ИССЛЕДОВАНИЕ И АНАЛИЗ КАРДИОГРАММ НА ОСНОВЕ РЕЗЕРВУАРНЫХ ВЫЧИСЛЕНИЙ

RESEARCH AND ANALYSIS OF CARDIOGRAMS BASED ON RESERVOIR CALCULATIONS

 

Ермилина Ольга Викторовна, к.т.н, доцент, Пензенский государственный технологический университет, г. Пенза, email: rasuma@mail.ru

Демина Вера Дмитриевна, магистрант, Пензенский государственный технологический университет, г. Пенза, email: demina-2000@mail.ru

 

Ermilina Olga Viktorovna, Candidate of Technical Sciences, Associate Professor Penza State Technological University, Penza, email: rasuma@mail.ru

Demina Vera Dmitrievna, Graduate Student, Penza State Technological University, Penza, email: demina-2000@mail.ru

 

Аннотация

В статье рассматривается применение рекуррентных нейронных сетей для обработки и анализа электрокардиограмм на основе резервуарных вычислений. Применение в данной работе искусственной нейронной сети в качестве классификатора обусловлено се способностью к обработке нечетких и сложных исходных данных для их классификации. Для решения тестовой задачи в рамках предлагаемой методики выбирался способ подачи данных на вход резервуара, синтезировался резервуар, определялись параметры считывателей. Для этого было произведено нормирование электрокардиограммы. Проанализированы результаты численных экспериментов по распознавание электрокардиограммы с нормаль­ным синусоидальным ритмом.

Annotation

The article deals with the application of recurrent neural networks for processing and analysis of electrocardiograms based on reservoir computations. The application of an artificial neural network as a classifier in this work is due to its ability to process fuzzy and complex input data for their classification. To solve the test problem in the framework of the proposed methodology, the method of data input to the reservoir was selected, the reservoir was synthesized, and the parameters of the readers were determined. For this purpose, electrocardiogram normalization was performed. The results of numerical experiments on recognition of electrocardiogram with normal sinusoidal rhythm were analyzed.

Ключевые слова: электрокардиограмма, нейронные сети, резервуарные вычисления, нормирование сигнала.

Keywords: electrocardiogram, neural networks, reservoir computing, signal normalization.

Список литературы

1. Шраувен Б., Верстратен Д, Кампенхаут Дж. Обзор теории резервуарных вычислений, применение и реализация // Протокол 15-го Европейского симпозиума по искусственным нейронным сетям. – 2007. – С.471-482.
2. Григорьев Д.С., Спицын В.Г. Применение нейронной сети и дискретного вейвлет-преобразования для анализа и классификации электрокардиограмм // Известия Томского политехнического университета. — 2012. – С. 57-61.
3. Никитин К.В. Исследование и анализ динамики импульсных рекуррентных нейронных сетей в контексте задачи распознавания образов // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. – 2018. — №4. – С. 130-150.
4. Бендерская Е. Н., Никитин К. В. Рекуррентная нейронная сеть как динамическая система и подходы к ее обучению // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. СПб.: Изд-во Политехн. ун-та. — 2013. — № 4(176). — C. 29–40.
5. Маасс В., Натшлагер Т., Маркрам Г. Вычисления в реальном времени без стабильных состояний: новая основа для нейронных вычислений на основе возмущений // Нейронные вычисления. — 2002. — Vol. 11. — С. 2531–2560.

List of references

1. Schrauwen B., Verstraeten D., Campenhout J. V. An Overview of Reservoir Computing Theory, Applications and Implementations. Proc. of the 15th European Symposium on Artificial Neural Networks, Bruges, 2007, pp. 471–482.
2. Grigoriev D.S., Spitsyn V.G. Application of neural network and discrete wavelet transform for analysis and classification of electrocardiograms // Proceedings of Tomsk Polytechnic University. — 2012. — P. 57-61.
3. Nikitin K.V. Research and analysis of the dynamics of pulsed recurrent neural networks in the context of the problem of pattern recognition // Scientific and Technical Bulletin of St. Petersburg State Polytechnic University. Informatics. Telecommunications. Management. — 2018. — №4. — P. 130-150.
4. Benderskaya E. N., Nikitin K. V. Recurrent neural network as a dynamic system and approaches to its training // Scientific and Technical Bulletin of St. Petersburg State Polytechnic University. Informatics. Telecommunications. Management. SPb.: Polytechn. uezd. — 2013. — № 4(176). — P. 29-40.
5. Maass W., Natschläger T., Markram H. Real-time Computing Without Stable States: a New Framework for Neural Computations Based on Perturbations. Neural Computation. – 2002. — Vol. 11. — P. 2531–2560.