Оценка сердечного ритма и детекция аритмий по электромиографическому сигналу с помощью сверточной нейронной сети

Цель исследования — разработка и валидация алгоритма на основе сверточного автокодировщика для оценки сердечного ритма по сигналам поверхностной электромиографии (ЭМГ), регистрируемым «ЭМГ-системой Миокостюм», использование которой расширит возможности последующего создания интегрированных систем неинвазивного мониторинга функционального состояния (утомления, стресса и нарушений сердечного ритма).

Материалы и методы. В исследовании участвовали 6 здоровых мужчин (средний возраст 21±2 года). Синхронную запись сигналов ЭМГ проводили с использованием «ЭМГ-системы Миокостюм», электрокардиографа «ВНС-Микро» и монитора Polar H10 в состоянии покоя, а также при статической и динамической нагрузке на бицепс.

Результаты. Разработан полностью сверточный автокодировщик, обученный на бинарных масках R-зубцов, для извлечения данных компонентов кардиоциклов из записей ЭМГ. Качество работы модели оценивали по F-мере в трех сценариях: I — на объединенных данных всех испытуемых; II — с исключением одного испытуемого из обучения и тестированием на его данных; III — на персональных данных каждого испытуемого по отдельности. На основе сигналов ЭМГ, зарегистрированных с большой грудной мышцы датчиками «ЭМГ-системы Миокостюм», с помощью сверточного автокодировщика продемонстрирована возможность построения ритмограммы — последовательности R–R-интервалов необходимой для анализа вариабельности сердечного ритма и скрининга аритмий. В сценарии I для ЭМГ-сигналов в состоянии покоя и при статическом упражнении на бицепс достигнута максимальная F-мера, при динамическом упражнении на бицепс качество классификации также оказалось высоким. Результаты сценария II указывают на то, что система надежно работает при тестировании на данных испытуемого, исключенного из обучающей выборки. Сценарий III показал наихудшие результаты. С учетом высокой обобщающей способности алгоритма в отношении данных, не включенных в обучающую выборку, сценарий II представляет собой наиболее реалистичный вариант использования и демонстрирует наилучшие общие результаты.

Заключение. Подтверждена возможность использования универсальных ЭМГ-электродов «ЭМГ-системы Миокостюм» для одновременного мониторинга мышечной активности и сердечного ритма. Разработанный алгоритм демонстрирует высокую производительность при решении задачи извлечения ритмограммы из сигналов ЭМГ в условиях покоя и мышечной нагрузки. Это открывает перспективы для создания экономически эффективных носимых систем комплексной оценки функционального состоянияи скрининга нарушений сердечного ритма в режиме реального времени без необходимости использования отдельного ЭКГ-канала.

