В исследовании сравниваются классические методы машинного обучения (Random Forest) и архитектуры глубокого обучения (CNN–GRU, CNN–BiLSTM) для классификации аритмий на основе сигналов ПГК (фотоплетизмографии) и акселерометра со смарт-часов. Модель Random Forest показала наилучшую общую точность (91.22%) и F1-меру, в то время как гибридная модель CNN–BiLSTM обеспечила лучшую чувствительность к редким классам аритмий, что подтверждает жизнеспособность ИИ для носимого кардиомониторинга.
В статье представлен новый фреймворк UniWave-2 для анализа последовательностей нуклеиновых кислот, который решает проблемы информационной разреженности и разрыва непрерывности последовательностей, характерные для традиционных методов глубокого обучения, использующих дискретное кодирование. Авторы предлагают преобразовывать биологические последовательности в сигналы волновых форм, интегрируя в схему кодирования физико-химические свойства, такие как гидрофобность, для более полного отражения структуры молекул. Для повышения разрешения волновых форм применяются преобразование Фурье и вейвлет-преобразование, что позволяет точно захватывать как локальные детали, так и глобальные периодические паттерны в данных. В основе архитектуры лежит легковесная многомасштабная модель GRU (Gated Recurrent Unit), способная взаимодействовать с функциями в разных измерениях, улавливать двунаправленные временные зависимости и учитывать пространственную позиционную информацию. Исследование демонстрирует конкурентоспособные результаты модели на множестве задач геномного анализа, подчеркивая её эффективность по сравнению с существующими подходами. Особое внимание уделено интерпретируемости: анализ важности последовательностей (ISM) показал, что волновое кодирование позволяет получать объяснимые атрибуты без необходимости использования градиентной информации, что критически важно для доверия к ИИ в медицине. Результаты работы позиционируют UniWave-2 как легкий и интерпретируемый инструмент для анализа геномных данных, что может быть применено в персонализированной медицине и диагностике генетических заболеваний.
В статье представлен метод ортогонально-полиномиального изображения (OPI), который преобразует 12-канальные ЭКГ в двумерные изображения для использования в моделях компьютерного зрения. Метод демонстрирует высокую эффективность классификации на данных PhysioNet, сохраняя диагностически важную информацию без потерь.
В статье представлен инновационный подход к автоматическому обнаружению апноэ во сне с использованием архитектуры глубокого обучения. Исследователи разработали фреймворк на основе самообучения (self-supervised learning), интегрированный с иерархической остаточной сетью перекрестного слияния (hierarchical residual cross fusion network). Данная методология позволяет эффективно извлекать и объединять признаки из различных временных масштабов сигналов полисомнографии, что критически важно для точной диагностики нарушений дыхания. Использование механизмов перекрестного слияния помогает минимизировать потерю информации при анализе сложных паттернов сна. Предложенная модель демонстрирует высокую точность в классификации эпизодов апноэ, превосходя существующие аналоги за счет более глубокого понимания контекстуальных зависимостей в данных. Результаты исследования имеют высокую практическую значимость для автоматизации скрининга расстройств дыхания во сне и снижения нагрузки на врачей-сомнологов.
В данной научной работе представлена инновационная методология обработки сигналов электрокардиограммы (ЭКГ), объединяющая методы эмпирической модовой декомпозиции (EMD) и вейвлет-преобразования. Основная цель исследования заключается в повышении точности автоматического обнаружения R-пиков, что является критически важным этапом для анализа сердечного ритма, и одновременном снижении объема передаваемых данных. Авторы предлагают алгоритм, который эффективно разделяет сигнал на компоненты, позволяя минимизировать потери при сжатии без ущерба для диагностически значимых признаков. Использование комбинированного подхода позволяет преодолеть ограничения традиционных методов, таких как высокая чувствительность к шумам и неэффективное использование полосы пропускания. Результаты демонстрируют высокую точность детекции в условиях зашумленных сигналов, что делает данную технологию перспективной для интеграции в носимые медицинские устройства и системы удаленного мониторинга пациентов. Внедрение предложенной схемы может значительно оптимизировать работу систем телемедицины и снизить нагрузку на хранилища медицинских данных.
В исследовании представлен инновационный метод анализа геномных последовательностей, основанный на использовании кватернионного преобразования Фурье. Авторы предлагают кодировать четыре нуклеотида (A, T, G, C) в виде кватернионного сигнала, что позволяет вычислять полный спектр всего за два стандартных комплексных FFT, обеспечивая инвариантность к циклическим сдвигам и реверс-комплементарности ДНК. Разработанный фреймворк включает инструменты для построения геномных спектрограмм и алгоритм обнаружения вариантов с вычислительной сложностью O(N log N). Эксперименты на 18 геномах различных доменов жизни (бактерии, археи, эукариоты) показали 100% точность обнаружения спиральной периодичности ДНК, которую не фиксируют стандартные методы. При тестировании на хромосоме 21 человека (46,7 Мб) система успешно идентифицировала позиционирование нуклеосом и повторы Alu за считанные секунды. Метод продемонстрировал 100% точность сопоставления чтений в эксперименте по обнаружению вариантов и показал высокую статистическую значимость (p < 0.001) при дифференциации SNP от ошибок секвенирования. Благодаря GPU-ускорению, полный анализ человеческого генома занимает всего около 3–4 секунд, что делает метод крайне перспективным для высокопроизводительной биоинформатики и клинической диагностики.
