Методики и алгоритмы обработки цифровых данных электрокардиографии и биоимпедансометрии для систем поддержки принятия решений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Демушкина Ксения Михайловна

• Демушкина Ксения Михайловна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Демушкина Ксения Михайловна

Введение

Глава 1. Обзор и анализ методов и алгоритмов обработки цифровых данных электрокардиографии и биоимпедансометрии

для систем поддержки принятия решений

1.1. Анализ методов проектирования систем поддержки

принятия решений

1.1.1. Нечеткая кластеризация

1.1.2. Нейронные сети

1.1.3. Технология анализа процессов

1.1.4. Существующие проблемы проектирования систем поддержки принятия решений

1.2. Анализ алгоритмов обработки цифровых данных

электрокардиографии

1.2.1. Алгоритм Пана - Томпкинса

1.2.2. Вейвлет-преобразования

1.2.3. Алгоритм на основе машинного обучения

1.3. Анализ методик обработки цифровых данных

биоимпедансометрии для поддержки принятия решений

Выводы по главе

Глава 2. Разработка методики, алгоритмов обработки и визуализации цифровых данных электрокардиографии на основе технологии анализа процессов

2.1. Методика анализа цифровых данных электрокардиографии

с помощью технологии анализа процессов

2.2. Алгоритм сегментации цифровых данных электрокардиографии

2.2.1. Модифицированный алгоритм Пана - Томпкинса

для определения ^-пика

2.2.2. Алгоритм определения пиков на цифровых данных электрокардиографии

2.3. Алгоритм трансформации сегментированных цифровых данных электрокардиографии в журнал событий

2.4. Визуализации цифровых данных электрокардиографии средствами технологии анализа процессов

2.4.1. Алгоритм визуализации на основе плагина Discovery

of the process data flow

2.4.2. Алгоритм визуализации на основе плагина Multi-perspective Process Explorer

Выводы по главе

Глава 3. Разработка методики обработки цифровых данных биоимпедансометрии для поддержки принятия решений

3.1. Методика анализа данных биоимпедансометрии с помощью инструментов технологии анализа процессов

3.2. Анализ статистических параметров и метрики Хаусдорфа

для комплексной оценки различия характеристик объекта

3.2.1. Определение статистических параметров и метрики Хаусдорфа

3.2.2. Нормирование статистических параметров и метрики Хаусдорфа

3.2.3. Агрегация нормированных параметров и метрики

Хаусдорфа

Выводы по главе

Глава 4. Реализация разработанных алгоритмов и методик анализа цифровых данных электрокардиографии и биоимпедансометрии для систем поддержки принятия решений

4.1. Обеспечение взаимодействия инструментов технологии анализа процессов в системах поддержки принятия решений

для медицинских организаций

4.2. Программная реализация модифицированного алгоритма

Пана - Томпкинса

4.3. Сравнительный анализ результатов определения ^-пиков средствами модифицированного алгоритма Пана - Томпкинса

и библиотеки Neurokit

4.4. Программная реализация алгоритма сегментации цифровых данных электрокардиографии и трансформации их в журнал событий

4.5. Сравнительный анализ результатов сегментации цифровых данных

электрокардиографии средствами предлагаемого алгоритма и библиотеки №игокй

4.6. Алгоритмическое и программное обеспечение методики анализа цифровых данных биоимпедансометрии с использованием статистических параметров и метрики Хаусдорфа

Выводы по главе

Заключение

Список литературы

Приложение А. Акты внедрения результатов диссертационного исследования

Приложение Б. Свидетельства о государственной регистрации

программы для ЭВМ

Введение диссертации (часть автореферата) на тему «Методики и алгоритмы обработки цифровых данных электрокардиографии и биоимпедансометрии для систем поддержки принятия решений»

ВВЕДЕНИЕ

Актуальность темы исследования. Сердечно-сосудистые заболевания и онкологическая патология остаются наиболее распространенными в мире. Среди женщин наиболее часто встречается рак молочной железы. Это определяет высокую актуальность исследований, направленных на раннюю диагностику и прогнозирование сердечно-сосудистых и онкологических заболеваний.

Существует множество систем для диагностики заболеваний сердечнососудистой системы и рака молочной железы. В настоящее время подобные системы совершенствуются за счет внедрения методов искусственного интеллекта, анализа больших данных и мультимодальных подходов. Однако с увеличением сложности подобных систем растет и сложность интерпретации полученных результатов, особенно это актуально для систем, основанных на применении нейронных сетей, когда значимые диагностические параметры формируются и классифицируются самими сетями и часто не имеют медицинской интерпретации.

Результаты исследований в области обработки и анализа медицинских данных нашли отражение в работах таких отечественных ученых, как Б. А. Кобринский, В. А. Лищук, Т. В. Зарубина, А. В. Гусев, H. Е. Шкловский-Корди, А. В. Крошилин, С. А. Филист, О. Н. Бодин, С. В. Фролов, В. Г. Полосин. Среди зарубежных ученых следует отметить L.T. Koczy, Edward H. Shortliffe, Kathryn A. Hannah, Wil van der Aalst, Boudewijn van Dongen, Massimiliano de Leoni, Marlon Dumas, Jan Mendling, которые внесли свой вклад в развитие медицинских экспертных систем, разработку методов анализа данных и др. Однако проблемы с интерпретацией данных по-прежнему остаются нерешенными, особенно в случае использования нейросетей. В связи с этим возникает задача разработки систем поддержки принятия решений, обладающих возможностью интерпретируемости. Под интерпретируемостью понимается представление получаемых решений в доступном для понимания

виде с поэтапной визуализацией результатов. Это позволит повысить обоснованность решения и доверие к таким системам, что особенно важно в области медицины. Одним из путей решения данной актуальной задачи является применение технологии анализа процессов.

Объектом исследования является процесс принятия решений в области кардиографии и биоимпедансометрии.

Предметом исследования являются методики и алгоритмы обработки цифровых данных электрокардиографии и результатов биоимпедансометрии инструментами технологии анализа процессов и статистики.

Цель работы - совершенствование систем поддержки принятия врачебных решений в области анализа цифровых данных электрокардиографии и биоимпедансометрии.

Для достижения этой цели решаются следующие задачи:

1. Исследование методов и средств построения систем поддержки принятия решений для медицины с целью выявления эффективных методов обработки цифровых данных электрокардиографии и биоимпедансометрии, а также применения инструментов технологии анализа процессов.

2. Разработка методики анализа цифровых данных электрокардиографии с помощью инструментов технологии анализа процессов с целью улучшения интерпретируемости процесса анализа.

3. Разработка алгоритмов для формирования цифровых данных электрокардиографии в виде журнала событий с целью дальнейшей обработки данных инструментами технологии анализа процессов.

4. Разработка методики анализа цифровых данных биоимпедансометрии для комплексной оценки различий параметров объектов и представления данных с помощью инструментов технологии анализа процессов.

5. Экспериментальное подтверждение работоспособности предложенных методик и алгоритмов.

Методы исследования. Основными методами исследования являются компьютерная обработка информации, анализ процессов, теория принятия

решений, цифровая обработка сигналов, биоимпедансная спектроскопия, статистический регрессионный и контурный анализ.

Научная новизна:

1. Разработана методика анализа цифровых данных электрокардиографии, отличающаяся применением технологии анализа процессов, что позволяет улучшить интерпретируемость процесса анализа путем контроля промежуточных результатов за счет представления процесса сердечной деятельности в виде журнала событий и последующей компьютерной обработки и визуализации этапов поиска решения (п. 2, 12 специальности 2.3.1).

2. Предложен модифицированный алгоритм определения ^-пика на цифровых данных электрокардиографии, основанный на алгоритме Пана -Томпкинса, отличающийся адаптивным определением границ ^ДО-комплекса, который позволяет повысить точность определения пиков в среднем на 2 % во всех отведениях электрокардиографии по сравнению с аналогами (п. 4 специальности 2.3.1).

3. Предложен алгоритм формирования цифровых данных электрокардиографии для визуализации процессов сердечной деятельности, отличающийся тем, что данные представляются в виде журнала событий, что позволяет обеспечить возможность анализа цифровых данных электрокардиографии средствами технологии анализа процессов и повысить интерпретируемость процесса принятия решения (п. 4, 12 специальности 2.3.1).

4. Предложена методика анализа данных биоимпедансометрии, отличающаяся применением комплексной оценки статистических параметров и метрики Хаусдорфа, что позволяет ранжировать объект по возрастанию неоднородных включений и расширить возможности практического применения метода биоимпедансометрии (п. 4 специальности 2.3.1).

Теоретическая и практическая значимость. Автором впервые предложена методика анализа цифровых данных электрокардиографии (ЭКГ) средствами технологии анализа процессов, которая позволяет осуществлять

анализ биомедицинских данных (ЭКГ) за счет визуализации процесса, описанного ими. Такая методика позволит использовать технологию анализа процессов в системах поддержки принятия решений с использованием описания сердечной деятельности в виде журнала событий.

Работа обобщает проведенные автором теоретические и экспериментальные исследования, связанные с алгоритмами обработки цифровых данных электрокардиографии и биоимпедансометрии. Разработанный модифицированный алгоритм Пана - Томпкинса обеспечивает высокую точность (74 %) в сравнении с аналогами (классический алгоритм Пана -Томпкинса, алгоритм Neurokit), что позволяет улучшить качество идентификации К-пиков в зашумленных сигналах ЭКГ, повышая эффективность автоматизированного анализа цифровых данных электрокардиографии.

