Программно-аппаратный исследовательский комплекс диагностики состояния человека на основе облачной микросервисной архитектуры
Аннотация
Предложена архитектура программно-аппаратного комплекса сбора, хранения, анализа и обработки диагностических сигналов. Архитектура программно-аппаратного комплекса представлена несколькими уровнями (модулями). Аппаратной основой является набор сенсоров для регистрации различных показателей с поверхности тела человека. За агрегацию и аккумуляцию данных с устройств сбора данных отвечает хаб, представляющий собой совокупность программного обеспечения, функционирующего на персональном компьютере. Особенностью программно-аппаратного комплекса является программный модуль, реализованный в облаке, предоставляющий авторизованным пользователям различные возможности анализа данных. Анализ сигналов производится аналитическими и нейросетевыми средствами, при необходимости проводится дообучение или корректировка алгоритмов анализа, которая осуществляется на отдельных выделенных мощностях – микросервисах. Разработаны две нейросетевые модели, адаптированных под две задачи сегментации и классификации сигналов ЭКГ. Нейронная сеть для задачи сегментации создана на основе модификации UNet и включает четыре блока, каждый из которых состоит из двух одномерных сверточных слоёв. Предложенная модель с высокой точностью локализуют кардиоциклы в сигнале. Для задачи классификации сигналов ЭКГ применялась базовая архитектура MobileNetV3, адаптированная под входные тензоры в формате (batch, 2, 5000), где batch – количество сигналов ЭКГ. Сформированы обучающая и тестовая выборки с учетом возможных проблем и неточностей, из сегментации исключены первый и последний сердечные циклы. Предложенная архитектура системы может быть масштабирована для других видов сигналов (например, сигналов головного мозга ЭЭГ) за счет выделения моделей в отдельный микросервис и возможностью последующей интеграции в развернутые аппаратно-программный комплекс сбора, хранения, анализа и обработки сигналов.
Литература
2. Kovaleva I.P., Voblaya I.N., Zayarnaya I.A., et al. The Actual Trends in Health Care Development. Problems of Social Hygiene, Public Health and History of Medicine. 2026;34(1):5-11. (In Russ., abstract in Eng.) https://doi.org/10.32687/0869-866X-2026-34-1-5-11
3. Grigorieva N.S., Demkina A.E., Korobeynikova A.N. Digitalization in the Russian healthcare: barriers to digital maturity. Population and Economics. 2024;8(1):1-14. https://doi.org/10.3897/popecon.8.e111793
4. Akbulut S., Colak C. Next-Generation Healthcare: Artificial Intelligence Applications in Disease Management. Diagnostics. 2024;14(11):1087. https://doi.org/10.3390/diagnostics14111087
5. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. https://doi.org/10.1038/s41591-018-0300-7
6. Zhang P., Kamel Boulos M.N. Generative AI in Medicine and Healthcare: Promises, Opportunities and Challenges.Future Internet.2023;15:286. https://doi.org/10.3390/fi15090286
7. Chen R.J., Wang J.J., Williamson D.F.K.,et al.Algorithmic fairness in artificial intelligence for medicine and healthcare.Nat. Biomed. Eng. 2023;7:719-742. https://doi.org/10.1038/s41551-023-01056-8
8. RyazanovaS.V., KomkovA.A., MazaevV.P. Prospects of medical technologies of artificial intelligence. Scientific review. 2022;(4):90-94. (In Russ., abstract in Eng.) https://doi.org/10.17513/srms.1279
9. Dabagov A.R. Informatization of healthcare and some problems of building integrated medical information systems. Journal of Radio Electronics. 2011;(9):13. (In Russ., abstract in Eng.) EDN: OJKRQD
10. Kumar A., Singh D. Benchmark Datasets for Analysis in Medical Systems. In: Artificial Intelligence in Modern Healthcare System. Transactions on Computer Systems and Networks. Singapore: Springer; 2025. p. 255-284. https://doi.org/10.1007/978-981-96-6703-1_11
11. Yang Y., Khorshidi H.A., Aickelin U. A review on over-sampling techniques in classification of multi-class imbalanced datasets: insights for medical problems. Front. Digit. Health. 2024;6:1430245. https://doi.org/10.3389/fdgth.2024.1430245
