Метод распознавания аритмий в реальном времени с использованием лингвистического описания сигнала ЭКГ тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Халайджи Алексей Константинович

• Халайджи Алексей Константинович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Халайджи Алексей Константинович

ВВЕДЕНИЕ

ГЛАВА 1. Анализ существующих подходов к автоматическому обнаружению аритмий по сигналу ЭКГ

1.1 Этапы автоматического анализа сигнала ЭКГ

1.2 Методы первичной обработки сигнала ЭКГ

1.3 Существующие подходы к признаковому описанию сигнала ЭКГ

1.4 Анализ подходов к автоматическому распознаванию аритмий

1.4.1 Исходные данные для распознавания аритмий по сигналу ЭКГ

1.4.2 Методы автоматического распознавания аритмий

1.5 Направления развития моделей, методов и признаковых описаний сигнала ЭКГ для автоматического распознавания аритмий

1.5.1 Общая характеристика состояния предметной области автоматического распознавания аритмий

1.5.2 Проблемы существующих подходов к автоматическому распознаванию аритмий

1.5.3 Актуальность лингвистического подхода к анализу сигнала ЭКГ

1.6 Постановка цели и задач исследования

Выводы по первой главе

ГЛАВА 2. Исследование интервальных методов автоматического обнаружения аритмий в режиме реального времени

2.1 Базовые интервальные методы автоматического обнаружения аритмий в реальном времени на базе кодирования сигнала ЭКГ

2.2 Разработка способов оценки качества интервальных методов автоматического обнаружения аритмий по разметке на Я-пиках

2.2.1 Необходимость разработки способов оценки качества интервальных методов

2.2.2 Интервальные показатели качества

2.2.3 Пиковые показатели качества

2.2.4 Регрессионный анализ отображений между распределениями на пиках и интервалах

2.2.5 Исследование влияния сегментации на предложенные показатели как пример

качественного анализа результатов и интерпретации ошибок

2.3 Исследование выбранных интервальных методов с помощью предложенных способов оценки качества на сигналах MIT-BIH

2.3.1 Анализ интервальных показателей качества метода Цетлина

2.3.2 Анализ пиковых показателей качества метода Цетлина

2.3.3 Сравнительный анализ качества работы выбранных интервальных методов

2.3.4 Исследование качества метода Цетлина с помощью регрессионного анализа

2.3.5 Исследование влияния параметров метода Цетлина на качество его работы

2.4 Анализ возможностей модификации метода Цетлина и новые способы кодирования сигнала ЭКГ для задачи классификации К-пиков

Выводы по второй главе

ГЛАВА 3. Разработка и исследование алгоритмов автоматического распознавания аритмий по лингвистическому описанию сигнала ЭКГ

3.1 Исследование апостериорного подхода к кодированию сигнала ЭКГ

3.1.1 Апостериорный подход как задача кластеризации ЯЯ-интервалов

3.1.2 Разработка модифицированного алгоритма одномерной кластеризации КМеаш на базе метода динамического программирования

3.1.3 Разработка алгоритма адаптивной одномерной кластеризации КМеаш и апостериорных способов кодирования сигнала ЭКГ на его основе

3.2 Построение и анализ качества классификатора Я-пиков на основе предложенных способов лингвистического описания сигнала ЭКГ

3.2.1 Анализ архитектуры ансамбля БУМ-классификаторов Я-пиков

3.2.2 Построение и исследование классификаторов на основе новых способов лингвистического описания сигнала ЭКГ

3.2.3 Исследование качества ансамбля классификаторов Я-пиков с использованием моделей, анализирующих лингвистическое описание сигнала ЭКГ

Выводы по третьей главе

ГЛАВА 4. Разработка алгоритмов извлечения лингвистических признаков сигнала ЭКГ и создание программного обеспечения для автоматического распознавания аритмий в реальном времени

4.1 Анализ качества работы детекторов Я-пиков в сигнале ЭКГ в режиме реального времени

4.1.1 Особенности выбранных для исследования детекторов Я-пиков

4.1.2 Показатели качества для исследования работы детекторов

4.1.3 Разработка алгоритма работы детекторов в реальном времени

4.1.4 Исследование качества детекторов Я-пиков на сигналах М1Т-В1Н

4.2 Разработка и исследование алгоритма совместного обнаружения Я-пиков сигнала ЭКГ с использованием одновременно нескольких детекторов

4.2.1 Анализ подходов к совместному обнаружению Я-пиков с одновременным использованием нескольких детекторов Я-пиков

4.2.2 Разработка алгоритма совместной сегментации сигнала ЭКГ в реальном времени на основе адаптивной одномерной кластеризации результатов работы одиночных детекторов Я-пиков

4.2.3 Исследование качества разработанного алгоритма с использованием нескольких отведений сигнала ЭКГ и детекторов Я-пиков

4.3 Создание программной системы системы непрерывного мониторинга состояния сердечного ритма и отслеживания его нарушений в реальном времени по сигналу ЭКГ201

4.3.1 Особенности метода распознавания аритмий в реальном времени по лингвистическому описанию сигнала ЭКГ

4.3.2 Исследование разработанной программной системы на сигналах М1Т-В1Н

Выводы по четвёртой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. Материалы ко второй главе

ПРИЛОЖЕНИЕ Б. Материалы к третьей главе

ПРИЛОЖЕНИЕ В. Материалы к четвёртой главе

Введение диссертации (часть автореферата) на тему «Метод распознавания аритмий в реальном времени с использованием лингвистического описания сигнала ЭКГ»

ВВЕДЕНИЕ

Актуальность темы исследования. Несмотря на бурное развитие технического прогресса, человек всё ещё остаётся важным звеном многих сложных систем и участником протекающих в них процессов [1, 2]. Таким образом, качество итогового результата деятельности подобных систем и процессов во многом определяется эффективностью работы человека [3]. Поэтому состояние человека является важным фактором, поскольку при его ухудшении значительно возрастает количество ошибок, снижается общая эффективность работы системы в целом [4].

Более того, во многих промышленных отраслях (таких как автомобильная [5], авиационная [6] и пр.) даже небольшая усталость и снижение концентрации человека могут привести к негативным последствиям - в т.ч. к жертвам. Для предотвращения подобных сценариев часто осуществляется медосмотр перед выходом человека на смену. Однако это позволяет оценить состояние человека лишь перед выполнением деятельности, когда при возможном ухудшении состояния уже во время работы -эффективность подобной процедуры падает. Поэтому в современных системах непрерывного мониторинга помимо состояния технических компонентов, всё чаще во время работы собираются и показатели состояния самого человека как важного компонента всей системы в целом [7].

В связи с развитием информационных технологий сегодня есть возможность сбора разнородной информации в реальном времени. Однако, из-за несовершенства существующих методов их обработки и недостаточной квалификации операторов, реагирующих на показания датчиков, часто требуется дополнительно всю эту информацию обрабатывать специалистами вручную, что не позволяет своевременно выявлять проблемы и делает задачу разработки новых методов автоматического анализа состояния человека в реальном времени актуальной [8, 9].

Специфика задачи анализа состояния человека заключается в том, что простые показатели, такие как пульс, давление, электрическое сопротивление кожи и т.п., не обладают прогностическими способностями, т.е. не позволяют предсказывать нарушение состояния человека заранее, лишь сигнализируя об этом постфактум, что может быть поздно [8, 1, 10]. Поэтому интерес представляют более сложные индикаторы состояния человека, которые можно извлечь из биосигналов, таких как сигнал электрокардиограммы (ЭКГ), фотоплетизмограммы (ФПГ) и т.п. [11, 12, 13]. Этим

обусловлено появление на рынке умных устройств, регистрирующих такие сигналы, и высокий спрос на интеграцию этих устройств в телемедицинские системы [14, 15].

В то же время, развитие информационных технологий само по себе также стимулирует новые исследования в здравоохранении. Одной из приоритетных задач национального проекта «Здравоохранение» является снижение смертности от сердечно-сосудистых заболеваний [16]. Для решения этой задачи сейчас бурно развивается 5П-медицина, которая направлена на персонализированное проведение профилактических мероприятий с целью предупреждения возникновения разных заболеваний [17]. В частности, переход к персонализированной медицине и высокотехнологичному здравоохранению является одним из приоритетных направлений стратегии научно-технического развития РФ [18]. В рамках этого направления всё больше медицинских учреждений подключаются к системам телемедицины, а у обычных людей появляется доступ к современным умным устройствам, позволяющим эффективно отслеживать состояние здоровья и вести коммуникацию с врачом [14, 19, 20, 21, 22].

Ещё с зарождения Восточной медицины известно, что важную роль в правильном функционировании организма является ритмичность протекающих в нём процессов [23]. Например, в рамках традиционной Китайской медицины пульс человека используется для оценки общего состояния человека, а также наличия определённых заболеваний [24]. Эти идеи легли в основу научной теории оценки состояния человека по вариабельности сердечного ритма (ВСР) [25], которая активно разрабатывалась такими учёными как Р.М. Баевский, В.В. Парин, А.П. Берсенева и др. [26], и успешно развивалась и применялась в работах А.А. Кузнецова [27, 28], С.А. Пермякова [29, 30], З.М. Юлдашева [31], О.В. Мельник [32, 33], А.А. Дунаева [34], Б.П. Безручко [35, 36], С.А. Филиста [37], Т.В. Петровой [38], Ю.Д. Ульяницкого [39] и др.

Другим важным научным открытием являлось создание В. Эйнтховеном метода электрокардиографии (ЭКГ), который позволяет измерить электрическую активность сердца в нескольких отведениях [40, 41]. ЭКГ сегодня активно используется для диагностики не только состояния сердца, но и обнаружения факта наличия определённых заболеваний. Последнему особое внимание уделил современный учёный В.М. Успенский - он предложил технологию информационного анализа ЭКГ для диагностики заболеваний внутренних органов в любой стадии их развития [42, 43, 44].

Важной задачей является выявление аритмий - нарушений сердечного ритма [45, 46, 47]. В рамках этой задачи основными источниками информации являются

последовательность длительностей RR-интервалов, показатели вариабельности сердечного ритма и иные морфологические признаки сигнала [48]. Часто все эти параметры используются в качестве признаков некоторой модели классификации, задача которой - отнести новый R-пик или RR-интервал к одному из заранее известных классов - например, «нормальный» и «аномальный» [49, 50, 51, 52, 53].

Одним из наиболее часто встречающихся в последнее время видов нарушений ритма является мерцательная аритмия (Atrial Fibrillation - AFib). Её особенность заключается в том, что она может проходить бессимптомно и в произвольные моменты времени, из-за чего часто его не удаётся обнаружить в процессе снятия обычной ЭКГ [54, 55, 56, 57]. Для повышения вероятности выявления аритмии обычно проводят длительную регистрацию ЭКГ в течение 24 часов с помощью носимого устройства (Холтеровское мониторирование), а исследуемого просят делать периодические заметки о своём самочувствии. После прохождения суток данные с устройства передаются врачу и анализируются им в полуавтоматическом режиме с помощью программных средств, задачей которых является автоматический анализ всей записи с целью нахождения участков, на которые врачу стоит обратить внимание [58, 59].

Успешность анализа определяется не только компетентностью врача, но и качеством заметок, которые делал исследуемый в процессе регистрации ЭКГ, а также точностью работы программных средств. Основными недостатками является необходимость отложенной проверки показаний с датчика и их совмещения вручную с заметками о состоянии исследуемого. Поэтому создание новых программно -аппаратных комплексов, позволяющих осуществлять автоматический анализ ЭКГ в режиме реального времени, является крайне актуальной задачей [60, 61]. Одними из первых учёных, кто занялся этой задачей, были М.Л. Цетлин [62], Ю.А. Власов и А.Д. Черкай [63, 64], А.П. Немирко и Л.А. Манило [65], Т.В. Истомина и Л.Ю. Кривоногов [66, 67, 68, 69, 70, 71], R.E. Bonner [72, 73, 74], J.R. Cox [75], S.L. Horowitz [76], M.L. Simoons [77], G. Belforte [78]. G.B. Moody и R.G. Mark [79, 80], P. Schlüter [81], T. Pavlidis [82] и др.

Современные устройства шагнули вперёд за последние 5 лет, и помимо привычных показателей пульса или давления они способны измерять даже электрокардиограмму (ЭКГ) с помощью часов, что стало особенно популярно после появления этой возможности в Apple Watch [83, 84]. Одним из преимуществ подобных устройств является проведение автоматического анализа ЭКГ в процессе её регистра-

ции. Во многих присутствует возможность обнаружения нарушений сердечного ритма - в частности, обнаружения мерцательной аритмии [14, 85].

Несвоевременное лечение мерцательной аритмии постепенно приводит к появлению проблем сердечно-сосудистой системы и может привести к внезапной смерти [86]. Однако существуют и другие, более опасные виды аритмий, которые требуют немедленного вмешательства профильного специалиста или срабатывания определённого устройства. Примером такой аритмии является фибрилляция желудочков (Ventricular Fibrillation - VFib), которая может привести к внезапной остановке сердца [87, 88]. Для борьбы с этой аритмией используются дефибрилляторы, однако крайне важно быстро определить факт наличия этого нарушения - особенно, в условиях мониторинга послеоперационных больных в кардиохирургических клиниках, где необходимо немедленное реагирование врача. В рамках этого направления также активно разрабатываются программно-аппаратные комплексы и так называемые «аларм»-системы, задачами которых являются автоматический анализ ЭКГ в режиме реального времени и своевременное обнаружение опасных для жизни аритмий [89, 90]. Большой вклад в развитие методов, используемых в подобных системах, внесли: научная группа кафедры биотехнических систем ЛЭТИ (А.П. Немирко, Л.А. Манило, А.Н. Калиниченко, З.М. Юлдашев и др.) [91, 92, 93, 94, 95, 96, 97, 98, 99, 100], научная группа под руководством Л.Т. Сушковой (Р.В. Исаков, А.А. Кузнецов, Р.А. Кавасма и др.) [101, 102, 103, 104, 12, 105, 106, 107], научный коллектив под руководством Т.Ф. Щербаковой (С.С. Седов, А.А. Коробков, С.Н. Горохов и др.) [108, 109, 110, 111, 112], научная группа под руководством А.А. Михеева (О.В. Мельник, А.Н. Варнавский, С.В. Челебаев и др.) [113, 114, 115, 116, 32], А.В. Коробейников [117], G.B. Moody и R.G. Mark [118, 119], N. Wessel и J. Kurths [120, 121, 122], A.Voss [123], C. Zeelenberg [124], P. de Chazal [125, 126, 127], I. Christov [128, 129], W.J. Tompkins [130, 131, 132], I. Jekova и V. Krasteva [90, 133, 134], V. Mondejar-Guerra [135], U.R. Acharya и P. Plawiak [136, 137, 138, 139, 140, 141, 142, 143] и др.

Наконец, во многих приложениях при автоматическом анализе ЭКГ подразумевается отсутствие аритмий - например, при расчёте и анализе ВСР. Поэтому при наличии аритмий сигнал необходимо предварительно обработать, чтобы все аномальные сегменты были либо исключены из дальнейшего анализа, либо заменены нормальными. В обоих случаях наличие автоматической процедуры обнаружения аритмий позволило бы автоматизировать весь процесс [144, 145, 146, 147, 148, 149,

150, 151, 152, 39]. На практике сейчас для решения этой задачи чаще всего используются простые алгоритмы, обрабатывающие сигнал в режиме реального времени, и сравнивающие длительности соседних сегментов сигнала и помечающими их нормальными или аномальными соответственно - например, алгоритмы M.V. Kamath [153], M. Malik [154], M. Karlsson [155] или B. Acar [156].

Сложность задачи заключается в том, что каждый человек обладает уникальным строением биосигналов. Это свойство активно используется в современных средствах биометрии и идентификации личности, а в последнее время появляется всё больше работ по использованию полноценных сигналов в качестве уникального «кода» человека наподобие его подписи [157, 158, 159, 160, 161, 162, 163, 7]. Поэтому модели, которые обучаются только на заранее подготовленном наборе данных для небольшого количества людей и определяющие среднестатистические закономерности, не всегда обладают достаточной точностью уже для конкретного человека.

Наибольший интерес представляют модели, которые способны учитывать специфику конкретного обследуемого человека и подстраивать свои параметры под него непосредственно уже в процессе использования [164, 165, 166, 167, 130, 168, 126]. Для достижения этого эффекта необходимо либо дообучать интеллектуальные модели в условиях отсутствия разметки (т.е. «правильных ответов») или её значительной разреженности, что сложно, либо использовать некоторую систему правил, которые проверяются по сигналу адаптивно [169, 170, 171]. Поэтому особый интерес предоставляет возможность использования моделей анализа динамики изменения состояния человека на основе решающих правил [172, 173].