Разработанный алгоритм сегментации и формирования цифровых данных электрокардиографии позволяет использовать преимущества технологии анализа процессов, таких как визуализация потоков событий, выявление отклонений и аномалий, что в итоге обеспечивает специалистам возможность детально исследовать электрокардиографические данные.

Работа выполнялась в рамках следующих финансируемых проектов:

1. Государственное задание Министерства науки и высшего образования Российской Федерации «Разработка технологии раннего обнаружения новообразований молочной железы на основе методов микроволновой томографии и биоимпедансной спектроскопии» (рег. № 124020200015-7), Пензенский государственный университет.

2. Грант «Ректорские гранты для молодых ученых и аспирантов - 2023» Пензенского государственного университета (приказ № 78/О от 25.01.2023). «Разработка и исследование способа и программного обеспечения для анализа ЭКГ на основе подхода Process Mining c возможностью построения деревьев диагностических решений».

Положения, выносимые на защиту:

1. Методика анализа цифровых данных электрокардиографии с помощью технологии анализа процессов, позволяющая улучшить интерпретируемость процесса анализа.

2. Модифицированный алгоритм определения ^-пика, основанный на алгоритме Пана - Томпкинса, обеспечивающий повышение точности определения пиков в среднем на 2 % во всех отведениях электрокардиографии по сравнению с аналогами.

3. Алгоритм формирования цифровых данных электрокардиографии для анализа и визуализации процессов сердечной деятельности, позволяющий использовать инструменты технологии анализа процессов для оценки состояния сердца.

4. Методика анализа данных биоимпедансометрии на основе комплексной оценки статистических параметров и метрики Хаусдорфа, обеспечивающая возможность практического применения метода биоимпедансометрии.

Степень достоверности и апробация работы. Основные результаты диссертационной работы были представлены и обсуждены на научных конференциях международного и всероссийского уровня: XXVII Международная конференция «Цифровая обработка сигналов и ее применение - DSPA-2025» (Институт проблем управления РАН, г. Москва, 2025 г.); научно-техническая конференция с международным участием «Информационные технологии и системы (ИСТ-2023)» (г. Самара, 2023 г.); XXIII Международная научно-техническая конференция «Проблемы информатики в образовании, управлении, экономике и технике» (Пензенский государственный университет, г. Пенза, 2023 г.); Международная конференция «Мерно-информационе технологиje» MIT-2023 (г. Нови-Сад, Сербия); X Всероссийская научно-практическая конференция «Информационные технологии в науке и образовании. Проблемы и перспективы» (Пензенский государственный университет, г. Пенза, 2023 г.); Всероссийская научно-практическая конференция «Студент-Наука» (г. Воронеж, 2022 г.); Университетская научно-

практическая конференция «Актуальные проблемы науки и образования» (Пензенский государственный университет, г. Пенза, 2022-2024 гг.). Достоверность подтверждается внедрением результатов в научную и практическую деятельность ряда организаций, а также апробацией на международных и всероссийских конференциях.

Соответствие паспорту специальности. Диссертационная работа соответствует паспорту специальности 2.3.1. Системный анализ, управление и обработка информации, статистика по следующим пунктам: п. 2 -«Формализация и постановка задачи системного анализа, оптимизации, управления, принятия решения, обработки информации и искусственного интеллекта»; п. 4 - «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта»; п. 12 - «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации».

Публикации. Основные положения и результаты выполненных исследований отражены в 15 публикациях, из них 5 статей в изданиях, рекомендуемых ВАК при Минобрнауки России; 2 публикации в изданиях, индексируемых в международной базе данных SCOPUS, 5 публикаций в российских журналах, материалах международных, всероссийских, региональных научно-практических конференций; 3 свидетельства о государственной регистрации программ для ЭВМ.

Внедрение результатов работы. Предложенные методы и алгоритмы обработки цифровых данных электрокардиографии и биоимпедансометрии используются в разработках и исследованиях:

1) Пензенского государственного университета в рамках государственного задания Министерства науки и высшего образования Российской Федерации «Разработка технологии раннего обнаружения новообразований молочной железы на основе методов микроволновой томографии и биоимпедансной спектроскопии» (рег. № 124020200015-7);

2) Пензенского государственного университета в рамках учебного процесса по направлениям подготовки 09.03.03 «Прикладная информатика» и 09.05.01 «Применение и эксплуатация автоматизированных систем специального назначения»;

3) АО «Научно-производственное предприятие "Рубин"» (г. Пенза) при разработке проекта использования технологии анализа процессов на мобильных станциях забора крови;

4) ООО «Максофт» (г. Москва) при разработке проектов по выявлению уязвимостей в библиотеках исходного кода (MaSCA) с помощью методики применения плагина Multi-perspective Process Explorer фреймворка ProM, а также при разработке проекта «Школа Максимум» использовалась методика применения плагина Dotted Chart и Filter Log by attribute фреймворка ProM;

5) ФГБОУ ВО «Самарский государственный медицинский университет Минздрава России» (г. Самара) при подготовке специалистов Передовой медицинской инженерной школы по программам «Инженерия искусственного интеллекта» и «Телемедицина и поддержка принятия врачебных решений» направления подготовки 09.04.01 Информатика и вычислительная техника.

Личный вклад автора. Основные результаты, выносимые на защиту, получены автором лично. Результаты, опубликованные совместно с другими авторами, принадлежат авторам в равных долях. Результаты других авторов, которые использованы при изложении результатов работы, снабжены ссылками на соответствующие источники. За высокий уровень научно-технических и инженерных решений, применяемых в программных разработках в рамках диссертации, соискатель удостоен звания лауреата регионального конкурса «Инженер года» в номинации «Инженер-программист» (г. Пенза, 2022 г.).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 142 источника, и 2 приложений. Основная часть работы изложена на 152 страницах, содержит 87 рисунков и 17 таблиц.

ГЛАВА 1. ОБЗОР И АНАЛИЗ МЕТОДОВ И АЛГОРИТМОВ ОБРАБОТКИ ЦИФРОВЫХ ДАННЫХ ЭЛЕКТРОКАРДИОГРАФИИ И БИОИМПЕДАНСОМЕТРИИ ДЛЯ СИСТЕМ ПОДДЕРЖКИ

ПРИНЯТИЯ РЕШЕНИЙ

1.1. Анализ методов проектирования систем поддержки принятия решений

В настоящее время системы поддержки принятия решений (СППР) находят свое применение в различных сферах жизни общества, но наибольший интерес представляет развитие подобных систем в медицине. Для задач поддержки принятия решений используют специализированные системы -системы поддержки принятия врачебных решений (СППВР). Системы поддержки принятия врачебных решений - это программное обеспечение, которое связывает большие медицинские данные с данными конкретного пациента [1]. Основные задачи, которые решает система поддержки принятия врачебных решений таковы:

1) справочно-информационная поддержка;

2) поддержка в оформлении медицинской документации;

3) ассистирование при диагностике состояния пациента;

4) прогнозирование состояния пациента;

5) оптимизация лечения.

Широкое применение систем поддержки принятия врачебных решений подтверждается множеством публикаций [2-4], в связи с этим обеспечивается их повсеместное внедрение. Поскольку системы поддержки принятия врачебных решений используются во всех направлениях медицины, то и входной набор данных достаточно разнообразный, вследствие чего существует большое число алгоритмов реализации таких систем. Наиболее распространенный метод проектирования систем поддержки принятия решений - это нечеткая кластеризация.

В настоящее время существует ряд готовых решений в системах поддержки принятия врачебных решений, реализованных в том числе с помощью алгоритмов нечеткой логики [5]. Однако система не учитывает специфики кардиологии, поэтому был рассмотрен ряд работ для определения специфики СППР в кардиологии [6, 7]. Как отмечают авторы, помимо общепринятых критериев оценки состояния сердечно-сосудистой системы (давление, ЭКГ, показатели крови и т.д.), должны учитываться профессиональные, гендерные и другие особенности пациента.

Необходимость использования систем поддержки принятия врачебных решений объясняется многочисленными исследованиями в других сферах медицины: оториноларингологии [8, 9], заболевания желудочно-кишечного тракта [10], доказательной медицины [11].

На сегодня все большую популярность набирает мультимодальность в области здравоохранения. Мультимодальные системы поддержки принятия врачебных решений представляют собой программное обеспечение, которое анализирует мультимодальные медицинские данные с целью поддержки принятия врачебных решений на каждом этапе лечебно-диагностического процесса.

Мультимодальные системы поддержки принятия врачебных решений агрегируют в себе несколько моделей искусственного интеллекта (ИИ), которые анализируют определенную область медицины. Так, например, можно объединять в мультимодальные системы модели ИИ, которые анализируют изображения магнитно-резонансной томографии (МРТ), компьютерной томографии (КТ) и сигналы (ЭКГ) [12]. Согласно данным статьи "Navigating the landscape of multimodal AI in medicine: A scoping review on technical challenges and clinical applications" мультимодальные СППР превосходят одномодальные

в производительности на 6,2 %. Это говорит о возможной эффективности применения таких систем в клинической практике. Так, например, IBM Watson

Health занимается разработкой СППР как мультимодальной системы, где врач может анализировать ЭКГ и маммографию как единый набор данных.