1. Teo K.K., Rafiq T. Cardiovascular risk factors and prevention: a perspective from developing countries. Can J Cardiol 2021; 37(5): 733–743, https://doi.org/10.1016/j.cjca.2021.02.009.
2. Arakaki X., Arechavala R.J., Choy E.H., Bautista J., Bliss B., Molloy C., Wu D.A., Shimojo S., Jiang Y., Kleinman M.T., Kloner R.A. The connection between heart rate variability (HRV), neurological health, and cognition: a literature review. Front Neurosci 2023; 17: 1055445, https://doi.org/10.3389/fnins.2023.1055445.
3. Ishaque S., Khan N., Krishnan S. Trends in heart-rate variability signal analysis. Front Digit Health 2021; 3: 639444, https://doi.org/10.3389/fdgth.2021.639444.
4. Parin S., Polevaia A., Polevaia S. A neurochemical framework to stress and the role of the endogenous opioid system in the control of heart rate variability for cognitive load. COGNITIVE 2017: The Ninth International Conference on Advanced Cognitive Technologies and Applications 2017; 24: 16–20.
5. Peltola M.A. Role of editing of R-R intervals in the analysis of heart rate variability. Front Physiol 2012; 3: 148, https://doi.org/10.3389/fphys.2012.00148.
6. von Tscharner V., Eskofier B., Federolf P. Removal of the electrocardiogram signal from surface EMG recordings using non-linearly scaled wavelets. J Electromyogr Kinesiol 2011; 21(4): 683–688, https://doi.org/10.1016/j.jelekin.2011.03.004.
7. Willigenburg N.W., Daffertshofer A., Kingma I., van Dieën J.H. Removing ECG contamination from EMG recordings: a comparison of ICA-based and other filtering procedures. J Electromyogr Kinesiol 2012; 22(3): 485–493, https://doi.org/10.1016/j.jelekin.2012.01.001.
8. Lu G., Brittain J.S., Holland P., Yianni J., Green A.L., Stein J.F., Aziz T.Z., Wang S. Removing ECG noise from surface EMG signals using adaptive filtering. Neurosci Lett 2009; 462(1): 14–19, https://doi.org/10.1016/j.neulet.2009.06.063.
9. Mak J.N., Hu Y., Luk K.D. An automated ECG-artifact removal method for trunk muscle surface EMG recordings. Med Eng Phys 2010; 32(8): 840–848, https://doi.org/10.1016/j.medengphy.2010.05.007.
10. Nougarou F., Massicotte D., Descarreaux M. Efficient procedure to remove ECG from sEMG with limited deteriorations: extraction, quasi-periodic detection and cancellation. Biomed Signal Process Control 2018; 39: 1–10, https://doi.org/10.1016/j.bspc.2017.07.019.
11. Hou C., Cai F., Liu F., Cheng S., Wang H. A method for removing ECG interference from lumbar EMG based on signal segmentation and SSA. IEEE Sensors Journal 2022; 22(13): 13309–13317, https://doi.org/10.1109/jsen.2022.3179434.
12. Gierałtowski J., Ciuchciński K., Grzegorczyk I., Kośna K., Soliński M., Podziemski P. RS slope detection algorithm for extraction of heart rate from noisy, multimodal recordings. Physiol Meas 2015; 36(8): 1743–1761, https://doi.org/10.1088/0967-3334/36/8/1743.
13. Weiss R., Karimijafarbigloo S., Roggenbuck D., Rödiger S. Applications of neural networks in biomedical data analysis. Biomedicines 2022; 10(7): 1469, https://doi.org/10.3390/biomedicines10071469.
14. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Navab N., Hornegger J., Wells W., Frangi, A. (editors). Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. Springer, Cham, https://doi.org/10.1007/978-3-319-24574-4_28.
15. Chicho B.T., Bibo Sallow A. A comprehensive survey of deep learning models based on Keras framework. J Soft Comput Data Min 2021; 2(2): 49–62, https://doi.org/10.30880/jscdm.2021.02.02.005.
16. Пимашкин А.С., Сесекин Г.Н., Хоружко М..А., Казанцев В.Б., Гордлеева С.Ю., Кастальский И.А., Ли А.Н., Лобов С.А., Миронов В.И., Мищенко М.А., Салихов Р.А., Храмов А.Е. Гибкий растяжимый кабель. Патент RU 223 063. 2024.
17. Пимашкин А.С., Сесекин Г.Н., Хоружко М..А., Казанцев В.Б., Гордлеева С.Ю., Кастальский И.А., Ли А.Н., Лобов С.А., Миронов В.И., Мищенко М.А., Салихов Р.А., Храмов А.Е. Устройство в виде предмета одежды для регистрации и коррекции активности мышц. Патент RU 223 369. 2024.
18. Kastalskiy I., Mironov V., Lobov S., Krilova N., Pimashkin A., Kazantsev V. A neuromuscular interface for robotic devices control. Comput Math Methods Med 2018; 2018: 8948145, https://doi.org/10.1155/2018/8948145.
19. Obi J.C. A comparative study of several classificationmetrics and their performances on data. World J Adv Eng Technol Sci 2023; 8(1): 308–314, https://doi.org/10.30574/wjaets.2023.8.1.0054.
20. Costa Junior J.D., de Seixas J.M., Ferreira Leite Miranda de Sá A.M. Reducing electrocardiographic interference in the multichannel electromyogram to help muscle fatigue assessment in low-intensity contractions. Franklin Open 2024; 9: 100177, https://doi.org/10.1016/j.fraope.2024.100177.

Sazhina M.A., Lobov S.A., Pimashkin A.S., Loskot I.V., Kazantsev V.B. Assessment of Heart Rhythm and Arrhythmia Detection from Electromyographic Signals Using a Convolutional Neural Network. Sovremennye tehnologii v medicine 2025; 17(6): 5, https://doi.org/10.17691/stm2025.17.6.01