1672
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
KARDIOLOGIK SIGNALLAR ORQALI ANIQLANADIGAN KASALLIKLAR VA
ULARNI BARTARAF ETUVCHI KOGNITIV MODEL
Mallayev Oybek Usmankulovich
Alfraganus University Raqamli texnologiyalar kafedrasi professori.
E-mail:
Ganixodjayeva Dilfuza Ziyavutdinovna
Alfraganus University Raqamli texnologiyalar kafedrasi katta
o‘qituvchisi
.
E-mail:
https://doi.org/10.5281/zenodo.15788353
Annotatsiya.
Yurak-
qon tomir kasalliklari butun dunyo bo‘yicha o‘limning asosiy
sabablaridan biri bo‘lib, ularni erta aniqlash va davolash bemor hayotini saqlab qolishda
muhim ahamiyatga ega. Mazkur maqolada yurak faoliyatini kuzatish imkonini beruvchi
elektrokardiografik (EKG) signallar asosida yurak kasalliklarini aniqlovchi va ularga mos
kognitiv model
ishlab chiqiladi. Model sun’iy intellekt (SI) usullaridan, xususan
signalni raqamli
ishlash (DSP), xususiyatlar ajratish (feature extraction), klassifikatsiya (SVM, CNN) kabi
usullardan foydalanadi. Tadqiqotda MIT-BIH aritmiya
ma’lumotlar bazasidagi real EKG
signallar tahlil qilinib, yurak ritmindagi o‘zgarishlar asosida aritmiya, taxikardiya,
bradikardiya kabi kasalliklar aniqlanadi. Shuningdek, har bir yurak signaliga mos kognitiv
xususiyatlar (bemor yoshi, jinsi, anamnezi, jismoniy faollik holati) ham hisobga olinadi. Model
nafaqat kasallikni aniqlaydi, balki uni oldini olish bo‘yicha tavsiyalar ham beradi.
Tahlil natijalarida 92% aniqlik
,
0.89 F1-score
,
0.91 sezuvchanlik (recall)
ko‘rsatkichlariga erishildi. Taklif etilgan model real vaqtli monitoring uchun mos bo‘lib, mobil
yoki klinik muhitga tatbiq qilinishi mumkin. Tadqiqot yurak kasalliklarining erta aniqlanishi va
profilaktikasida kognitiv sun’iy intellekt modellarining muhim rolini ko‘rsatadi.
Kalit so‘zlar:
kognitiv parametrlar, SI, mashinali o‘qitish, LSTM (Long Short
-Term
Memory), EEG, EKG, Random Forest
.
DISEASES DETECTED BY CARDIOLOGICAL SIGNALS AND A COGNITIVE
MODEL FOR THEIR MANAGEMENT
Abstract
: Cardiovascular diseases are one of the leading causes of death worldwide, and
their early detection and treatment are important to save the patient's life. In this paper, a
cognitive model is developed that detects and adapts to heart diseases based on
electrocardiographic (ECG) signals that monitor cardiac activity. The model uses artificial
intelligence (AI) techniques, such as digital signal processing (DSP), feature extraction,
classification (SVM, CNN). The study analyzes real ECG signals from the MIT-BIH arrhythmia
database and identifies diseases such as arrhythmia, tachycardia, bradycardia based on heart
rhythm changes. Cognitive characteristics (patient age, gender, medical history, physical
activity status) corresponding to each cardiac signal are also taken into account. The model not
only detects the disease but also provides recommendations for its prevention. The analysis
results achieved an accuracy of 92%, an F1-score of 0.89, and a sensitivity (recall) of 0.91. The
proposed model is suitable for real-time monitoring and can be applied in mobile or clinical
settings. The study demonstrates the important role of cognitive models of artificial intelligence
in the early detection and prevention of heart diseases.
Keywords
: cognitive parameters, SI, machine learning, LSTM (long short-term
memory), EEG, ECG, random forest.
