The 8 references with contexts in paper T. Volosatova M., A. Spasenov Iu., A. Logunova O., Т. Волосатова М., А. Спасёнов Ю., А. Логунова О. (2016) “Автоматизированная система анализа и интерпретации электрокардиосигнала // Automated ECG Analysis and Interpretation System” / spz:neicon:radiovega:y:2016:i:1:p:1-18

1
Дубровин В.И., Твердохлеб Ю.В., Харченко В.В. Автоматизированная система анализа и интерпретации ЭКГ // Радиоэлектроника, информатика, управление. 2014. No 1. С. 150-157. DOI: 10.15588/1607-3274-2014-1-22
Total in-text references: 1
  1. In-text reference with the coordinate start=3145
    Prefix
    Существующие компьютерные системы диагностики не обеспечивают требуемую остоверность результатов. Это связано с тем, что сигнал является реализацией коррелированного случайного процесса, являющегося нестационарным, и является смесью детерминированной компоненты и многочисленных видов помех
    Exact
    [1, 2]
    Suffix
    . Таким образом, задача достоверного определения информативных признаков ЭКГ, отражающих отдельные стадии работы сердца, является наиболее актуальной в наше время. Решение данной проблемы позволит повысить точность автоматизированных систем анализа ЭКГ.

2
Волосатова Т.М., Чичварин Н.В. Исследования гемодинамики человека с применением спектральных методов // Сборник научных трудов по материалам II Международной научно-практической конференции «Современные тенденции развития науки и технологий». Часть 2. Белгород, 31 мая 2015. С. 57-63.
Total in-text references: 2
  1. In-text reference with the coordinate start=3145
    Prefix
    Существующие компьютерные системы диагностики не обеспечивают требуемую остоверность результатов. Это связано с тем, что сигнал является реализацией коррелированного случайного процесса, являющегося нестационарным, и является смесью детерминированной компоненты и многочисленных видов помех
    Exact
    [1, 2]
    Suffix
    . Таким образом, задача достоверного определения информативных признаков ЭКГ, отражающих отдельные стадии работы сердца, является наиболее актуальной в наше время. Решение данной проблемы позволит повысить точность автоматизированных систем анализа ЭКГ.

  2. In-text reference with the coordinate start=6051
    Prefix
    Высоту зубцов измеряют в милливольтах, продолжительность интервалов в секундах. 3. Алгоритм обработки электрокардиосигнала В процессе анализа доступных публикаций выбран алгоритм обработки электрокардиосигнала представляет собой последовательность шагов
    Exact
    [2]
    Suffix
    : 1. Модуль предобработки Главной задачей данного блока является помехоподавление, то есть удаление помех разного вида, таких как дрейф изолинии, артефакты движения, шумы, создаваемые оборудованием и т.д. 2.

3
Afseen Naaz, Mrs Shikha Singh. Feature Extraction and Analysis of ECG signal for Cardiac Abnormalities – A Review // International Journal of Engineering Research & Technology. 2014, vol.3, no.11, pp. 23–30.
Total in-text references: 1
  1. In-text reference with the coordinate start=12953
    Prefix
    Точность представления сигнала по мере перехода на более низкие уровни снижается, но зато появляется возможность вейвлет-фильтрации сигналов, удаления шумов и эффективной компрессии сигналов (рис. 4)
    Exact
    [3, 7]
    Suffix
    . Рис. 4. Разложение электрокардиосигнала с помощью ДВП до третьего уровня С учетом того, что в основе ДВП лежит использование двух непрерывных и интегрируемых по всей оси (или ) функций [8]:  вейвлет – функции с нулевым значением интеграла , определяющей детали сигнала и порождающей детализирующие коэффициенты ;  масштабирующей функции с едини

4
Иванько Е.О., Иванушкина Н.Г., Синекоп Ю.С. Многоуровневый анализ электрокардиограмм для выявления поздних потенциалов предсердий // Электроника и Связь. Тематический выпуск "Электроника и нанотехнологии». 2009. No2. С. 160-164.
Total in-text references: 1
  1. In-text reference with the coordinate start=15362
    Prefix
    Уравнение разделяющей гиперплоскости имеет следующий вид: , где – размерность пространства признаков, – направляющий вектор, – скалярный порог (свободный член). Или в векторной форме: . Рис. 5. Метод SVM для двумерного пространства В методе опорных векторов
    Exact
    [4, 8]
    Suffix
    выделяют два этапа: этап обучения и этап распознавания. На первом этапе из множества обучающих примеров отбираются опорные векторы, на основе которых строится разделяющая плоскость. Этап распознавания заключается в том, что на вход полученного классификатора подается пример , о классовой принадлежности которого ничего не известно.

