КЛАСТЕРИЗАЦІЯ ТА КЛАСИФІКАЦІЯ КАРДІОЛОГІЧНИХ ПАТФІЗІОЛОГІЧНИХ СТАНІВ І ПРОЦЕСІВ МЕТОДАМИ МАШИННОГО НАВЧАННЯ ТА НЕЙРОННИХ МЕРЕЖ

Сяський В.А. та Сяська І.О. та Антонюк-Кисіль В.М. та Саламадзе О.О. (2025) КЛАСТЕРИЗАЦІЯ ТА КЛАСИФІКАЦІЯ КАРДІОЛОГІЧНИХ ПАТФІЗІОЛОГІЧНИХ СТАНІВ І ПРОЦЕСІВ МЕТОДАМИ МАШИННОГО НАВЧАННЯ ТА НЕЙРОННИХ МЕРЕЖ. Природнича освіта та наука, 2025: Вип. 4. с. 181-186. ISSN 2786-9113 (Online) ISSN 2786-9105 (Print)

Текст Сяський В.А., Сяська І.О., Антонюк-Кисіль В.М., Саламадзе О.О..pdf Завантажити (414kB)

Анотація

У статті наголошується, що діагностика кардіологічних патологічних станів і процесів потребує ефективних методів та засобів інтелектуального аналізу даних анамнезу захворювання, фізикального обстеження, результатів інструментальних і лабораторних досліджень пацієнта. В якості модельного прикладу життєво загрозливих кардіологічних станів розглянуто серцеву недостатність, для якої наведено характерні показники інструментальних і лабораторних досліджень. Для встановлення серцево-судинних патологій і захворювань обрано доступний та ефективний метод діагностики – аналіз та інтерпретація результатів електрокардіограм. З метою класифікації та прогнозування перебігів кардіологічних патологічних станів і процесів запропоновано ефективний підхід до кластеризації та класифікації електрокардіограм на основі комплексного аналізу результатів досліджень, виконаних в динаміці. Для аналізу і класифікації електрокардіограм проведено адаптацію алгоритмів інтелектуального аналізу даних та машинного навчання із використанням конкурентної нейронної мережі Кохонена. Реалізація алгоритму навчання нейронної мережі передбачала використання навчальної множини образів, сформованої на основі масиву електрокардіографічних даних великої кількості пацієнтів із різними серцево-судинними патологіями та захворюваннями, зокрема гострий коронарний синдром, інфаркт міокарда, нестабільна стенокардія тощо. Для формування складених образів, що є оцифрованими результатами електрокардіограм, використано двовимірну структуру числових даних, які відповідають записам електричних потенціалів дії з 12 відведень. Проведено модифікацію алгоритму корегування вагових коефіцієнтів нейронів Кохонена для кластеризації та класифікації складених образів. Використання методів машинного навчання та конкурентних нейронних мереж Кохонена забезпечило високу точність, адаптивність до індивідуальних особливостей пацієнта і можливість клінічної інтерпретації отриманих результатів та має важливе прикладне значення для обрання ефективних методів і засобів лікування серцевої недостатності.

Необхідні дії (обов’язкова авторизація)

Перегляд елементу