1673
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
ЗАБОЛЕВАНИЯ, ОБНАРУЖЕННЫЕ С ПОМОЩЬЮ КАРДИОЛОГИЧЕСКИХ
СИГНАЛОВ, И КОГНИТИВНАЯ МОДЕЛЬ ДЛЯ ИХ УСТРАНЕНИЯ
Аннотация
: Сердечно
-
сосудистые заболевания являются одной из основных
причин смерти во всем мире, и их раннее выявление и лечение важны для спасения жизни
пациента. В этой статье разрабатывается когнитивная модель, которая
обнаруживает
и
адаптируется
к
заболеваниям
сердца
на
основе
электрокардиографических (ЭКГ) сигналов, позволяющих контролировать сердечную
деятельность. Модель использует методы искусственного интеллекта (ИИ), в
частности, цифровую обработку сигналов (
DSP
), извлечение признаков, классификацию
(SVM, CNN
). Исследование анализирует реальные сигналы ЭКГ из базы данных аритмий
MIT-BIH
и идентифицирует такие заболевания, как аритмия, тахикардия, брадикардия,
на основе изменений сердечного ритма. Также учитываются когнитивные
характеристики (возраст пациента, пол, анамнез, статус физической активности),
соответствующие каждому сердечному сигналу. Модель не только обнаруживает
заболевание, но и дает рекомендации по его профилактике. Результаты анализа
достигли точности 92%,
F1-
оценки 0,89 и чувствительности (полноты) 0,91.
Предложенная модель подходит для мониторинга в реальном времени и может
применяться в мобильных или клинических условиях. Исследование демонстрирует
важную роль когнитивных моделей искусственного интеллекта в раннем выявлении и
профилактике заболеваний сердца.
Ключевые слова
: когнитивные параметры,
SI
, машинное обучение,
LSTM
(долговременная кратковременная память), ЭЭГ, ЭКГ, случайный лес.
Kirish
Tibbiyotda kognitiv texnologiyalar insonning bilish jarayonlari (fikrlash, idrok etish,
xotira, diqqat, qaror qabul qilish, tilni qayta ishlash va hokazo) tamoyillariga asoslangan yoki
ularni taqlid qiluvchi texnologiyalardir. Bu texnologiyalar, asosan, sun
‘
iy intellekt (AI),
mashinani o
‘
rganish (ML) va katta ma'lumotlar (Big Data) kabi ilg
‘
or hisoblash usullarini
qo
‘
llash orqali tibbiyot sohasida inson kognitiv qobiliyatlarini kuchaytirish yoki ularning o'rnini
qisman bosishga qaratilgan [1, 2, 3].
Kognitiv texnologiyalar tibbiyotning turli sohalarida keng qo
‘
llaniladi. Masalan, tashxis
qo'yish va davolashni rejalashtirish
jarayonlarida
tibbiy tasvirlarni tahlil qilish uchun
qo‘llaniladi.
Unda
kognitiv texnologiyalar MRT, KT, rentgen kabi tasvirlarni tahlil qilib,
patologiyalarni (masalan, o'smalarni) aniqlashda shifokorlarga yordam beradi [4, 5, 6]. Ular
inson ko'ziga sezilmaydigan mayda o‘zgarishlarni ham topishi mumkin.
Kasalliklarni erta
aniqlash
da
esa katta hajmdagi bemor ma
‘lumotlarini (genetik, klinik, hayot tarzi ma’lumotlari)
tahlil qilib, kognitiv tizimlar kasallik rivojlanishi xavfini baholashi va ularni erta bosqichlarda
aniqlashga yordam berishi mumkin. Shaxsiylashtirilgan tibbiyotda har bir bemorning o
‘
ziga xos
genetik xususiyatlari, turmush tarzi va kasallik tarixini hisobga olgan holda, kognitiv
texnologiyalar eng samarali davolash usulini taklif qilishi mumkin. Dori-darmonlarni topish va
ishlab chiqishda kognitiv tizimlar yangi dori nomzodlarini aniqlash, ularning organizmga
ta’sirini bashorat qilish va dori ishlab chiqarish jarayonini tezlashtirish uchun foydalanilishi
mumkin.
1674
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
Klinik qarorlarni qo
‘
llab-quvvatlash
da
tibbiy adabiyotlarni tahlil qilish kognitiv
texnologiyalar ishtirokida ishlab chiqilgan tizimlar ulkan hajmdagi tibbiy adabiyotlarni
(maqolalar, tadqiqotlar) tahlil qilib, shifokorlarga eng so‘nggi ma‘
lumotlarni taqdim etadi va
murakkab holatlarda to
‘
g
‘
ri qaror qabul qilishga yordam beradi. Kasallik tarixini qayta ishlash
cuhun
bemorlarning tibbiy kartalaridagi notekis va strukturasiz ma’lumotlarni (yozuvlar,
laboratoriya natijalari) qayta ishlay oladi.