В целом существует множество работ, посвященных системам поддержки принятия врачебных решений и их предшественникам - экспертным системам [13-17]. Авторы сходятся во мнении, что СППР и экспертные системы необходимы в сфере здравоохранения, однако их проектирование осложнено необходимостью формализации медицинских данных, а также корректного определения значимости каждой из характеристик.

1.1.1. Нечеткая кластеризация

Использование нечеткой кластеризации для проектирования систем поддержки принятия врачебных решений является одним из популярных методов не только в России, но и за рубежом. В основу алгоритма нечеткой кластеризации ложится принцип «каждая точка может принадлежать множеству групп». В России работы в области проектирования алгоритма нечеткой кластеризации представлены в большей степени А. В. Крошилиным, доктором технических наук, профессором кафедры вычислительной и прикладной математики ФГБОУ ВО «Рязанский государственный радиотехнический университет имени В. Ф. Уткина» [5, 18, 19]. Автор предлагает характеризовать предметную область тремя множествами: множеством семантических сетей, представляющих эту модель; множеством операций, доступных для семантических сетей; множеством отношений на объекты. Все эти множества предлагается обобщить и характеризовать как единый суперобъект:

л = { АХ,А}.....AD, (1.1)

где - группа, характеризующая объект.

Предполагается, что в основе любой модели лежит набор семантических сетей, которые при объединении образуют единую модель предметной области.

Алгоритм нечеткой логики имеет недостаток, заключающийся в оценке значимости атрибутов исследуемой характеристики [5]. Автор предлагает давать разную оценку зависимости. Типы зависимости определяются также на основе нечетких связей: типа критерия оценки характеристики и нечеткого множества. Нечеткое множество отражает степень зависимости между показателями состояния пациента и значимости атрибутов. Оценка характеристики состоит

из критерия оценки «ситуация» и критерия оценки «рекомендация». Выбор отношения предпочтения обусловливает связь между действиями, осуществляемыми над пациентом и моделями пациентов. Связь можно определить представлением понятия «предпочтения» - выбора из двух моделей.

В результате получена модель работы СППР, которая позволила врачам выявить возможности корректировки лечения для достижения максимального результата предельно быстро.

Другие исследования в области нечеткой кластеризации основываются на использовании FCM-кластеризации и методе с-средних [20, 21]. В своих исследованиях авторы отмечают высокую практическую значимость нечеткой кластеризации.

Зарубежные исследователи также указывают на эффективность применения нечеткой кластеризации для задач систем поддержки принятия врачебных решений [22-24]. Так, например, предлагается использовать новый метод для кластеризации данных, определяя коническую функцию принадлежности для представления множеств CNF и выявляя нечеткое различие между парой нечетких наблюдений, которое является расширением нечеткого расстояния, предложенного L. T. Koczy (1993) [25]. Другое исследование направлено на применение не только широко известных методов нечеткой логики, но и метода нечеткой когнитивной карты. Нечеткая когнитивная карта (FCM) - это когнитивная карта, состоящая из узлов (концепций), которые иллюстрируют различные аспекты поведения системы. Эти

узлы (концепции) взаимодействуют друг с другом, показывая динамику модели [26]. В работе "Medical decision support in clinical record management systems" отмечается возможность учета не только нечетких данных, но и временных характеристик [27].

Таким образом, нечеткая кластеризация остается одним из методов проектирования систем поддержки принятия врачебных решений. Это не только один из популярных подходов к проектированию подобных систем, но и наиболее практико-ориентированный подход, о чем свидетельствует множество тематических работ.

1.1.2. Нейронные сети

Нейронные сети в настоящее время являются одной из самых популярных технологий не только в области медицины, но и в других отраслях. Так, например, нейронные сети используются для управления манипулятором [28], моделирования геофизических процессов [29], распознавания кибератак [30], оптимизации дорожной сети [31]. Очевидно, что сфера применения нейронных сетей крайне разнообразна, и медицина не исключение. Нейронные сети в медицине чаще всего применяются для задач систем поддержки принятия врачебных решений как вспомогательный инструмент при постановке диагноза.

Например, нейронные сети используются для постановки диагноза щитовидной железы [32], где авторы решают задачу классификации средствами нейронных сетей. Коллектив авторов [33] провел крупный обзор работ по графическому анализу данных МРТ и КТ сердца с использованием сверточных нейронных сетей. Каждый отдельный значимый графический участок сердца в виде левого желудочка, аорты и коронарных артерий был рассмотрен в качестве объекта для исследования с помощью нейросетей. Авторами отмечается, что база знаний в виде графически размеченных данных крайне мала для обучения.

Еще в одном обзоре применения нейронных сетей в урологии авторами рассмотрены работы многих исследователей, а также отмечены недостатки нейронных сетей для задач диагностики урологических заболеваний [34].

В работе автора [35] рассматривается задача аугментации данных в обработке медицинских сигналов, в частности ЭКГ. Для задач генерации сигнала автор исследует две архитектуры построения нейронных сетей: архитектуру LSTM и архитектуру DCGAN. Архитектура LSTM представляет собой блок, который на вход принимает временные ряды или одномерный сигнал, при этом каждый раз блок записывает некоторую последовательность в скрытый слой, тем самым реализуя долговременную память. Данная архитектура позволяет решить проблему «затухающих» градиентов, когда рекуррентная сеть забывает предыдущее состояние.

Архитектура DCGAN представляет собой два конкурирующих блока: генератор и дискриминатор. Генератор создает изображения или сигналы, отдавая их на вход дискриминатору. Задача дискриминатора - определить, сгенерированное ли изображение или реальное. Информация от дискриминатора поступает обратно в генератор, за счет чего он тоже обучается. Решением этой гонки является некоторая равновесная точка, при которой генератор перестает «обманывать» дискриминатор.

В результате автору удалось добиться аугментации данных ЭКГ, но с погрешностью, которая связана со сложностью поиска точки равновесия в обучении нейронной сети. Вторая проблема сопряжена с маленьким числом размеченных данных.

При проектировании различного рода систем поддержки принятия врачебных решений с помощью нейронных сетей ключевое значение имеют корректно размеченные данные. Правильно аннотированные данные, большой объем этих данных способствуют корректному процессу обучения, а также правильной классификации заболевания. Так, коллектив авторов [36] собственноручно с помощью ведущих кардиологов подготовил и аннотировал

более 200 записей, благодаря чему удалось добиться высокой точности классификации аритмии в пределах одного отведения.

В настоящее время использование искусственного интеллекта в медицине является одним из основных направлений развития IT-медицины. Стремление обеспечить комплексный подход к диагностике современных заболеваний, а также повсеместное внедрение систем по постановке диагнозов на основе данных, снятых с переносных устройств, приводит к некорректной трактовке результатов работы СППР.

На сегодня множество IT-компаний внедряют ИИ в свои разработки для предварительной диагностики и прогнозирования заболеваний: IBM Watson Health, Google Health, AliveCor и др. Основными направлениями исследований данных компаний можно считать диагностику заболеваний на основе данных портативных устройств мониторинга ЭКГ, а также анализ ультразвуковых исследований сердца. Среди российских компаний лидерами рынка являются «СберЗдоровье» (SberHealth), Cardiomo, компания «К-Скай». Направления развития схожи с иностранными компаниями. Так, например, компания «К-Скай» разработала систему поддержки принятия врачебных решений. Основная идея заключается в автоматизации поддержки принятия решений для проведения медицинских манипуляций и в возможности моделировать процессы и тенденции в организме пациента, выявлять влияние медикаментов и назначенного лечения, определять вероятность летального исхода пациента после операций или назначения лечения [37].

Существует множество патентов, которые решают задачу сбора и анализа медицинских данных средствами нейросетей [38-40]. Проводятся систематические обзоры, позволяющие оценить качество предложенных СППР. Как отмечается в статье О. Ю. Ребровой, качество СППР, написанных, к примеру, на нейронных сетях, не считается хорошим, а исследования в области кардиологии с использованием методов предиктивной аналитики в целом не привели к каким-либо выводам [41]. Также зарубежный автор Синтия

Список литературы диссертационного исследования кандидат наук Демушкина Ксения Михайловна, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Greenes, R. A. Clinical Decision Support: The Road Ahead / R. A. Greenes. -Burlington : Elsevier Science, 2011. - 599 p.

2. Судаков, В. А. Системы поддержки принятия врачебных решений (СППВР) в полифармакотерапии / В. А. Судаков, Т. В. Сивакова // Материалы XXIII Международной конференции по вычислительной механике и современным прикладным программным системам (ВМСППС'2023) : материалы конференции (с. Дивноморское, Краснодарский край, 4-10 сентября 2023 г. ) - Москва : Московский авиационный институт (национальный исследовательский университет), 2023. - С. 138-140.

3. Ли, А. Д. Разработка СППВР для пациентов с синдромом хронической диареи. Er-модель / А. Д. Ли // Студенческая наука и медицина XXI века: традиции, инновации и приоритеты. SMART: Samara Medical Articles : сборник материалов XVII Всероссийской (91-й Итоговой) студенческой научной конференции СНО с международным участием (г. Самара, 12 апреля 2023 г.). -Самара : Стандарт, 2023. - С. 919-921.

