The object of research, development or design (in Russian) : Акустические сигналы дыхания человека, включающие звуки легких при нормальном и патологическом состоянии, а также методы и алгоритмы их анализа на основе технологий машинного обучения и глубокого обучения для ранней диагностики респираторных заболеваний.

The object of research, development or design (in Kazakh) : Адам тыныс алу жүйесінің акустикалық сигналдары, оның ішінде қалыпты және патологиялық өкпе дыбыстары, сондай-ақ респираторлық ауруларды ерте диагностикалау мақсатында машиналық оқыту мен терең оқыту технологиялары негізінде оларды талдау әдістері мен алгоритмдері.

Aim of work (in Russian) : Разработать и внедрить машинно-обучаемую рекомендательную систему для ранней диагностики респираторных заболеваний путем анализа акустических данных дыхания, что позволит повысить точность и доступность диагностических услуг в медицинской практике

Aim of work (in Kazakh) : Тыныс алудың акустикалық деректерін талдау арқылы респираторлық ауруларды ерте диагностикалау үшін машинада оқытылатын ұсыныс жүйесін әзірлеу және енгізу, бұл медициналық тәжірибеде диагностикалық қызметтердің дәлдігі мен қолжетімділігін арттыруға мүмкіндік береді

Методы исследования (на русском) : Методы исследования включают комплекс подходов к обработке и анализу акустических данных дыхательных звуков. Применяются методы предварительной обработки аудиосигналов, включающие фильтрацию шумов, сегментацию, нормализацию и построение мел-спектрограмм и MFCC-признаков. Для анализа данных используются современные архитектуры глубокого обучения: сверточные нейронные сети (CNN) для выделения частотных признаков, рекуррентные нейронные сети (RNN, LSTM, GRU) для обработки временных зависимостей, а также гибридные и ансамблевые модели, интегрирующие механизмы внимания для повышения точности классификации. Для оценки эффективности предложенных моделей применяются методы статистического анализа, кросс-валидация, вычисление метрик точности, чувствительности, специфичности и F1-меры. Исследование также включает сравнение результатов с существующими диагностическими подходами и проведение экспериментальных тестов на клинических данных.

Методы исследования (на казахском) : Зерттеу әдістері тыныс алу дыбыстарының акустикалық мәліметтерін өңдеу мен талдауға бағытталған кешенді тәсілдерді қамтиды. Алғашқы өңдеу кезеңінде аудиосигналдарды шудан тазарту, сегментациялау, нормализациялау, мел-спектрограммалар мен MFCC-белгілерін құрастыру әдістері қолданылады. Мәліметтерді талдау үшін терең оқыту модельдері пайдаланылады: жиілік ерекшеліктерін анықтау үшін CNN, уақыттық тәуелділіктерді өңдеу үшін RNN, LSTM, GRU желілері, сондай-ақ дәлдікті арттыру мақсатында назар аудару механизмдерімен біріктірілген гибридті және ансамбльдік архитектуралар. Модельдердің тиімділігін бағалау үшін статистикалық талдау, кросс-валидация, дәлдік, сезімталдық, ерекшелік және F1-өлшемі сияқты метрикалар есептеледі. Сонымен қатар, зерттеу қазіргі диагностикалық әдістермен салыстыруды және клиникалық деректер негізінде эксперименттік сынақтар жүргізуді қамтиды.

Obtained results and novelty (in Russian) : В ходе исследования были получены результаты, которые подтверждают эффективность предложенного подхода к ранней диагностике респираторных заболеваний на основе анализа акустических данных дыхания. Были сформированы и предварительно обработаны обширные наборы звуков легких, включающие нормальные и патологические состояния, обеспечив высокое качество данных для обучения моделей. Разработаны и протестированы архитектуры глубокого обучения, включающие CNN, RNN, LSTM, гибридные и ансамблевые модели с интеграцией механизмов внимания. Научная новизна заключается в разработке комплексного подхода, объединяющего современные методы обработки акустических сигналов и алгоритмы глубокого обучения для диагностики заболеваний легких.

Obtained results and novelty (in Kazakh) : Зерттеу нәтижелері тыныс алу дыбыстарын талдау арқылы респираторлық ауруларды ерте диагностикалаудың жоғары тиімділігін көрсетті. Жобаның шеңберінде қалыпты және патологиялық өкпе дыбыстарын қамтитын кең ауқымды деректер жинақталып, алдын ала өңделді: шу тазарту, сегментация, нормализация және спектрограммалар мен MFCC-белгілерін құру жүргізілді. Терең оқытуға негізделген CNN, RNN, LSTM, гибридті және ансамбльдік модельдер әзірленіп, назар аудару механизмдерімен толықтырылды. Зерттеудің жаңашылдығы акустикалық сигналдарды өңдеудің заманауи әдістерін терең оқыту алгоритмдерімен біріктіретін кешенді тәсілді әзірлеуде көрінеді.

The main constructive and technical economic indicators (in Russian) : – Сформирован первичный корпус акустических данных дыхательных звуков, включающий нормальные и патологические записи, обеспечивающий необходимую основу для последующей разработки моделей. – Реализованы модули предварительной обработки аудиосигналов: фильтрация шумов, сегментация, нормализация, построение спектрограмм и MFCC-признаков. – Создана базовая архитектура глубокого обучения на основе CNN и RNN, прошедшая первичную настройку и тестирование на собранных данных.