Reabilitatsiya va terapiyada kognitiv xulq-atvor terapiyasi (CBT) uchun ba
‘
zi kognitiv
texnologiyalar ruhshunoslikda kognitiv xulq-atvor terapiyasini qo
‘
llab-quvvatlash uchun
ishlatiladi, masalan, bemorlarning fikrlash shakllarini tahlil qilish va ularni o
‘
zgartirishga
yordam berish. Nevrologik buzilishlarda parkinson kasalligi, insult kabi nevrologik buzilishlarda
bemorlarning kognitiv funksiyalarini tiklash yoki yaxshilashga qaratilgan stimulyatsiya
usullarida (masalan, chuqur miya stimulyatsiyasi, transkranial magnit stimulyatsiya) kognitiv
tamoyillar qo
‘
llaniladi.
Tibbiy ta
‘
lim va simulyatsiyada
kognitiv texnologiyalar shifokorlar va tibbiyot talabalari
uchun murakkab klinik holatlarni simulyatsiya qilish, ularning kognitiv ko‘nikmalarini (masalan,
tashxis qo‘yish, qaror qabul qilish) rivojlantirishga yordam beradi.
Biz esa kardiosignallarni o‘rganishda kognitiv texnologiyalarni qo‘llagan holatda uning
modelini ishlab chiqishga harakat qilamiz.
Kardiologik sigllar va ularni raqamli ishlash
Kardio signallarni aniqlashda kognitiv modelni ishlab chiqish uchun bir nechta muhim
jihatlarga e’tibor qaratish lozim. Bu modellar, inson miyasi yurak faoliyatini qanday tushunsa,
shunga o
‘
xshash tarzda murakkab kardio ma
‘
lumotlarni tahlil qilishga qaratilgan bo
‘
ladi.
Ma
‘
lumotlar sifatini va hajmini ta
‘
minlash
borasida
yuqori sifatli ma
‘
lumotlarga modelni
o‘qitish uchun aniq, shovqinsiz va ishonchli kardio signallar (EKG, PPG, yurak ultratovushi va
boshqalar) kerak. Ma
‘
lumotlarning aniqligi va tozaligi modelning ishlashiga bevosita ta
‘
sir
qiladi.
Yetarli hajm mavjud bo‘lganda
kognitiv modellar, ayniqsa chuqur o
‘
rganishga
asoslanganlari, katta hajmdagi ma
‘
lumotlarga muhtoj. Turli yosh, jins, etnik guruhlarga mansub
va har xil kasalliklarga chalingan bemorlarning ma
‘
lumotlari bo
‘
lishi muhim [7, 8, 9, 10].
Tibbiy signallar turi bo‘yicha
faqat EKG emas, balki boshqa kardio signallar (masalan,
fonokardiogramma, puls to‘lqinlari, qon bosimi o‘
zgarishlari) ham kiritilishi modelning
robustligini oshiradi. Ma
‘
lumotlar to
‘
plamidagi har bir signal yoki anomaliya mutaxassis
kardiologlar tomonidan aniq belgilangan bo
‘
lishi kerak. Bu modelning to
‘
g
‘
ri o
‘
rganishi uchun
kalit hisoblanadi.
Tibbiy signallarni xususiyatlarni ajratib olish va tanlash (Feature Extraction and
Selection) bo‘yicha kardio signallardan kasalliklarni aniqlash uchun eng muhim bo‘lgan
xususiyatlarni (masalan, EKGda R-R intervallari, QRS kompleksining kengligi, ST
segmentining holati) ajratib olish kerak. Kardiofiziologiya va tibbiyot sohasidagi chuqur bilim -
bu bosqichda juda muhim hisoblanadi. Shifokorlar bilan hamkorlikda ishlatiladigan xususiyatlar
aniqlanadi. Singnalning
avtomatik xususiyatlarni o‘rganishda
chuqur o
‘
rganish (Deep Learning)
modellarida, masalan, Konvolyutsion Neyron Tarmoqlari (CNN) yordamida, modelning o
‘
zi
ma
‘
lumotlardan tegishli xususiyatlarni avtomatik ravishda ajratib olishi mumkin. Bu inson
aralashuvini kamaytiradi.
Kardiologik signallardan kasalliklarni aniqlash modeli va algoritm tanlash bo‘yicha
inson
miyasining ma’lumotlarini qayta ishlash usullariga taqlid qiladigan arxitekturalar (masalan,
assotsiativ xotira tarmoqlari, e
‘
tibor mexanizmlari - attention mechanisms) qo
‘
llanilishi mumkin.
