Статьи

В работе представлен результат апробации и расширения функционала нейронной сверточной глубокоуровневой сети для решения задач классификации рентгеновских снимков при диагностике заболеваний легких человека. Основным компонентом системы интеллектуальной диагностики является предварительно обученная сеть ResNet50, реализованная в среде Matlab. Дополнительное обучение сети проводилось с использованием сформированного банка данных цифровых снимков человеческих легких, полученных с помощью флюорографического аппарата, и рентгеновских снимков, размещенных в открытом источнике. В целях повышения качества детектирования реализована процедура предпроцессорной обработки цифровых изображений. Применяемые алгоритмы обучения позволили добиться общей точности распознавания в 96% для диагностических случаев: COVID-19 затенения областей легкого, вирусной пневмонии и здоровых снимков легких.

Настоящая работа предлагает концепцию интеллектуального анализа динамических данных в приложении к исследованию сердечных ритмов по диагностике электрокардиограммы: нормальный ритм, предсердная и желудочковая экстрасистолии, блокада левой и правой ножки пучка Гиса. В основе методологии лежит гибридизация подходов: численная оценка мультифрактальных и спектральных характеристик, а также использование машинного обучения для классификации сигналов. Исходные данные представлены сложными нестационарными временными рядами, прошедшими детектирование QRS-комплекса методом Пана-Томпкинса, вейвлет-фильтрацию и нормализацию. Целевые методы мультифрактального флуктуационного анализа, Фурье- и вейвлет-преобразования реализованы в виде программных модулей в ППП Matlab. Показана чувствительность методов к выявлению скрытых свойств сигналов ЭКГ и диагностическая способность к выявлению типа ритма. Установлены спектральные и мультифрактальные характеристики сердечных ритмов и аритмий. Модели машинного обучения SVM и KNN обучены и применены с использованием средств языка программирования Python, с вычисленной точностью 95.9% и 97.7%.