The main constructive and technical economic indicators (in Kazakh) : – Қалыпты және патологиялық тыныс алу дыбыстарын қамтитын бастапқы акустикалық деректер корпусы дайындалып, келесі модельдерді әзірлеуге қажетті негіз қамтамасыз етілді. – Аудиосигналдарды алдын ала өңдеу модульдері іске асырылды: шуды фильтрлеу, сегментация, нормализация, спектрограммалар мен MFCC-белгілерін құрастыру. – CNN және RNN архитектураларына негізделген терең оқыту моделі әзірленіп, бастапқы параметрлер бойынша тестіленді.

Level of implementation (in Russian) : На данном этапе результаты проекта не внедрены в практическую деятельность. Проводятся исследовательские и экспериментальные работы, направленные на создание и верификацию базовой архитектуры рекомендательной системы, формирование корпуса акустических данных и проведение первичных тестов разработанных моделей.

Level of implementation (in Kazakh) : Қазіргі кезеңде жоба нәтижелері практикалық қызметке енгізілмеген. Рекомендативтік жүйенің бастапқы архитектурасын әзірлеу, акустикалық деректер корпусын қалыптастыру және модельдердің бастапқы сынақтарын жүргізу бойынша зерттеу және эксперименттік жұмыстар жасалып жатыр.

Efficiency (in Russian) : Эффективность проекта определяется его способностью существенно повысить качество и доступность ранней диагностики респираторных заболеваний за счёт применения методов машинного и глубокого обучения для анализа акустических данных дыхания. Разработанная система позволит автоматизировать первичное выявление патологических изменений, сократить время диагностики и уменьшить нагрузку на медицинский персонал, особенно в условиях высокой заболеваемости и ограниченных ресурсов. Использование недорогого оборудования и программных решений обеспечивает высокую экономическую эффективность: система может быть внедрена в широком спектре учреждений без значительных финансовых затрат. Эффективность исследования также проявляется в создании научно обоснованного методологического подхода, повышающего точность классификации дыхательных звуков и уменьшающего количество диагностических ошибок. Реализация проекта способствует укреплению кадрового и научно-технического потенциала, развитию локальных компетенций в области биомедицинской инженерии и искусственного интеллекта, а также формированию технологической базы для дальнейших исследований и коммерциализации.

Efficiency (in Kazakh) : Жобаның тиімділігі тыныс алу дыбыстарын талдауға арналған машиналық және терең оқыту әдістерін қолдану арқылы респираторлық ауруларды ерте диагностикалаудың сапасы мен қолжетімділігін арттыру мүмкіндігімен айқындалады. Әзірленген жүйе патологиялық өзгерістерді автоматты түрде бастапқы анықтауға, диагностика уақытын қысқартуға және медициналық персоналдың жүктемесін азайтуға мүмкіндік береді, әсіресе жоғары сырқаттанушылық және ресурс тапшылығы жағдайында. Қолжетімді жабдық пен бағдарламалық құралдарды пайдалану жобаның экономикалық тиімділігін қамтамасыз етеді: жүйені әртүрлі медициналық мекемелерге елеулі шығынсыз енгізуге болады. Зерттеудің тиімділігі тыныс алу дыбыстарын дәл жіктеуді қамтамасыз ететін ғылыми тұрғыдан негізделген әдістемелік тәсілді әзірлеумен, диагностикалық қателіктерді азайтумен көрінеді. Жоба ғылыми-техникалық әлеуетті нығайтуға, биомедициналық инженерия мен жасанды интеллект саласындағы жергілікті құзыреттерді дамытуға, сондай-ақ алдағы зерттеулер мен коммерцияландыру үшін технологиялық база қалыптастыруға ықпал етеді.

Field of application (in Russian) : Разработанная система может быть использована в медицинских учреждениях различного уровня для ранней диагностики респираторных заболеваний на основе анализа дыхательных звуков. Технология применяется в амбулаторной практике, мобильных диагностических пунктах, телемедицинских сервисах и системах домашнего мониторинга состояния пациентов. Система подходит для использования врачами первичного звена, пульмонологами, терапевтами, а также может быть интегрирована в цифровые стетоскопы и мобильные приложения для расширения функционала доступной медицинской диагностики. Кроме того, разработанные алгоритмы могут применяться в образовательных медицинских платформах, системах скрининга в условиях повышенной эпидемиологической нагрузки и в исследовательских центрах для анализа акустических биосигналов. Область применения включает также возможную интеграцию в национальные программы здравоохранения для мониторинга хронических респираторных патологий и повышения доступности диагностических услуг в регионах с ограниченными ресурсами.

Field of application (in Kazakh) : Әзірленген жүйе тыныс алу дыбыстарын талдау негізінде респираторлық ауруларды ерте диагностикалау үшін әртүрлі деңгейдегі медициналық мекемелерде қолдануға болады. Технология амбулаториялық тәжірибеде, мобильді диагностикалық пункттерде, телемедицина қызметтерінде және пациенттердің үй жағдайында мониторинг жүргізу жүйелерінде тиімді пайдаланылады. Жүйені бастапқы медициналық көмек дәрігерлері, пульмонологтар, терапевтер қолдана алады, сондай-ақ оны цифрлық стетоскоптарға және медициналық мобильді қосымшаларға интеграциялау арқылы қолжетімді диагностиканың функционалын кеңейтуге болады. Сонымен қатар, әзірленген алгоритмдер биосигналдарды талдауға бағытталған ғылыми-зерттеу орталықтарында, эпидемиологиялық жүктемесі жоғары жағдайларда скринингтік жүйелерде және медициналық білім беру платформаларында қолданылуы мүмкін. Қолдану саласы ұлттық денсаулық сақтау бағдарламаларына интеграциялау мүмкіндігін де қамтиды, бұл респираторлық созылмалы ауруларды бақылауды жақсартып, диагностика қызметтерінің өңірлік қолжетімділігін арттырады.