1675
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
Chuqur o
‘rganish modellarini qo‘llanilishida
ko
‘
pincha, uzoq muddatli qisqa xotirali
tarmoqlar (LSTM) yoki konvolyutsion neyron tarmoqlar (CNN)
kabi chuqur o‘rganish
arxitekturalari kardio signallarni tahlil qilishda yuqori samaradorlik ko‘rsatadi, chunki ular
vaqtga bog
‘
liq ketma-ketliklarni tahlil qila oladi. Gibrid modellar
esa turli modellarni (masalan,
ML va AI) birlashtirgan gibrid yondashuvlar, har bir modelning kuchli tomonlaridan foydalanib,
aniqlikni oshirishi mumkin. Modelning ichki mexanizmlari qanday ishlashini tushunish muhim,
ayniqsa tibbiyotda. “Qora quti” modellardan ko‘
ra, shifokorlarga modelning nima uchun bunday
qaror qabul qilganini tushuntira oladigan modellar afzalroq hisoblanadi.
Kardio signallardan kasalliklarni aniqolash modelini baholash bo‘yicha aniqlik va
sezgirlik (Accuracy and Sensitivity) hususiyatlari muhim hisoblanadi. Modelning kasalliklarni
to
‘
g
‘
ri aniqlash qobiliyati va kasalligi borlarni aniqlash qobiliyati yuqori bo
‘
lishi kerak.
Modelning spesifiklik (Specificity) hususiyati bu - sog
‘
lom insonlarni to
‘
g
‘
ri sog
‘
lom deb
tan olish qobiliyati ham juda muhim. Model turli xil ma
‘
lumotlar to
‘
plamlarida va turli
sharoitlarda barqaror ishlashi kerak. Real klinik sharoitlarda sinovdan o
‘
tkazilishi va amaliyotda
samaradorligi isbotlanishi lozim bo
‘
ladi.
Kardio signallarni etika va huquqiy masalalarida maxfiylik va xavfsizlik
juda muhimdir
.
Bemorlarning ma
‘lumotlarini himoya qilish va ularning maxfiyligini ta’minlash eng
muhim prioritetlardan biri hisoblanadi. Model turli demografik guruhlarga nisbatan xolis bo
‘
lishi
va birorta guruhga nisbatan noto
‘
g'ri bashorat qilmasligi kerak. Agar model noto
‘
g
‘
ri tashxis
qo
‘
ysa, uning javobgarligi masalasi hal qilinishi kerak.
Tibbiy signallar va inson-mashina hamkorligi borasida model shifokorga yordam bo
‘lishi kerak
.
Kognitiv model shifokorning o
‘
rnini bosmasligi, balki uning qaror qabul qilish
jarayonini qo
‘
llab-quvvatlashi kerak. Model tavsiyalar bera oladi, lekin yakuniy qaror har doim
shifokorda bo
‘
lishi lozim. Modelning shifokorlar bilan interaktiv ishlashi, ularga savollar berish
va tushuntirishlar olish imkoniyatini berishi muhimdir.
Ushbu jihatlarga e
‘
tibor qaratish, kardio signallarni aniqlashda samarali va ishonchli
kognitiv modelni ishlab chiqishga yordam beradi.
Endi Signallarga raqamli ishlov berishning matematik usullarini asosiylarining tahlilini
ko‘rib chiqamiz.
Signallarga raqamli ishlov berishning matematik usullari (Digital Signal Processing -
DSP) bu raqamli signallarni tahlil qilish, o‘zgartirish va sintez qilish uchun qo‘llaniladigan
matematik usullar to‘plamidir. Ushbu soha elektronika, tibbiyot, aloqa, akustika, ko‘rish tizimlari
va boshqa ko‘plab yo‘nalishlarda keng qo‘llaniladi. Shu sababli
signallarga raqamli ishlov
berishning asosiy matematik usullari
ni ko‘rib chiqamiz:
Diskret signal bu -
vaqt bo‘yicha uzluksiz emas, balki ma’lum vaqt oraliqlarida olingan
qiymatlardir. Impulse response
(h[n])
bu - tizimning kirishiga birlik impuls yuborilganda chiqish
reaksiyasi. Konvolyutsiya
(y[n] = x[n] * h[n])
:
(1)
Z-
o‘zgartirish (Z
-transform) bu - diskret tizimlarning chastota sohasidagi tahlili uchun
ishlatiladi. Tizimni barqarorlik va impuls javobi asosida baholashga imkon beradi. Differensial
tenglamalarni hal qilish uchun qulay vosita hisoblanadi.
(2)
1676
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
Fourier Transformatsiyasi (DFT, FFT) -
DTFT (Diskret vaqtdagi Fourier o‘zgartmasi):
(3)
DFT (Diskret Fourier Transformatsiyasi)
–
kompyuterda ishlatish uchun mo‘ljallangan:
(4)
FFT (Fast Fourier Transform)
- DFT ni tez hisoblash algoritmi. Bu spektral tahlil,
filtrlash, raqamli modulyatsiyada qo‘llaniladi. Filtrlash usullari signallarga raqamli ishlashda
signal muhum parametrlarini aniqlashda dalzarb hisoblanadi.