4. Тычкова, А. Н. Алгоритм обработки речевых сигналов в СППВР для детей с умственной отсталостью / А. Н. Тычкова // Актуальные научные исследования : сборник статей XX Международной научно-практической конференции (г. Пенза, 27 июля 2024 г.). - Пенза : Наука и Просвещение, 2024. - С. 46-48.

5. Крошилин, А. В. Проектирование систем поддержки принятия решений для оценки состояния здоровья пациентов в условиях неопределенности / А. В. Крошилин, С. В. Крошилина, А. Н. Пылькин // Информатика и системы управления. - 2010. - № 4. - С. 82-94.

6. Реброва О. Ю. Эффективность систем поддержки принятия врачебных решений: способы и результаты оценки // Клиническая и экспериментальная тиреоидология. - 2019. - Т. 15, № 4. - С. 148-155.

7. Медников, Д. А. Интеллектуальные системы поддержки принятия врачебных решений в кардиологической практике / Д. А. Медников, З. У. Протасова, Е. В. Крикунова // Юность и знания - гарантия успеха - 2021: сборник научных трудов 8-й Международной молодежной научной конференции : в 3 т. (г. Курск, 16-17 сентября 2021 г.). - Курск : Юго-Западный государственный университет, 2021. - Т. 2. - С. 225-245.

8. Куколева, В. К. Опыт разработки системы поддержки принятия врачебных решений при острых воспалительных заболеваниях глотки / В. К. Куколева, А. П. Ястремский, Ю. С. Пономарчук // Университетская медицина Урала. - 2020. - Т. 6, № 3. - С. 31-34.

9. Емельянова, Ю. А. Алгоритмическая база системы поддержки принятия врачебных решений при выборе тактики лечения детей с эндокринопатиями / Ю. А. Емельянова, О. В. Марухина // Инжиниринг предприятий и управление знаниями (ИП&УЗ-2018) : сборник научных трудов XXI Российской научной конференции (г. Москва, 25-28 апреля 2018 г.) : в 2 т. / научный редактор Ю. Ф. Тельнова. - Москва: Российский экономический университет имени Г. В. Плеханова, 2018. - Т. 2. - С. 135-138.

10. Будыкина, А. В. Формализация знаний о желудочно-кишечном кровотечении неясного генеза для использования в интеллектуальных системах поддержки принятия врачебных решений / А. В. Будыкина, Е. В. Тихомирова, К. В. Киселев [и др.] // Вестник новых медицинских технологий. - 2020. - Т. 27, № 4. - С. 98-101. - doi: 10.24411/1609-2163-2020-16741

11. Лебедев, Г. С. Создание информационной системы поддержки принятия врачебных решений на основе методов доказательной медицины / Г. С. Лебедев, Э. Н. Фартушный, И. А. Шадеркин [и др.] // Журнал телемедицины и электронного здравоохранения. - 2019. - Т. 5, № 1. - С. 8-16.

12. Schouten, D. Navigating the landscape of multimodal AI in medicine: A scoping review on technical challenges and clinical applications / D. Schouten [et al.]. // Med. Image Anal. - 2025. - Vol. 105. - P. 103621.

13. IEE Colloquium on «Intelligent Decision Support Systems and Medicine» (Digest № 143) // IEE Colloquium on Intelligent Decision Support Systems and Medicine. - 1992. - URL: https://ieeexplore.ieee.org/document/168548

14. Uvaliyeva, I. Architectural and Algorithmic Model for Intelligent Clinical Decision Support System / I. Uvaliyeva // 2020 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). -Ekaterinburg : IEEE, 2020. - P. 180-183.

15. Sousa, J. M. C. An Architecture Based on Fuzzy Systems for Personalized Medicine in ICUs / J. M. C. Sousa [et al.] // 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). - New Orleans : IEEE, 2019. - P. 1-6.

16. Almansoori, W. Electronic medical referral system: Decision support and recommendation approach / W. Almansoori [et al.] // 2012 IEEE 13th International Conference on Information Reuse & Integration (IRI). - Las Vegas : IEEE, 2012. -P. 572-577.

17. Homenda, W. Fuzzy reasoning with feature cumulation as cluster analysis / W. Homenda // Proceedings of 1994 IEEE 3rd International Fuzzy Systems Conference. - Orlando : IEEE, 1994. - P. 1922-1926.

18. Крошилин, А. В. Применение нечеткой кластеризации для эффективного мониторинга статистической информации в неопределенности системах / А. В. Крошилин // Вестник Рязанского государственного радиотехнического университета. - 2010. - № 32. - С. 71-76.

19. Крошилина, С. В. Применение нечетко-множественного подхода для построения нечетких экспертных систем / С. В. Крошилина, А. В. Крошилин // Вестник Рязанского государственного радиотехнического университета. -2007. - № 22. - С. 69-73.

20. Кудинов, Ю. И. Нечеткое моделирование и кластеризация / Ю. И. Кудинов, И. Ю. Кудинов // Проблемы управления. - 2008. - №2 6. - С. 2-10.

21. Савельев, Д. М. Методика обобщенной оценки качества разбиения данных на кластеры / Д. М. Савельев, М. Ю. Шестопалов // Известия Санкт-Петербургской лесотехнической академии. - 2011. - № 197. - С. 201-212.

22. Mammedli, Q. Desicion-making based on the method of fuzzy clustering / Q. Mammedli, I. Seidova // Химия, физика, биология, математика: теоретические и прикладные исследования : сборник статей по материалам XLVII Международной научно-практической конференции (г. Москва, 16 апреля 2021 г.). - Москва: Интернаука, 2021. - С. 77-87.

23. Cai, R. Fuzzy Temporal Constraints Based Fuzzy Clustering Algorithm for Temporal Dadaset / R. Cai, F. Yu // 2009 Sixth International Conference on Fuzzy Systems and Knowledge Discovery. - Tianjin : IEEE, 2009. - P. 480-484.

24. Cohen, M. E. Combining Evidence in Hybrid Medical Decision Support Models / M. E. Cohen, D. L. Hudson // 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. - Lyon : IEEE, 2007. -P. 5144-5147.

25. Sato, M. Fuzzy clustering model for fuzzy data // Proceedings of 1995 IEEE International Conference on Fuzzy Systems / M. Sato, Y. Sato // The International Joint Conference of the Fourth IEEE International Conference on Fuzzy Systems and The Second International Fuzzy Engineering Symposium. - Yokohama : IEEE, 1995. - Vol. 4. - P. 2123-2128.

26. Stylios, C. S. Fuzzy Cognitive Maps for Medical Decision Support -a paradigm from obstetrics / C. S. Stylios, V. C. Georgopoulos // 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. -Buenos Aires : IEEE, 2010. - P. 1174-1177.

27. Rizzi S. Medical decision support in clinical record management systems / S. Rizzi, F. Sartoni // Proceedings of International Conference on Expert Systems for Development. - Bangkok : IEEE, 1994. - P. 267-272.

28. Воевода, А. А. Формирование структуры нейронной сети посредством декомпозиции исходной задачи на примере задачи управления роботом манипулятором / А. А. Воевода, Д. О. Романников // Известия СПбГЭТУ ЛЭТИ. - 2018. - № 9. - С. 27-32.

29. Ayzel, G. V. Deep neural networks in hydrology: the new generation of universal and efficient models / G. V. Ayzel // Vestn. St. Petersburg Univ. Earth Sci. -2021. - Vol. 66, № 1. - Р. 5-18.

30. Васильев, В. И. Нейронные сети при обнаружении атак в сети Internet (на примере атаки SYNFLOOD) / В. И. Васильев, А. Ф. Хафизов // Нейрокомпьютеры: разработка, применение. - 2007. - № 2-3. - С. 34-38.

31. Шлянников, В. М. Нейронные сети для оптимизации дорожной сети и транспортных потоков / В. М. Шлянников, Н. М. Шлянников // XXVIII Региональная конференция молодых ученых и исследователей Волгоградской области: сборник материалов конференции (г. Волгоград, 23 октября 2023 г.). - Волгоград : Волгоградский государственный технический университет, 2023. - С. 350-351.

32. Мусханов, М. И. Искусственные нейронные сети для диагностики заболеваний щитовидной железы / М. И. Мусханов, И. А. Магомедов // Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство : сборник научных статей по итогам одиннадцатой международной научной конференции (г. Казань, 30 декабря 2019 г.). - Ч. 2. - Казань : КОНВЕРТ, 2019. - С. 197-199.

33. Онищенко, П. С. Искусственные нейронные сети в кардиологии: анализ графических данных / П. С. Онищенко, К. Ю. Клышников, Е. А. Овчаренко // Бюллетень сибирской медицины. - 2021. - Т. 20, № 4. -С. 193-204. - doi: 10.20538/1682-0363-2021-4-193-204

34. Щамхалова, К. К. Искусственный интеллект и нейронные сети в урологии / К. К. Щамхалова, Д. С. Меринов, А. В. Артемов, Ш. Ш. Гурбанов // Экспериментальная и клиническая урология. - 2023. - Т. 16, № 2. - С. 32-37. - doi: 10.29188/2222-8543-2023-16-2-32-37

35. Самбурова, М. И. Аугментация данных в обработке медицинских сигналов / М. И. Самбурова // Математика и ИТ - вместе в цифровое будущее : сборник трудов II Молодежной школы (г. Нижний Новгород, 24-28 апреля 2023 г.) / Министерство науки и высшего образования РФ; Национальный исследовательский Нижегородский государственный университет им. Н. И. Лобачевского. - Нижний Новгород : Национальный исследовательский Нижегородский государственный университет им. Н. И. Лобачевского, 2023. - С. 80-91.

