Тема выпускной квалификационной работы: «Классификация электрокардиограмм с помощью цифровой обработки сигнала и классификатора машины векторной поддержки». В данной работе исследуется возможность применения метода машины Ð¾Ð¿Ð¾Ñ€Ð½Ñ‹Ñ Ð²ÐµÐºÑ‚Ð¾Ñ€Ð¾Ð² для классификации аритмии по электрокардиограммам. Основной целью данной работы является построение алгоритма классификации аритмии по электрокардиограмме, в котором будут использованы разлиыне методики машинного обучения для создания модели машины Ð¾Ð¿Ð¾Ñ€Ð½Ñ‹Ñ Ð²ÐµÐºÑ‚Ð¾Ñ€Ð¾Ð². Задачами данной работы является изучение Ñ Ð°Ñ€Ð°ÐºÑ‚ÐµÑ€Ð¸ÑÑ‚Ð¸Ðº электрокардиограмм, изучение Ñ€Ð°Ð·Ð»Ð¸Ñ‡Ð½Ñ‹Ñ Ð¼Ð¾Ð´ÐµÐ»ÐµÐ¹ классификации, изучение машины Ð¾Ð¿Ð¾Ñ€Ð½Ñ‹Ñ Ð²ÐµÐºÑ‚Ð¾Ñ€Ð¾Ð², изучение Ñ€Ð°Ð·Ð»Ð¸Ñ‡Ð½Ñ‹Ñ Ð¼ÐµÑ‚Ð¾Ð´Ð¸Ðº улучшения модели классификации, построение данной модели и оценка ее работы. Для формирования модели классификации аритмии по электрокардиограмме был выбран метод конвейеризации, в котором объединяются несколько этапов предобработки Ð´Ð°Ð½Ð½Ñ‹Ñ Ð¸ последним этапом ставится модель машины Ð¾Ð¿Ð¾Ñ€Ð½Ñ‹Ñ Ð²ÐµÐºÑ‚Ð¾Ñ€Ð¾Ð². Предобработка Ð´Ð°Ð½Ð½Ñ‹Ñ ÑÐ¾ÑÑ‚Ð¾Ð¸Ñ‚ из Ð´Ð²ÑƒÑ ÑÑ‚Ð°Ð¿Ð¾Ð². Первым этапом является применение фильтра Савицкого-Голая для сглаживания Ð²Ñ Ð¾Ð´ÑÑ‰ÐµÐ³Ð¾ сигнала и удаления шумов из сигнала. Вторым этапом является масштабирование, которое позволяет привести все Ð²Ñ Ð¾Ð´ÑÑ‰Ð¸Ðµ к одному виду, тем самым значительно упростить работу модели. Так же применяются методы для улучшения модели, такие как поиск по сетке для 5 выбора Ð¾Ð¿Ñ‚Ð¸Ð¼Ð°Ð»ÑŒÐ½Ñ‹Ñ Ð³Ð¸Ð¿ÐµÑ€Ð¿Ð°Ñ€Ð°Ð¼ÐµÑ‚Ñ€Ð¾Ð², а так же метод One-Vs-Rest для Ð¿ÐµÑ€ÐµÑ Ð¾Ð´Ð° от бинарной классификации к мультиклассовой. Итогом данной работы является обученная модель, которая объединяет этапы препроцессинга и машины Ð¾Ð¿Ð¾Ñ€Ð½Ñ‹Ñ Ð²ÐµÐºÑ‚Ð¾Ñ€Ð¾Ð² в единую сущность. Оценка работы данной модели проводилась с помощью метода перекрестной проверки, который показал точность модели в 94 процента. Данную модель можно использовать в медицинской практике для облегчения получения диагноза аритмии, причем не просто для определения есть нарушения ритма или нет, а для определения конкретного типа аритмии. Так же данную модель можно использовать как один из Ð¾ÑÐ½Ð¾Ð²Ð½Ñ‹Ñ ÐºÐ¾Ð¼Ð¿Ð¾Ð½ÐµÐ½Ñ‚Ð¾Ð² ПО, которое можно использовать для анализа Ð±Ð¾Ð»ÑŒÑˆÐ¸Ñ ÐºÐ°Ñ€Ð´Ð¸Ð¾Ð³Ñ€Ð°Ð¼Ð¼, Ñ‚Ð°ÐºÐ¸Ñ ÐºÐ°Ðº в Ð¿Ñ€Ð¸Ð±Ð¾Ñ€Ð°Ñ ÑÑƒÑ‚Ð¾Ñ‡Ð½Ð¾Ð³Ð¾ мониторирования. Такое ПО может сильно облегчить определения патологий в работе сердца и будет оказывать серьезную помощь врачу для поставлния диагноза. Основным выводом данной работы является утверждение, что метод машины Ð¾Ð¿Ð¾Ñ€Ð½Ñ‹Ñ Ð²ÐµÐºÑ‚Ð¾Ñ€Ð¾Ð², вкупе с использованием Ñ‚Ð°ÐºÐ¸Ñ Ð¼ÐµÑ‚Ð¾Ð´Ð¾Ð² предобработки Ð´Ð°Ð½Ð½Ñ‹Ñ , как фильтр Савицкого-Голая и масштабирования, а так же при использовании методов определения Ð¾Ð¿Ñ‚Ð¸Ð¼Ð°Ð»ÑŒÐ½Ñ‹Ñ Ð³Ð¸Ð¿ÐµÑ€Ð¿Ð°Ñ€Ð°Ð¼ÐµÑ‚Ñ€Ð¾Ð² с помощью поиска по сетке и Ð¿ÐµÑ€ÐµÑ Ð¾Ð´ от бинарной классификации к мультиклассовой с помощью метода One-Vs-Rest, показывает Ñ Ð¾Ñ€Ð¾ÑˆÐ¸Ðµ результаты для задачи классификации аритмий по электрокардиограммам. Точность такой модели состоавляет 94 процента.