В данной работе рассмотрены различные подходы к генерации синтетических сигналов, имитирующих электрокардиограмму (ЭКГ) человека, с акцентом на нестационарность временного ряда и наличие разнообразных форм волны сигнала. Предлагаются результаты анализа трех подходов к генерации синтетических нестационарных ЭКГ-подобных сигналов, включающих: 1) правило-ориентированный подход, при котором модель ЭКГ строится на основе суммы гауссовых функций, каждая из которых моделирует характерную волну (где P --- волна предсердной деполяризации, QRS --- комплекс желудочковой деполяризации, T --- волна реполяризации); 2) стохастические модели с использованием Марковских цепей для эмуляции переходов между различными физиологическими состояниями; 3) нейросетевые генераторы, не основанные на жестко заданных правилах (например, рекуррентная LSTM с случайными весами). Показано, как модель ЭКГ-сигнала, полученную при каждом из подходов, можно модифицировать для внесения нестационарности, в частности вариации длительности сердечных циклов, переключения состояний) и добавления локальных артефактов записи, например зашумлённых участков. Предложенные подходы могут быть использованы при тестировании алгоритмов кластеризации и анализа временных рядов, когда необходимо проверить устойчивость методов к~шумам, редким событиям и смене состояний. С. 24-35.

In this paper, various approaches to the generation of synthetic signals simulating a human electrocardiogram (ECG) are considered, with an emphasis on non-stationarity and the presence of various waveforms. Three main types of methods are proposed: 1) rule-based, based on the sum of Gaussians for modeling waves P, Q, R, S, T; 2) stochastic models based on Markov chains, allowing to emulate transitions between different physiological states; 3) neural network generators without strict rules (for example, a recurrent LSTM network with random weights). It is shown how each of the models can be modified to introduce nonstationarity (variations in the duration of cardiac cycles, switching states) and adding local recording artifacts (noisy areas). The proposed methods can be used in testing clustering and time series analysis algorithms when it is necessary to test the methods' resistance to noise, rare events, and state changes.