5
Meyer O., Bischi B., Weihs C. Data Analysis, Machine Learning and Knowledge Discovery. Ch. “Support Vector Machines on Large Data Sets: Simple Parallel Approaches”. 2013, pp.87-95. DOI: 10.1007/978-3-319-01595-8_10
Total in-text references: 1
  1. In-text reference with the coordinate start=9040
    Prefix
    Установлено, что анализ ВСР позволяет получить количественные индикаторы активности различных отделов вегетативной нервной системы человека, что оказывается полезным для решения многих диагностических задач
    Exact
    [5]
    Suffix
    . В общем случае последовательность шагов при проведении данного анализа выглядит следующим образом:  измерение – интервалов времени между последовательными сокращениями сердца;  исключение участков анализа, соответствующих нарушениям сердечного ритма или помехам, вызвавшим ошибки в определении – интервалов;  получение равномерно дискретизованного сигнала ЭКГ с помощью гладкой инте

6
Калиниченко А.Н. Оценка точности вычисления спектральных показателей вариабельности сердечного ритма // Информационно-управляющие системы. 2007. No 6. С. 41-48.
Total in-text references: 2
  1. In-text reference with the coordinate start=7373
    Prefix
    Предобработка и выделение R – пика электрокардиосигнала при помощи алгоритма Пана – Томпкинса Пан и Томпкинс предложили алгоритм, основанный на анализе наклона, амплитуды и ширины – комплексов. Этот алгоритм состоит из следующей последовательности фильтров и методов
    Exact
    [6]
    Suffix
    :  фильтр низких частот;  фильтр верхних частот;  оператор производной;  процедура интегрирования;  адаптивная пороговая процедура;  процедура поиска; В данном методе фильтры применяются для удаления дрейфа изолинии и шумов, при этом, фильтр верхних частот реализован как всепропускающий фильтр минус фильтр низких частот.

  2. In-text reference with the coordinate start=8054
    Prefix
    Процедура взятия производной подавляет компоненты зубцов и и усиливает высокочастотные компоненты в сигнале, связанные с – комплексом. Сглаживание выходного сигнала, полученного на предыдущих шагах, осуществляется за счет интегрирующего фильтра типа скользящего окна, ширина которого выбирается исходя из следующих соображений
    Exact
    [6]
    Suffix
    :  слишком большая ширина приведет к тому, что выходные сигналы, связанные с – комплексом и – зубцом будут сливаться;  слишком маленькая ширина приведет к нескольким пикам для единственного – комплекса. 5.

7
Романова Т.Н., Плаксина М.В. Применение вейвлет-преобразования для анализа спектрограмм, полученных на Оже-спектрометре // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012. No 4. С.1-10. DOI: 77-30560/355664
Total in-text references: 4
  1. In-text reference with the coordinate start=4043
    Prefix
    В рамках исследования была создана программная реализация рассмотренных алгоритмов. 2. Анализ свойств электрокардиограмм Слово “электрокардиограмма” с латинского языка дословно переводится следующим образом
    Exact
    [7]
    Suffix
    :  электро- электрические потенциалы;  кардио- сердце;  грамма- запись. Следовательно, электрокардиограмма – это запись электрических потенциалов (электроимпульсов) сердца. Они вырабатываются в месте слияния полых вен – синусовом узле и носят название синусовых импульсов (рис. 1).

