EXOKARDIOGRAFIK SIGNALLAR ASOSIDA PROGNOZLASH MODELINI ISHLAB CHIQISH

Djurayeva Nigora Soibjon qizi

doi:10.5281/zenodo.19829141

25.04.2026

Oʻzbekcha

EXOKARDIOGRAFIK SIGNALLAR ASOSIDA PROGNOZLASH MODELINI ISHLAB CHIQISH

Nashr sanasi

25.04.2026

Jurnal

Sun'iy intellektni pedagogik ta'limga tadbiq etishning ustivor yo'nalishlari

Nashr

Sun'iy intellektni pedagogik ta'limga tadbiq etishning ustivor yo'nalishlari

Sahifalar

357-363

DOI

10.5281/zenodo.19829141

Mualliflar

Djurayeva Nigora Soibjon qizi

Annotatsiya

Ushbu maqolada exokardiosignallar asosida yurak faoliyatini baholash va kasalliklarni erta aniqlash uchun bashoratlovchi model ishlab chiqish masalasi ko‘rib chiqilgan. Tadqiqotda tasvir va signal ma’lumotlarini qayta ishlash, segmentatsiya va xususiyatlarni ajratib olish bosqichlari tahlil qilindi. Fazoviy va vaqtli xususiyatlarni birgalikda o‘rganish uchun CNN va BiLSTM asosidagi gibrid model taklif etildi. Tajriba natijalari CAMUS va EchoNet-Dynamic datasetlarida sinovdan o‘tkazilib, model 93% aniqlik va yuqori F1-score ko‘rsatkichlariga erishdi. Olingan natijalar modelning yurak kasalliklarini prognozlashda samarali ekanligini ko‘rsatadi.

Kalit so‘zlar

CNN sun’iy intellekt Exokardiosignal exokardiografiya bashoratlovchi model chuqur o‘qitish BiLSTM LSTM yurak kasalliklari LVEF CAMUS EchoNet-Dynamic tibbiy tasvirlarni tahlil qilish

Boshqa tillardagi variantlar

Русский

В данной статье рассматривается разработка прогностической модели для оценки функции сердца и ранней диагностики сердечно-сосудистых заболеваний на основе эхокардиографических сигналов. В работе системно проанализированы основные этапы обработки изображений и сигналов, включая предварительную обработку, сегментацию и извлечение признаков. Для эффективного учета пространственных и временных характеристик предложена гибридная модель глубокого обучения, объединяющая сверточные нейронные сети (CNN) и двунаправленную долгосрочную кратковременную память (BiLSTM). Экспериментальная апробация модели проведена на наборах данных CAMUS и EchoNet-Dynamic, где достигнута точность 93% и высокое значение F1-меры. Полученные результаты свидетельствуют об эффективности и надежности предложенного подхода для прогнозирования сердечно-сосудистых заболеваний.

CNN глубокое обучение искусственный интеллект эхокардиографические сигналы эхокардиография прогностическое моделирование BiLSTM LSTM сердечно-сосудистые заболевания LVEF CAMUS EchoNet-Dynamic анализ медицинских изображений

English

This paper examines the development of a predictive model for the assessment of cardiac function and the early diagnosis of heart diseases based on echocardiographic signals. The study systematically investigates key stages, including the processing of image and signal data, segmentation, and feature extraction. To effectively capture both spatial and temporal characteristics, a hybrid deep learning model integrating Convolutional Neural Networks (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) is proposed. The model was experimentally validated on the CAMUS and EchoNet-Dynamic datasets, achieving an accuracy of 93% along with a high F1-score. The results indicate that the proposed approach is effective and reliable for the prediction of cardiovascular conditions.

CNN artificial intelligence deep learning echocardiographic signals echocardiography predictive modeling BiLSTM LSTM cardiovascular diseases LVEF CAMUS EchoNet-Dynamic medical image analysis

Foydalanilgan adabiyotlar

1. Otto C.M. Textbook of Clinical Echocardiography. – 5th ed. – Philadelphia: Elsevier, 2018. – 512 p.

2. Goodfellow I., Bengio Y., Courville A. Deep Learning. – Cambridge: MIT Press, 2016. – 775 p.

3. Woo S., Park J., Lee J.-Y., Kweon I.S. CBAM: Convolutional Block Attention Module // Proceedings of the European Conference on Computer Vision (ECCV). – 2018. – P. 3–19.

4. Lang R.M., Badano L.P., Mor-Avi V. et al. Recommendations for cardiac chamber quantification by echocardiography // European Heart Journal. – 2015. – Vol. 16. – P. 233–271.

5. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. – 2015. – Vol. 521. – P. 436–444.

6. Litjens G. et al. A survey on deep learning in medical image analysis // Medical Image Analysis. — 2017. — Vol. 42. — P. 60–88.

7. Donahue J. et al. Long-term recurrent convolutional networks for visual recognition and description // IEEE CVPR. — 2015. — P. 2625–2634.

8. Madani A. et al. Fast and accurate view classification of echocardiograms using deep learning // NPJ Digital Medicine. — 2018. — Vol. 1. — Article 6.

9. Nithish S., Maheshwari P., Venkatsubramaniam B. et al. Auto-LVEF: A novel method to determine ejection fraction from 2D echocardiograms // Communications in Computer and Information Science. — 2024. — Vol. 2093. — P. 107–122.

10. Alhussein M., Liu M. X. Deep learning in echocardiography for enhanced detection of left ventricular function // Ultrasound in Medicine & Biology. — 2025. — Vol. 51, № 8. — P. 1153–1159.

PDFni ko'rish