Другой спецификой решаемой задачи является то, что необходимо осуществлять анализ в режиме реального времени - в процессе поступления новых значений анализируемых сигналов с датчиков или с умных устройств. В этой связи множество методов и моделей машинного обучения, которые можно использовать, значительно сужается. Так, использование глубоких нейронных сетей может быть неэффективным из-за большой вычислительной сложности и времени их работы. В то же время совсем простые модели типа линейной регрессии могут не обладать нужной точностью [174, 175, 176, 177, 178, 179, 180, 181].

С другой стороны, поскольку решаемая задача тесно связана с медициной, то важно не только решение, но также и его интерпретация - объяснение, почему и как оно было получено, поскольку это позволяет более надёжно определять качество

предсказаний и несёт больше информации для специалистов [182, 33]. В последнее время всё чаще применяются нейронные сети, однако для возможности их интерпретации необходимо проводить отдельное исследование, в рамках которого определять, какие слои реагируют на какие входные воздействия, что не всегда удаётся сделать с достаточной точностью. [183, 184, 185, 186]. В связи с этим имеет смысл использовать более простые модели, основанные на правилах, или их обобщения в виде решающих деревьев, т.к. это позволило бы для каждого прогноза явно выписать решающее правило [187, 188, 189, 171, 190, 90, 191, 192]. Обучение подобных моделей способно расширить существующие знания о предметной области, что представляет интерес для специалистов [64, 193, 194, 195].

Сигнал ЭКГ можно рассматривать как многомерный временной ряд, размерность которого совпадает с количеством отведений. Все отведения регистрируются синхронно - это позволяет получать более точный прогноз при их совместном использовании [119, 163, 196]. Каждый биосигнал имеет специфическую структуру и, в отличие от обычных временных рядов (например, изменения цен на бирже), обладает закономерностями структуры, обуславливаемыми не трендами и не сезонной составляющей, а физиологическими законами функционирования живых организмов [197, 198]. Учёт подобных закономерностей позволяет синтезировать интерпретируемые признаковые описания сигнала ЭКГ, чего не позволяют добиться нейросетевые архитектуры, анализирующие непосредственно отсчёты амплитуд сигнала. Поэтому в последнее время всё чаще появляются статьи со сравнением моделей, основанных на явно заданном признаковом описании, и нейронных сетей, извлекающих скрытые признаки автоматически в процессе обучения [199, 200, 201].

Наконец, для обучения большинства моделей машинного обучения и оценки их качества необходима разметка на обучающей выборке. Для биосигналов существуют открытые базы данных, как М1Т-В1Н [202, 203], в которых в качестве такой разметки обычно используются аннотации, расставленные специалистами вручную. Поскольку в режиме использования модели подобной разметки не существует, то необходимо дополнительно предусмотреть в используемых методах анализа решение задачи сегментации, обнаружения характерных точек, для которых необходимо принимать решение [204, 205]. Сложность задачи заключается в том, что сегментация имеет определённую погрешность, которую необходимо учитывать отдельно, в т.ч. на следующих этапах анализа [206, 207, 188, 208, 209].

На текущий момент для решения задачи автоматического обнаружения аритмий существует множество математических моделей и методов [210, 52, 211, 138, 177, 212, 143, 213, 50]. Если в самых первых появившихся методах использовались системы решающих правил и небольшое количество легко извлекаемых из сигнала параметров (длительности сегментов, значения амплитуд, наличие или отсутствие определённых структурных элементов сигнала, коэффициенты приближения сегмента сигнала полиномами небольших степеней и др.) [62, 79, 81, 194, 65, 214, 215], которые применяются и в современных исследованиях [216, 217, 218, 219, 191, 190, 92], всё же, как правило, добавляются более сложные признаки, такие как спектральные характеристики сигнала [91, 220, 221, 222, 223, 109, 115], значения статистик для сигнала как случайного процесса [224, 225, 226, 227, 228, 229, 230, 231], энергетические [101, 232, 106, 114, 233, 234] и информационные показатели [235, 28, 236, 237, 238, 239, 240, 241, 242], нелинейные признаки сигнала ЭКГ (в том числе геометрические свойства скаттерограмм и фазовых диаграмм сигнала) [243, 244, 245, 246, 247, 248, 249, 250, 251, 101], матричные разложения, позволяющие сжимать информацию о сигнале [252, 253, 254, 136, 255, 256, 257], коэффициенты вейвлет-преобразований [168, 258, 259, 260, 261, 262, 263, 141, 264, 265] и др.

В последнее время всё чаще используются нейронные сети, анализирующие на входе отсчёты сигнала или даже нескольких отведений одновременно [113, 266, 267, 268, 137, 269, 270, 213, 196, 271]. Переход к нейронным сетям, особенно к глубоким свёрточным и рекуррентным архитектурам, во многом обусловлен тем, что они позволяют автоматизировать процесс извлечения полезных признаков из сигнала [200, 272, 273, 274, 201, 270, 199, 130]. Основными их недостатками являются меньшая интерпретируемость по сравнению с явно задаваемыми признаками, высокие время работы и объём необходимой памяти для сложных архитектур и необходимость большого количества данных для обучения [275, 276, 268, 177]. Такие модели плохо расширяемы, т.к. добавление новых признаков требует переобучения всей модели в целом. Наконец, несмотря на исследования, показывающие, что нейросетевые модели достигают более высокого качества по сравнению со специалистами, они всё равно не позволяют без ошибок выполнять автоматический анализ сигнала ЭКГ [268, 277].

Таким образом, задача поиска информативных признаков, позволяющих улучшить качество автоматического анализа ЭКГ, не прибегая к нейронным сетям, является крайне актуальной. Помимо этого, следует разрабатывать алгоритмы анали-

за сигнала ЭКГ в реальном времени, а также интерпретируемые и расширяемые математические модели, использующие новые признаки для повышения качества автоматического обнаружения аритмий.

Анализ существующих исследований показывает, что большое внимание уделено морфологическим признакам сигнала, а для обучения моделей используются заранее подготовленные базы сигналов, предоставляющие лишь усреднённые показатели для небольшого количества людей. Поскольку сигналы у разных людей уникальны, то это приводит к тому, что качество таких моделей оказывается на практике ниже, чем на обучении. Более того, состояние «нормы» у каждого человека своё и меняется со временем - во время покоя, физических упражнений, стресса или после операции. Поэтому более перспективны те модели, которые не просто запоминают абсолютные средние значения длительностей интервалов или значений амплитуд «нормальных» сигналов, а позволяют учесть отличительные особенности исследуемого сигнала, отслеживать динамику состояния сигнала и реагировать на его изменения в реальном времени.

Большинство из описанных сложностей решают лингвистические подходы к анализу сигналов. Их основная идея заключается в кодировании сигнала в зависимости от его свойств и последующем анализе получаемых кодов, представляющих собой качественное описание сигнала [82, 278]. Преимуществом подобных подходов является возможность динамического отслеживания состояния «нормы» сигнала и учёта отклонений от него в режиме реального времени [62].

Существуют исследования, которые использовали лингвистические модели для решения разных задач автоматического анализа ЭКГ: 1) сегментации сигнала (А.Д. Черкай и Ю.А. Власов [64], И.Б. Мучник [278, 279], Е.А. Шамин [233], Ю.В. Гуров [280], J.R. Cox [75], T. Pavlidis [82], S. Horowitz [76], K.P. Birman [194, 281], G. Belforte [78], J. Udupa [282], E. Skordalakis и G. Papakonstantinou [283, 284],

A. Koski [285] и др.); 2) оценки наличия заболеваний (Л.С. Файнзильберг [161],

B.М. Успенский [42, 43], группа исследователей, состоящая из N. Wessel, J. Kurths, A. Voss и A. Porta [286, 121, 287, 288] и др.); 3) автоматического обнаружения некоторых видов аритмий (М.Л. Цетлин [62], А.В. Коробейников [117, 289], W. Gersch [290], S. Barro [291], X. Zhou [239], F. Abdali-Mohammadi [292] и др.). Однако во многих работах лингвистическому анализу подвергаются морфологические признаки сигнала, в то время как само понятие нарушения сердечного ритма свидетельствует о

нарушении временных характеристик сигнала. К другим недостаткам можно отнести определение лишь некоторых видов аритмий (например, многие исследования посвящены автоматическому обнаружению только мерцательной аритмии), а также проведение анализа на разных наборах данных, что не позволяет объективно сравнить эффективность моделей друг с другом.

Для преодоления последней трудности можно придерживаться рекомендаций международного стандарта ААМ1 ЕС57-2012 [293] и ГОСТ Р 50267.47-2004 [294], которые регламентируют в том числе базы сигналов для обучения и тестирования моделей, а также способы оценки качества, которые необходимо использовать при тестировании новых приборов и методов автоматического обнаружения аритмий. Однако и в них не уточнена схема разделения сигналов на обучающую и тестовую выборку, что позволяет авторам выбирать их произвольным образом и не даёт осуществлять объективное сравнение разных методов и моделей [125, 126, 139, 52].

Наконец, использование только временных характеристик сигнала позволило бы значительно упростить получаемые модели, а также обобщить методы автоматического обнаружения аритмий и на другие сигналы, обладающие другой структурой, но позволяющие извлечь информацию о длительностях интервалов. В работе методы, анализирующие интервалы сигнала и относящие интервалы целиком к тому или иному классу, будут называться интервальными.

Таким образом, задачи поиска новых временных и лингвистических признаков, разработки алгоритмов их анализа с целью построения более простых и эффективных методов распознавания аритмий в реальном времени крайне актуальны. Именно их решению и посвящено диссертационное исследование.

Целью диссертационной работы является повышение качества классификации аритмий в реальном времени на основе использования новых лингвистических признаков сигнала ЭКГ. Для её достижения поставлены и решены следующие задачи:

1. Проведен анализ методов автоматического обнаружения аритмий с целью поиска архитектур моделей и признаковых описаний сигнала ЭКГ, а также подходов к оценке качества методов и моделей;

2. Разработаны способы оценки качества интервальных методов с учётом рекомендаций ААМ1 ЕС57-2012 и ГОСТ Р 50267 47-2004, и с их помощью исследованы методы автоматического обнаружения аритмий, кодирующие временные характеристики сигнала ЭКГ;

3. Разработаны новые лингвистические признаки сигнала ЭКГ, использующие только временные характеристики сигнала ЭКГ, которые можно эффективно извлекать в реальном времени и использовать для автоматического обнаружения аритмий;

4. Разработаны алгоритмы повышения точности сегментации сигнала ЭКГ и метод автоматического распознавания аритмий с использованием лингвистических признаков;

5. Программно реализованы предложенные метод и алгоритмы автоматического обнаружения аритмий в режиме реального времени по сигналу ЭКГ.

Объектом исследования является сигнал ЭКГ. Предметом - методы автоматического распознавания аритмий по сигналу ЭКГ в режиме реального времени.

Область исследования соответствует п.п. 3, 5, 7 и 12 паспорта специальности 05.13.17 в части исследования методов и разработки средств кодирования информации в виде данных (п. 3), разработки и исследования моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях (п. 5), разработки методов распознавания образов, фильтрации, решающих правил (п. 7) и разработки математических и лингвистических моделей и методов взаимодействия информационных процессов (п. 12).

Методы исследования. В основе исследования лежат методы цифровой обработки сигналов, статистического анализа экспериментальных данных, дискретной оптимизации, кластерного анализа, а также распознавания образов. Для создания программного обеспечения применялся язык Python 3.8.

Научная новизна полученных результатов:

1. Создан метод распознавания аритмий в реальном времени, отличающийся оригинальной схемой кодирования интервальных характеристик сигнала ЭКГ и алгоритмом совместной сегментации несколькими детекторами R-пиков, что позволило повысить точность классификации по сравнению с существующими методами;

2. Предложен алгоритм одномерной адаптивной кластеризации с использованием динамического программирования и решающих правил остановки, позволивший получить три схемы апостериорного кодирования сигналов ЭКГ и повысить точность сегментации сигнала ЭКГ на основе одновременного использования нескольких детекторов R-пиков;

3. Создан двухуровневый ансамблевый классификатор аритмий, отличающийся использованием лингвистического признакового описания ЭКГ, что позволило повысить точность классификации;

4. Разработано оригинальное программное обеспечение, отличающееся возможностью непрерывного мониторинга состояния сердечного ритма, обнаружения и классификации аритмий в реальном времени.

Практическая полезность полученных результатов.

Реализованная программная система позволяет осуществлять непрерывный мониторинг состояния ритма сердца и распознавать его нарушения в режиме реального времени по сигналу ЭКГ, достигая лучшего качества классификации по сравнению с существующими решениями. Разработанная программа оценки качества интервальных методов позволяет сравнивать новые методы, анализирующие интервальные характеристики сигнала ЭКГ, по разметке, привязанной к определённым временным отсчётам (Я-пикам), которая используется в современных базах сигналов.

На защиту выносятся:

1. Способы оценки качества интервальных методов обнаружения аритмий по обучающим данным с разметкой на Я-пиках в соответствии с рекомендациями ААМ1 ЕС57-2012 и ГОСТ Р 50267 47-2004, позволившие выполнить анализ существующих методов и разработать метод автоматического обнаружения аритмий в реальном времени;

Список литературы диссертационного исследования кандидат наук Халайджи Алексей Константинович, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Халайджи А.К. Задача непрерывного мониторинга состояния оператора в системе человек-машина // Двенадцатая Всероссийская конференция молодых учёных и специалистов (с международным участием) «Будущее машиностроения России» (Москва, 24-27 сентября 2019 г.): сборник докладов. Москва. 2019. С. 858-862.

2. Шалягин Д.В., Ничипорук Ю.М. Моделирование работы человека-оператора системы управления движением поездов // Наука и техника транспорта, № 2, 2012. С. 16-22.

3. Perederyi V., Borchik E. Information technology for determination, assessment and correction of functional sustainability of the human-operator for the relevant decision-making in human-machine critical application systems // Theoretical and practical aspects of the development of modern science: the experience of countries of Europe and prospects for Ukraine. Riga. 2019. pp. 490-509.

4. Сынгалевская А.А., Берберова М.А., Деревянкин А.А., Исламов Р.Т. Изучение влияния стресса на вероятность совершения ошибок персоналом АЭС в рамках анализа надёжности персонала // Труды международной научной конференции CPT1617. Протвино. 2017. С. 339-342.

5. Белова Т.И., Кончиц С.В., Сухов С.С. Анализ аварийности на дорогах Российской федерации, связанной с психофизиологическим состоянием водителей транспортных средств // Материалы международной научно-практической конференции «Формирование профессиональных компетенций обучающихся в организациях общего и профессионального образования». Брянск. 2016. С. 125-129.

6. Зеленова М.Е., Лекалов А.А., Костенко Е.В. Диагностика психологического здоровья летчиков в практике врачебно-летной экспертизы // Социальные и гуманитарные науки на Дальнем Востоке, № 3 (51), 2016. С. 114-120.

7. Suyatinov S.I. Criteria and Method for Assessing the Functional State of a Human Operator in a Complex Organizational and Technical System // Global Smart Industry Conference (GloSIC). 2018. P. 6. DOI: 10.1109/GloSIC.2018.8570088.

8. Халайджи А.К. Анализ существующих решений задачи оценки состояния человека-оператора // Сборник научных трудов по материалам Международной научно-практической конференции "Приоритетные направления исследований в рамках естественных и технических наук в XXI веке». Белгород. 2018. С. 237-240.

9. Карпов А.Б., Бадмаева Э.Р., Скобельский А.В., Антипов С.А. Проблемы организации медицинской помощи на удалённых промышленных объектах в России // Здравоохранение Российской Федерации, Т. 65, № 1, 2021. С. 54-61. DOI: 10.47470/0044-197X-2021-65-1-54-61 .

10. Халайджи А.К. Применение умных устройств для оценки состояния человека // Новые направления развития приборостроения: материалы 11 -й Международной научно-технической конференции молодых учёных и студентов (18-20 апреля 2018 г.). Минск. 2018. С. 96.

11. Buldakova T.I., Suyatinov S.I. Hierarchy of Human Operator Models for Digital Twin // International Russian Automation Conference (RusAutoCon). 2019. P. 5. DOI: 10.1109/RUSAUTOCON.2019.8867602.