  2. In-text reference with the coordinate start=4971
    Prefix
    Прохождение импульса по проводящей системе сердца графически записывается по вертикали в виде пиков (зубцов электрокардиограммы , , , и ) – подъемов и спадов кривой линии. Помимо регистрации зубцов, на ЭКГ по горизонтали записывается время, в течение которого импульс проходит по определенным отделам сердца
    Exact
    [7]
    Suffix
    . Рис. 1. Лента ЭКГ: формирование зубцов и интервалов Процесс формирования электрокардиограммы можно описать так [7]:  формирование импульса возбуждения в синусовом узле;  поочередное возбуждение предсердий (сначала правого, потом левого), посредством продвижения синусового импульса по проводящий системе (зубец );  следуя по атриовентрикулярному соединению, синусовый импульс претерпе

  3. In-text reference with the coordinate start=5084
    Prefix
    Помимо регистрации зубцов, на ЭКГ по горизонтали записывается время, в течение которого импульс проходит по определенным отделам сердца [7]. Рис. 1. Лента ЭКГ: формирование зубцов и интервалов Процесс формирования электрокардиограммы можно описать так
    Exact
    [7]
    Suffix
    :  формирование импульса возбуждения в синусовом узле;  поочередное возбуждение предсердий (сначала правого, потом левого), посредством продвижения синусового импульса по проводящий системе (зубец );  следуя по атриовентрикулярному соединению, синусовый импульс претерпевает физиологическую задержку, возбуждения прилежащих слоев не производит (интервал – );  проходя по проводящей сис

  4. In-text reference with the coordinate start=12953
    Prefix
    Точность представления сигнала по мере перехода на более низкие уровни снижается, но зато появляется возможность вейвлет-фильтрации сигналов, удаления шумов и эффективной компрессии сигналов (рис. 4)
    Exact
    [3, 7]
    Suffix
    . Рис. 4. Разложение электрокардиосигнала с помощью ДВП до третьего уровня С учетом того, что в основе ДВП лежит использование двух непрерывных и интегрируемых по всей оси (или ) функций [8]:  вейвлет – функции с нулевым значением интеграла , определяющей детали сигнала и порождающей детализирующие коэффициенты ;  масштабирующей функции с едини

8
Карпенко А.П., Панков М.К. Статистическое моделирование быстродействия программ // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2014. No1. С. 188-213. DOI: 10.7463/0114.0679688
Total in-text references: 3
  1. In-text reference with the coordinate start=12303
    Prefix
    Вейвлет-преобразование одномерного сигнала состоит в его разложении по базису, основой которого является некоторая функция (материнский вейвлет) с определенными свойствами. Базис получают путем смещения и растяжения (сжатия) этой функции (рис. 3). Рисунок 3 – Разложение сигнала по базису Для того чтобы быть вейвлетом функция должна обладать свойствами
    Exact
    [8]
    Suffix
    :  локализация где – вейвлет – функция;  ограниченность (конечная энергия) Главной идеей дискретного вейвлет-преобразования (ДВП) является разбивка сигнала на две составляющие – грубую (аппроксимирующую) и уточненную (детализирующую), с последующим их дроблением с целью изменения уровня декомпозиции сигнала.

  2. In-text reference with the coordinate start=13142
    Prefix
    представления сигнала по мере перехода на более низкие уровни снижается, но зато появляется возможность вейвлет-фильтрации сигналов, удаления шумов и эффективной компрессии сигналов (рис. 4) [3, 7]. Рис. 4. Разложение электрокардиосигнала с помощью ДВП до третьего уровня С учетом того, что в основе ДВП лежит использование двух непрерывных и интегрируемых по всей оси (или ) функций
    Exact
    [8]
    Suffix
    :  вейвлет – функции с нулевым значением интеграла , определяющей детали сигнала и порождающей детализирующие коэффициенты ;  масштабирующей функции с единичным значением интеграла , определяющей грубое приближение сигнала и порождающей коэффициенты аппроксимации .

  3. In-text reference with the coordinate start=15362
    Prefix
    Уравнение разделяющей гиперплоскости имеет следующий вид: , где – размерность пространства признаков, – направляющий вектор, – скалярный порог (свободный член). Или в векторной форме: . Рис. 5. Метод SVM для двумерного пространства В методе опорных векторов
    Exact
    [4, 8]
    Suffix
    выделяют два этапа: этап обучения и этап распознавания. На первом этапе из множества обучающих примеров отбираются опорные векторы, на основе которых строится разделяющая плоскость. Этап распознавания заключается в том, что на вход полученного классификатора подается пример , о классовой принадлежности которого ничего не известно.