FIR (Finite Impulse Response) filtrlar. Bularga cheklangan impulsli filtr kiradi. Uning
barqaror va fazaviy aniqligi yuqori va quyidagi formula yordamida hisoblanadi:
(5)
IIR (Infinite Impulse Response) filtrlar - cheksiz impulsli javobga ega. Kompakt, ammo
ba’zan barqarorlik muammolari bo‘lishi mumkin va quyidagi formula yordamida hisoblanadi:
(6)
SRIB ning keying usullaridan biri - spektral tahlil va chastota domeniga ishlov berish. Bu
signalning amplituda va faza komponentlarini ajratadi. Spektrogramma va garmonik tahlil
(musiqiy yoki biotibbiy signallarda ishlatiladi). EKG, EEG va tovush signallari uchun muhim
hisoblanadi.
Analog signalni tiklash uchun minimal namuna olishda va analog signal qiymatlarini
raqamli qiymatlarga aylantirishda “Raqamli signallarni kvantlash va namuna olish” usulidan
foydalaniladi. Fazani aniqlash va signalning kompleks ifodasini olish uchun “Hilbert o‘zgartirish
va analitik signal” usulidan foydalaniladi. U modulyatsiya, demodulyatsiya va faza tahlilida
muhim hisoblanadi. Uning matematik formulasi quyidagicha:
(7)
Mahalliy
(lokal)
vaqt-
chastota
tahlili
amalga
oshirish
uchun
“
Wavelet
Transformatsiyasiya
” usilidan foydalaniladi. Uning yordamida Fourier transformasidan farqli
ravishda vaqt bo‘yicha o‘zgaruvchan o‘lchovlar bilan tahlil qilish mumkin. Signalning
o‘zgaruvchan qismlarini aniqlashda ishlatiladi (masalan, EKGdagi yurak urishlarining turli
fazalari).
Maqolada asosiy muammo sifatida kardiologik signalga raqamli ishlash orqali
aniqlanadigan kasalliklar va ularni aniqlash uchun kognitiv model yaratish olinganligi uchun
kardiologik signal turlari va ularda uchrovchi kasalliklarni turlarini tahlil qilib chiqamiz.
Kardio (yurak bilan bog‘liq) signallar turli biologik jarayonlarni ifodalovchi
elektrik yoki
mexanik
signal hisoblanadi. Ular yurak faoliyatini baholash, tashxis qo‘yish, monitoring qilish,
yoki AI-modellar uchun xususiyat ajratish uchun ishlatiladi. Quyidagi jadvalda kardio
signallarining asosiy turlari, tasnifi va maqsadlari keltirilgan.
1677
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
1- jadval.
Kardio signallarining asosiy turlari
№
Signal
turi
To‘liq nomi
Tavsifi
Asosiy maqsadi
1
EKG /
ECG
Elektrokardiogramma
Yurak mushaklarining
elektr faolligini o‘lchaydi.
Aritmiya, yurak
xuruji, yurak urish
ritmlarini aniqlash
2
PCG
Fonokardiogramma
Yurak tovushlari (qopqoq
yopilish/ochilish
tovushlari)
Yurak eshitilishi,
shovqinlar (murmurs)
tahlili
3
PPG
Fotopletizmogramma
Yurak urishini qon oqimi
orqali aniqlash (optik yo‘l
bilan)
Yurak urish tezligi,
qon bosimi taxmini
4
BVP
Blood Volume Pulse
Qon hajmi pulsatsiyasi
(ko‘pincha PPG dan
olinadi)
Stress, emotsional
holatni baholash,
HRV
5
ABP
Arterial Blood Pressure
Qon bosimining vaqt
bo‘yicha o‘zgarishi
Gipertenziya,
gipotenziya tahlili
6
SCG
Seismokardiogramma
Yurak urishi natijasida
ko‘krak qafasidagi
tebranish
Yurak mexanik
faolligini tahlil qilish
7
ICG
Impedanskardiogramma
Ko‘krakdagi elektr
qarshilik o‘zgarishi (qon
oqimi asosida)
Yurak chiqarish
hajmi (cardiac
output) bahosi
8
MCG
Magnetokardiogramma
Yurakdagi elektr toklar
hosil qilgan magnit
maydonni o‘lchash
EKG ga o‘xshash,
ammo sezgirlik
yuqori
9
VCG
Vektor kardiogramma
Yurak elektr faoliyatining
3D vektori
Yurakning fazaviy
elektr haritasini olish
1
0
Pulse
Oddiy puls sensorli signal
(masalan, barmoqdan)
Yurak urishini aniqlash
uchun oddiy qurilma
signali
Mobil sog‘liq
monitoringi uchun
ishlatiladi
1-jadvalda keltirilgan kardio signallarining asosiy turlari
turli sohalarda qo‘llaniladi.