12. Кузнецов А.А., Плеханов А.А., Сушкова Л.Т. Автоматизированный информационно-измерительный комплекс для синхронной регистрации, обработки и

анализа электрокардиограмм и фотоплетизмограмм // Информационно-измерительные и управляющие системы, Т. 7, № 10, 2009. С. 85-90.

13. Cheung C.C., Krahn A.D., Andrade J.G. The Emerging Role of Wearable Technologies in Detection of Arrhythmia // Canadian Journal of Cardiology, Vol. 34, No. 8, 2018. pp. 10831087. DOI: 10.1016/j.cjca.2018.05.003.

14. Li K.H.C., White F.A., Tipoe T., Liu T., Wong M.C., Jesuthasan A., Baranchuk A., Tse G., Yan B.P. The Current State of Mobile Phone Apps for Monitoring Heart Rate, Heart Rate Variability, and Atrial Fibrillation: Narrative Review // JMIR MHealth and Uhealth, Vol. 7, No. 2, 2019. P. 16. DOI: 10.2196/11606.

15. Мельник О.В., Никифоров М.Б., Устюков Д.И. Телемедицинская система для предрейсового контроля водителей // Материалы XXXIII Всероссийской научно-технической конференции студентов, молодых учёных и специалистов. Рязань. 2020. С. 11-17.

16. Национальный проект «Здравоохранение». 2019.

17. Щербо С. H. Щ.Д. . Медицина 5П: Прецизионная медицина // Медицинский алфавит, Т. 4, № 18, 2015. С. 5-10.

18. Стратегия научно-технологического развития Российской Федерации (в редакции Указа Президента Российской Федерации от 15.03.2021 № 143). Москва. 2016. 25 с. URL: http://www.kremlin.ru/acts/bank/41449.

19. Минаев П.В., Федяев Д.В., Серяпина Ю.В., Скоморохова Т.В. Обзор зарубежного опыта внедрения электронного здравоохранения // ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология, № 14 (1), 2021. С. 63-71. DOI: 10.17749/2070-4909/farmakoekonomika.2021.085.

20. Hartasanchez S.A., Heen A.F., Kunneman M., Garcia-Bautista A., Hargraves I.G., Prokop L.J., May C.R., Montori V.M. Remote shared decision making through telemedicine: A systematic review of the literature // Patient Education and Counseling, 2021. P. 10. DOI: 10.1016/j.pec.2021.06.012.

21. Иванов A.A. Телемедицинские решения для инструментальной диагностики на дому у пациента в условиях пандемии // Журнал телемедицины и электронного здравоохранения, № 7 (1), 2021. С. 25-34. DOI: 10.29188/2542-2413-2021-7-1-25-34.

22. Никольский А.В., Свистунов A.H., Осипов Г.В. Телемедицинская система «Светлячок*» для диагностики нарушений сердечного ритма // Биотехнические системы и технологии. Сборник статей конференции. Анапа. 2019. С. 25-39.

23. Молчанова Е.Е., Грищенко Ю.С., Аваненко В.А. Основы традиционной восточной медицины: учебное пособие. Благовещенск. 2012.

24. Сорокин О.В., Манохар Р., Панова А.С., Суботялов М.А. Этапы становления и развития научных представлений о диагностике по пульсу // Science for Education Today, Т. 7, № 1, 2017. С. 157-167. DOI: 10.15293/2226-3365.1701.11.

25. Сиваков В.П. Вариабельность ритма сердца. Периоды формирования представлений о модуляции сердечного ритма и перспективные направления дальнейших исследований // Вестник Витебского государственного медицинского университета, Т. 10, № 1, 2011. С. 47-53.

26. Иванов Г.Г., Баевский Р.М. Вариабельность сердечного ритма: теоретические аспекты и возможности клинического применения // Ультразвуковая и функциональная диагностика, № 3, 2001. С. 108-127.

27. Кузнецов А.А. Исследование динамики неупорядоченности ритма сердца // Информационно-измерительные и управляющие системы, Т. 10, № 3, 2012. С. 73-81.

28. Кузнецов А.А. Энтропия ритма сердца. Владимир. 2009. 172 с.

29. Кузнецов А.А., Пермяков С.А., Сушкова Л.Т. Изучение взаимосвязи показателей вариабельности диаграмм ритма сердца и диаграмм амплитуд систолического потенциала ритма сердца у здоровых людей // Доклады XII Международной научной конференции с научной молодежной сессией «Физика и радиоэлектроника в медицине и экологии - ФРЭМЭ». Владимир-Суздаль. 2016. С. 294-297.

30. Кузнецов А.А., Пермяков С.А. Функции распределения параметров ритмограмм здоровых людей // Измерительная техника, № 9, 2014. С. 63-68.

31. Туен Н.Ч., Хыу Ч.Ч., Тхач Н.М., Юлдашев З.М. Система и алгоритм интеллектуальной обработки и анализа биомедицинских сигналов в системах удалённого мониторинга состояния здоровья человека // Известия вузов России. Радиоэлектроника, № 5, 2018. С. 71-80. DOI: 10.32603/1993-8985-2018-21-5-71-80.

32. Мельник О.В., Челебаев С.В., Челебаева Ю.А. Анализ кардиоритмограммы в нейросетевом базисе операций // Биомедицинская радиоэлектроника, № 8, 2018. С. 3944.

33. Челебаева Ю.А., Мельник О.В. Выявление информативных параметров кардиоритмограммы в задаче диагностики нарушений сердечного ритма // Сборник трудов XXXI Всероссийской научно-технической конференции студентов, молодых учёных и специалистов «Биотехнические, медицинские, экологические системы и робототехнические комплексы - Биомедсистемы-2018». 2018. С. 109-113.

34. Дунаев А.А. Адаптивный корреляционный анализ биоэлектрических сигналов // Российский медико-биологический вестник имени академика И.П. Павлова, № 1-2, 2003. С. 157-161.

35. Безручко Б.П., Гриднев В.И., Караваев А.С., Киселев А.Р., Пономаренко В.И., Прохоров М.Д., Рубан Е.И. Методика исследования синхронизации колебательных процессов с частотой 0.1 Гц в сердечно-сосудистой системе человека // Известия высших учебных заведений. Прикладная нелинейная динамика, Т. 17, № 6, 2009. С. 4456.

36. Караваев А.С., Ишбулатов Ю.М., Киселев А.Р., Пономаренко В.И., Прохоров М.Д., Миронов С.А., Шварц В.А., Гриднев В.И., Безручко Б.П. Модель сердечно-сосудистой системы человека с автономным контуром регуляции среднего артериального давления // Физиология человека, Т. 43, № 1, 2017. С. 70-80.

37. Мяснянкин М.Б., Филист С.А., Киселев А.В., Кузьмин А.А. Формирование дескрипторов для классификаторов функционального состояния системы дыхания на основе спектрального анализа электрокардиосигнала // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение, Т. 10, № 3/4, 2020. С. 8-28.

38. Петрова Т.В., Савинов Д.Ю., Трифонов А.А. Исследование предикторов сердечнососудистых рисков, полученных на основе показателей синхронности системных ритмов // Труды III Международной конференции «Интеллектуальные технология и средства реабилитации и абилитации людей с ограниченными возможностями (ИТСР-2018) ». Москва. 2018. С. 180-186.

39. Соколова А.А., Пыко С.А., Ульяницкий Ю.Д. Прогнозирование эпизодов

желудочковых экстрасистол на основе анализа вариабельности сердечного ритма // СПБНТОРЭС: Труды ежегодной НТК, № 1 (74), 2019. С. 24-27.

40. Хазиева Р.Т., Сибирякова С.О. Снятие электрокардиограммы разными способами // Сборник статей Международной научно-практической конференции «Фундаментальная и прикладная наука: новые вызовы и прорывы». Петрозаводск. 2020. С. 54-66.

41. Савчак Я.О., Дзюба Д.О., Лоскутов О.А. ЭКГ-диагностика: от Эйнтховена к современному сердечному мониторингу // Медицина неотложных состояний, № 2 (89), 2018. С. 121-124.

42. Uspenskiy V.M. Diagnostic System Based on the Information Analysis of Electrocardiogram // MECO 2012. Advances and Challenges in Embedded Computing. Bar, Montenegro. 2012. pp. 74-76.

43. Uspenskiy V., Vorontsov K., Tselykh V., Bunakov V. Discrete and fuzzy encoding of the ECG-signal for multidisease diagnostic system // Advanced Mathematical and Computational Tools in Metrology and Testing X. 2015. pp. 377-384.

44. Ачильдиев В.М., Балдин A.В., Бедро H.A., Грузевич Ю.К., Жук Д.М., Комарова М.Н., Грызлова Л.В., Роднова И.А., Солдатенков В.А., Успенский В.М., Шабаев И.Г. Дистанционный комплекс для анализа электрокардиосигналов, 2018107720, Март 2, 2018.

45. Varma N., Cygankiewicz I., Turakhia M.P., Heidbuchel H., Hu Y., Chen L.Y., Couderc J.P., Cronin E.M., Estep J.D., Grieten L., et al. Контроль аритмий с помощью технологий мобильного здравоохранения: цифровые медицинские технологии для специалистов по сердечному ритму. Консенсус экспертов 2021 // Российский кардиологический журнал, No. 26 (S1), 2021. pp. 87-148. DOI: 10.15829/1560-4071-2021-4420.

46. Ослопов В.Н., Ослопова Ю.В., Ганеева К.И., Долгополов А.С., Романов К.П., Имамова Д.А. Нарушение сердечного ритма и проводимости у спортсменов // IX-я Российская научно-практическая конференция: сборник научных статей «Здоровье человека в XXI веке». Казань. 2017. С. 7-13.

47. Затонская Е.В., Матюшин Г.В., Гоголашвили Н.Г. Распространенность и клиническое значение нарушений ритма сердца // Рациональная фармакотерапия в кардиологии, № 13 (3), 2017. С. 403-408.

48. Gupta V., Mittal M., Mittal V., Saxena N.K. A Critical Review of Feature Extraction Techniques for ECG Signal Analysis // Journal of The Institution of Engineers (India): Series B, 2021. P. 12. DOI: 10.1007/s40031-021-00606-5.

49. Trayanova N.A., Popescu D.M., Shade J.K. Machine Learning in Arrhythmia and Electrophysiology // Circulation Research, No. 128, 2021. pp. 544-566. DOI: 10.1161/CIRCRESAHA.120.317872.

50. Annam J.R., Kalyanapu S., Sureshbabu C., Somala J., Raju S.B. Classification of ECG Heartbeat Arrhythmia: A Review // Third International Conference on Computing and Network Communications (CoCoNet'19). 2020. Vol. 171. pp. 679-688. DOI: 10.1016/j.procs.2020.04.074.

51. Mohebbanaaz, Sai Y.P., Kumari L.R. A Review on Arrhythmia Classification Using ECG // IEEE International Students' Conference on Electrical, Electronics and Computer Science. 2020. P. 6. DOI: 10.1109/SCEECS48394.2020.9.

52. Luz E.D.S., Schwartz W.R., Camara-Chavez G., Menotti D. ECG-based heartbeat classification for arrhythmia detection: A survey // Computer Methods and Programs in

Biomedicine, No. 127, 2016. pp. 144-164. DOI: 10.1016/j.cmpb.2015.12.008.

53. Gomes C., Cardoso A., Silveira T., Dias D., Tuler E., Ferreira R., Rocha L. Combining Data Mining Techniques to Enhance Cardiac Arrhythmia Detection // Computational Science - ICCS 2018. ICCS 2018. Lecture Notes in Computer Science. 2018. Vol. 10861. pp. 321333. DOI: 10.1007/978-3-319-93701-4_24.

54. Kornej J., Borshcel C.S., Benjamin E.J., Schnabel R.B. Epidemiology of Atrial Fibrillation in the 21st Century. Novel Methods and New Insights // Circulation Research, No. 127, 2020. pp. 4-20. DOI: 10.1161/CIRCRESAHA. 120.316340.

55. Karnik A.A., Gopal D.M., Benjamin E.J., Helm R.H. Epidemiology of Atrial Fibrillation and Heart Failure. A Growing and Important Problem // Cardiology Clinics, No. 37 (2), 2019. pp. 119-129. DOI: 10.1016/j.ccl.2019.01.001.

56. Chung M.K., Rafaat M., Shen W.K., Kutyifa V., Cha Y.M., Biase L.D., Baranchuk A., Lampert R., Natale A., Fisher J., Lakkireddy D.R. Atrial Fibrillation: JACC Council Perspectives // Journal of the American College of Cardiology, No. 75 (14), 2020. pp. 16891713. DOI: 10.1016/j.jacc.2020.02.025.

57. Manoj S.P.D., Jantsch A., Shafique M. Computer-aided Arrhythmia Diagnosis with Biosignal Processing: A Survey of Trends and Techniques // ACM Computing Surveys, Vol. 52, No. 2, 2019. pp. 1-37. DOI: 10.1145/3297711.

58. Шубик Ю.В., Батурова М.А., Трегубов А.В. Рекомендации по холтеровскому мониторированию электрокардиограммы: прошлое, настоящее и будущее // Вестник аритмологии, № 94, 2018. С. 57-67.

59. Xu K., Guo S., Cao N., Gotz D., Xu A., Qu H., Yao Z., Chen Y. ECGLens: Interactive Visual Exploration of Large Scale ECG Data for Arrhythmia Detection // Proceedings of the CHI Conference on Human Factors in Computing Systems. Vol. 663. pp. 1-12. DOI: 10.1145/3173574.3174237.

60. Veeravalli B., Deepu C.J., Ngo D. Real-Time, Personalized Anomaly Detection in Streaming Data for Wearable Healthcare Devices // In: Handbook of Large-Scale Distributed Computing in Smart Healthcare. 2017. pp. 403-426. DOI: 10.1007/978-3-319-58280-1_15.

61. Sree Ranjani R. Machine Learning Applications for a Real-Time Monitoring of Arrhythmia Patients Using IoT // Internet of Things for Healthcare Technologies. Studies in Big Data, Vol. 73, 2021. pp. 93-107. DOI: 10.1007/978-981-15-4112-4_5.

62. Цетлин М.Л., Горохов Ю.С., Матусова А.П., Мельникова В.А., Тарантович Т.М., Шабашов В.М. Прибор для регистрации и диагностики нарушения ритмической деятельности сердца // Известия высших учебных заведений. Радиофизика, Т. 4, № 1, 1961. С. 165-172.

63. Мешалкин Е.Н., Власов Ю.А., Черкай А.Д., Глушков Н.Н., Мельникова Н.Н. Об одном подходе к выделению элементов случайного и закономерного в стратегии управления ритмом сердца // Кровообращение, Т. 6, № 5, 1973. С. 12-17.

64. Черкай А.Д., Власов Ю.А. Лингвистический анализ ритма сердца // Проблемы временной организации живых систем. Отделение физиологии Академии наук СССР, 1979. С. 62-70.

65. Немирко А.П., Предтеченский А.Г., Манило Л.А. Ритмокардиоанализатор, SU 1047464 A1, 1983.

66. Истомина Т.В., Кривоногов Л.Ю., Сидорова М.А., Татарченко И.П. Селектор QRS-комплексов электрокардиосигнала, Авторское свидетельство SU 1739967 A1, Июнь

67. Истомина Т.В., Кривоногов Л.Ю., Олейников В.Э., Полубабкин Ю.В., Татарченко И.П. Детектор формы кардиоимпульсов, Авторское свидетельство SU 1528445 A1, Декабрь 1989.

68. Истомина Т.В., Кривоногов Л.Ю., Полубабкин Ю.В. Детектор желудочковых экстрасистол, Авторское свидетельство SU 1616600 A1, Декабрь 1990.

69. Истомина Т.В., Олейников В.Э., Татарченко И.П., Шевченко В.П., Шляндин В.М. Детектор экстрасистол, Авторское свидетельство SU 1377030 A1, Февраль 198.

70. Истомина Т.В., Олейников В.Э., Татарченко И.П., Шевченко В.П., Шляндин В.М. Устройство для выделения и анализа R-зубцов электрокардиосигнала, Авторское свидетельство SU 1364298 A1, Январь 1988.

71. Волчихин В.И., Иванов А.И., Истомина Т.В., Кривоногов Л.Ю. Устройство для анализа кардиосигналов, Патент на полезную модель RU 16068 U1, Декабрь 2000.

