ПРЕЦИЗІЙНА МОРФОФУНКЦІОНАЛЬНА КЛАСИФІКАЦІЯ ЕЛЕКТРОКАРДІОГРАФІЧНИХ СИГНАЛІВ НА ОСНОВІ ВЕЙВЛЕТ-ПЕРЕТВОРЕННЯ

Автор(и)

  • В.К. Тащук проф., д-р мед.наук, зав.кафедри внутрішньої медицини, фізичної реабілітації та спортивної медицини Буковинського державного медичного університету, м. Чернівці, Україна
  • С.В. Мельничук проф., д-р фіз.-мат. наук, професор кафедри комп’ютерних систем і мереж Чернівецького національного університету ім. Юрія Федьковича, м. Чернівці, Україна
  • С.В. Первозванський фізик-дослідник, комерційний директор газети «Молодий буковинець», Україна
  • М.В. Тащук аспірант кафедри пропедевтики внутрішніх хвороб Буковинського державного медичного університету, м. Чернівці, Україна
  • Т.М. Амеліна канд.мед.наук, доцент закладу вищої освіти кафедри внутрішньої медицини, фізичної реабілітації та спортивної медицини Буковинського державного медичного університету, м. Чернівці, Україна

DOI:

https://doi.org/10.24061/2413-0737.29.4.116.2025.1

Ключові слова:

електрокардіографія; вейвлет-аналіз Morlet і Daubechies; ішемія; патерн ранньої реполяризації

Анотація

Мета роботи – оцінити ефективність використання вейвлет-перетворення для аналізу біомедичних сигналів, зокрема електрокардіограми (ЕКГ), у диференціації нормальних станів, змін фази реполяризації при ішемії міокарда та патерну ранньої реполяризації.
Матеріал і методи. Проаналізовано електрокардіографічні сигнали пацієнтів із різними порушеннями фази реполяризації: норма, транзиторна ішемія міокарда (депресія сегмента ST), гострий коронарний синдром (ГКС) з елевацією сегмента ST, доброякісний патерн ранньої реполяризації. Проведено порівняння результатів неперервного вейвлет-аналізу з використанням вейвлетів Morlet і Daubechies (db4). Знайдені коефіцієнти розкладу сегмента ST сигналу за вказаними вейвлетами, для кількісної оцінки вибрані наступні показники: S1 (середнє значення коефіцієнтів розкладу), S2 (сума модулів коефіцієнтів), S3 (сума дійсних частин) у високому і низькочастотному діапазонах.
Результати. Використання вейвлета Morlet демонструє кращу частотну роздільну здатність для низькочастотних коливань, а вейвлета Daubechies – ефективну локалізацію у високочастотній зоні. Синдром ранньої реполяризації показав максимальні значення спектральних показників при обох вейвлетах і масштабах, зокрема S2=278,14 (Daubechies, a=50) та S3=91,81 (Morlet, a=50), що свідчить про високу спектральну активність. Ішемічні стани мають менш виражені компоненти, особливо при ішемії з депресією сегмента ST (S3=-10,33).
Висновки. Вейвлет-перетворення дозволяє одночасно аналізувати часові та частотні характеристики ЕКГ-сигналів, на відміну від перетворення Фур’є, яке не враховує локальних часових змін. Кількісні індекси (S1–S3) є інформативними критеріями для диференціації патологічних станів серця. Використання комбінації вейвлетів Morlet та Daubechies (db4) підвищує діагностичну точність і може бути основою для створення автоматизованих систем медичної діагностики.

Посилання

Alarcon B, Stalder DH, Morales-Mareco F. Optimization of ECG signal delineation algorithms with discrete wavelet transform. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics. 2025;11(1):1-2. https://proceedings.sbmac.org.br/sbmac/article/view/4832/4893

Yang H, Bukkapatnam ST, Komanduri R. Nonlinear adaptive wavelet analysis of electrocardiogram signals. Physical Review E. 2007;76:026214. https://doi.org/10.1103/PhysRevE.76.026214

Taschuk VK, Mel'nychuk SV, Pervozvans'kyi SV, Taschuk MV, Amelina TM. Personalizatsiia elektrokardiohrafichnoho analizu ishemichnoho paternu vysokoho ryzyku za dopomohoiu chastotnoi klasyfikatsii [Personalization of electrocardiographic analysis of high-risk ischemic patterns using frequency classification]. Klinichna ta eksperymental'na patolohiia. 2025;24(2):8-13. https://doi.org/10.24061/1727-4338.XXIV.2.92.2025.02 (in Ukrainian).

Mehra M, Mehra VK, Ahmad M. Wavelets theory and its applications. Springer; 2018. 185 p.

Balasubramani M, Srinivasan M, Jean W-H, Fan S-Z, Shieh J-S. A novel framework for quantum-enhanced federated learning with edge computing for advanced pain assessment using ECG signals via continuous wavelet transform images. Sensors (Basel). 2025;25(5):1436. DOI: 10.3390/s25051436.

Kirkbas A, Kizilkaya A. Automated ECG arrhythmia classification using feature images with common matrix approach-based classifier. Sensors. 2025;25(4):1220. https://www.mdpi.com/1424-8220/25/4/1220

Plaza-Seco C, Baksh M, Barner KE, Blanco-Velasco M. DeepTWA-TM: Deep learning T-wave alternans detection in ambulatory ECG via time analysis. IEEE Journal of Biomedical and Health Informatics. 2025;29(8):5585-95. DOI: 10.1109/JBHI.2025.3553789.

##submission.downloads##

Опубліковано

2025-12-24

Номер

Том 29 № 4 (116) (2025)

Розділ

ОРИГІНАЛЬНІ ДОСЛІДЖЕННЯ

Ліцензія

Авторське право (c) 2025 Буковинський медичний вісник

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.

Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.

Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).