення для точного виявлення локальних особливостей сигналу. Завдання включали підготовку та нормалізацію сегментів сигналів, експериментальне порівняння різних типів вейвлетів і рівнів їх декомпозиції, вибір числа функцій у додатковому шарі та оцінку впливу архітектурних параметрів на точність класифікації та швидкодію моделей. Методи дослідження передбачали обробку сигналів із відкритої бази даних, нормалізацію значень сегментів у визначеному діапазоні, побудову моделей із застосуванням багатокласової функції втрат і методів оптимізації градієнтного спуску, а також оцінку ефективності через точність класифікації і показники збалансованої точності для сегментів зі шлуночковими порушеннями ритму. Результати показали, що інтеграція додаткового шару з радіальними базисними функціями і вейвлет-перетворенням підвищує точність класифікації аритмій, забезпечує стабільність моделей при зміні параметрів сегментації та наявності шуму, а також дозволяє ефективно виділяти локальні особливості сигналу. Застосування різних типів вейвлетів і рівнів декомпозиції дозволяє досягти оптимального співвідношення точності та швидкодії моделей. Наукова новизна полягає у поєднанні радіальних базисних функцій із вейвлет-перетворенням для покращеного виділення локальних ознак сигналів електрокардіограми, що забезпечує підвищену стійкість до шуму. Практичне значення роботи полягає у створенні ефективної методики для автоматизованого аналізу електрокардіограм із високою точністю класифікації аритмій.
Завантаження
Посилання
Hemanth, D. J., Gupta, D., & Balas, V. E. (2019). Intelligent data analysis for biomedical applications. Academic Press. DOI: https://doi.org/10.1016/C2017-0-03676-5.
Xiao, Q., Lee, K., Mokhtar, S. A., Ismail, I., Md Pauzi, A. L., Zhang, Q., & Lim, P. Y. (2023). Deep learning-based ECG arrhythmia classification: A systematic review. Applied Sciences, 13(8), Article 4964. DOI: https://doi.org/10.3390/app13084964.
Khalid, M., Pluempitiwiriyawej, C., Wangsiripitak, S., & Abdulkadhem, A. A. (2024). The applications of deep learning in ECG classification for disease diagnosis: A systematic review and meta-data analysis. Engineering Journal, 28(8), 45–77. DOI: https://doi.org/10.4186/ej.2024.28.8.45.
Galchonkov, O., Baranov, O., Maslov, O., Babych, M., & Baskov, I. (2025). MLP-K AN: Implementation of the Kolmogorov-Arnold layer in a multilayer perceptron. Eastern-European Journal of Enterprise Technologies, 3/4(135), 34–41. DOI: https://doi.org/10.15587/1729-4061.2025.328928.
Ahmed, A. F., & Al-Obaidi, M. K. (2022). A review of ECG signal filtering approaches. Global Journal of Engineering and Technology Advances, 11(3), 093–097. DOI: https://doi.org/10.30574/gjeta.2022.11.3.0099.
Sharma, N., & Sidhu, J. S. (2016). Removal of noise from ECG signal using adaptive filtering. Indian Journal of Science and Technology, 9(48). DOI: https://doi.org/10.17485/ijst/2016/v9i48/106424.
Shcherbakova, G., & Koshutina, D. (2025). Development of a criterion for selecting the level of wavelet decomposition for QRS detection in electrocardiogram signals using energy and entropy. Proceedings of Odessa Polytechnic University, 1(71), 157–166. DOI: https://doi.org/10.15276/opu.1.71.2025.18.
Pan, J., & Tompkins, W. J. (1985). A real-time QRS detection algorithm. IEEE Transactions on Biomedical Engineering, BME-32(3), 230–236. DOI: 10.1109/TBME.1985.325532.
PhysioNet. (n.d.). MIT-BIH Arrhythmia Database. Retrieved from https://www.physionet.org/content/mitdb/1.0.0.
Sörnmo, L., & Laguna, P. (2005). Electrocardiogram signal processing. Wiley.
He, H., Tan, Y., & Wang, Y. (2015). Optimal base wavelet selection for ECG noise reduction using a comprehensive entropy criterion. Entropy, 17(9), 6093–6109. DOI: https://doi.org/10.3390/e17096093.
Agrawal, P., Arun, V., & Basu, A. (2025). Artificial neural network based ECG feature extraction using wavelet transform. In Emerging Wireless Technologies and Sciences. ICEWTS 2024 (CCIS, Vol. 2399, pp. 8–22). Springer, Cham. DOI: https://doi.org/10.1007/978-3-031-87886-2_2.
Kaverinskiy, V., Chaikovsky, I., Mnevets, A., & Malakhov, K. S. (2025). Scalable clustering of complex ECG health data: Big data clustering analysis with UMAP and HDBSCAN. Computation, 13(6), Article 144. DOI: https://doi.org/10.3390/computation13060144.