72. Bonner R.E., Schwetman H.D. Computer Diagnosis of Electrocardiograms. II. A Computer Program for EKG Measurements // Computers and Biomedical Research, No. 1 (4), 1968. pp. 366-386. DOI: 10.1016/0010-4809(68)90066-9.

73. Bonner R.E., Schwetman H.D. Computer Diagnosis of Electrocardiograms. III. A Computer Program for Arrhythmia Diagnosis // Computers and Biomedical Research, No. 1 (4), 1968. pp. 387-407. DOI: 10.1016/0010-4809(68)90067-0.

74. Pordy L., Jaffe H., Chesky K., Friedberg C.K., Fallowes L., Bonner R.E. Computer Diagnosis of Electrocardiograms. IV. A Computer Program for Countour Analysis with Clinical Results of Rhythm and Contour Interpretation // Computers and Biomedical Research, No. 1 (4), 1968. pp. 408-433. DOI: 10.1016/0010-4809(68)90068-2.

75. Cox J.R., Nolle F.M., Fozzard H.A., Oliver G.C. AZTEC, a Preprocessing Program for Real-Time ECG Rhythm Analysis // IEEE Transactions on Biomedical Engineering, BME, No. 15 (2), 1968. pp. 128-129. DOI: 10.1109/TBME.1968.4502549.

76. Horowitz S.L. A syntactic algorithm for peak detection in waveforms with applications to cardiography // Communications of the ACM, No. 18 (5), 1975. pp. 281-285. DOI: 10.1145/360762.360810.

77. Simoons M.L., Boom H.B.K., Smallenburg E. On-Line Processing of Orthogonal Exercise Electrocardiograms // Computers and biomedical research, No. 8, 1975. pp. 105-117.

78. Belforte G., De Mori R., Ferraris F. Contribution to the Automatic Processing of Electrocardiograms Using Syntactic Methods // IEEE Transactions on Biomedical Engineering, BME, Vol. 26, No. 3, 1979. pp. 125-136. DOI: 10.1109/tbme.1979.326470.

79. Mark R.R., Moody G.B., Olson W.H., Peterson S.K., Schluter P.S., Walters J.B. Real-time ambulatory arrhythmia analysis with a microcomputer // Computers in cardiology. 1979. pp. 57-62.

80. Mark R.G., Ripley K.L. Ambulatory ECG Monitoring: Real-Time Analysis Versus Tape Scanning Systems // Signals and Devices. New York. 1987. pp. 55-67. DOI: 10.1007/978-1-4612-4710-4_7.

81. Schluter P.S. The design and evaluation of a bedside cardiac arrhythmia monitor. Massachusetts Institute of Technology, Dept. of Electrical Engineering and Computer Science, 1981.

82. Pavlidis T. Linguistic analysis of waveforms // Software Engineering, Vol. 4, 1971. pp.

203-225. DOI: 10.1016/B978-0-12-696202-4.50019-X.

83. Apple Inc. Using Apple Watch for Arrhythmia Detection 2020. URL: https:// www.apple.com/healthcare/docs/site/Apple_Watch_Arrhythmia_Detection.pdf

84. Karmen C.L., Reisfeld M.A., McIntyre M.K., Timmermans R., Frishman W. The Clinical Value of Heart Rate Monitoring Using an Apple Watch // Cardiology in Review, Vol. 27, No. 2, 2019. pp. 60-62. DOI: 10.1097/CRD.0000000000000243.

85. Giebel G.D., Gissel C. Accuracy of mHealth Devices for Atrial Fibrillation Screening: Systematic Review // JMIR Mhealth Uhealth, Vol. 7, No. 6, 2019 DOI: 10.2196/13641.

86. Carlisle M.A., Fudim M., DeVore A.D., Piccini J.P. Heart Failure and Atrial Fibrillation, Like Fire and Fury // J Am Coll Cardiol: Heart Failure, Vol. 7, No. 6, 2019. pp. 447-456. DOI: 10.1016/j.jchf.2019.03.005.

87. Tang P.T., Shenasa M., Boyle N.G. Ventricular Arrhythmias and Sudden Cardiac Death // Cardiac Electrophysiology Clinics, Vol. 9, No. 4, 2017. pp. 693-708. DOI: 10.1016/j.ccep.2017.08.004.

88. Chao T.F., Liu C.J., Tuan T.C., Chen S.J., Chen T.J., Lip G.Y.H., Chen S.A. Risk and Prediction of Sudden Cardiac Death and Ventricular Arrhythmias for Patients with Atrial Fibrillation - A Nationwide Cohort Study // Scientific reports, Vol. 7, No. 46445, 2017 DOI: 10.1038/srep46445.

89. Frost D.A., Yanowitz F.G., Pryor T.A. Evaluation of a computerized arrhythmia alarm system // The Americal Journal of Cardiology, Vol. 39, No. 4, 1977. pp. 583-587. DOI: 10.1016/S0002-9149(77)80169-0.

90. Krasteva V., Jekova I., Lever R., Schmid R., Abacherli R. Validation of arrhythmia detection library on bedside monitor data for triggering alarms in intensive care // Computing in Cardiology Conference. 2015. pp. 737-740. DOI: 10.1109/CIC.2015.7411016.

91. Nemirko A.P., Manilo L.A., Degtyareva I.N. Recognition of heart ventricular fibrillation on the basis of analysis of the electrocardiogram in the frequency domain // Pattern recognition and image analysis (advances in mathematical theory and applications), Vol. 11, No. 2, 2001. pp. 353-355.

92. Yuldashev Z., Nemirko A., Manilo L., Mikhaylov E., Lebedev D., Anisimov A. Processing of Synchronous Recordings of Surface ECG and Intracardiac Potentials for Diagnostics of Dangerous Heart Rate Disturbances // 2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). Yekaterinburg.

2019. pp. 102-105. DOI: 10.1109/USBEREIT.2019.8736673.

93. Alekseev B.E., Manilo L.A., Nemirko A.P., Sokolova A.A. Recognition of the Life-Threatening Cardiac Arrhythmias in the Frequency Domain // IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). Saint Petersburg.

2020. pp. 1460-1463. DOI: 10.1109/EIConRus49466.2020.9039134.

94. Nemirko A.P., Manilo L.A., Alekseev B.E., Sokolova A.A., Yuldashev Z.M. The comparison of algorithms for life-threatening cardiac arrhythmias recognition // BIODEVICES 2020 - 13TH INTERNATIONAL CONFERENCE ON BIOMEDICAL ELECTRONICS AND DEVICES, PROCEEDINGS; PART OF 13TH INTERNATIONAL JOINT CONFERENCE ON BIOMEDICAL ENGINEERING SYSTEMS AND TECHNOLOGIES, BIOSTEC 2020. Valletta. 2020. pp. 402-407.

95. Немирко А.П., Бегиджанова Л.А., Калиниченко А.Н., Коробков Н.А., Лебедева Н.А., Левашов С.Ю., Манило Л.А., Озеров С.Ю. Исследование методов распознавания

образов для анализа биомедицинских сигналов, Отчёт о НИР/НИОКР 1997.

96. Лагирвандзе А.К., Калиниченко А.Н., Моргунова Т.В. Алгоритм анализа форм кардиоциклов ЭКГ с использованием технологий машинного обучения // Модели, системы, сети в экономике, технике, природе и обществе, № 4 (32), 2019. С. 75-84.

97. Моторина С.В., Калиниченко А.Н. Алгоритм выявления мерцательной аритмии в реальном масштабе времени // Медицинская техника, № 3 (297), 2016. С. 12-15.

98. Некрасов И.А., Ван Г.В., Калиниченко А.Н. Алгоритм классификации форм желудочковых комплексов сигнала ЭКГ на основе искусственных нейронных сетей прямого распространения // Сборник трудов XXXI Всероссийской научно-технической конференции студентов, молодых учёных и специалистов «Биотехнические, медицинские, экологические системы и робототехнические комплексы -Биомедсистемы-2018». Рязань. 2018. С. 211-214.

99. Kalinichenko A.N., Motorina S.V., Uskov A.V. ECG analysis algorithms for smartphone based cardiac monitor // Proceedings of the 12th Russian-German Conference on Biomedical Engineering. Suzdal. 2016. pp. 65-69.

100. Нгуен Ч.Т., Юлдашев З.М. Система удалённого мониторинга для прогнозирования мерцательной аритмии // Биомедицинская радиоэлектроника, № 8, 2016. С. 26-30.

101. Исаков Р.В., Кузнецов А.А., Сушкова Л.Т. Оценка степени близости летальных аритмий методами нелинейной динамики // Биомедицинская радиоэлектроника, № 3, 2004. С. 46-50.

102. Исаков Р.В., Салех М.А., Сушкова Л.Т. Аппаратно-программный комплекс нейросетевого обнаружения отклонений от нормы в электрокардиосигнале // Биомедицинская радиоэлектроника, № 6, 2012. С. 14-20.

103. Исаков Р.В. Совершенствование аппаратно-программного комплекса получения и обработки электрокардиографического сигнала, Кафедра биомедицинской инженерии, Владимирский государственный университет, Владимир, Автореферат дисс. ... канд. техн. наук. 2006.

104. Исаков Р.В., Аль Мабрук М.А., Сушкова Л.Т. Аппаратно-программный комплекс нейросетевого анализа электрокардиосигнала // Проектирование и технология электронных средств, № 1, 2010. С. 65-70.

105. Исаков Р.В., Салех М.А., Сушкова Л.Т. Сегментарный подход к обработке электрокардиографических сигналов при построении систем автоматизированного анализа // Проектирование и технология электронных средств, № 4, 2010. С. 24-29.

106. Кавасма А.А.Р. Система и методы автоматизированной оценки ритма сердца, Владимирский государственный университет, Санкт-Петербург, Автореферат дисс. ... канд. техн. наук. 2006.

107. Кавасма Р.А., Кузнецов А.А., Сушкова Л.Т. Новые методы обработки электрокардиографических сигналов // Биомедицинские технологии и радиоэлектроника, № 11-12, 2005. С. 12-20.

108. Щербакова Т.Ф., Горохов С.Н., Ермошин Д.К. Исследование и разработка методов обнаружения и различения различных видов аритмий по анализу электрокардиосигнала // Материалы XVIII Международной научно-технической конференции «II научный форум телекоммуникации: теория и технологии ТТТ-2017. Проблемы техники и технологий телекоммуникаций ПТИТТ-2017», 2017. С. 52-54.

109. Щербакова Т., Седов С., Щербаков А., Якупов Р. Спектральный анализ аритмий

сердца в задачах домашней телемедицины // Материалы Всероссийской научно-практической конференции с международным участием «Новые технологии, материалы и оборудование Российской авиакосмической отрасли», 2018. С. 262-265.

110. Щербакова Т.Ф., Седов С.С., Коробков А.А., Култынов Ю.И., Валиллулин А.И. Определение опасных для жизни аритмий сердца // Современные проблемы науки и образования, № 2, 2005. С. 94.

111. Щербакова Т.Ф., Седов С.С., Якупов Р.И. Метод фазово-частотного спектрального анализа электрокардиосигнала в задачах домашней телемедицины // Физика волновых процессов и радиотехнические системы, Т. 22, № 4-2, 2019. С. 192-199. DOI: 10.18469/1810-3189.2019.22.4.192-199 .

112. Щербакова Т.Ф., Седов С.С., Замалеев И.И. Разработка методов и алгоритмов определения аритмий сердца // Физика волновых процессов и радиотехнические системы, Т. 22, № 4-2, 2019. С. 180-184. DOI: 10.18469/1810-3189.2019.22.4.180-184 .

113. Мельник О.В., Челебаев С.В., Челебаева Ю.А. Анализ сердечного ритма в режиме реального времени на основе искусственных нейронных сетей // Биотехносфера, № 6 (48), 2016. С. 33-39.

114. Варнавский А.Н., Мельник О.В., Михеев А.А. Способ выявления аритмии электрокардиосигнала в реальном времени и устройство для его осуществления, патент на изобретение RU 2321339 C1, 2008.

115. Мельник О.В., Михеев А.А. Обработка и анализ электрокардиосигнала в режиме реального времени // Биотехносфера, № 4, 2009. С. 17-20.

116. Мельник О.В., Челебаев С.В., Челебаева Ю.А. Автоматизированный анализ сердечного ритма в режиме реального времени с использованием нейросетевых технологий // Биомедицинская радиоэлектроника, № 7, 2017. С. 45-52.

117. Коробейников А.В. Алгоритмы и комплексы программ мониторно-компьютерных систем для анализа морфологии и ритма электрокардиограмм, Ижевск, Автореферат дисс.. канд. техн. наук 2004.

118. Oefinger M., Moody G.B., Krieger M., Mark R.G. System for Remote Multi-Channel Real-Time Monitoring of ECG via the Internet // Computing in Cardiology. 2004. P. 4.

119. Moody G.B., Mark R.G. Development and evaluation of a 2-lead ECG analysis program // Computers in cardiology. 1982. pp. 39-44.

120. Wessel N., Meyerfeldt U., Ziehmann C., Schirdewan A., Kurths J. Statistical Versus Individual Forecasting Of Life-Threatening Cardiac Arrhythmias // AIP Conference Proceedings. 2002. Vol. 622.

121. Wessel N., Marwan N., Schidewan A., Kurths J. Beat-to-beat complexity analysis before the onset of ventricular tachycardia // Computers in Cardiology, Vol. 30, 2003. pp. 477-480. DOI: 10.1109/CIC.2003.1291196.

122. Wessel N., Malberg H., Bauernschmitt R., Kurths J. Nonlinear methods of cardiovascular physics and their clinical applicability // International Journal of Bifurcation and Chaos, Vol. 17, No. 10, 2007. pp. 3325-3371.

123. Voss A., Schulz S., Schroeder R. Monitoring in cardiovascular disease patients by nonlinear biomedical signal processing // 33rd Annual International Conference of the IEEE EMBS. Boston. 2011. pp. 6564-6567. DOI: 10.1109/IEMBS.2011.6091619.

124. Zeelenberg C., Meij S.H., Hoare M.R., Hugenholtz P.G. Automated Arrhythmia Detection in Intensive Care // Computers in Critical Care and Pulmonary Medicine, 1985. pp.

265-279.

125. de Chazal P., O'Dwyer M., Reilly R.B. Automatic Classification of Heartbeats Using ECG Morphology and Heartbeat Interval Features // IEEE Transactions on Biomedical Engineering, No. 51 (7), 2004. pp. 1196-1206. DOI: 10.1109/tbme.2004.827359.

126. de Chazal P., Reilly R.B. A Patient-Adapting Heartbeat Classifier Using ECG Morphology and Heartbeat Interval Features // IEEE Transactions on Biomedical Engineering, No. 53 (12), 2006. pp. 2535-2543. DOI: 10.1109/tbme.2006.883802.

127. de Chazal P. Detection of supraventricular and ventricular ectopic beats using a single lead ECG // 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Osaka. 2013. pp. 45-48. DOI: 10.1109/embc.2013.6609433.

128. Christov I., Jekova I., Bortolan G. Premature ventricular contraction classification by the Kth nearest-neighbours rule // Physiological Measurement, No. 26 (1), 2005. pp. 123-130. DOI: 10.1088/0967-3334/26/1/011.

129. Christov I.I. Real time electrocardiogram QRS detection using combined adaptive threshold // BioMedical Engineering OnLine, Vol. 3, No. 28, 2004. P. 9. DOI: 10.1186/1475-925X-3-28.

130. Hu Y.H., Palreddy S., Tompkins W.J. A patient-adaptable ECG beat classifier using a mixture of experts approach // IEEE Transactions on Biomedical Engineering, No. 44 (9), 1997. pp. 891-900. DOI: 10.1109/10.623058.

131. Pan J., Tompkins W.J. A Real-Time QRS Detection Algorithm // IEEE Transactions on Biomedical Engineering BME, Vol. 32, No. 3, 1985. pp. 230-236. DOI: 10.1109/TBME.1985.325532.

132. Afonso V.X., Tompkins W.J., Nguyen T.Q., Luo S. ECG Beat Detection Using Filter Banks // IEEE Transactions on Biomedical Engineering, Vol. 46, No. 2, 1999. pp. 192-292. DOI: 10.1109/10.740882.

133. Krasteva V., Jekova I., Leber R., Schmid R., Abacherli R. Real-time arrhythmia detection with supplementary ECG quality and pulse wave monitoring for the reduction of false alarms in ICUs // Physiological Measurement, Vol. 37, No. 8, 2016. pp. 1273-1297. DOI: 10.1088/0967-3334/37/8/1273.

