УДОСКОНАЛЕНІ ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ОЦІНКИ БІОЛОГІЧНОГО ВІКУ ЗА ДАНИМИ ЕКГ

DOI: 10.31673/2412-4338.2026.019023

Анотація

Дослідження спрямоване на підвищення ефективності та точності оцінки біологічного віку людини шляхом розробки інтелектуальної програмної системи на основі удосконалених архітектур глибоких згорткових нейронних мереж (CNN). Основна увага приділяється автоматизованому аналізу електрокардіограм (ЕКГ) із використанням даних бази даних лікарні Єнського університету (1121 суб'єкт). Актуальність дослідження зумовлена тим, що традиційні маркери ризику, такі як хронологічний вік, часто не відображають справжнього фізіологічного зносу серцево-судинної системи, тоді як біологічний вік серця є критичним інтегральним показником здоров'я. У дослідженні вивчаються обмеження класичних методів машинного навчання, що базуються на ручному конструюванні ознак (варіабельність серцевого ритму, тривалість інтервалів), порівняно з наскрізними підходами глибокого навчання, які навчаються безпосередньо на необроблених сигналах. Для вирішення критичної проблеми дисбалансу класів у 15-класовому розподілі віку було застосовано такі методи, як SMOTE та Focal Loss, а також впроваджено стратегію розділення даних на рівні пацієнтів для забезпечення незалежності тестового набору.

Результати дослідження дозволили значно підвищити точність класифікації біологічного віку. Якщо класичні моделі (логістична регресія, випадковий ліс) досягли максимальної точності 49%, а рекурентні нейронні мережі (Bi-LSTM) – 64,4%, то запропонована архітектура удосконаленої CNN, посилена механізмом уваги та залишковими зв'язками (ResNet), досягла точності класифікації понад 87% із середньою абсолютною похибкою 2,6 року. Модель продемонструвала високу чутливість навіть для недостатньо представлених геріатричних груп (91+ років), забезпечуючи recall понад 70%. Результати надали важливу інформацію про здатність глибокого навчання виявляти приховані нелінійні патерни старіння в "необроблених" сигналах ЕКГ, такі як фрагментація комплексу QRS та зміни швидкості проведення, які недоступні для візуальної інтерпретації або лінійного аналізу. Розроблена програмна система "BioAge-ECG AI" може бути використана для масового скринінгу та раннього виявлення серцево-судинних ризиків.

Ключові слова: біологічний вік, ЕКГ, глибоке навчання, CNN, ResNet, механізм уваги, дисбаланс класів

Список використаної літератури

1. Belsky, D. W., et al. (2015). Quantification of biological aging in young adults. Proceedings of the National Academy of Sciences, 112(30), E4104-E4110. https://doi.org/10.1073/pnas.1506264112
2. Lima, E. M., et al. (2021). Deep neural network-estimated electrocardiographic age as a mortality predictor. Nature Communications, 12(1), 5117. https://doi.org/10.1038/s41467-021-25351-7
3. Attia, Z. I., et al. (2019). Age and sex estimation using artificial intelligence from standard 12-lead electrocardiograms. Circulation: Arrhythmia and Electrophysiology, 12(9), e007284. https://doi.org/10.1161/CIRCEP.119.007284
4. Kiranyaz, S., et al. (2021). 1D Convolutional Neural Networks and Applications: A Survey. Mechanical Systems and Signal Processing, 151, 107398. https://doi.org/10.1016/j.ymssp.2020.107398
5. Schumann, A., & Bär, K. J. (2022). Autonomic function regulating blood pressure and cardiac rhythm in aging and disease. Scientific Data, 9(1), 1-10. https://doi.org/10.1038/s41597-022-01121-5
6. Goldberger, A. L., et al. (2000). PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation, 101(23), e215-e220. https://doi.org/10.1161/01.CIR.101.23.e215
7. Welch, P. (1967). The use of Fast Fourier Transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms. IEEE Transactions on Audio and Electroacoustics, 15(2), 70-73. https://doi.org/10.1109/TAU.1967.1161901
8. Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: synthetic minority oversampling technique. Journal of artificial intelligence research, 16, 321-357. https://doi.org/10.1613/jair.953
9. Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE Transactions on Signal Processing, 45(11), 2673-2681. https://doi.org/10.1109/78.650093
10. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778. https://doi.org/10.1109/CVPR.2016.90
11. Vaswani, A., et al. (2017). Attention is all you need. Advances in neural information processing systems, 30. https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
12. Kingma, D. P., & Ba, J. (2014). Adam: A Method for Stochastic Optimization. arXiv preprint arXiv:1412.6980. https://doi.org/10.48550/arXiv.1412.6980
13. Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. Proceedings      of         the        IEEE    international     conference        on computer          vision, 2980-2988. https://doi.org/10.1109/ICCV.2017.324