АннотацияВведение. Аритмия, или нерегулярное сердцебиение, возникает, когда электрическая система сердца дезорганизована или не синхронизирована, и может вызвать инсульты, внезапную сердечную смерть и другие осложнения. Автоматизированная классификация аритмий с использованием глубокого обучения сэкономила бы время и энергию при внедрении в систему поддержки принятия решений в больницах. Цель работы. Изучение эффективности улучшения классификации аритмий после использования двоичных изображений сегментированных сигналов электрокардиограммы (ЭКГ) с комбинациями ортогональных и поверхностных сигналов. Материалы и методы. В данной статье изучается классификация аритмий с использованием двоичных изображений поверхностных и ортогональных сигналов ЭКГ. Маркировка данных автоматизируется с использованием языка программирования Python, для всех сигналов реализуется предварительная обработка, а затем полученные сигналы наносятся на график и сегментируются в 2-секундных окнах. Эти сегменты сохраняются как изображения RGB, затем преобразуются в двоичные изображения, где сигнал белый, а фон черный. Предварительно обученная модель Alexnet используется для классификации девяти классов, где каждая поверхностная ЭКГ и ортогональное отведение классифицируются отдельно. Результаты. Производительность модели оценивается по средней точности, прецизионности, F1-score и матрице путаницы всех лидов. Результаты параллельной классификации ЭКГ в 12 отведениях лучше, чем для ортогональных отведений, и все отведения с точностью, прецизионностью и F1-score равны 0.84, 0.78 и 0.71 соответственно. Заключение. Производительность модели оценивалась для трех случаев: 12 поверхностных отведений ЭКГ, ортогональных отведений и всех отведений. Вычисленные средние значения показателей (точность, прецизионность и оценка F1) для каждого случая показывают, что использования 12 поверхностных отведений ЭКГ достаточно для классификации девяти различных типов аритмии с использованием двоичных изображений сегментов ЭКГ.