134. Jekova I., Krasteva V. Real time detection of ventricular fibrillation and tachycardia // Physiological Measurement, Vol. 25, No. 5, 2004. pp. 1167-1178. DOI: 10.1088/09673334/25/5/007.

135. Mondejar-Guerra V., Novo J., Rouco J., Ortega M., Penedo M.G. Automatic ECG Screening as a Supporting Tool on a Telemedicine Framework // Computer Aided Systems Theory - EUROCAST 2019. Las Palmas de Gran Canaria. 2019. pp. 289-296.

136. Martis R.J., Acharya U.R., Mandana K.M., Ray A.K., Chakraborty C. Application of principal component analysis to ECG signals for automated diagnosis of cardiac health // Expert Systems with Applications, Vol. 39, No. 14, 2012. pp. 11792-11800. DOI: 10.1016/j.eswa.2012.04.072.

137. Yildirim O., Plawiak P., Tan R.S., Acharya U.R. Arrhythmia detection using deep convolutional neural network with long duration ECG signals // Computers in Biology and Medicine, 2018. P. 23. DOI: 10.1016/j.compbiomed.2018.09.009.

138. Hagiwara Y., Fujita H., Oh S.L., Tan J.H., Ciaccio E.J., Acharya U.R. Computer-aided diagnosis of atrial fibrillation based on ECG Signals: A review // Information Sciences, Vol. 467, 2018. pp. 99-114. DOI: 10.1016/j.ins.2018.07.063.

139. Plawiak P., Acharya U.R. Novel deep genetic ensemble of classifiers for arrhythmia detection using ECG signals // Neural Computing and Applications, 2019. P. 25. DOI: 10.1007/s00521-018-03980-2(0123456789().,-volV)(0123456789(). ,- volV).

140. Sharma M., Tan R.S., Acharya U.R. Detection of shockable ventricular arrhythmia using optimal orthogonal wavelet filters // Neural Computing and Applications, 2019. P. 16. DOI: 10.1007/s00521-019-04061-8.

141. Tuncer T., Dogan S., Plawiak P., Acharya R.U. Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet transform with ECG signals // Knowledge-Based Systems, 2019. P. 19. DOI: 10.1016/j.knosys.2019.104923.

142. Sharma M., Singh S., Kumar A., San Tan R., Acharya U.R. Automated detection of shockable and non-shockable arrhythmia using novel wavelet-based ECG features // Computers in Biology and Medicine, 2019. P. 10. DOI: 10.1016/j.compbiomed.2019.103446.

143. Faust O., Ciaccio E.J., Acharya U.R. A Review of Atrial Fibrillation Detection Methods as a Service // International Journal of Environmental Research and Public Health, Vol. 17, No. 9, 2020. P. 34. DOI: 10.3390/ijerph17093093.

144. Яблучанский Н.И., Мартыненко А.В. Анализ вариабельности сердечного ритма при аритмиях с сохранённым синусовым ритмом // Вестник Харьковского национального университета имени В.Н. Каразина. Серия «Медицина», 2005. С. 8.

145. Манило Л.А. Теория и методы анализа сердечного ритма и распознавания аритмий в медицинских диагностических системах, Санкт-Петербург, Диссертация. доктора технических наук 2007.

146. Clifford G.D. Signal Processing Methods For Heart Rate Variability Analysis, Oxford, PhD Thesis 2002.

147. Kalinichenko A.N., Nilicheva M.I., Khasheva S.V., Yurieva O.D., Mamontov O.V. Signal stationarity assessment for the heart rate variability spectral analysis // Computers in Cardiology. 2008. Vol. 35. pp. 965-968. DOI: 10.1109/cic.2008.4749204.

148. Мартыненко А.В., Яблучанский Н.И., Острополец С.В. Анализ вариабельности сердечного ритма при аритмиях с сохранённым синусовым ритмом: физиологический подход к кластеризации // Вестник Харьковского национального университета, № 797, 2008. С. 12-15.

149. Zhao L., Li P., Li J., Liu C. Influence of Ectopic Beats on Heart // Entropy, Vol. 23, No. 6, 2021. P. 14. DOI: 10.3390/e23060648.

150. Choi A., Shin H. Quantitative Analysis of the Effect of an Ectopic Beat on the Heart Rate Variability in the Resting Condition, Vol. 9, 2018. P. 10. DOI: 10.3389/fphys.2018.00922.

151. Zhao L., Li J., Xiong J., Liang X., Liu C. Suppressing the Influence of Ectopic Beats by Applying a Physical Threshold-Based Sample Entropy // Entropy, Vol. 411, No. 22 (4), 2021. P. 16. DOI: 10.3390/e22040411.

152. Lipponen J.A., Tarvainen M.P. A robust algorithm for heart rate variability time series artefact correction using novel beat classification // Journal of Medical Engineering & Technology, Vol. 43, No. 3, 2019. pp. 173-181. DOI: 10.1080/03091902.2019.1640306.

153. Kamath M.V., Fallen E.L. Correction of the heart rate variability signal for ectopics and missing beats // Heart rate variability, 1995. pp. 75-85.

154. Malik M. Geometric Methods for Heart Rate Variability Assessment // Heart Rate Variability, 1995. pp. 47-62.

155. Karlsson M., Hornsten R., Ryberg A., Wiklun U. Automatic filtering of outliers in RR intervals before analysis of heart rate variability in Holter recordings: a comparison with carefully edited data // Biomed Eng Online, Vol. 11, No. 2, 2012. P. 12. DOI: 10.1186/1475-925X-11-2.

156. Acar B., Savelieva I., Hemingway H., Malik M. Automatic ectopic beat elimination in short-term heart rate variability measurement // Computer Methods and Programs in Biomedicine, No. 63 (2), 2000. pp. 123-131. DOI: 10.1016/s0169-2607(00)00081-x.

157. Yousofvand L., Fathi A., Abdali-Mohammadi F. Person identification using ECG signal's symbolic representation and dynamic time warping adaptation // Signal, Image and Video Processing, No. 13, 2019. pp. 245-251. DOI: 10.1007/s11760-018-1351-4.

158. Cai H., Venkatasubramanian K.K. Patient Identity Verification Based on Physiological Signal Fusion // IEEE/ACM International Conference on Connected Health: Applications, Systems and Engineering Technologies (CHASE). 2017. pp. 90-95. DOI: 10.1109/chase.2017.65.

159. Исаков Р.В., Сунцова О.В. Исследование искусственных нейронных сетей в задаче идентификации личности по электрокардиосигналу, зарегистрированному устройством CARDIOQVARK // Нейрокомпьютеры: разработка, применение, № 3, 2016. С. 31-38.

160. Nemirko A.P., Manilo L.A. Intelligent Analysis of Biomedical Signals for Personal Identification and Life Support Systems // 13th International Symposium «Intelligent Systems» (INTELS'18). Procedia Computer Science. St. Petersburg. 2019. Vol. 150. pp. 102-108. DOI: 10.1016/j.procs.2019.02.022.

161. Fainzilberg L.S., Dykach J.R. Linguistic approach for estimation of electrocardiograms's subtle changes based on the Levenstein distance // Cybernetics and computer engineering, No. 2 (196), 2019. pp. 3-26. DOI: 10.15407/kvt196.02.003.

162. Файнзильберг Л.С. Технология построения телемедицинской системы на основе генеративной модели порождения искусственной ЭКГ реалистической формы // Клиническая информатика и Телемедицина, Т. 8, № 9, 2012. С. 89-98.

163. Булдакова Т.И., Суятинов С.И. Модельный подход к защите данных в телемедицинских системах // Вестник технологического университета, Т. 19, № 23, 2016. С. 85-87.

164. Ye C., Kumar V., Coimbra M.T. Combining General Multi-class and Specific Two-class Classifiers for Improved Customized ECG Heartbeat Classification // 21st international Conference on Pattern Recognition (ICPR 2012). Tsukuba. 2012. pp. 2428-2431.

165. Hadaeghia F. Reservoir Computing Models for Patient-Adaptable ECG Monitoring in Wearable Devices // Journal of Biomedical Signal Processing and Control, 2019. P. 27. Preprint arXiv:1907.09504v1.

166. Golany T., Radinsky K. PGANs: Personalized Generative Adversarial Networks for ECG Synthesis to Improve Patient-Specific Deep ECG Classification // The Thirty-Third AAAI Conference on Artificial Intelligence (AAAI-19). Hawaii. 2019. Vol. 33. pp. 557-564.

167. Abubakar S.M., Khan M.R., Saadeh W., Altaf M.A.B. A Wearable Auto-Patient Adaptive ECG Processor for Shockable Cardiac Arrhythmia // IEEE Asian Solid-State Circuits Conference. Taiwan. 2018. Vol. 19-4 (8110). pp. 267-268.

168. Ince T., Kiranyaz S., Gabbouj M. A Generic and Robust System for Automated Patient-Specific Classification of ECG Signals // IEEE Transactions on Biomedical Engineering, Vol. 56, No. 5, 2009. pp. 1415-1426. DOI: 10.1109/tbme.2009.2013934.

169. Maghawry E.A., Ismail R.M., Gharib T.F. Unsupervised real-time diagnosis system for ECG streaming data // International Journal of Intelligent Computing and Information Sciences, Vol. 21, No. 1, 2021. pp. 180-195. DOI: 10.21608/ijicis.2021.69762.1077.

170. Wang G., Chen M., Ding Z., Li J., Yang H., Zhang P. Inter-patient ECG arrhythmia heartbeat classification based on unsupervised domain adaptation // Neurocomputing, Vol. 454, 2021. pp. 339-349. DOI: 10.1016/j.neucom.2021.04.104.

171. Martinez A., Alcaraz R., Rieta J.J. Ectopic Beats Canceler for Improved Atrial Activity Extraction from Holter Recordings of Atrial Fibrillation // Computing in Cardiology. 2010. P. 4.

172. Cai Z., Li J., Johnson A.E.W., Zhang X., Shen Q., Zhang J., Liu C. Rule-based rough-refined two-step-procedure for real-time premature beat detection in single-lead ECG // Physiological Measurement. 2020. Vol. 41. P. 22. DOI: 10.1088/1361-6579/ab87b4.

173. Халайджи А.К. Задача оценки качества интервального метода Цетлина на сигналах ЭКГ из MIT-BIH по разметке на R-пиках // Математические методы в технике и технологиях - ММТТ. Казань. 2020. Т. 9. С. 120-125.

174. Hammad M., Kandala R.N., Abdelatey A., Abdar M., Zomorodi-Moghadam M., Tan R.S., Acharya U.R., Plawiak J., Tadeusiewicz R., Makarenkov V., et al. Automated detection of shockable ECG signals: A review // Information Sciences, 2021. P. 25. DOI: 10.1016/j.ins.2021.05.035.

175. Smys S., Chen J.I.Z., Shakya S. Survey on Neural Network Architectures with Deep Learning // Journal of Soft Computing Paradigm (JSCP), Vol. 2, No. 3, 2020. pp. 186-194. DOI: 10.36548/jscp.2020.3.007.

176. He J., Rong J., Sun L., Wang H., Zhang Y., Ma J. A framework for cardiac arrhythmia detection from IoT-based ECGs // World Wide Web, Vol. 23, 2020. pp. 2835-2850. DOI: 10.1007/s11280-019-00776-9.

177. Parvaneh S., Rubin J., Babaeizadeh S., Xu-Wilson M. Cardiac arrhythmia detection using deep learning: A review // Journal of Electrocardiology, Vol. 57, 2019. pp. 570-574. DOI: 10.1016/j.jelectrocard.2019.08.004.

178. Tuli S., Basumatary N., Gill S.S., Kahani M., Arya R.C., Wander G.S., Buyya R. HealthFog: An ensemble deep learning based Smart Healthcare System for Automatic Diagnosis of Heart Diseases in integrated IoT and fog computing environments // Future Generation Computer Systems, Vol. 104, 2020. pp. 187-200. DOI: 10.1016/j.future.2019.10.043.

179. Ignatov A., Timofte R., Chou W., Wang K., Wu M., Hartley T., Gool L.V. AI Benchmark: Running Deep Neural Networks on Android Smartphones // European Conference on Conputer Vision (ECCV). Munich. 2018. P. 27.

180. Chen Y.H., Yang T.J., Emer J., Sze V. Understanding the Limitations of Existing Energy-Efficient Design Approaches for Deep Neural Networks // SYSML. Stanford, California USA. 2018. P. 3.

181. Chen X., Ji J., Loparo K., Li P. Real-time Personalized Cardiac Arrhythmia Detection and Diagnosis: A Cloud Computing Architecture 2017. pp. 201-204.

182. Ван Г.В., Некрасов И.А., Калиниченко А.Н. Сравнительный анализ информативных признаков, используемых для алгоритма формальной кластеризации кардиоциклов ЭКГ // Сборник трудов XXXI Всероссийской научно-технической конференции студентов, молодых учёных и специалистов "Биотехнические,

медицинские, экологические системы и робототехнические комплексы -БИОМЕДСИСТЕМЫ». Рязань. 2018. С. 284-288.

183. Jo Y.Y., Kwon J.M., Jeon K.H., Cho Y.H., Shin J.H., Lee Y.J., Jung M.S., Ban J.H., Kim K.H., Lee S.Y., Park J., Oh B.H. Detection and classification of arrhythmia using an explainable deep learning model // Journal of Electrocardiology, Vol. 67, 2021. pp. 124-132. DOI: 10.1016/j.jelectrocard.2021.06.006.

184. Jo Y.Y., Cho Y., Lee S.Y., Kwon J.M., Kim K.H., Jeon K.H., Cho S., Park J., Oh B.H. Explainable artificial intelligence to detect atrial fibrillation using electrocardiogram // International Journal of Cardiology, Vol. 328, 2021. pp. 104-110. DOI: 10.1016/j.ijcard.2020.11.053.

185. Raza A., Tran K.P., Koehl L., Li S. Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI // Preprint to Elsevier arXiv:2105.12497v1, 2021. P. 15.

186. Sanjana K., Sowmya V., Gopalakrishnan E.A., Soman K.P. Explainable artificial intelligence for heart rate variability in ECG signal // Healthc Technol Left, Vol. 7 (6), 2020. pp. 146-154. DOI: 10.1049/htl.2020.0033.

187. Khelassi A., Yelles-chaouche S.N., Benais F. Multi-arrhythmias detection with an XML rule-based system from 12-Lead Electrocardiogram // Electronic Physician, Vol. 9, No. 5, 2017. pp. 4357-4363. DOI: 10.19082/4357.

188. Khalaydzhi A. Quality Research of the Interval Cetlin Method as a Component of the Cyber-Physical System of Continuous Monitoring of the Human-Operator State by ECG signals // Society 5.0: Cyberspace for Advanced Human-Centered Society. Studies in Systems, Decision and Control. 2021. Vol. 333. pp. 253-268. DOI: 10.1007/978-3-030-63563-3_20.

189. Yankovskaya A.E., Gorbunov I.V., Hodashinskiy I.A. Tradeoff Search Methods between Interpretability and Accuracy of the Identification Fuzzy Systems Based on Rules // Pattern recognition and image analysis, Vol. 27, No. 2, 2017. pp. 243-265. DOI: 10.1134/S 1054661817020134.

190. Chang R.C.H., Chen H.L., Lin C.H., Lin K.H. Design of a Low-Complexity Real-Time Arrhythmia Detection System // Journal of Signal Processing Systems, Vol. 90, No. 1, 2017. pp. 145-156. DOI: 10.1007/s11265-017-1221-2.

191. Perlman O., Katz A., Amit G., Zigel Y. Supraventricular Tachycardia Classification in the 12-Lead ECG Using Atrial Waves Detection and a Clinically Based Tree Scheme // IEEE Journal of Biomedical and Health Informatics, Vol. 20, No. 6, 2016. pp. 1513-1520. DOI: 10.1109/JBHI.2015.2478076.

192. Abbas H., Rodionova A., Bartocci E., Smolka S.A., Grosu R. Quantitative Regular Expressions for Arrhythmia Detection Algorithms // Lecture Notes in Computer Science, 2017. pp. 23-39. DOI: 10.1007/978-3-319-67471-1_2.

193. Khatibi T., Rabinezhadsadatmahaleh N. Proposing feature engineering method based on deep learning and K-NNs for ECG beat classification and arrhythmia detection // Physical and Engineering Sciences in Medicine, Vol. 43, 2020. pp. 49-68. DOI: 10.1007/s13246-019-00814-w.