36. Hannun, A. Y. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network / A. Y. Hannun [et al.]. // Nat. Med. - 2019. - Vol. 25, № 1. - P. 65-69.

37. Патент 2752792.2021 Российская Федерация. Система для поддержки принятия врачебных решений / Гусев А. В., Новицкий Р. Э. - URL: https://searchplatform.rospatent.gov.ru/doc/RU2752792C1_20210805?q=&from=sea rch_simple&hash=null (дата обращения: 17.03.2025).

38. Патент 2752707.2021 Российская Федерация. Медицинская система удаленного мониторинга, анализа и прогнозирования состояния пациента по последовательности электрокардиограмм сердца первого отведения и компьютеризированный способ мониторинга, анализа и прогнозирования состояния пациента / Шмид А. В., Березин А. А., Новопашин М. А., Зимина Е. Ю. -URL: https://searchplatform.rospatent.gov.ru/doc/RU2752707C1_20210730?q= журнал%20событий%20на%20основе%20ЭКГ&from=search_simple&hash=3647 99919 (дата обращения: 17.03.2025).

39. Патент № 2754723.2021 Российская Федерация. Способ анализа медицинских данных с помощью нейронной сети LogNNet / Величко А. А., Величко Т. В. - URL: https://searchplatform.rospatent.gov.ru/doc/RU2754723C1_ 20210906?q=Системы%20поддержки%20принятия%20врачебных%20решений %20для%20задач%20кардиологии&from=search_simple& (дата обращения: 17.03.2025).

40. Патент 2754723.2021 Российская Федерация. Способ анализа медицинских данных с помощью нейронной сети LogNNet / Йигал Дж., Газиев А. И., Попов А. А. - URL: https://searchplatform.rospatent.gov.ru/doc/ RU2761518C1_20211209 (дата обращения: 17.03.2025).

41. Реброва, О. Ю. Эффективность систем поддержки принятия врачебных решений: способы и результаты оценки // Клиническая и экспериментальная тиреоидология. 2019. № 4. URL: https://cyberleninka.ru/ article/n/effektivnost-sistem-podderzhki-prinyatiyavrachebnyh-resheniy-sposoby-i-rezultaty-otsenki (дата обращения: 17.03.2025).

42. Rudin, C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead / C. Rudin // Nat Mach Intell. -2019. - № 1 (5). - P. 206-215. - URL: https://pubmed.ncbi.nlm.nih.gov/35603010/ (дата обращения: 17.03.2025).

43. Mans, R. S. Process Mining in Healthcare: Evaluating and Exploiting Operational Healthcare Processes / R. S. Mans, W. M. P. Van Der Aalst, R. J. B. Vanwersch. - Cham : Springer International Publishing, 2015. - URL: https://link.springer.com/10.1007/978-3-319-16071-9 (дата обращения: 17.03.2025).

44. Van Der Aalst, W. Process mining: discovery, conformance and enhancement of business processes / W. van der Aalst. - New York : Springer, 2011. -352 с.

45. Van Der Aalst, W. Process Mining Manifesto // Business Process Management Workshops / W. van der Aalst. [et al.] ; ed. by. F. Daniel, K. Barkaoui, S. Dustdar. - Berlin : Springer Berlin Heidelberg, 2012. - Vol. 99. - P. 169-194.

46. Свидетельство о государственной регистрации программы для ЭВМ № 2021617810 Российская Федерация. Комплекс процессной аналитики Process Mining Office : № 2021617126 : заявлено 19.05.2021 : опубликовано 19.05.2021 / Шутов И. В., Панфилов В. О. ; заявитель Общество с ограниченной ответственностью «Меди-тел». - Бюл. № 5.

47. Свидетельство о государственной регистрации программы для ЭВМ № 2021661811 Российская Федерация АС Process Mining : № 1027700132195 : заявлено 06.07.2021 : опубликовано 15.07.2021 / Гаранин Р. В. (RU), Качетов А. И. (RU), Козлов С. С. (BY), Макошина В. В. (RU), Моисеев А. Н. (RU), Чеберя М. А. (RU) ; заявитель Публичное акционерное общество «Сбербанк России».

48. Свидетельство о государственной регистрации программы для ЭВМ № 2023665040 Российская Федерация Отечественная система глубинного анализа процессов ProMine (Process mining) : № 1025501701686 : заявлено 24.12.2021 : опубликовано 10.01.2022 / Брыков А. Н. (RU), Гладцинов А. А. (RU), Забродский Е. И. (RU), Заглядский А. Д. (RU) [и др.]. ; заявитель Публичное акционерное общество «Газпром нефть».

49. Shafei, I. Process mining and customer journey mapping in healthcare: Enhancing patient-centred care in stroke rehabilitation / I. Shafei, J. Karnon, M. Crotty // Digit. Health. - 2024. - Vol. 10. - P. 20552076241249264.

50. Pi-Rusinol, R. Process mining to investigate the relationship between clinical antecedents and injury risk, severity and return to play in professional sports / R. Pi-Rusinol [et al.]. // BMJ Open Sport Exerc. Med. - 2024. - Vol. 10, № 2. -P. e001890.

51. Yardley, E. Data-Driven Exploration of National Health Service Talking Therapies Care Pathways Using Process Mining: Retrospective Cohort Study / E. Yardley [et al.]. // JMIR Ment. Health. - 2024. - Vol. 11. - P. e53894.

52. Официальный сайт программного обеспечения Disco. - URL: https:// fl uxicon.com (дата обращения: 13.03.2025).

53. Официальный сайт ProM Tools. - URL: https://promtools.org/doku/ prom611.html (дата обращения: 13.03.2025).

54. Официальный сайт программного обеспечения Apromore. - URL: https:// forum.apromore.org (дата обращения: 13.03.2025).

55. Официальный сайт программного обеспечения Celonis. - URL: https:// www.celopeers.com (дата обращения: 13.03.2025).

56. Официальный сайт программного обеспечения UiPath. - URL: https:// uipath.com (дата обращения: 13.03.2025).

57. Демушкина, К. М. Анализ возможностей инструментов реализации технологии process mining / К. М. Демушкина, А. В. Кузьмин // Известия Самарского научного центра Российской академии наук. - 2023. - Т. 25, № 4 (114). - С. 114-120.

58. Демушкина, К. М. Разработка пользовательского конфигурационного окна для анализа ЭКГ в среде PROM / К. М. Демушкина, А. А. Масленников // Проблемы информатики в образовании, управлении, экономике и технике: сборник статей XXIII Международной научно-технической конференции, посвященной 80-летию Пензенского государственного университета (г. Пенза, 24-25 ноября 2023 г.). - Пенза : Изд-во ПГУ, 2023. - С. 158-161.

59. Демушкина, К. М. Особенности разработки плагина для анализа биомедицинских данных в среде PROM 6.11 / К. М. Демушкина, А. В. Кузьмин // Информационные системы и технологии (ИСТ-2023) : труды научно-технической конференции с международным участием (г. Самара, 19-21 июня 2023 г.). - Самара : Самарский научный центр РАН, 2023. - С. 199-202.

60. Демушкина, К. М. Обзор методов проектирования систем поддержки принятия врачебных решений / К. М. Демушкина, М. О. Демушкин, А. В. Кузьмин // Модели, системы, сети в экономике, технике, природе и обществе. - 2022. - № 2 (42). - С. 75-89.

61. Брянцева, О. В. Основные направления и проблемы внедрения технологий искусственного интеллекта в медицине / О. В. Брянцева // Вестник Саратовской государственной юридической академии. - 2024. - № 3 (158). -С. 118-121.

62. Официальный сайт International Medical Device Regulators Forum. -URL: https://www.imdrf.org/ (дата обращения: 23.03.2025).

63. О ратификации Соглашения о единых принципах и правилах обращения медицинских изделий (изделий медицинского назначения и медицинской техники) в рамках Евразийского экономического союза : Федеральный закон № 4-ФЗ от 31.01.2016 // КонсультантПлюс. - URL: https://www.consultant.ru/document/cons_doc_LAW_193127/ (дата обращения: 23.03.2025).

64. Об утверждении Правил государственной регистрации медицинских изделий : Постановление Правительства Российской Федерации № 1684 от 30.11.2024 // КонтурНорматив. - URL: https://normativ.kontur.ru/document? moduleId=1&documentId=483928#h743 (дата обращения: 23.03.2025).

65. Pan, J. Real-Time QRS Detection Algorithm / J. Pan, W. J. Tompkins // IEEE Trans Biomed Eng. - 1985. - Vol. BME-32, № 3. - P. 230-236.

66. Balta, D. Arrhythmia Detection using Pan-Tompkins Algorithm and Hilbert Transform with Real-Time ECG Signals / D. Balta, E. M. Akyemis // Acad. Perspect. Procedia. - 2021. - Vol. 4, № 1. - P. 307-315. - URL: https://www.

researchgate.net/publication/370500941_Pan-Tompkins_A_Robust_Approach_to_ Detect_R-peaks_in_ECG_Signals (дата обращения: 23.03.2025).