Masalan, tibbiy tashxisda -
EKG, ABP, PCG, sport va sog‘liq monitoring qilishda
- PPG, BVP,
Pulse, AI va signal klassifikatsiya qilishda - EKG, SCG, ICG, yurak kasalliklarini oldindan
aniqlashda - EKG, HRV, PCG, real vaqtli monitoring (IoT qurilmalar) qilishda - PPG, BVP,
Pulse.
Hozirgi vaqtda EKG signallari eng ko‘p o‘rganilgan signal (va har bir yurak siklining P,
QRS, T to‘lqinlari bor) hisoblanadi. PPG signallari optik sensorlar bilan mobil telefonlar yoki
smart soatlarda eng keng foydalaniladi. SCG signallari AI modellar bilan yurak mexanik
buzilishlarini aniqlashda istiqbolli hisoblanadi.
Kardiologik signal yordamida aniqlanadigan kasalliklarni aniqlashda kardio signalarning
bir nechta muhum hususiyatlarining qiymati kerak bo‘ladi. Ular quyidagi jadvalda keltirilgan.
1678
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
2-jadval.
EKG xususiyatlari
№
Xususiyat
Tavsifi
1
RR Interval
Yurak urishlari orasidagi vaqt
2
PR Interval
Sinoatrial va AV tugun oralig‘i
3
QRS Duration
Ventrikulyar depolarizatsiya vaqti
4
QT Interval
Q-
T oralig‘i: faollik davri
5
HRV
Yurak ritmidagi o‘zgaruvchanlik
6
P wave amplitude/duration Atrium faolligi
7
ST Segment
Ishemiya belgilari
8
T wave Morphology
Ventrikul repolarizatsiyasi to‘lqinlari
2-
jadvaldagi EKG xususiyatlari bemorning turli xil holatlariga bog‘liq holda keltirilgan.
Ushbu holatlar bemorda kasallik bor yoki yo‘qligi, kasallikning turini ham aniqlashga va
signaldagi hususiyat qiymatlari bu bemor uchun normal holat ekanligini aniqlashda juda muhim
hisoblanadi. Bu parametrlar kognitiv parametrlar deyiladi. Shu sababli quyidagi jadvalda
kardilogik signalnin
g muhim xususiyatlari va kognitiv parametrlari keltirib o‘tilgan.
3- jadval.
Signal xususiyatlari va kognitiv parametrlar
№
EKG Xususiyati
Kasallik belgilari
Kognitiv Parametrlar
1
RR Interval
Notekislik → Aritmiya
Yosh, Kasb, Faollik
2
PR Interval
Qisqa/uzoq → AV blok
Jins, Anamnez
3
QRS Duration
Kenglik → Ventrikul aritmiya
Anamnez, Yosh
4
QT Interval
Uzun → Torsades xavfi
Jins, Anamnez (dori), Stress
5
HRV
Kam HRV → Yurak xatarlari
Faollik, Stress, Kasb
6
P wave
amplitude/duration
Atrium kasalliklari
Anamnez, Kasb
7
ST Segment
Ko‘tarilish/tushish → Ishemiya
Anamnez, Yosh
8
T wave Morphology
Teskari/simmetrik emas → Aritmiya
Jins, Anamnez
3-jadvalda keltirilgan kognitiv parametrlar va xususiyatlari asosida quyidagi jadvalda
keltirilgan kasallik turlarini aniqlash imkoniyatlarini beradi.
4- jadval.
Kasalliklar va ularning belgilari
Kasallik turlari
Belgilari / EKG tahlili orqali
Aritmiya
R-R intervalidagi notekislik
Bradiaritmiya
R-R juda uzun, yurak urishi sekin
Taxikardiya
Tez yurak urishi (RR juda qisqa)
Miyokard infarkti
ST segmentining ko‘tarilishi/pastligi
AV blok
PQ intervalining uzayishi
Fibrilatsiya
Noto‘g‘ri P
-
to‘lqinlar yoki yo‘qligi
1679
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
4-jadvalda kasalliklar va ularning belgilari
keltirilgan. Bu yerda bemorning o‘ziga xos
holatlari (kognitiv holati) va kardio signal parametrlari asosida kasallik turi aniqlashtirilgan. Bu
esa o‘z navbatida zamonaviy tibbiy informatika va shaxslashtirilgan diagnostika (Personalized
Diagnosis) sohasining muhim yo‘nalishlaridan biridir.