194. Birman K.P. Rule-Based Learning for More Accurate ECG Analysis // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 4, No. 4, 1982. pp. 369-380. DOI: 10.1109/TPAMI. 1982.4767268.

195. Behadada O., Trovati M., Chikh M.A., Bessis N. Big data-based extraction of fuzzy

partition rules for heart arrhythmia detection: a semi-automated approach // Concurrency and computation: practice and experience, Vol. 28, 2016. pp. 360-373. DOI: 10.1002/cpe.3428.

196. Zhang J., Liang D., Liu A., Gao M., Chen X., Zhang X., Chen X. MLBF-Net: A Multi-Lead-Branch Fusion Network for Multi-Class Arrhythmia Classification Using 12-Lead ECG // IEEE J Transl Eng Health Med, Vol. 9, 2021. pp. 1-9. DOI: 10.1109/JTEHM.2021.3064675.

197. Башкова Т.С., Калиниченко А.Н., Лагирвандзе А.К. Алгоритм распознавания дефицита пульса на основе совместного анализа ЭКГ и фотоплетизмограммы // Материалы XXXIII Всероссийской научно-технической конференции студентов, молодых учёных и специалистов «Биотехнические, медицинские и экологические системы, измерительные устройства и робототехнические комплексы -Биомедсистемы-2020». Рязань. 2020. С. 197-200.

198. Баевский Р.М. Прогнозирование состояний на грани нормы и патологии. Москва: Книга по Требованию, 2014. 295 с.

199. Wang J., Li R., Li R., Fu B., Xiao C., Chen D.Z. Towards Interpretable Arrhythmia Classification With Human-Machine Collaborative Knowledge Representation // IEEE Transactions on Biomedical engineering, Vol. 68, No. 7, 2021. pp. 2098-2109. DOI: 10.1109/TBME.2020.3024970.

200. Andreotti F., Carr O., Pimentel M.A.F., Mahdi A., De Vos M. Comparing Feature-Based Classifiers and Convolutional Neural Networks to Detect Arrhythmia from Short Segments of ECG // Computing in Cardiology. 2017. P. 4. DOI: 10.22489/CinC.2017.360-239.

201. Hong S., Zhou Y., Wu M., Shang J., Wang Q., Li H., Xie J. Combining deep neural networks and engineered features for cardiac arrhythmia detection from ECG recordings // Physiological Measurement, 2019. P. 19. DOI: 10.1088/1361-6579/ab15a2.

202. Moody G.B., Mark R.G. The Impact of the MIT-BIH Arrhythmia Database // IEEE Engineering in medicine and biology, 2001. pp. 45-50.

203. Apandi Z.F.M., Ikeura R., Hayakawa S. Arrhythmia Detection Using MIT-BIH Dataset: A Review // International Conference on Computational Approach in Smart Systems Design and Applications (ICASSDA), 2018. pp. 1-5. DOI: 10.1109/ICASSDA.2018.8477620.

204. Beraza I., Romero I. Comparative Study of algorithms for ECG segmentation // Biomedical Signal Processing and Controle, Vol. 34, 2017. pp. 166-173. DOI: 10.1016/j.bspc.2017.01.013.

205. Magnifiroh A.M., Musvika S.D., Wakidi L.F., Lamidi L., Sumber S., Mak'ruf M.R., Pudji A., Titisari D. State-of-the-Art Method to Detect R-Peak on Electrocardiogram Signal: A Review // Proceedings of the 1st International Conference on Electronics, Biomedical Engineering, and Health Informatics. 2021. pp. 321-329. DOI: 10.1007/978-981-33-6926-9_27.

206. Халайджи А.К. Анализ качества работы детекторов R-пиков в сигнале ЭКГ в режиме реального времени // Сборник трудов Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2021. - 23 апреля 2021 г. - Н. Новгород: НГТУ. - С. 569-576.

207. Халайджи А.К. Алгоритм обнаружения R-пиков сигнала ЭКГ на основе кластеризации результатов работы отдельных детекторов // Сборник трудов Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2021. - 23 апреля 2021 г. - Н. Новгород: НГТУ. - С. 577-584.

208. Gusev M., Boshkovska M. Performance Evaluation of Atrial Fibrillation Detection //

MIPRO. Opatija. 2019. pp. 342-347. DOI: 10.23919/MIPRO.2019.8757193.

209. Pahlm O., Sornmo L. Software QRS detection in ambulatory monitoring - a review // Medical & Biological Engineering & Computing, No. 22, 1984. pp. 289-297. DOI: 10.1007/BF02442095.

210. Voss A., Schulz S., Schroeder R., Baumert M., Caminal P. Methods derived from nonlinear dynamics for analysing heart rate variability // Philosophical transactions of the royal society, Vol. 367, 2009. pp. 277-296.

211. Хливненко Л.В., Пятакович Ф.А., Васильев В.В. Современные методы автоматического распознавания функциональных состояний у здоровых и некоторых нарушений ритма сердца у больных // Научное обозрение. Реферативный журнал. Технические науки, № 4, 2016. С. 43-60.

212. Rizwan A., Zoha A., Mabrouk I.B., Sabbour H., Al-Sumaiti A.S., Alomaniy A., Imran M.A., Abbasi Q.H. A Review on the State of the Art in Atrial Fibrillation Detection Enabled by Machine Learning // IEEE Reviews in Biomedical Engineering, Vol. 1, No. 1, 2020. P. 22. DOI: 10.1109/RBME.2020.2976507.

213. Murat F., Yildrim O., Talo M., Baloglu U.B., Demir Y., Acharya U.R. Application of deep learning techniques for heartbeats detection using ECG signals - analysis and review // Computers in Biology and Medicine, Vol. 120, 2020. P. 14. DOI: 10.1016/j.compbiomed.2020.103726.

214. Воробьёв С.А. Моделирование и структурный анализ сигналов с повторяющимися признаками формы в медико-биологическом эксперименте, Тула, Диссертация. доктора технических наук 2000. 328 с.

215. Arafat M.A., Chowdhury A.W., Hasan M.K. A simple time domain algorithm for the detection of ventricular fibrillation in electrocardiogram // Signal, Image and Video Processing, Vol. 5, No. 1. pp. 1-10. DOI: 10.1007/s11760-009-0136-1.

216. Нгуен Ч.Т., Юлдашев З.М. Носимая система для предупреждения у пациента мерцательной аритмии // Биотехносфера, № 4 (40), 2015. С. 25-27.

217. Park J., Lee S., Kang K. Arrhythmia detection using amplitude difference features based on random forest // 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015. pp. 5191-5194. DOI: 10.1109/EMBC.2015.7319561.

218. Islam M.R., Hossain R., Bhuiyan Z.H., Margoob T.A., Reza T., Islam K.K. Arrhythmia Detection Technique using basic ECG Parameters // International Journal of Computer Applications, Vol. 119, No. 10, 2015. pp. 11-15. DOI: 10.5120/21102-3819.

219. Rege S., Barkey T., Lowenstern M. Heart arrhythmia detection // IEEE Virtual Conference on Applications of Commercial Sensors (VCACS). 2015. pp. 1-7. DOI: 10.1109/VCACS.2015.7439569.

220. Щербакова Т.Ф., Седов С.С., Козлов С.В., Култынов Ю.И., Инсаров А.Ю. Спектральный анализ электрокардиосигнала для обнаружения низкоамплитудных потенциалов // Фундаментальные исследования, № 2, 2004. С. 108-110.

221. Каменский С.А. Автоматическое распознавание потоковых ритмов сердца методом межпорогового частотно-временного анализа ЭКГ, Москва, Автореферат дисс. ... кандидата технических наук. 2005.

222. Манило Л.А. Линейный дискриминант Фишера в задачах распознавания биосигналов по частотным свойствам // Математические методы распознавания

образов, Т. 12, № 1, 2005. С. 371-374.

223. Анциперов В.Е., Забросаев И.В., Растягаев Д.В. Детектирование нарушений сердечного ритма с использованием техники аналитических спектров // Журнал радиоэлектроники, № 12, 2015. С. 1-20.

224. Манило Л.А. Авторегрессионные модели случайных процессов в задачах распознавания нарушений сердечного ритма // Известия МПбГЭТУ "ЛЭТИ". Серия "Биотехнические системы в медицине и экологии», № 2, 2004. С. 3-8.

225. Park K.S., Cho B.H., Lee D.H., Song S.H., Lee J.S., Chee Y.J., Kim I.Y., Kim S.I. Hierarchical support vector machine based heartbeat classification using higher order statistics and hermite basis function // Computers in Cardiology. 2008. Vol. 35. pp. 229-232. DOI: 10.1109/CIC.2008.4749019.

226. Алпатов А.В., Митрофанова М.Ю. Метод флуктуационного анализа сердечного ритма в режиме реального времени // Биомедицинская радиоэлектроника, № 7, 2011. С. 66-71.

227. Вихров С.П., Лапкин М.М., Алпатов А.В., Митрофанова М.Ю. Флуктуационный и фрактальный методы в анализе ритмокардиограммы // Материалы ежегодной научной конференции Рязанского государственного медицинского университета имени академика И.П. Павлова. Рязань. 2011. С. 21-25.

228. de Lannoy G., Francois D., Delbeke J., Verleysen M. Weighted SVMs and Feature Relevance Assessment in Supervised Heart Beat Classification // Third International Joint Conference BIOSTEC. Biomedical Engineering Systems and Technilogies. Communications in Computer and Information Science. Valencia. 2011. Vol. 127. pp. 212-223. DOI: 10.1007/978-3-642-18472-7_17.

229. Галимзянов Э.Р., Козлов С.В., Хомяков А.В., Щербакова Т.Ф. Классификация P-зубца и QRS-комплекса электрокардиосигнала в рамках корреляционной теории для задач обнаружения аритмий сердца // Инфокоммуникационные технологии, Т. 10, № 2, 2012. С. 59-64.

230. Afkhami R., Azarnia G., Tinati M.A. Cardiac arrhythmia classification using statistical and mixture modeling features of ECG signals // Pattern Recognition Letters, Vol. 70, 2016. pp. 45-51. DOI: 10.1016/j.patrec.2015.11.018.

231. Tateno K., Glass L. Automatic detection of atrial fibrillation using the coefficient of variation and density histograms of RR and dRR intervals // Medical & Biological Engineering & Computing, Vol. 39, 2001. pp. 664-671.

232. Кавасма Р.А., Кузнецов А.А., Сушкова Л.Т. Энергетический и интерквантильный методы анализа электрокардиоинтервалов // Вестник новых медицинских технологий, Т. 12, № 3-4, 2005. С. 30-32.

233. Шамин Е.А. Коллективный алгоритм на базе нечёткой логики для обработки электрокардиологической информации в сложных сигнально-помеховых ситуациях, Пенза, Автореферат дисс. кандидата технических наук 2012. 20 с.

234. Ozdemir M.A., Sadighzadehi R., Akan A. Arrhythmia Detection on ECG Signals by Using Empirical Mode Decomposition // Medical Technologies National Congress (TIPTEKNO), 2018. pp. 1-4. DOI: 10.1109/TIPTEKNO.2018.8597094.

235. Манило Л.А., Зозуля Е.П. Автоматическое распознавание мерцательной аритмии с использованием оценок аппроксимированной энтропии // Информационно-управляющие системы, № 1, 2006. С. 21-27.

236. Кузнецов А.А. Методы обработки интервалограмм для анализа упорядоченности ритма // Вестник новых медицинских технологий, Т. 16, № 2, 2009. С. 7.

237. Манило Л.А. Распознавание фибрилляции предсердий в кардиологических системах диагностики и наблюдения // Биотехносфера, Т. 2, № 2, 2009. С. 41-45.

238. Манило Л.А., Немирко А.П. Аппроксимация энтропии Колмогорова при анализе хаотических процессов на конечных выборках // Математические методы распознавания образов, Т. 14, № 1, 2009. С. 405-407.

239. Zhou X., Ding H., Ung B., Pickwell-MacPherson E., Zhang Y. Automatic online detection of atrial fibrillation based on symbolic dynamics and Shannon entropy // BioMedical Engineering OnLine, Vol. 13, No. 18, 2014. P. 18. DOI: 10.1186/1475-925X-13-18.

240. Afdala A., Nuryani N., Nugroho A.S. Automatic Detection of Atrial Fibrillation Using Basic Shannon Entropy of RR Interval Feature // Journal of Physics: Conference Series. 2017. Vol. 795. pp. 1-5. DOI: 10.1088/1742-6596/795/1/012038.

241. Liu C., Oster J., Reinertsen E., Li Q., Zhao L., Nemati S., Clifford G.D. A comparison of entropy approaches for AF discrimination // Physiological Measurement, Vol. 39, No. 7, 2018. pp. 1-30. DOI: 10.1088/1361-6579/aacc48.

242. Hussain L., Aziz W., Saeed S., Awan I.A., Abbasi A.A., Maroof N. Arrhythmia detection by extracting hybrid features based on refined Fuzzy entropy (FuzEn) approach and employing machine learning techniques // Waves in Random and Complex Media. pp. 1-31. DOI: 10.1080/17455030.2018.1554926.

243. Варнавский А.Н. Способы и средства выявления нарушений ритма сердца на основе нелинейных преобразований электрокардиосигнала в режиме реального времени, Рязань, Диссертация. кандидата технических наук 2008.

244. Derya Ubeyli E. Recurrent neural networks employing Lyapunov exponents for analysis of ECG signals // Expert Systems with Applications, Vol. 37, No. 2, 2010. pp. 1192-1199. DOI: 10.1016/j.eswa.2009.06.022.

245. Alvarado A.S., Lakshminarayan C., Principe J.C. Time-Based Compression and Classification of Heartbeats // IEEE Transactions on Biomedical Engineering, Vol. 59, No. 6, 2012. pp. 1641-1648. DOI: 10.1109/TBME.2012.2191407.

246. Старченкова К.С., Манило Л.А. Оценка размерности вложения аттракторов ритмограмм для разных видов сердечных аритмий // СПбНТОРЭС: Труды ежегодной НТК. Санкт-Петербург. 2019. Т. 1 (74). С. 349-352.

247. Nemirko A.P., Manilo L.A., Timofeeva P.Y. Dynamic analysis of biomedical signals in phase space using the Poincare plot // API Conference Proceedings. 2019. Vol. 2140. pp. 1-4. DOI: 10.1063/1.5121972.

248. Gupta V., Mittal M., Mittal V. Chaos Theory: An Emerging Tool for Arrhythmia Detection // Sensing and Imaging. 2020. Vol. 21 (1). pp. 1-22. DOI: 10.1007/s11220-020-0272-9.

249. Queiroz V., Luz E., Moreira G., Guarda A., Menotti D. Automatic cardiac arrhythmia detection and classification using vectorcardiograms and complex networks // 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015. pp. 5203-5206. DOI: 10.1109/EMBC.2015.7319564.

250. Моторина С.В., Калиниченко А.Н., Немирко А.П. Выбор метода кластеризации для алгоритма выявления мерцательной аритмии // Обработка и анализ биомедицинской информации, № 4 (40), 2015. С. 2-5.

251. Манило Л.А. Метод анализа псевдофазового портрета при распознавании биосигналов с нелинейными свойствами // Интеллектуализация обработки информации. Труды докладов 12-й Международной конференции. Москва. 2018. С. 92-93. DOI: 10.30826/IDP201841 .

252. Wei J.J., Chang C.J., Chou N.K., Jan G.J. ECG data compression using truncated singular value decomposition // IEEE Transactions on Information Technology in Biomedicine, Vol. 5, No. 4. pp. 290-299. DOI: 10.1109/4233.966104.

253. Song M.H., Lee J., Cho S.P., Lee K.J., Yoo S.K. Support Vector Machine Based Arrhythmia Classification Using Reduced Features // International Journal of Control, Automation, and Systems, Vol. 3, No. 4, 2005. pp. 571-579.

254. Манило Л.А., Немирко А.П. Сокращение размерности пространства спектральных признаков в многоклассовой задаче распознавания образов // Математические методы распознавания образов, Т. 13, № 1, 2007. С. 356-359.

255. Huang H., Liu J., Zhu Q., Wang R., Hu G. A new hierarchical method for inter-patient heartbeat classification using random projections and RR intervals // BioMedical Engineering OnLine, Vol. 13, No. 90, 2014. P. 26. DOI: 10.1186/1475-925X-13-90.