67. Khan, N. Pan-Tompkins++: A Robust Approach to Detect R-peaks in ECG Signals / N. Khan, M. N. Imtiaz. 2023. - URL: https: //rshare .library.torontomu. ca/

articles/preprint/Pan-Tompkins_A_Robust_Approach_to_Detect_R-peaks_in_ECG_ Signals/22734308?file=40394813 (дата обращения: 23.03.2025).

68. Леонова, А. В. Модификация алгоритма распознавания QRS-комплексов в реальном времени Пана-Томпкинсона / А. В. Леонова, А. А. Агейченко // Инженерный Вестник Дона. - 2015. - Т. 36, № 2-2. - С. 106.

69. Rangayyan R. M. Biomedical signal analysis. - 2nd edition. - New Jersey : IEEE Press John Wiley & Sons, Inc, 2015.

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

71. Айзикович, А. А. Вопросы анализа ЭКГ-сигналов с помощью вейвлет-преобразования / А. А. Айзикович, Ю. П. Демаков, Е. Л. Колесникова [и др.] // Приборостроение в XXI веке. Интеграция науки, образования, производства: труды III научно-практической конференции (г. Ижевск, 14-15 апреля 2006 г.) / Ижевский государственный технический университет им. М. Т. Калашникова. - Ижевск : Ижевский государственный технический университет

им. М. Т. Калашникова, 2007. - С. 484-488.

72. Дубровин, В. И. Усовершенствование методов анализа ЭКГ-сигналов на основе вейвлет-преобразования в системе электрокардиографии высокого разрешения / В. И. Дубровин, Ю. В. Твердохлеб // Радиоэлектроника, информатика, управление. - 2011. - № 1 (24). - С. 91-98.

73. Dinh, H. A. N. Wavelets for QRS detection / H. A. N. Dinh [et al.]. // 2001 Conference Proceedings of the 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society. - Istanbul : IEEE, 2001. -P. 1883-1887.

74. Monali, G. Machine Learning-Based Approach for ECG Analysis and Cardiac Anomaly Detection to Enhance Early Diagnosis and Treatment / G. Monali // Adv. Nonlinear Var. Inequalities. - 2024. - Vol. 28, № 2s. - P. 555-572.

75. Raghukumar, B. S. Enhancing Myocardial Infarction Diagnosis: Insights from ECG Image Analysis and Machine Learning / B. S. Raghukumar, B. Naveen // SN Comput. Sci. - 2024. - Vol. 5, № 5. - P. 448.

76. Пирова, Д. Ф. Обнаружение признаков болезни сердца с использованием методов машинного обучения / Д. Ф. Пирова, Б. Э. Забержинский, А. В. Машков // Информационные технологии и нанотехнологии (ИТНТ-2020) : сборник трудов по материалам VI Международной конференции и молодежной школы (г. Самара, 26-29 мая 2020 г.) : в 4 т. / под редакцией В. А. Фурсова. - Самара : Самарский национальный исследовательский университет имени академика С. П. Королева, 2020. - Т. 4. - С. 736-740.

77. Абдуалимов, Т. П. Возможности искусственного интеллекта в прогнозировании поражения коронарных артерий / Т. П. Абдуалимов, А. Г. Обрезан // Кардиология: новости, мнения, обучение. - 2022. - Т. 10, № 1. -С. 34-39.

78. Gedon, D. ResNet-based ECG Diagnosis of Myocardial Infarction in the Emergency Department / D. Gedon [et al.]. URL: https://dgedon.github.io/files/pdf/ publications/21_NSTEMI_AI_Health_workshop.pdf (дата обращения: 23.03.2025).

79. Николаев, Д. В. Биоимпедансный анализ состава тела человека / Д. В. Николаев, А. В. Смирнов, И. Г. Бобринская, С. Г. Руднев. - Москва: Наука, 2009. - 392 с.

80. Торнуев, Ю. В. Биоимпедансометрия в диагностике воспалительного процесса молочной железы / Ю. В. Торнуев, Е. В. Колдышева, Г. А. Лапий [и др.] // Бюллетень экспериментальной биологии и медицины. - 2013. - Т. 156, № 9. -С. 359-361.

81. Абдуллаев, Н. А. Критерии дифференциальной диагностики новообразований, гастритов и язвенной болезни желудка по показателям

биоимпеданса / Н. А. Абдуллаев, С. М. Балахнин, Г. М. Бушманова [и др.] // Фундаментальные исследования. - 2015. - № 1-9. - С. 1775-1779.

82. Меньшиков, В. А. Биоимпеданс как метод анализа состава человека / В. А. Меньшиков // Студенческие исследования - производству : сборник работ 27-й студенческой научной конференции (г. Благовещенск, 30 октября -13 ноября 2019 г.) / ответственный редактор А. И. Герасимович. - Благовещенск : Дальневосточный государственный аграрный университет, 2019. - С. 125-128.

83. Safronov, M. Reducing of Bioimpedance Influence on ECG by Correction Filter in Mobile Heart Monitoring System / M. Safronov, A. Kuzmin, O. Bodin [et al.] // Conference of Open Innovations Association, FRUCT. - 2020. - Vol. 27. -P. 200-206.

84. Сафронов, М. И. Снижение некардиальной составляющей электрокардиосигнала в системах долгосрочного амбулаторного мониторинга состояния сердца / М. И. Сафронов // Модели, системы, сети в экономике, технике, природе и обществе. - 2022. - № 3 (43). - С. 179-186.

85. Kron, J. Can Bioimpedance Analysis Be Used to Estimate Absolute Blood Volume in Hemodialysis Patients? / J. Kron [et al.] // Hemodial. Int. - 2025. -Vol. 29 (3). - P. hdi.13217.

86. Prakash, R. Abstract Su203: Development of Bioimpedance for the Measurement of Ventilation During Cardiopulmonary Resuscitation / R. Prakash, P. Jarrett, A. Idris // Circulation. - 2024. - Vol. 150, № Suppl_1. - URL: https://www.researchgate.net/publication/385815929_Abstract_Su203_Development _of_Bioimpedance_for_the_Measurement_of_Ventilation_During_Cardiopulmonary _Resuscitation (дата обращения: 23.03.2025).

87. Novak, M. Bioimpedance measurement: a non-invasive diagnosis of limb compartment syndrome / M. Novak [et al.]. // Front. Bioeng. Biotechnol. - 2024. -Vol. 12. - P. 1433284.

88. Николаев, Д. В. Лекции по биоимпедансному анализу состава тела человека / Д. В. Николаев, С. П. Щелыкалина. - Москва: РИО ЦНИИОИЗ МЗ РФ, 2016. - 152 с.

89. Kyle, U. Bioelectrical impedance analysis? Part I: review of principles and methods / U. Kyle // Clin. Nutr. - 2004. - № 5. - P. 1226-1243.

90. Lukaski, H. Assessment of fat-free mass using bioelectrical impedance measurements of the human body / H. Lukaski [et al.] // Am. J. Clin. Nutr. - 1985. -Vol. 41, № 4. - P. 810-817.

91. Dehghan, M. Is bioelectrical impedance accurate for use in large epidemiological studies? / M. Dehghan, A. T Merchant // Nutr. J. - 2008. - Vol. 7, № 1. - P. 26.

92. Organ, L. W. Segmental bioelectrical impedance analysis: theory and application of a new technique / L. W. Organ [et al.] // J. Appl. Physiol. - 1994. -Vol. 77, № 1. - P. 98-112.

93. Price, R. A. Resemblance for Body Mass Index in Families of Obese African American and European American Women / R. A. Price, D. R. Reed, N. J. Guido // Obes. Res. 2000. - Vol. 8, № 5. - P. 360-366.

94. Electrical Impedance Tomography: Methods, History and Applications / ed. by D. S. Holder ; Institute of Physics Publishing. - 2005. - doi: 10.1201/9780367801595

95. Shafer, K. J. Validity of segmental multiple-frequency bioelectrical impedance analysis to estimate body composition of adults across a range of body mass indexes / K. J. Shafer [et al.]. // Nutrition. 2009. - Vol. 25, № 1. - P. 25-32.

96. Patil, A. Multimodal Decision Support System for Improved Diagnosis and Healthcare Decision Making / A. Patil [et al.] // Research Journal of Cell Sciences. - 2025. - Vol. 1. - P. 1-5.

97. Руководство по кардиологии : в 4 т. Т. 1. Физиология и патофизиология сердечно-сосудистой системы / под редакцией академика Е. И. Чазова. -Москва: Практика, 2014. - 395 с.

98. Volkova, N. I. Electrocardiography. Study Guide / N. I. Volkova, I. S. Jeriyeva, A. L. Zibarev // Electrocardiography. Study Guide. OOO «GEOTAR-Media» Publishing Group, 2021.

99. Демушкина, К. М. Модифицированный алгоритм Пана - Томпкинса с адаптивным определением границ QRS-комплекса / К. М. Демушкина,

A. В. Кузьмин // Цифровая обработка сигналов. - 2025. - № 2. - С. 77-82.

100. Zheng, J. A large scale 12-lead electrocardiogram database for arrhythmia study / J. Zheng, H. Guo, H. Chu // PhysioNet. - 2022. - doi: 10/13026/wgex-er52 (дата обращения: 23.03.2025).