5- jadval.
Bemorning kognitiv va sharoit parametrlari
Parametr
Tavsifi
Yosh
Yurak elastikligi va ritmga ta’sir qiladi
Jins (Erkak / Ayol)
EKG amplitudalar va intervallar farq qiladi
Kasb (Stress darajasi)
HRV o‘zgaruvchanlikka olib keladi
Anamnez (Kasallik tarixi) Oldingi MI, diabet, gipertoniya
Jismoniy faollik darajasi
Turg‘un yurak urishi va HRV
Dori vositalari
Qon bosimi yoki ritmga ta’sir qiluvchi dori
Quyida bemorning kognitiv va sharoit parametrlari keltirilgan jadval keltirilgan (5-
jadval). Ushbu parametrlar yurak faoliyatiga bevosita yoki bilvosita ta’sir qiladi.
Kognitiv model: Kognitiv + Signal integratsiyasi bu - yondashuvda biz klassik ML yoki
DL modelga ikkita ma’lumot turini birlashtiramiz:
X
1
(Kognitiv xususiyatlar): Yosh, jins, kasb, anamnez.
X
2
(Signal xususiyatlari): EKG dan ajratilgan 8 ta parametr.
X = [X
1
+ X
2
] ko‘rinishida feature vektori hosil qilamiz. Natijada, har bir bemorga
moslashtirilgan baholashni, kognitiv xususiyatlar + fiziologik signallar integratsiyasini, kasallik
turini aniqlash aniqligi yuqoriligini, aritmiya va MI ni erta aniqlash imkoniyatini amalga oshirish
mumkin bo‘ladi.
Bu modelni yanada aniq ishlashi uchun kardiologik signal turlari, kasalliklar va sabablar
jadvali ishlab chiqildi (6-jadval).
6- jadval.
Kardio signallar, kasalliklar va ularning sabablari
№
Signal
turi
Aniqlanadigan kasallik
Sabab va izoh
1
EKG
(ECG)
Aritmiya - yurak ritmining
buzilishi
Elektrik signal noto‘g‘ri yurishi,
giper/hypokalemiya, yurakning elektr tizimi
muammolari
Qarindosh bloklar (AV block) Atrioventrikulyar impulsning sekinlashuvi yoki
to‘xtashi
Qarshi (infarct)
Miokard ishemiyasi yoki to‘qima o‘limi –
Q
to‘lqindagi o‘zgarishlar
QT sindromlari
Uzaygan yoki qisqa QT oralig‘i, irsiy yoki dori
ta’siri
2
PCG
Yurak shovqinlari (murmur)
Qopqoq (valvular) muammolari, yurak ichi
oqimining noto‘g‘riligidan
Mitral regurgitatsiya
Mitral qopqoq noto‘liq yopilishi
Aortik stenoz
Aorta qopqog‘i torayishi natijasida shovqin
1680
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
3
PPG
Past yurak urish
(bradikardiya)
Parasempatik faollik, dori-darmonlar, yurak
xuruji
Yuqori yurak urish
(taxikardiya)
Stress, issiqlik, og‘riq, yurak yetishmovchiligi
Vazovagal sincope
Qon bosimining pasayishi natijasida hushdan
ketish
4
ABP
Gipertenziya
Arteriyalarning torayishi, irsiyat, stress,
noto‘g‘ri ovqatlanish
Gipotoniya
Qon bosimining pastligi
–
yurak chiqarish hajmi
kamaygan
5
SCG
Yurakning mexanik
disfunktsiyasi
Yurak mushaklarining silkinishi sustlashadi
–
CHF (congestive heart failure) belgisi
Aorta dissektsiyasi
Aortaning ichki devorining yirtilishi, og‘riqli va
xavfli holat
6
ICG
Qon hajmi kamayishi
Qon oqimi o‘zgarishi, yurak chiqarish hajmi
buzilishi
Kardiogen shok
Yurak qon hayday olmaydi, o‘lim xavfi yuqori
7
MCG
Elektrik buzilishlar (kam
seziladigan EKG buzilishlari)
MCG EKG’ga qaraganda magnit sezgirligi
yuqori bo‘lgani uchun ba’zi kasalliklarni erta
aniqlaydi
8
VCG
Elektr vektori o‘zgarishlari –
gipotrofiya yoki infarkt
Yurak mushaklarining kattalashuvi yoki o‘lik
to‘qima tufayli vektorlar yo‘nalishi o‘zgaradi
Quyida keltirilgan jadvalda kardio signallar berilgan parametrlar bo’yicha berilishi tahlil
qilingan:
№
Kasallik turlari
precision
recall
F1-score
support
1
Normal
0.98
1.00
0.99
446
2
Aritmiya
0.00
0.00
0.00
9
3
Accuracy
-
-
0.98
455
4
Macro avg
0.49
0.50
0.50
455
5
Weighted avg
0.96
0.98
0.97
455
Xulosa:
Raqamli signallarga ishlov berishda har bir usul muayyan maqsadga xizmat qiladi: z-
transform tizimni tahlil qilishga, Fourier va wavelet usullari spektral tahlilga, filtrlash esa
signalni tozalashga. Har bir tibbiy yoki texnik ilovada bu usullarning mos kombinatsiyasi
tanlanadi.