256. Chen S., Hua W., Li Z., Li J., Gao X. Heartbeat classification using projected and dynamic features of ECG signal // Biomedical Signal Processing and Control, Vol. 31, 2017. pp. 165-173. 10.1016/j.bspc.2016.07.010.

257. Исакевич В.В., Исакевич Д.В., Сушкова Л.Т., Аль-Хайдри В.А. Кардиоайгеноскопия: представление и анализ ЭКГ в базисах собственных векторов // Доклады 21-й Международной конференции «Цифровая обработка сигналов и её применение - DSPA». Москва. 2019. С. 127-131.

258. Llamedo M., Martinez J.P. Heartbeat Classification Using Feature Selection Driven by Database Generalization Criteria // IEEE Transactions on Biomedical Engineering, Vol. 58, No. 3, 2011. pp. 616-625. DOI: 10.1109/TBME.2010.2068048.

259. Ozbay Y., Ceylan R., Karlik B. Integration of type-2 fuzzy clustering and wavelet transform in a neural network based ECG classifier // Expert Systems with Applications, Vol. 38, No. 1, 2011. pp. 1004-1010. DOI: 10.1016/j.eswa.2010.07.118.

260. Ye C., Kumar B.V.K.V., Coimbra M. Heartbeat Classification Using Morphological and Dynamic Features of ECG Signals // IEEE Transactions on Biomedical Engineering, Vol. 59, No. 10, 2012. pp. 2930-2941. DOI: 10.1109/TBME.2012.2213253.

261. Lin C.C., Yang C.M. Heartbeat Classification Using Normalized RR Intervals and Morphological Features // Mathematical Problems in Engineering, 2014. pp. 1-11. DOI: 10.1155/2014/712474.

262. Kora P., Sri R.K.K. ECG Based Heart Arrhythmia Detection Using Wavelet Coherence and Bat Algorithm // Sensing and Imaging, Vol. 17, No. 1, 2016. pp. 1-16. DOI: 10.1007/s 11220-016-0136-5.

263. Linhares R.R. Arrhythmia detection from heart rate variability by SDFA method // International Journal of Cardiology, Vol. 224, 2016. pp. 27-32. DOI: 10.1016/j.ijcard.2016.08.286.

264. Guler I., Ubeyli E.D. ECG beat classifier designed by combined neural network model // Pattern Recognition, Vol. 38, No. 2, 2005. pp. 199-208. DOI: 10.1016/j.patcog.2004.06.009.

265. Истомина Т.В., Истомина Е.В. Идентификация информативных свойств электрокардиосигнала на основе многомасштабно-временного анализа // Технологии

живых систем, Т. 4, № 4, 2007. С. 63-66.

266. Chauchan S., Vig L. Anomaly Detection in ECG Time signals via Deep Long Short-Term Memory Networks // IEEE International Conference on Data Science and Advanced Analytics (DSAA). Paris. 2015. pp. 1-7. DOI: 10.1109/DSAA.2015.7344872.

267. Warrick P., Nabhan H.M. Ensembling convolutional and long short-term memory networks for electrocardiogram arrhythmia detection // Physiological Measurement, Vol. 39, 2018. pp. 1-13. DOI: 10.1088/1361-6579/aad386.

268. Hannun A.Y., Rajpurkar P., Haghpanahi M., Tison G.H., Bourn C., Turakhia M.P., Ng A.Y. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network // Nature Medicine, Vol. 25, 2019. pp. 65-69. DOI: 10.1038/s41591-018-0268-3.

269. Oh S.L., Ng E.Y.K., Tan R.S., Acharya U.R. Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats // Computers in Biology and Medicine, Vol. 102, 2018. pp. 278-287. DOI: 10.1016/j.compbiomed.2018.06.002.

270. Yao Q., Wang R., Fan X., Liu J., Li Y. Multi-class Arrhythmia Detection from 12-lead varied-length ECG using Attention-based Time-Incremental Convolutional Neural Network // Information Fusion, Vol. 53, 2020. pp. 174-182. DOI: 10.1016/j.inffus.2019.06.024.

271. Zhang J., Liu A., Gao M., Chen X., Zhang X., Chen X. ECG-based multi-class arrhythmia detection using spatio-temporal attention-based convolutional recurrent neural network // Artificial Intelligence in Medicine, Vol. 106, 2020. pp. 1-9. DOI: 10.1016/j.artmed.2020.101856.

272. Amrani M., Hammad M., Jiang F., Wang K., Amrani A. Very deep feature extraction and fusion for arrhythmias detection // Neural Computing and Applications, 2018. pp. 1-11. DOI: 10.1007/s00521-018-3616-9.

273. Ochiai K., Takahashi S., Fukazawa Y. Arrhythmia Detection from 2-lead ECG using Convolutional Denoising Autoencoders // KDD Deep Learning Day. London. 2018. pp. 1-7.

274. Oh S.L., Ng E.Y.K., Tan R.S., Acharya U.R. Automated beat-wise arrhythmia diagnosis using modified U-net on extended electrocardiographic recordings with heterogeneous arrhythmia types // Computers in Biology and Medicine, Vol. 105, 2019. pp. 92-101. DOI: 10.1016/j.compbiomed.2018.12.012.

275. Wu M.H., Chang E.Y. DeepQ Arrhythmia Database: A Large-Scale Dataset for Arrhythmia Detector Evaluation // MMHealth, 2017. pp. 77-80. DOI: 10.1145/3132635.3132647.

276. Coskun M., Yildirim O., Ucar A., Demir Y. An overview of popular deep learning methods // European Journal of Technic, Vol. 7, No. 2, 2017. pp. 165-176.

277. Korucuk N., Polat C., Gunduz E.S., Karaman O., Tosun V., Onac M., Yildirim N., Cete Y., Polat K. Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study // arXiv Preprint: 2104.07427. 2021. URL: https://arxiv.org/abs/2104.07427 (дата обращения: 23.Май.2021).

278. Мучник И.Б., Мучник Р.Б. Алгоритмы формирования языка для описания экспериментальных кривых // Автоматика и телемеханика, № 5, 1973. С. 86-98.

279. Моттль В.В., Мучник И.Б., Яковлев В.Г. Алгоритмическая реализация лингвистического подхода к анализу экспериментальных кривых // Автоматика и телемеханика, № 4, 1984. С. 5-25.

280. Гуров Ю.В. Разработка методов символической динамики для системного анализа кардиологических процессов, Ростов-на-Дону, Диссертация. кандидата технических наук 2012.

281. Birman K.P. Using SEEK for multichannel pattern recognition // Computers and Biomedical Research, Vol. 16, No. 4, 1983. pp. 311-333. DOI: 10.1016/0010-4809(83)90055-1.

282. Udupa J., Murthy I.S.N. Syntactic Approach to ECG Rhythm Analysis // IEEE Transactions on Biomedical Engineering, Vol. BME-27, No. 7, 1980. pp. 370-375.

283. Papakonstantinou G., Gritzali F. Syntactic filtering of ECG waveforms // Computers and Biomedical Research, Vol. 14, No. 2, 1981. pp. 158-167. DOI: 10.1016/0010-4809(81)90033-1.

284. Papakonstantinou G., Skordalakis E., Gritzali F. An atrribute grammar for QRS detection // Pattern Recognition, Vol. 19, No. 4, 1986. pp. 297-303. DOI: 10.1016/0031-3203(86)90055-5.

285. Koski A., Juhola M., Meriste M. Syntactic recognition of ECG signals by attributed finite automata, Vol. 28, No. 12, 1995. pp. 1927-1940.

286. Kurths J., Voss A., Saparin P., Witt A., Kleiner H.J., Wessel N. Quantitative analysis of heart rate variability // Chaos: An Interdisciplinary Journal of Nonlinear Science, Vol. 5, No. 1, 1995. pp. 88-94. DOI: 10.1063/1.166090.

287. Porta A., Faes L., Mase M., D'Addio G., Pinna G.D., Maestri R., Montano N., Furlan R., Guzzetti S., Nollo G., Malliani A. An integrated approach based on uniform quantization for the evaluation of complexity of short-term heart period variability: Application to 24 h Holter recordings in healthy and heart failure humans // Chaos: An Interdisciplinary Journal of Nonlinear Science, Vol. 17, No. 1, 2007. pp. 1-11. DOI: 10.1063/1.2404630.

288. Parlitz U., Berg S., Luther S., Schirdewan A., Kurths J., Wessel N. Classifying cardiac biosignals using ordinal pattern statistics and symbolic dynamics // Computers in Biology and Medicine, Vol. 42, No. 3, 2012. pp. 319-237. DOI: 10.1016/j.compbiomed.2011.03.017.

289. Менлитдинов А.С., Барков М.А., Коробейников А.В. Алгоритм анализа сердечных аритмий с использованием лингвистического и секвенционального анализа и алгоритма кластеризации COBWEB // Интеллектуальные системы в производстве, № 1 (21), 2013. С. 131-136.

290. Gersch W., Eddy D.M., Dong E. Cardiac arrhythmia classification: A heart-beat interval-Markov chain approach // Computers and Biomedical Research, Vol. 3, No. 4, 1970. pp. 385392. DOI: 10.1016/0010-4809(70)90043-1.

291. Barro S., Ruiz R., Presedo J., Mira J. Grammatic representation of beat sequences for fuzzy arrhythmia diagnosis // International Journal of Bio-Medical Computing, No. 27 (3-4), 1991. pp. 245-259. DOI: 10.1016/0020-7101(91)90066-n.

292. Lobabi-Mirghavami H., Abdali-Mohammadi F., Fathi A. A Novel Grammar-Based Approach to Atrial Fibrillation Arrhythmia Detection for Pervasive Healthcare Environments // Journal of Computing and Security, Vol. 2, No. 2, 2015. pp. 155-163.

293. AAMI EC57:2012/(R)2020. ANSI/Association for the Advancement of Medical Instrumentation [AAMI], 2012. 46 pp.

294. ГОСТ Р 50267.47-2004. Москва: ИПК Издательство стандартов, 2004. 31 с.

295. Халайджи А.К. Исследование качества метода Цетлина автоматического обнаружения аритмий на сигналах ЭКГ из MIT-BIH // Автоматизация процессов

управления. 2021. № 1 (63). С. 98-109.

296. Халайджи А.К., Мучник И.Б. Методы классификации нарушений сердечного ритма на основе кодирования последовательностей RR-интервалов сигнала ЭКГ // Труды НГТУ им. Р.Е. Алексеева. 2021. Т. 78. № 1 (132). С. 38-53. DOI: 10.46960/1816-210X_2021_1_38.

297. Булдакова Т.И., Соколова А.В., Халайджи А.К. Мониторинг состояния человека-оператора // Научно-техническая информация. Серия 2. 2020. № 10. С. 20-27.

298. Халайджи А.К. Анализ методов моделирования биосигналов // Сборник трудов Международной научной конференции «Математические методы в технике и технологиях - ММТТ-32». Санкт-Петербург. 2019. Т. 3. С. 126-129.

299. Халайджи А.К. Моделирование состояния по биосигналам // Современные проблемы прикладной математики, информатики и механики. Сборник трудов Международной научной конференции. Нальчик. 2020. Т. 2. С. 32-34.

300. Халайджи А.К. Метод распознавания аритмий в реальном времени с использованием лингвистического описания сигнала ЭКГ // Математические методы в технике и технологиях - ММТТ. Санкт-Петербург. 2021. Т. 7. С. 137-143. DOI: 10.52348/2712-8873_MMTT_2021_7_137.

301. Халайджи А.К. Программа измерения качества метода Цетлина для сигналов из базы MIT-BIH, Свидетельство о государственной регистрации программы для ЭВМ 2020617924, Июль 15, 2020.

302. Халайджи А.К. Программная система непрерывного мониторинга состояния сердечного ритма и отслеживания его нарушений в режиме реального времени по сигналу ЭКГ, Свидетельство о государственной регистрации программы для ЭВМ 2021617981, Май 21, 2021.

303. Mondejar-Guerra V., Novo J., Rouco J., Penedo M.G., Ortega M. Heartbeat classification fusing temporal and morphological information of ECGs via ensemble of classifiers // Biomedical Signal Processing and Control, Vol. 47, 2019. pp. 41-48. DOI: 10.1016/j.bspc.2018.08.007.

304. Bae T.W., Kwon K.K. ECG PQRST complex detector and heart rate variability analysis using temporal characteristics of fiducial points // Biomedical Signal Processing and Control, Vol. 66, 2021. pp. 1-21. DOI: 10.1016/j.bspc.2020.102291.

305. Tantawi M., Salem A., Tolba M.F. Fiducial Based Approach to ECG Biometrics Using Limited Fiducial Points // Advanced Machine Learning Technologies and Applications. Cairo. 2014. DOI: 10.1007/978-3-319-13461-1.

306. Mousavi S., Afghah F., Khadem F., Acharya U.R. ECG Language processing (ELP): A new technique to analyze ECG signals // Computer Methods and Programs in Biomedicine, Vol. 202, 2021. pp. 1-8. DOI: 10.1016/j.cmpb.2021.105959.

307. Wijaya C., Andrian, Harahap M., Christnatalis, Turnip M., Turnip A. Abnormalities State Detection from P-Wave, QRS Complex, and T-Wave in Noisy ECG // MECNIT. IOP Conference Series: Journal of Physics: Conference Series. 2019. Vol. 1230. pp. 1-9. DOI: 10.1088/1742-6596/1230/1/012015.

308. Garcia-Gonzalez M.A., Argelagos A., Fernandez-Chimeno M., Ramos-Castro J. Differences in QRS Locations due to ECG Lead: Relationship with Breathing // XIII Mediterranean Conference on Medical and Biological Engineering and Computing. IFMBE Proceedings. 2013. Vol. 41. pp. 962-964. DOI: 10.1007/978-3-319-00846-2_238.

309. Kabutoya T., Imai Y., Ishikawa S., Kario K. Association between P wave polarity in atrial premature complexes and cardiovascular events in a community-dwelling population // BMJ Open, Vol. 10, 2020. pp. 1-11. DOI: 10.1136/bmjopen-2019-033553.

310. Junarta J., Frisch D.R., Dikdan S., Weiss M., Khan O., Sarkar K. Expanding a single-lead mobile electrocardiographic device to multiple-lead recordings improves diagnostic accuracy and confidence // Journal of Electrocardiology, Vol. 67, 2021. pp. 77-83. DOI: 10.1016/j.electrocard.2021.05.006.

311. Husain K., Zahid M.S.M., Hassan S.U., Hasbullah S., Mandala S. Advances of ECG Sensors from Hardware, Software and Format Interoperability Perspectives // Electronics, Vol. 10, No. 105, 2021. pp. 1-36. DOI: 10.3390/electronics10020105.

312. Melnik O.V., Chelebaeva Y.A., Chelebaev S.V. Neural Network Models of Cardiorhythmograms Analysis // 8th Mediterranean conference on embedded computing (MECO). Budva. 2019. pp. 1-4. DOI: 10.1109/MECO.2019.8760046.

313. Zhao K., Li Y., Wang G., Pu Y., Lian Y. A robust QRS detection and accurate R-peak identification algorithm for wearable ECG sensors // Science China. Information Sciences, Vol. 64, 2021. pp. 1-17. DOI: 10.1007/s11432-020-3150-2.

314. Моторина С.В. Разработка и исследование методов автоматической диагностики фибрилляции предсердий для систем мониторинга сердечного ритма, Санкт-Петербург, Автореферат диссертации ... кандидата технических наук. 2019.

315. Yeh Y.C., Wang W.J. QRS complexes detection for ECG signal: The Difference Operation Method // Computer methods and programs in biomedicine, Vol. 91, 2008. pp. 245254. DOI: 10.1016/j.cmpb.2008.04.006.

316. Asl B.M., Setarehdan S.K., Mohebbi M. Support vector machine-based arrhythmia classification using reduced features of heart rate variability signal // Artificial Intelligence in Medicine, Vol. 44, No. 1, 2008. pp. 51-64. DOI: 10.1016/j.artmed.2008.04.007.

317. Cheng P., Dong X. Life-Threatening Ventricular Arrhythmia Detection With Personalized Features // IEEE Access, Vol. 5, 2017. pp. 14195-14203. DOI: 10.1109/ACCESS.2017.2723258.

318. Li H., Yuan D., Ma X., Cui D., Cao L. Genetic algorithm for the optimization of features and neural networks in ECG signals classification // Scientific reports, Vol. 7, No. 1, 2017. pp. 1-12. DOI: 10.1038/srep41011.