12. Chava K. Architecting cloud-based infrastructure for scalable and secure health data storage. In:Revolutionizing Healthcare Systems with Next-Generation Technologies: The Role of Artificial Intelligence, Cloud Infrastructure, and Big Data in Driving Patient-Centric Innovation. Deep Science Publishing; 2025. p. 36-51. https://doi.org/10.70593/978-81-988918-5-3_4
13. Rudetskiy S.V., Belchenkov A.A., Kalinovskiy V.V., Morozov M.A., Fokht O.A. Evolution of an approach to integration between medical and laboratory information systems. Manager Zdravoohranenia. 2023;S:55-64. (In Russ., abstract in Eng.) https://doi.org/10.21045/1811-0185-2023-S-55-64
14. Monakov D.M., Altunin D.V. Medical information systems: modern realities and prospects. Russian Journal of Telemedicine and E-Health. 2022;8(4):46-53. (In Russ., abstract in Eng.) https://doi.org/10.29188/2712-9217-2022-8-4-46-53
15. Simi Abdul Shukkoor. Cloud-based machine learning for precision medicine: Transforming healthcare delivery in US. World Journal of Advanced Research and Reviews. 2025;26(01):3940-3950. https://doi.org/10.30574/wjarr.2025.26.1.1507
16. Bilakanti G. Cloud-based Data Lakes in Healthcare: Challenges and Opportunities. International Journal Research of Leading Publication (IJLRP). 2023;4(8):1-12. https://doi.org/10.5281/zenodo.15196922
17. Perna D., Tagarelli A. Deep Auscultation: Predicting Respiratory Anomalies and Diseases via Recurrent Neural Networks. In: 2019 IEEE 32nd International Symposium on Computer-Based Medical Systems (CBMS). Cordoba, Spain: IEEE Press; 2019. p. 50-55. https://doi.org/10.1109/CBMS.2019.00020
18. Adhikary S., Ghosh A., Nandi S. iBMSR: Intelligent Body Mass Status Recognition from Respiratory Auscultation. In: 15th International Conference on COMmunication Systems & NETworkS (COMSNETS). Bangalore, India; 2023. p. 102-107. https://doi.org/10.1109/COMSNETS56262.2023.10041309
19. Troisi F., Guida P., Quadrini F., Di Monaco A., Vitulano N., Caruso R., Orfino R., Cecere G., Anselmino M., Grimaldi M. Zero Fluoroscopy Arrhythmias Catheter Ablation: A Trend Toward More Frequent Practice in a High-Volume Center. Front Cardiovasc Med. 2022;9:804424. https://doi.org/10.3389/fcvm.2022.804424
20. Goldberger A.L., Amaral L.A., Glass L., Hausdorff J.M., Ivanov P.C., Mark R.G., Mietus J.E., Moody G.B., Peng C.K., Stanley H.E. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation. 2000;101(23):E215-20. https://doi.org/10.1161/01.cir.101.23.e215
21. Clifford G.D., et al. Classification of normal/abnormal heart sound recordings: The PhysioNet. Computing in Cardiology Challenge 2016. In: 2016 Computing in Cardiology Conference (CinC). Vancouver, BC, Canada: IEEE Press; 2016. p. 609-612.
22. Clifford G.D., Liu C., Moody B., Lehman L.H., Silva I., Li Q., Johnson A.E., Mark R.G. AF Classification from a Short Single Lead ECG Recording: the PhysioNe. Computing in Cardiology Challenge 2017. Comput Cardiol (2010). 2017;44:10.22489/CinC.2017.065-469. https://doi.org/10.22489/CinC.2017.065-469
23. Venton J., Harris P.M., Sundar A., Smith N.A.S., Aston P.J. Robustness of convolutional neural networks tophysiological electrocardiogram noise. Philos Trans A Math Phys Eng Sci. 2021;379(2212):20200262. https://doi.org/10.1098/rsta.2020.0262
24. Kalyakulina A.I., Yusipov I.I., Moskalenko V.A., et al. LUDB: A New Open-Access Validation Tool for Electrocardiogram Delineation Algorithms. IEEE Access. 2020;8:186181-186190. https://doi.org/10.1109/ACCESS.2020.3029211
25. Aljabri M., AlAmir M., AlGhamdi M., Abdel-Mottaleb M., Collado-Mesa F. Towards a better understanding of annotation tools for medical imaging: a survey. Multimed Tools Appl. 2022;81(18):25877-25911. https://doi.org/10.1007/s11042-022-12100-1
26. Krithika Alias AnbuDevi M., Suganthi K. Review of Semantic Segmentation of Medical Images Using Modified Architectures of UNET. Diagnostics. 2022;12(12):3064. https://doi.org/10.3390/diagnostics12123064
27. Qian S., Ning C., Hu Y. MobileNetV3 for Image Classification. In: 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE). Nanchang, China: IEEE Press; 2021. p. 490-497. https://doi.org/10.1109/ICBAIE52039.2021.9389905
28. Koonce B. MobileNetV3. In: Convolutional Neural Networks with Swift for Tensorflow. Berkeley, CA: Apress; 2021. p. 125-144. https://doi.org/10.1007/978-1-4842-6168-2_11
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