101. Moody, G. B. MIT-BIH Arrhythmia Database / G. B. Moody, R. G. Mark // PhysioNet. - 1992. - URL: https://physionet.org/content/mitdb/1.0.0/

102. Черешнев В. О. Исследование частотных характеристик электрокардиограммы при помощи дискретного преобразования Фурье /

B. О. Черешнев, С. Г. Проскурин // Современные наукоемкие технологии. -2019. - С. 89-93.

103. Mashkova, O. A. Methods for determining the elements of the PQRST-complex of the electrocardiogram / O. A. Mashkova [et al.] // Proc. Inst. Syst. Program. RAS. Institute for System Programming of the Russian Academy of Sciences. -2022. - Vol. 34. № 4. - P. 229-240.

104. Mukhopadhyay, S. K. Robust Identification of the QRS-Complexes in Electrocardiogram Signals Using Ramanujan Filter Bank-Based Periodicity Estimation Technique / S. K. Mukhopadhyay, S. Krishnan // Front. Signal Process. -2022. -Vol. 2. - doi: 10.3389/frsip.2022.921973

105. Официальный сайт Technische Universiteit Eindhoven University of Technology. - URL: https://www.xes-standard.org/_media/xes:xesstandarddefinition-2.0.pdf (дата обращения: 11.04.2025).

106. Демушкина, К. М. Исследование возможности построения дерева принятия решения при постановке диагноза с использованием ProM / К. М. Демушкина // Студент-Наука: сборник трудов Всероссийской научно-практической конференции (г. Воронеж, 5-6 декабря 2022 г.). - Воронеж : Воронежский государственный технический университет, 2022. - С. 106-108.

107. Демушкина, К. М. Разработка плагина для работы с цифровыми данными ЭКГ в системе PROM 6.11 / К. М. Демушкина, А. В. Кузьмин // Информационные технологии в науке и образовании. Проблемы и перспективы: сборник статей по материалам X Всероссийской научно-практической конференции (г. Пенза, 15 марта 2023 г.). - Пенза : Изд-во ПГУ, 2023. -С. 167-170.

108. Демушкина, К. М. Применение плагина Multi-perspective Process Explorer программы Prom 6.11 для анализа кардиограммы / К. М. Демушкина, А. В. Кузьмин // Известия вузов. Приборостроение. - 2025. - Т. 68, № 5. -С. 427-437. - doi: 10.17586/0021-3454-2025-68-5-427-437

109. Fitri, Y. A Process Mining Starting Guideline for Process Analysts and Process Owners: A Practical Process Analytics Guide using ProM / Y. Fitri, R. Bemthuis, M. Elhagaly, F. Wijnhoven, F. Bukhsh. - 2020. - URL: https:// research.utwente.nl/en/publications/a-process-mining-starting-guideline-for-process-analysts-and-proc (дата обращения: 21.04.2025).

110. Demushkina, K. Method and Process Mining Based Software for ECG Analysis and Arrhythmia Detection / K. Demushkina, A. Kuzmin // 2025 27th International Conference on Digital Signal Processing and its Applications (DSPA). -Moscow : IEEE, 2025. - P. 1-5.

111. Гончарова, А. Б. Программная реализация системы принятия диагностических решений на основе мультипараметрических ультразвуковых показателей образований молочной железы / А. Б. Гончарова, Е. А. Бусько // Сибирский журнал клинической и экспериментальной медицины. - 2020. -№ 4. - URL: https://cyberleninka.ru/article/n/programmnaya-realizatsiya-sistemy-prinyatiya-diagnosticheskih-resheniy-na-osnove-multiparametricheskih-ultrazvukovyh-pokazateley (дата обращения: 09.06.2025).

112. Солодкий, В. А. Современные системы поддержки принятия врачебных решений на базе искусственного интеллекта для анализа цифровых маммографических изображений / В. А. Солодкий, А. Д. Каприн, Н. В. Нуднов, Н. В. Харченко, О. С. Ходорович, Г. М. Запиров, Т. В. Шерстнева,

Ш. М. Дибирова, Л. Б. Канахина // Вестник рентгенологии и радиологии. -2023. - № 104 (2). - С. 151-162. - doi: 10.20862/0042-4676-2023-104-2-151-162

113. Paulsen, K. D. Alternative Breast Imaging: Four Model-Based Approaches / K. D. Paulsen, P. M. Meaney, L. C. Gilman. - Boston : Springer Science + Business Media, Inc, 2005. - 254 p.

114. Kuzmin, A. Signal Processing in the Problem of Breast Tumors Detection by Impedansometry Method Based on Havriliak-Negami Model / A. Kuzmin,

V. Baranov, A. Pushkareva // 2024 26th International Conference on Digital Signal Processing and its Applications (DSPA). - Moscow : IEEE, 2024. - P. 1-5.

115. Zarafshani, A. Conditioning Electrical Impedance Mammography System / A. Zarafshani [et al.] // Measurement. - 2018. - Vol. 116. - P. 38-48.

116. Korjenevsky, A. V. Research electrical impedance tomography system suitable for making in out of factory conditions / A. V. Korjenevsky // JRE. - 2021. -Vol. 2021, № 9.

117. Korjenevsky, A. V. Use of machine learning to diagnose breast cancer from raw electrical impedance tomography data / A. V. Korjenevsky // Biomed Eng.

- 2024. - № 1.

118. Zarafshani, A. Feasibility Test of Quantitative Assessment of Breast Density Based on Dielectric Impedance Spectroscopy / A. Zarafshani // JABB. -2017. - Vol. 2, № 6.

119. Jain, P. Enhanced cardiovascular diagnostics using wearable ECG and bioimpedance monitoring with LightGBM classifier / P. Jain [et al.] // Biosensors and Bioelectronics: X. - 2025. - Vol. 24. - P. 100617. - doi: 10.1016/j.biosx.2025.100617

120. Kuzmin, A. Bioimpedance spectroscopy of breast phantoms / A. Kuzmin, V. Baranov // Journal of Electrical Bioimpedance. - 2025. - Vol. 16, № 1. -P. 50-55.

121. Khanal, T. Sensitivity study of a locally developed six electrode focused impedance method / T. Khanal, K. S. Rabbani // Journal of Electrical Bioimpedance.

- 2024. - Vol. 15, № 1. - P. 33-40.

122. Официальный сайт Keysight Technologies. - URL: https://www. keysight.com (дата обращения: 20.06.2025).

123. Официальный сайт Impedance Medical Technologies. - URL: https:// medimpedance.com/ (дата обращения: 20.06.2025).

124. Официальный сайт SIM-technika. - URL: https://impedance.com.ru/ product/electrical-impedance-mammograph/meik/ (дата обращения: 20.06.2025).

125. Baranov, V. Estimation of the Parameters of the Havriliak-Negami Model for Breast Phantoms / V. Baranov [et al.] // 2025 27th International Conference on Digital Signal Processing and its Applications (DSPA). - Moscow : IEEE, 2025. -P. 1-5. - doi: 10.1109/DSPA64310.2025.10977865

126. Оценка качества регрессионных прогнозов | Машинное и глубокое обучение // deepmachinelearning.ru : [сайт]. - URL: https://deepmachinelearning.ru/

docs/Machine-learning/Regression-evaluation/Regression-evaluation-metrics свободный (дата обращения: 20.05.2025).

127. MSE и MAE - ключевые метрики для оценки точности прогнозирования // Sky.pro. - URL: https://sky.pro/wiki/analytics/mse-i-mae-klyuchevye-metriki-dlya-otsenki-tochnosti-prognozirovaniya/ (дата обращения: 20.06.2025).

128. Косякова, Н. В. Оценка регионального здравоохранения методом Minmax с целью изучения опыта организации лекарственного обеспечения больных с орфанными заболеваниями / Н. В. Косякова // Здоровье и образование в XXI веке. - 2017. - № 12. - URL: https://cyberleninka.ru/article/n/otsenka-regionalnogo-zdravoohraneniya-metodom-minmax-s-tselyu-izucheniya-opyta-organizatsii-lekarstvennogo-obespecheniya-bolnyh-s (дата обращения: 09.06.2025).

129. Rodriguez, A. MinMax: A versatile tool for calculating and comparing synonymous codon usage and its impact on protein folding / A. Rodriguez, G. Wright, S. Emrich, P. L. Clark // Protein Sci. - 2018. - № 27 (1) - P. 356-362. -doi: 10.1002/pro.3336. - PMID: 29090506. - PMCID: PMC5734269

130. Sara, I. Feature Selection Using Correlation Analysis and Principal Component Analysis for Accurate Breast Cancer Diagnosis / I. Sara, N. Saima, V. Sergio // Journal of Imaging. - 2021. - Vol. 7. - P. 225. - doi: 10.3390/jimaging7110225

131. Md Sarwar, H. Breast Density Classification for Cancer Detection Using DCT-PCA Feature Extraction and Classifier Ensemble / Md H. Sarwar, Md H. G. Binmakhashen, A. Owaidh, J. Kamruzzaman. - 2018. - doi: 10.1007/978-3-319-76348-4_68

132. Hao, Ch. Efficient strategies for leave-one-out cross validation for genomic best linear unbiased prediction / Ch. Hao, G. Dorian, R. Fernando // Journal of Animal Science and Biotechnology. - 2017. - Vol. 8. - doi: 10.1186/s40104-017-0164-6

133. Jin, Y. Leave-One-Out Cross-Validation Based Model Selection for Manifold Regularization / Y. Jin, Li Yanming, Liu Chengliang, Zha Xuan. - 2010. -Vol. 6063. - P. 457-464.