319. Zhang Z., Dong J., Luo X., Choi K.S., Wu X. Heartbeat classification using disease-specific feature selection // Computers in Biology and Medicine, Vol. 46, 2014. pp. 79-89. DOI: 10.1016/j.compbiomed.2013.11.019.

320. Ingale M., Cordeiro R., Thentu S., Park Y., Kariman N. ECG Biometric Authentication: A Comparative Analysis // IEEE Access, Vol. 8. pp. 117853-117866. DOI: 10.1109/ACCESS.2020.3004464.

321. Суятинов С.И. Математическая модель для оценки состояния сердечно-сосудистой системы 2017. Т. 2. С. 110-112.

322. Варнавский А.Н., Михеев А.А. Автоматическое определение водителя ритма сердца оператора в человеко-машинной системе // Проектирование и технология электронных средств, № 2, 2009. С. 27-31.

323. Гриднев В.И., Киселев А.Р., Безручко Б.П., Караваев А.Н., Пономаренко В.И., Прохоров М.Д. Способ оценки функционального состояния сердечно-сосудистой системы человека, Патент на изобретение 2374986, 2009.

324. Кузнецов А.А. Системный анализ и обработка электрокардиографической информации, Владимир, Автореферат диссертации. доктора технических наук 2012.

325. Лапкин М.М., Вихров С.П., Алпатов А.А., Митрофанова М.Ю. Фрактально-флуктуационный анализ нелинейных компонентов сердечного ритма для параметризации функционального состояния человека // Российский медико-биологический вестник имени академика И.П. Павлова, Т. 20, № 2, 2012. С. 96-106.

326. Berkaya S.K., Uysal A.K., Gunal E.S., Ergin S., Gunal S., Gulmezoglu M.B. A survey on ECG analysis // Biomedical Signal Processing and Control, Vol. 43, 2018. pp. 216-235. DOI: 10.1016/j.bspc.2018.03.003.

327. Chua S.K., Chen L.C., Lien L.M., Lo H.M., Liao Z.Y., Chao S.P., Chuang C.Y., Chiu C.Z. Comparison of Arrhythmia Detection by 24-Hour Holter and 14-Day Continuous Patch Monitoring // Acta Cardiologica Sinica, Vol. 36, 2020. pp. 251-259. DOI: 10.6515/ACS.202005_36(3).20190903A.

328. Poposka L., Vavlukis M., Pejkov H., Gusev M. Comparison of 24 h ECG Holter Monitoring with Real-time Long-term ECG Monitoring System using ECGalert Software and Savvy Single-Lead Patch // Open Access Macedonian Journal of Medical Sciences, Vol. 9(B), 2021. pp. 12-17. DOI: 10.3889/oamjms.2021.4960.

329. Wang J. Proposed New Requirements for Testing and Reporting Performance Results of Arrhythmia Detection Algorithms // Computing in Cardiology. 2013. Vol. 40. pp. 967-970.

330. Butktviene M., Petrenas A., Solosenko A., Martin-Yebra A., Marozas V., Sornmo L. Consideration on Performance Evaluation of Atrial Fibrillation Detectors // IEEE Transactions on Biomedical Engineering, 2021. pp. 1-11. DOI: 10.1109/TBME.2021.3067698.

331. Arumugam M., Sangaiah A.K. An intelligent paradigm for denoising motion artefacts in ECG preprocessing: smart filters // International Journal of Embedded Systems, Vol. 10, No. 4, 2018. pp. 260-272. DOI: 10.1504/IJES.2018.093685.

332. Chieng T.M., Hau Y.W., Omar Z. The Study and Comparison between Various Digital Filters for ECG De-noising // IEEE-EMBS Conference on Biomedical Engineering and Sciences (IECBES). 2018. pp. 226-232. DOI: 10.1109/IECBES.2018.8626661.

333. Истомина Т.В., Кривоногов Л.Ю., Лавреев А.А. Информационные методы повышения надёжности кардиоанализаторов на основе помехоустойчивой обработки электрокардиосигнала // Труды международного симпозиума «Надёжность и качество». 2009. Т. 1. С. 76-80.

334. Щербаков Г.И., Щербакова Т.Ф., Горохов С.Н., Коробков А.А. Разработка алгоритма компенсации дрейфа изолинии электрокардиосигнала и его применение в динамической электрокардиографии // Вестник КГТУ им. А.Н. Туполева, № 4, 2013. С. 151-155.

335. Волосатова Т.М., Малышев А.П. Улучшение сигнала электрокардиограммы на основе алгоритма удаления дрейфа его изолинии // Интернет-журнал "Науковедение», Т. 9, № 4, 2017. С. 1-9.

336. Boda S., Mahadevappa M., Dutta P.K. A hybrid method for removal of power line interference and baseline wander in ECG signals using EMD and EWT // Biomedical Signal Processing and Control, Vol. 67, 2021. pp. 1-34. DOI: 10.1016/j.bspc.2021.102466.

337. Park J.S., Lee S.W., Park U. R Peak Detection Method Using Wavelet Transform and Modified Shannon Energy Envelope // J Healthc Eng, Vol. 2017, 2017. pp. 1-14. DOI: 10.1155/2017/4901017.

338. Slimane A.B., Zaid A.O. Real-Time Fast Fourier Transform-Based Notch Filter for Single-Frequency Noise Cancellation: Application to Electrocardiogram Signal Denoising // Journal of Medical Signals and Sensors, Vol. 11, No. 1, 2021. pp. 52-61. DOI: 10.4103/jmss.JMSS_3_20.

339. Suchetha M., Kumaravel N., Jagannath M., Jaganathan S.K. A comparative analysis of EMD based filtering methods for 50 Hz noise cancellation in ECG signal // Informatics in Medicine Unlocked , Vol. 8, 2018. pp. 54-59. DOI: 10.1016/j.imu.2017.01.003.

340. Бодин О.Н., Кривоногов В.Л., Кривоногов Л.Ю., Рахматуллов Ф.К. Способ адаптивной фильтрации электрокардиосигнала, Патент на изобретение RU 2568817 C1, Ноябрь 2015.

341. Raheja N., Manocha A.K. An improved method for denoising of electrocardiogram signals // Data analytics and management, Vol. 54, 2021. pp. 617-626. DOI: 10.1007/978-981-15-8335-3_47.

342. Yusuf S.D., Maduakolam F.C., Umar I., Loko A.Z., Lumbi L.W. Comparative Analysis of Savitzky-Golay and Butterworth Filters for Electrocardiogram De-Noising Using Daubechies Wavelets // Asian Journal of Research in Cardiovascular Diseases, Vol. 2, No. 1, 2020. pp. 15-29.

343. Федотов А.А. Анализ параметров сглаживающей фильтрации электрокардиосигнала // Медицинские и биологические измерения, № 12, 2019. С. 4751. DOI: 10.32446/0368-1025it.2019-12-47-51.

344. Fujita H., Cimr D. Decision support system for arrhythmia prediction using convolutional neural network structure without preprocessing // Applied Intelligence, Vol. 49, 2019. pp. 3383-3391. DOI: 10.1007/s10489-019-01461-0.

345. Chen K.C., Chien P.C., Gao Z.J., Wu C.H. A Fast ECG Diagnosis by Using NonUniform Spectral Analysis and the Artificial Neural Network // ACM Transactions on Computing for Healthcare, Vol. 2, No. 3, 2021. pp. 1-21. DOI: 10.1145/3453174.

346. Ihsanto E., Ramli K., Sudiana D., Gunawan T.S. Fast and Accurate Algorithm for ECG Authentication Using Residual Depthwise Separable Convolutional Neural Networks // Applied Sciences, Vol. 10 (9), No. 3304, 2020. pp. 1-15. DOI: 10.3390/app10093304.

347. Sellami A., Hwang H. A robust deep convolutional neural network with batch-weighted loss for heartbeat classification // Expert Systems With Applications, Vol. 122, 2019. pp. 7584. DOI: 10.1016/j.eswa.2018.12.037.

348. Acharya U.R., Fujita H., Lih O.S., Hagiwara Y., Tan J.H., Adam M. Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network // Information Sciences, Vol. 405, 2017. pp. 81-90. DOI: 10.1016/j.ins.2017.04.012.

349. Gusev M., Domazet E. Optimizing the Impact of Resampling on QRS Detection // International Conference on Telecommunications. ICT Innovations. Engineering and Life Sciences. 2018. Vol. 940. pp. 107-119. DOI: 10.1007/978-3-030-00825-3_10.

350. Аль-Салех Г.И., Рунова А.А., Писарева А.В., Николаев А.П. Сравнительный анализ методов обработки электрокардиографического сигнала // XII Международная научная конференция «Физика и радиоэлектроника в медицине и экологии». 2018. Т. 2. С. 120125.

351. Trahanias P., Skordalakis E. Syntactic Pattern Recognition of the ECG // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, No. 7, 1990. pp. 648-657.

DOI: 10.1109/34.56207.

352. Skordalakis E. Syntactic ECG processing: A review // Pattern Recognition, Vol. 19, No. 4, 1986. pp. 305-313. DOI: 10.1016/0031-3203(86)90056-7.

353. Ладяев Д.А. Алгоритм обнаружения QRS-комплексов ЭКГ-сигналов на основе вейвлет-преобразования, Саранск, Автореферат дисс. ... кандидата технических наук. 2007.

354. Pal S., Mitra M. Detection of ECG characteristic points using Multiresolution Wavelet Analysis based Selective Coefficient Method // Measurement, Vol. 43, 2010. pp. 255-261. DOI: 10.1016/j.measurement.2009.10.004.

355. Щербакова Т.Ф., Седов С.С., Галимзянов Э.Р., Зайнуллин С.Э. Алгоритм поиска характерных точек QRS-комплекса электрокардиосигнала // Системы синхронизации, формирования и обработки сигналов, № 3, 2019. С. 20-26.

356. Wang Y., Deepu C.J., Lian Y. A Computationally Efficient QRS Detection Algorithm for Wearable ECG Sensors // 33rd Annual International Conference of the IEEE Engineering in Medicine and Biology (EMBS). Boston. 2011. pp. 5641-5644. DOI: 10.1109/IEMBS.2011.6091365.

357. Koski A. Modelling ECG signals with hidden Markov models // Artificial Intelligence in Medicine, Vol. 8, 1996. pp. 453-471.

358. Coast D.A., Cano G.G. QRS Detection based on hidden Markov modeling // 11th annual international conference IEEE Engineering in Medicine & Biology Society. Seatle. 1989. DOI: 10.1109/IEMBS.1989.95558.

359. Akhbari M., Shamsollahi M.B., Sayadi O., Armoundas A.A., Jutten C. ECG segmentation and fiducial point extraction using multi hidden Markov model // Computers in Biology and Medicine, Vol. 79, 2016. pp. 21-29. DOI: 10.1016/j.compbiomed.2016.09.004.

360. Thomas J., Rose C., Charpillet F. A Multi-HMM Approach to ECG Segmentation // Proceedings of the 18th IEEE International Conference on Tools with Artificial Intelligence (ICTAI'06). 2006. pp. 1-8.

361. Andreao R.V., Dorizzi B., Boudy J. ECG Signal Analysis Through Hidden Markov Models // IEEE Transactions on Biomedical Engineering, Vol. 53, No. 8, 2006. pp. 15411549. DOI: 10.1109/TBME.2006.877103.

362. Akhbari M., Ghahjaverestan N.M., Shamsollahi M.B., Jutten C. ECG fiducial point extraction using switching Kalman filter // Computer Methods and Programs in Biomedicine, Vol. 157, 2018. pp. 129-136. DOI: 10.1016/j.cmpb.2018.01.018.

363. Malali A., Hiriyannaiah S., Siddesh G.M., Srinivasa K.G., Sanjay N.T. Supervised ECG wave segmentation using convolutional LSTM // ICT Express, Vol. 6, 2020. pp. 166-169. DOI: 10.1016/j.icte.2020.04.004.

364. Abrishami H., Han C., Zhou X., Campbell M., Czosek R. Supervised ECG Interval Segmentation Using LSTM Neural Network // International Conference on Bioinformatics and Computational Biology (BIOCOMP). 2018. pp. 71-77.

365. Liu B., Li Y. ECG signal denoising based on similar segments cooperative filtering // Biomedical Signal Processing and Control, Vol. 68, 2021. pp. 1-12. DOI: 10.1016/j.bspc.2021.102751.

366. Merino M., Gomez I.M., Molina A.J. Envelopment filter and K-means for the detection of QRS waveforms in electrocardiogram // Medical Engineering and Physics, Vol. 37, 2015. pp. 605-609. DOI: 10.1016/j.medengphy.2015.03.019.

367. Горохов С.Н., Галимзянов Э.Р. Корреляционный метод обработки электрокардиосигнала для построения устройства анализа аритмий // Международный научно-исследовательский журнал, № 8 (50), 2016. С. 36-38.

368. Goldberger A., Amaral L., Glass L., Hausdorff J., Ivanov P.C., Mark R., Mietus J.E., Moody G.B., Peng C.K., Stanley H.E. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiological signals // Circulation, Vol. 101, No. 23, 2000. pp. 215-220.

369. Рослякова А.В., Чупраков П.Г. Сравнительный анализ алгоритмов обнаружения R-зубца электрокардиосигнала // Вятский медицинский вестник, № 2, 2012. С. 29-35.

370. Francesca S., Carlo C.G., Luca D.N., Rocco F., Marco R. Comparison of Low-Complexity Algorithms for Real-Time QRS Detection using Standard ECG Database // International Journal on Advanced Science Engineering Information Technology, Vol. 8, No. 2, 2018. pp. 307-314.

371. Hamilton P.S. Open Source ECG Analysis Software Documentation // Computers in Cardiology. 2002. Vol. 29. pp. 101-104. DOI: 10.1109/CIC.2002.1166717.

372. Lourenco A., Silva H., Leite P., Lourenco R., Fred A. Real Time Electrocardiogram Segmentation for Finger Based ECG Biometrics // Proceedings of the International Conference on Bio-inspired Systems and Signal Processing - BIOSIGNALS. Vilamoura. 2012. pp. 49-54. DOI: 10.5220/0003777300490054.

373. Kalidas V., Tamil L. Real-time QRS detector using Stationary Wavelet Transform for Automated ECG Analysis // 17th International Conference on Bioinformatics and Bioengineering (BIBE). 2017. pp. 457-461. DOI: 10.1109/BIBE.2017.00-12.

374. Elgendi M., Jonkman M., de Boer F. Frequency Bands Effects on QRS Detection // The 3rd International Conference on Bio-inspired Systems and Signal Processing (BIOSIGNALS). Valencia. 2010. Vol. 1. pp. 428-431. DOI: 10.5220/0002742704280431.

375. Porr B., Luis H. Popular ECG R peak detectors written in python // Zenodo. 2019. URL: https://zenodo.org/record/3588108#.YQLY3owzbIU

376. Обухов С.А., Степанов В.П. Алгоритм обнаружения QRS-комплекса на электрокардиограмма в реальном времени // Инженерный журнал: наука и инновации, № 5, 2019. С. 1-16. DOI: 10.18698/2308-6033-2019-5-1877.

377. Sokolova A.A., Pyko N.S., Uljanitsky Y.D., Andreeva O.M. Analysis of QRS Detection Algorithms Barely Sensitive to the QRS Shape // IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). 2017. pp. 738-740. DOI: 10.1109/EIConRus.2017.7910663.

378. Porr B., Howell L. R-peak detector stress test with a new noisy ECG database reveals significant performance differences amongst popular detectors // bioRxiv, No. 722397, 2019. pp. 1-27. DOI: 10.1101/722397.

379. Gradl S., Leutheuser H., Elgendi M., Lang N., Eskofier B.M. Temporal correction of detected R-peaks in ECG signals: A crucial step to improve QRS detection algorithms // 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Milan. 2015. pp. 522-525. DOI: 10.1109/EMBC.2015.7318414.

380. Talmon J.L., Hasman A. A new approach to QRS detection and typification // Computers in Cardiology. 1981. pp. 479-482.

381. Хохлов И.О., Калиниченко А.Н. Алгоритм предсказания параметров кардиокомплексов ЭКГ для помехоустойчивого обнаружения R-зубца //

Биотехнические системы в медицине и экологии, № 1, 2017. С. 72-77.

382. Falk K.J.S., Angelhed J.E., Bjuro T.I. A program for the processing of multiple-lead exercise ECGs in real time // Computer Programs in Biomedicine, Vol. 14, No. 2, 1982. pp. 133-144. DOI: 10.1016/0010-468x(82)90016-2.