Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Копец Е. Е., Рыбин В. Г., Васильченко О. В., Куртова К. А., Каримов Т. И., Каримов А. И., Бутусов Д. Н. Хаотический генератор электрокардиограммы на основе электронной цепи с мемристором // Известия вузов. ПНД. 2025. Т. 33, вып. 5. С. 691-708. DOI: 10.18500/0869-6632-003176, EDN: UZATFJ

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 0)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
530.182
EDN: 

Хаотический генератор электрокардиограммы на основе электронной цепи с мемристором

Авторы: 
Копец Екатерина Евгеньевна, Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)
Рыбин Вячеслав Геннадьевич, Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)
Васильченко Олег Вадимович, Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)
Куртова Карина Александровна, Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)
Каримов Тимур Искандарович, Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)
Каримов Артур Искандарович, Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)
Бутусов Денис Николаевич, Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)
Аннотация: 

Целью данного исследования является создание феноменологической модели электрокардиограммы человека на основе модели МакШерри и достижение правдоподобного распределения межпиковых интервалов между отдельными сердечными сокращениями.

Методы. В данной статье представлен передовой подход к генерации синтетической электрокардиограммы с использованием модифицированной модели МакШерри. Мы использовали хаотическую динамику вместо обычных генераторов псевдослучайных чисел для лучшего представления изменчивости динамических параметров электрокардиограммы, таких как межпиковые интервалы. В качестве генератора хаоса представлено уравнение цепи четвертого порядка с мемристором. Регулируя параметры этой системы, можно изменять диапазон пиковых параметров в синтетической электрокардиограммы. Предложенный генератор ЭКГ может быть реализован как компьютерная модель или как аналоговая схема в зависимости от требований приложения.

Результаты. Экспериментальное исследование сгенерированных синтетических сигналов с временными формами волн, фазовыми портретами и анализом тахограмм продемонстрировало хорошее соответствие между синтетическими и реальными электрокардиограммы. Показано, что модифицированный подход к генерации электрокардиограммы обеспечивает достаточно реалистичный и надежный метод моделирования синтетических сигналов электрокардиограммы.

Заключение. Представленное решение имеет множество возможных применений, таких как калибровка медицинских кардиографов, медицинское образование и модели машинного обучения для анализа электрокардиограммы.
 

