Širdies ir kraujagyslių ligos yra pagrindinė mirties priežastis pasaulyje, o jų diagnostikai plačiai naudojama elektrokardiograma (EKG), tačiau EKG signalų analizę apsunkina įvairūs triukšmai. Ši problema ypač aktuali nešiojamuose įrenginiuose ar monitoriuose, todėl reikalingas efektyvus signalų apdorojimas. Be to, signalų bangų kaip P, T ir QRS kompleksų segmentavimas be išankstinio triukšmų pašalinimo yra sudėtingas. Neuroninių tinklų tokių kaip DMAM, BiGRU ar CS-TRANS pagalba galima spręsti abi problemas formuojant tinklų junginį, kai vienas modelis pašalina triukšmus, o kitas segmentuoja signalą. Šių modelių mokymui būtini ne tik dideli duomenų kiekiai, bet ir tiksliai suanotuoti signalai. Paminėti modeliai gali pasiekti signalo ir triukšmo santykį iki 20 dB, o segmentuojant išlaikyti atkūrimo metriką visoms bangoms iki 100 %, tačiau preciziškumo matas išlieka mažesnis. Tyrimo metu nustatyta, kad geriausi rezultatai fiksuoti naudojant DMAM modelį apdorojant -3 dB raumenų triukšmą, o segmentuojant apdorotą signalą atkūrimo metrika išliko maksimali visoms bangos ir preciziškumo matas aukštas P ir T bangoms, bet QRS komplekso šiek tiek mažesnis. Gauti rezultatai įrodo, kad praktikoje pritaikius šiuos algoritmus galima ne tik pagerinti EKG signalų diagnostikos tikslumą, bet ir sumažinti medicinos specialistų darbo krūvį bei užtikrinti aukštesnę pacientų priežiūros kokybę.
This work is licensed under a Creative Commons Attribution 4.0 International License.