Shcherbakova, G., Antoshchuk, S., Koshutina, D., & Sakhno, K. (2024). Adaptive clustering for distribution parameter estimation in technical diagnostics. 12th International Conference on Applied Innovations in IT (ICAIIT), Köthen, Germany. DOI: https://doi.org/10.25673/115650.
Lourenço, A., Carreiras, C., Bulò, S. R., & Fred, A. (2014, August 25–29). ECG analysis using consensus clustering [Paper presentation]. 2014 22nd European Signal Processing Conference (EUSIPCO), Lisbon, Portugal.
Iacobescu, P., Marina, V., Anghel, C., & Anghele, A. (2024). Evaluating binary classifiers for cardiovascular disease prediction: Enhancing early diagnostic capabilities. Journal of Cardiovascular Development and Disease (JCDD), 11(12), Article 396. DOI: https://doi.org/10.3390/jcdd11120396.
Guo, C., Ahmed, S., & Alouini, M.-S. (2023). Machine learning-based automatic cardiovascular disease diagnosis using two ECG leads. arXiv. DOI: https://doi.org/10.48550/arXiv.2305.16055.
Wu, Z., & Guo, C. (2025). Deep learning and electrocardiography: Systematic review of current techniques in cardiovascular disease diagnosis and management. BioMed Eng OnLine, 24, Article 23. DOI: https://doi.org/10.1186/s12938-025-01349-w.
Savalia, S., & Emamian, V. (2018). Cardiac arrhythmia classification by multi-layer perceptron and convolution neural networks. Bioengineering, 5(2), Article 35. DOI: https://doi.org/10.3390/bioengineering5020035.
Li, Z. (2024). Kolmogorov-Arnold networks are radial basis function networks. arXiv. Retrieved from https://arxiv.org/abs/2405.06721.
Liu, J., Xia, X., Han, C., Hui, J., & Feng, J. (2022). Classification of arrhythmia based on convolutional neural networks and encoder-decoder model. Computer Systems Science and Engineering. DOI: https://doi.org/10.32604/cmc.2022.029227.
Mavaddati, S. (2024). ECG arrhythmias classification based on deep learning methods and transfer learning technique. Biomedical Signal Processing and Control. DOI: https://doi.org/10.1016/j.bspc.2024.107236.
Wang, M., Feng, Y. T., Guan, S., & Qu, T. (2024). Multi-layer perceptron-based data-driven multiscale modelling of granular materials with a novel Frobenius norm-based internal variable. Journal of Rock Mechanics and Geotechnical Engineering. DOI: https://doi.org/10.1016/j.jrmge.2024.02.003.
Hadj Kilani, B. (2024). Kolmogorov-Arnold networks: Key developments and uses. Qeios. DOI: https://doi.org/10.32388/7NNCAA.
Yu, R., Yu, W., & Wang, X. (2024). KAN or MLP: A fairer comparison. arXiv. DOI: https://doi.org/10.48550/arXiv.2407.16674.
Liu, Z., Wang, Y., Vaidya, S., Ruehle, F., Halverson, J., Soljačić, M., Hou, T. Y., & Tegmark, M. (2024). KAN: Kolmogorov–Arnold Networks. arXiv. Retrieved from https://arxiv.org/abs/2404.19756.
Ismayilova, A., & Ismayilov, M. (2023). On the universal approximation property of radial basis function neural networks. arXiv. Retrieved from https://arxiv.org/abs/2304.02220.
Ta, T. H. (2024). BSRBF-KAN: A combination of B-splines and radial basis functions in Kolmogorov-Arnold networks. ResearchGate. DOI: https://doi.org/10.13140/RG.2.2.16755.54562.
Hollósi, J. (2024). Efficiency analysis of Kolmogorov–Arnold networks for visual data processing. SMTS 2024 Conference Proceedings. DOI: https://doi.org/10.3390/engproc2024079068.
Seghouane, A.-K., & Shokouhi, N. (2021). Adaptive learning for robust radial basis function networks. IEEE Transactions on Cybernetics, 51(5), 2847–2856. DOI: https://doi.org/10.1109/TCYB.2019.2951811.
Panda, S., & Panda, G. (2022). On the development and performance evaluation of improved radial basis function neural networks. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 52(6), 3873–3884. DOI: https://doi.org/10.1109/TSMC.2021.3076747.
Bozorgasl, Z., & Chen, H. (2024). Wav-KAN: Wavelet Kolmogorov-Arnold networks. arXiv. Retrieved from https://arxiv.org/abs/2405.12832.
Koshutina, D. V., & Shcherbakova, H. Y. (2025, May 15–16). Automated selection of wavelet decomposition level based on energy and entropy for QRS complex detection in ECG [Paper presentation]. 15th International Scientific Conference for Students and Young Scientists "Modern Information Technologies – 2025", Odesa, Ukraine. DOI: https://doi.org/10.5281/zenodo.15521809.