Благодарности: 
Исследование поддержано Российским научным фондом (РНФ), проект 23-71-01084.
Список источников: 
  1. Kopets E, Shpilevaya T, Vasilchenko O, Karimov A, Butusov D. Generating synthetic sperm whale voice data using StyleGAN2-ADA. Big Data Cogn. Comput. 2024;8(4):40. DOI: 10.3390/ bdcc8040040.
  2. Karimov A, Kopets E, Karimov T, Almjasheva O, Arlyapov V, Butusov D. Empirically developed model of the stirring-controlled Belousov–Zhabotinsky reaction. Chaos, Solitons & Fractals. 2023;176:114149. DOI: 10.1016/j.chaos.2023.114149.
  3. Ware WA, Bonagura JD, Scansen BA. Electrocardiography. In: Cardiovascular Disease in Companion Animals. Boca Raton: CRC Press; 2021. P. 135–166.
  4. Vafaie MH, Ataei M, Koofigar HR. Heart diseases prediction based on ECG signals’ classification using a genetic-fuzzy system and dynamical model of ECG signals. Biomed. Signal Process. Control. 2014;14:291–296. DOI: 10.1016/j.bspc.2014.08.010.
  5. Golany T, Radinsky K, Freedman D. SimGANs: Simulator-based generative adversarial networks for ECG synthesis to improve deep ECG classification. In: Proceedings of the 37th International Conference on Machine Learning. 2020, Vienna, Austria. P. 3597–3606.
  6. Sameni R, Shamsollahi MB, Jutten Ch, Babaie-Zade M. Filtering noisy ECG signals using the extended Kalman filter based on a modified dynamic ECG model. In: Computers in Cardiology. 2005, Lyon, France. IEEE; 2005. P. 1017–1020. DOI: 10.1109/CIC.2005.1588283.
  7. Das S, Gupta R, Mitra M. Development of an analog ECG simulator using standalone embedded system. International Journal of Electrical, Electronics and Computer Engineering. 2012;1(2): 83–87.
  8. Sahin M, Karakaya EB, Guler H, G  ulten A, Hamamc SE. Memristor Based Filter Design and Implementation for ECG Signal. Bitlis Eren Universitesi Fen Bilimleri Dergisi. 2020;9(2):756–765. DOI: 10.17798/bitlisfen.582480.
  9. McSharry PE, Clifford GD, Tarassenko L, Smith LA. A dynamical model for generating synthetic electrocardiogram signals. IEEE Trans. Biomed. Eng. 2003;50(3):289–294. DOI: 10.1109/TBME. 2003.808805.
  10.  McSharry PE, Clifford G, Tarassenko L, Smith LA. Method for generating an artificial RR tachogram of a typical healthy human over 24-hours. In: Computers in Cardiology. 2002, Memphis, TN, USA. IEEE; 2002. P. 225–228. DOI: 10.1109/CIC.2002.1166748.
  11.  Van der Pol B, van der Mark J. LXXII. The heartbeat considered as a relaxation oscillation, and an electrical model of the heart. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. 1928;6(38):763–775. DOI: 10.1080/14786441108564652.
  12.  Ryzhii E, Ryzhii M. A heterogeneous coupled oscillator model for simulation of ECG signals. Comput. Methods Programs Biomed. 2014;117(1):40–49. DOI: 10.1016/j.cmpb.2014.04.009.
  13.  Gois SR, Savi MA. An analysis of heart rhythm dynamics using a three-coupled oscillator model. Chaos, Solitons & Fractals. 2009;41(5):2553–2565. DOI: 10.1016/j.chaos.2008.09.040.
  14.  Albert DE. Chaos and the ECG: fact and fiction. J. Electrocardiol. 1991;24:102–106. DOI: 10.1016/ s0022-0736(10)80026-3.
  15.  Qu Zh. Chaos in the genesis and maintenance of cardiac arrhythmias. Prog. Biophys. Mol. Biol. 2011;105(3):247–257. DOI: 10.1016/j.pbiomolbio.2010.11.001.
  16.  Suth D, Luther S, Lilienkamp Th. Chaos control in cardiac dynamics: terminating chaotic states with local minima pacing. Front. Netw. Physiol. 2024;4:1401661. DOI:10.3389/fnetp.2024.1401661.
  17.  Shey JT, Lin KP, Chang WH. Measurement 12-lead ECG character points using line segment clustering technique. In: Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Vol. 20 Biomedical Engineering Towards the Year 2000 and Beyond (Cat. No. 98CH36286). IEEE; 1998. P. 223–226.
  18.  Kicmerova D. Modelling of arrhythmics ECG signals with McSharrys model. In: 17th International Conference Radioelektronika. 2007, Brno, Czech Republic. IEEE; 2007. P. 1–5. DOI: 10.1109/ RADIOELEK.2007.371473.
  19.  Dolinsky P, Andr ` as I, Michaeli L, Grimaldi D. Model for generating simple synthetic ECG signals. Acta Electrotechnica et Informatica. 2018;18(3):3–8. DOI: 10.15546/aeei-2018-0019.
  20.  Adib E, Fernandez AS, Afghah F, Prevost JJ. Synthetic ecg signal generation using probabilistic diffusion models. IEEE Access. 2023;11:75818–75828. DOI: 10.1109/access.2023.3296542.
  21.  Piacentino E, Guarner A, Angulo C. Generating synthetic ecgs using gans for anonymizing healthcare data. Electronics. 2021;10(4):389. DOI: 10.3390/electronics10040389.
  22.  Xia Y, Wang W, Wang K. ECG signal generation based on conditional generative models. Biomed. Signal Process. Control. 2023;82:104587. DOI: 10.1016/j.bspc.2023.104587.
  23.  Swain S, Patra D. Efficient dynamic modelling of ECG with myocardial infarction using interacting multiple model and particle filter. IET Signal Processing. 2020;14(8):495–505. DOI: 10.1049/ietspr.2019.0458.
  24.  Mishra A, Bhusnur S, Mishra Santosh. Advancing Health Sciences and Biomedical Technology: A Parametric based ECG Modelling. Everyman’s Science. 2024;57(2). DOI: 10.59094/emsj.v57i2.85.
  25.  Vo Kh, Naeini EK, Naderi A, Jilani D, Rahmani AM, Dutt N, Cao H. P2E-WGAN: ECG waveform synthesis from PPG with conditional wasserstein generative adversarial networks. In: Proceedings of the 36th Annual ACM Symposium on Applied Computing. 2021. P. 1030–1036. DOI: 10.1145/3412841.3441979.
  26.  Yuan X, Wang W, Li X, Zhang Yu, Hu X, Deen MJ. CATransformer: A Cycle-Aware Transformer for High-Fidelity ECG Generation From PPG. IEEE J. Biomed. Health Inform. 2024. DOI: 10.1109/ JBHI.2024.3482853.
  27.  Kuznetsov V, Moskalenko V, Gribanov D, Zolotykh N. Interpretable feature generation in ECG using a variational autoencoder. Front. Genet. 2021;12:638191. DOI: 10.3389/fgene.2021.638191.
  28.  Ostrovskii V, Fedoseev P, Bobrova Yu, Butusov D. Structural and parametric identification of Knowm memristors. Nanomaterials. 2021;12(1):63. DOI: 10.3390/nano12010063.
  29.  Sahin ME, Cam Taskiran ZG, Guler H, Hamamci SE. Application and modeling of a novel 4D memristive chaotic system for communication systems. Circuits Syst. Signal Process. 2020;39: 3320–3349. DOI: 10.1007/s00034-019-01332-6.
  30.  Alimisis V, Gourdouparis M, Gennis G, Dimas Ch, Sotiriadis PP. Analog gaussian function circuit: Architectures, operating principles and applications. Electronics. 2021;10(20):2530. DOI: 10.3390/electronics10202530.
  31.  Huang F, Qin T, Wang L, Wan H. Hybrid prediction method for ECG signals based on VMD, PSR, and RBF neural network. BioMed Res. Int. 2021;2021(1):6624298. DOI: 10.1155/2021/6624298.
  32.  Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng Ch-K, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation. 2000;101(23):e215–e220. DOI: 10.1161/01.cir.101.23.e215.
  33.  Lugovaya TS. Biometric Human Identification Based on Electrocardiogram. Master’s Thesis. St.Petersburg: Electrotechnical University ‘LETI’; 2005.
  34.  Rybin V, Butusov D, Shirnin K, Ostrovskii V. Revealing hidden features of chaotic systems using high-performance bifurcation analysis tools based on CUDA technology. Int. J. Bifurc. Chaos. 2024;34(11):2450134. DOI: 10.1142/s0218127424501347.
Поступила в редакцию: 
15.04.2025
Принята к публикации: 
29.04.2025
Опубликована онлайн: 
30.04.2025
Опубликована: 
30.09.2025