134. Демушкина, К. М. Агрегированная оценка результатов диэлектрической импедансной спектроскопии на основе статистических параметров и метрики Хаусдорфа / К. М. Демушкина // Модели, системы, сети в экономике, технике, природе и обществе. - 2025. - № 2. - С. 148-154.

135. Свидетельство о государственной регистрации программы для ЭВМ № 2025616658 Российская Федерация. Программа обнаружения R-пика на сигнале ЭКГ с адаптивным определением границ диапазона его расположения : заявл. 14.03.2025 : опубл. 19.03.2025 / Кузьмин А. В., Демушкина К. М. ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Пензенский государственный университет».

136. Moody, G. B. MIT-BIH Arrhythmia Database / G. B. Moody, R. G. Mark // PhysioNet. - 1992. - URL: https://physionet.org/content/mitdb/1.0.0/ (дата обращения: 23.03.2025).

137. Zheng, J. large scale 12-lead electrocardiogram database for arrhythmia study / J. Zheng, H. Guo, H. A Chu // PhysioNet. - URL: https://physionet.org/ content/ecg-arrhythmia/1.0.0/ (дата обращения: 23.03.2025).

138. Makowski, D. NeuroKit2: A Python toolbox for neurophysiological signal processing / D. Makowski [et al.]. // Behav Res. - 2021. - Vol. 53, № 4. -P. 1689-1696.

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

140. Свидетельство о государственной регистрации программы для ЭВМ № 2023680277 Российская Федерация. Плагин для определения сердечного ритма на основе данных ЭКГ для системы ProM 6.11: № 2023668910: заявл. 14.09.2023: опубл. 28.09.2023 / Кузьмин А. В., ДемушкинаК. М. ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Пензенский государственный университет».

141. PM4Py: Process Mining for Python. - URL: https://pm4py.fit.fraunhofer.de/ (дата обращения: 01.05.2025).

142. Свидетельство о государственной регистрации программы для ЭВМ № 2025665861 Российская Федерация. Программа для сравнительного анализа результатов биоимпедансной спектроскопии с использованием статистических показателей и метрики Хаусдорфа.: заявл. 30.05.2025: опубл. 19.06.2025 / Кузьмин А. В., ДемушкинаК. М. ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Пензенский государственный университет».

153

ПРИЛОЖЕНИЕ А

АКТЫ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО

ИССЛЕДОВАНИЯ

об использовании результатов диссертационной работы Демушкиной Ксении Михайловны, представленной на соискание ученой степени кандидата технических наук

Настоящим актом удостоверяется. что результаты диссертационной работы Демушкиной Ксении Михайловны «Методики и алгоритмы обработки цифровых данных электрокардиографии и биоимпедансометрии для систем поддержки принятия решений», представленной на соискание ученой степени кандидата технических наук по специальности 2.3.1 Системный анализ, управления и обработка информации, статистика, используются в учебном процессе при подготовке студентов, обучающихся в ФГБОУ ВО «Пензенский государственный университет» по специальности 09.05.01 Применение и эксплуатация автоматизированных систем специального назначения.

Материалы диссертационной работы Демушкиной K.M.. в том числе зарегистрированные программы для ЭВМ «Плагин для определения сердечного ритма на основе данных ЭКГ для системы РгоМ 6.11» (Свидетельство №2023680277 от 28.09.2023), «Программа обнаружения R-иика на сигнале ЭКГ с адаптивным определением границ диапазона его расположения » (Свидетельство № 2025616658 от 19.03.2025), «Программа для сравнительного анализа результатов биоимпедансной спектроскопии с использованием статистических показателей и метрики Хаусдорфа» (Свидетельство № 2025665861 от 19.06.2025). используются при изучении курса «Экспертные системы». прохождении Производственной практики (Научно-исследовательской работы) студентами, обучающимися по специальности 09.05.01 Применение и эксплуатация автоматизированных систем специального назначения. профиль Автоматизированные системы обработки информации и управления специального назначения.

Директор политехнического института

Декан факультета вычислительной техники

Л.Р. Фионова

Министерство науки и высшею образования Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего образования «Пензенский государственный университет» (ФГБОУ ВО «ПГУ»>) ул. Красная, д. 40. г. Пенза. Россия. 440026 Тел факс: [phone], e-mail: cnifiipnzgu.ru. http: \sww.pnzgu.ru ОКПО 02069042. ОГРН 1025801440620. ИНН КПП 5837003736 583701001

Справка

об участии в выполнении научно-исследовательских работ

Выдана Демушкиной Ксении Михайловне в том. что она принимала участие в выполнении научно-исследовательских работ, реализуемых в ФГБОУ ВО «Пензенский государственный университет»:

1) НИР в рамках государственного задания Министерства науки и высшего образования Российской Федерации по теме: «Разработка технологии раннего обнаружения новообразований молочной железы на основе методов микроволновой томографии и биоимпедансной спектроскопии» (№ госрегистрации 124020200015-7. 2024-2025 гг.). Руководитель-д.ф-.м.н. Смирнов Ю.Г.

2) НИР в рамках программы «Ректорские гранты для молодых ученых и аспирантов 2023» по теме: «Разработка и исследование способа и программного обеспечения для анализа ЭКГ на основе подхода Process Mining с возможностью построения деревьев диагностических решений» (приказ №78/0 от 25.01.2023г. 20232024 гг.). Научный консультант - д.т.н. Кузьмин A.B.

Справка выдана для представления в диссертационный совет Д 24.2.357.03 Пензенского государственного университета при защите диссертационной работы Демушкиной Ксении Михайловны «Методики и алгоритмы обработки цифровых данных электрокардиографии и биоимпедансометрии для систем поддержки принятия решений», представленной на соискание ученой степени кандидата технических наук по специальности 2.3.1 «Системный анализ, управления и обработка информации, статистика».

С.М.Васин

УТВЕРЖДАЮ Заместитель генерального директора - главный конструктор

«НПГ1 «Рубин», к.т.н., доцент ^^_Сериков И.В.

2025 г.

АКТ

реализации (внедрения) научных результатов диссертационной работы Демушкиной Ксении Михайловны «Методики и алгоритмы обработки цифровых данных электрокардиографии

и биоимпедансометрии для систем поддержки принятия решений», представленной на соискание ученой степени кандидата технических наук по специальности 2.3.1 «Системный анализ, управления и обработка

информации, статистика»

Комиссия в составе:

председатель комиссии - заместитель генерального директора по ГОЗ АО «НПП «Рубин» - начальник научно-технического центра №1 Мясин Петр Юрьевич;

члены комиссии:

и.о. заместителя начальника научно-технического центра №1 по программному обеспечению Красилов Александр Владимирович;

главный специалист научно-технического центра №1 Мухин Владимир Николаевич;

начальник отдела научно-технического центра №1 Шеланков Олег Евгеньевич

свидетельствует о том, что в период с 2024 по 2025 гг. в ходе освоения производства инновационной продукции при подготовке перспективных научно-технических и инвестиционных проектов, а именно, проекта использования технологии анализа процесса в мобильных станциях забора крови были апробированы и реализованы научные положения кандидатской диссертации Демушкиной K.M.:

- методика анализа биомедицинских данных с помощью технологии анализа процессов (process mining);

- схема взаимодействия систем поддержки принятия решения с инструментами технологии анализа процессов.

Комиссия пришла к выводу, что полученные научные результаты имеют высокую эффективность в научно-техническом плане и инвестиционную привлекательность.

Члены комиссии:

Председатель комиссии:

2025 г.

O.E. Шеланков

A.B. Красилов

П.Ю. Мясин

В.Н. Мухин

« »

УТВЕРЖДАЮ Проректор по научной работе ФГБОУ ВО СамГМУ Минздрава России,

лк, профессор

И.Л. Давыдкин

об использовании результатов г Демушкиной Ксении

й работы

представленной на соискание ученой степени кандидата технических наук

Настоящим актом подтверждается, что результаты диссертационной работы Демушкиной Ксении Михайловны «Методики и алгоритмы обработки цифровых данных электрокардиографии и биоимпедансометрии для систем поддержки принятия решений», представленной на соискание ученой степени кандидата технических наук по специальности 2.3.1. Системный анализ, управления и обработка информации, статистика, внедрены в учебный процесс и научно-исследовательскую работу Передовой медицинской инженерной школы Федерального государственного бюджетного образовательного учреждения высшего образования «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации в рамках образовательных программ магистратуры «Инженерия искусственного интеллекта» и «Телемедицина и поддержка принятия врачебных решений» направления подготовки 09.04.01 Информатика и вычислительная техника.

Внедрены следующие результаты, полученные Демушкиной K.M.: -модифицированный алгоритм Пана-Томпкинса для опереления R-пика на основе цифровых данных электрокардиографии;

-алгоритм конвертации цифровых данных электрокардиограммы в журнал событий формата XES (process mining).

Результаты, полученные Демушкиной K.M., показали высокую эффективность в научно-техническом плане и инвестиционную привлекательность.

Директор Передовой медицинской инженерной школы, д.т.н., профессор

Заместитель директора Передовой медицинской инженерной школы, к.т.н.

Н.В. Чертыковцева

Руководитель проекта

Е.А. Ключникова

159

ПРИЛОЖЕНИЕ Б

СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