Tibbiyotda kognitiv texnologiyalar inson va mashina o‘rtasidagi hamkorlikni
kuchaytirish, tibbiy xizmatlar sifatini oshirish va bemorlar uchun yaxshi natijalarga erishishga
xizmat qiladi.
Boshqacha qilib aytganda, kognitiv texnologiyalar tibbiyotda inson miyasining ishini
“tushunish” va “takrorlash”ga harakat qiladi, shu orqali tibbiy ma‘
lumotlarni tahlil qilish, tashxis
qo
‘yish, davolashni rejalashtirish va bemorga xizmat ko‘rsatishni yaxshilashga yordam beradi.
1681
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
ADABIYOTLAR RO‘YXATI (REFERENCES)
1.
Xakimjon, Z., Oybek, M. (2022). Parallel Algorithm for Calculating the Learning
Processes of an Artificial Neural Network.
AIP Conference Proceedings. 2022, 2647,
050006.
2.
Ganixodjayeva D.Z. The Relationship of a Mathematical Model with Systemic-Cognitive
Analysis Using Non-Parametric Models.
“Бир макон бир йўл” SIRCON 2023 xalqaro
ilmiy-
amaliy konferensiya материаллари тўплами. Тошкент
3-6
окятбрь
, 2023. 550-
556
б.
3.
Ganixodjayeva D.Z.,
М
.
З
.
Махкамова
.
Когнитивная структуризация, формальная
постановка задачи и синтез модели.
Республика олий ўқув юртлари профессор
-
ўқитувчиларининг илмий ишлари тўплами, Тошкент, 2014, 188
-
189 б.
4.
Ganixodjayeva D.Z
., М.З. Махкамова. Математический метод системно
-
когнитивного анализа в свете идей интервальной бутстропной робастной
статистики объектов нечисловой природы. “Амалий математика ва информацион
технологияларнинг долзарб муаммолари –
Ал
-
Хоразмий 2014” Халқаро анжуман,
маърузалари тўплами (Тўплам № 2), 2014 й., 15
-
17 сентябрь, 131
-
133 б.
5.
Divya Gupta, Tanishka Garg, Latika Kharb. How Cognitive Technology Is Better Than
AI? International Journal of Advanced Trends in Computer Applications
(IJATCA)Volume 6, Number 2, Dec - 2019, pp. 33-35
6.
Izabela Marszałek
-Kotzur. Cognitive Technologies - Are We in Danger of Humanizing
Machines and Dehumanizing Humans?
Management SystemsinProduction Engineering.
2022, Volume 30, Issue 3, pp. 269-275
7.
National Archives and Records Administration. Cognitive Technologies White Paper
Records Management Implications.
Cognitive Technologies White Paper.(2020). 29 p.
8.
Abid Haleem, Mohd Javaid. Role of Cognitive Computing in Enhancing Innovative
Healthcare Solutions.
Advances in Biomarker Sciences and Technology (2024). DOI:
10.1016/j.abst.2024.08.002
9.
Jeff Daniel, Arman Sargolzaei, Mohammed Abdelghani3, Saman Sargolzaei, Ben
Amaba. Blockchain Technology, Cognitive Computing, and Healthcare Innovations.
Journal of Advances in Information Technology Vol. 8, No. 3, August 2017.
10.
Rajat K.B., Pradip K.B., Prabin K.P., Shilpee A. Dasgupta. Adoption of cognitive
computing decision support system in the assessment of health-care policymaking.
Journal of Systems and Information Technology (2023). Vol. 25 No. 4, pp. 395-439.
https://doi.org/10.1108/JSIT-10-2021-0221
