Детальная информация

Выпускная квалификационная работа посвящена разработке и апробации гибридной системы автоматической классификации нарушений сердечного ритма по коротким одноканальным ЭКГ-записям. В основе системы лежит трекомпонентная архитектура: система абдуктивного вывода Construe извлекает клинически интерпретируемые признаки кардиоударов, ансамбль рекуррентных нейронных сетей с механизмом внимания классифицирует последовательности признаков, алгоритм градиентного бустинга XGBoost обрабатывает глобальные статистические признаки записи, а финальное решение принимается стекирующим классификатором. Реализация выполнена в среде Python 3.11 и TensorFlow 2.15. На валидационной выборке PhysioNet/CinC 2017 достигнуто значение целевой метрики (среднее F1 по классам N, A, O) равное 0,8617, что превышает результат оригинальной работы. Проведена оценка системы на базе данных INCART, выявлен и количественно охарактеризован эффект доменного сдвига. Разработан метод доменной адаптации на основе дообучения, позволивший поднять значение метрики на INCART до 0,9620. Выполнено сравнение с библиотекой EcgLib: после дообучения разработанная система превосходит сравниваемую по точности детекции фибрилляции предсердий (F1: 0,96 против 0,80).

This graduation thesis presents the development and experimental evaluation of a hybrid system for automatic cardiac arrhythmia classification from short single-lead ECG recordings. The system is based on a three-component architecture: the Construe abductive inference engine extracts clinically interpretable beat-level features, an ensemble of attention-based recurrent neural networks classifies feature sequences, the XGBoost gradient boosting algorithm processes global record-level features, and a stacking classifier produces the final decision. The implementation uses Python 3.11 and TensorFlow 2.15. On the PhysioNet/CinC 2017 validation set, the system achieves a Challenge Score (mean F1 over classes N, A, O) of 0.8617, exceeding the original paper result. Cross-domain evaluation on the INCART database revealed a substantial domain shift; a fine-tuning-based domain adaptation method raised the Challenge Score on INCART to 0.9620. Comparison with the EcgLib library (ISP RAS) shows that after fine-tuning the proposed system outperforms EcgLib in atrial fibrillation detection (F1: 0.96 vs. 0.80).