DOI: https://doi.org/10.1007/s11227-026-08629-9
تاريخ النشر: 2026-06-03
المؤلف: Z. Tanveer Baig وآخرون
الموضوع الرئيسي: مراقبة وتحليل تخطيط القلب الكهربائي
نظرة عامة
تقدم هذه البحث شبكتين عصبيتين خفيفتين مبتكرتين من نوع 1D convolutional، ArrhythmiNet V1 و V2، مصممتين للتصنيف الفعال في الوقت الحقيقي لعدم انتظام ضربات القلب باستخدام تخطيط القلب الكهربائي (ECG). تستفيد النماذج من الالتفافات القابلة للفصل العمقي المستوحاة من MobileNet، محققة دقة تصنيف مثيرة للإعجاب تبلغ 0.99 و 0.98، على التوالي، على مجموعة بيانات MIT-BIH لعدم انتظام ضربات القلب عبر خمس فئات من عدم انتظام ضربات القلب. ومن الجدير بالذكر أنها تحافظ على بصمات ذاكرة منخفضة تبلغ 302.18 كيلوبايت و 157.76 كيلوبايت، مما يجعلها مناسبة للنشر على الأجهزة الطرفية ذات الموارد المحدودة. تم تصميم الهياكل خصيصًا للحفاظ على الميزات الزمنية والشكلية الجوهرية لإشارات ECG، مما يعزز من قوتها.
لضمان الصلة السريرية وقابلية التفسير، يدمج البحث تفسيرات شابلي الإضافية (SHAP) ورسم خرائط تنشيط الفئة المعتمد على التدرج (Grad-CAM)، والتي توضح عمليات اتخاذ القرار للنماذج من خلال تسليط الضوء على أنماط ECG المهمة مثل مركب QRS وموجة T. بينما تقتصر النماذج الحالية على إشارات ECG ذات القناة الواحدة، تهدف الأعمال المستقبلية إلى التحقق من أدائها على مجموعات بيانات خارجية، وتعزيز إطار الذكاء الاصطناعي القابل للتفسير، وتوسيع القدرات لتشمل إدخالات ECG متعددة القنوات. تؤكد النتائج على الإمكانية لنشر أنظمة الكشف عن عدم انتظام ضربات القلب المعتمدة على التعلم العميق في الأجهزة القابلة للارتداء والمضمنة، مما يسهل المراقبة القلبية في الوقت الحقيقي مع نتائج قابلة للتفسير سريريًا.
مقدمة
تسلط مقدمة الورقة الضوء على القضية الحرجة للأمراض القلبية الوعائية (CVDs)، التي تعد السبب الرئيسي للوفاة على مستوى العالم، حيث أن الموت القلبي المفاجئ (SCD) يمثل مصدر قلق خاص بين الأفراد الذين تقل أعمارهم عن 70 عامًا. يمكن أن يقلل الكشف المبكر والعلاج لعدم انتظام ضربات القلب، وهي الشذوذات الكهربية في إيقاع القلب، بشكل كبير من خطر SCD. ومع ذلك، فإن الطرق التقليدية لتشخيص هذه الاضطرابات، مثل تحليل تخطيط القلب الكهربائي (ECG) يدويًا، غالبًا ما تكون مستهلكة للوقت وتتطلب خبرة متخصصة. وقد أدى ذلك إلى زيادة الطلب على أنظمة الكشف عن عدم انتظام ضربات القلب الآلية في الوقت الحقيقي، خاصة من خلال التقدم في تقنيات التعلم الآلي (ML) والتعلم العميق (DL).
تناقش الورقة تطور طرق الكشف عن عدم انتظام ضربات القلب، مشيرة إلى أنه بينما أظهرت خوارزميات ML التقليدية وعدًا، إلا أنها محدودة بسبب اعتمادها على الميزات المصممة يدويًا. على النقيض من ذلك، يمكن لنماذج DL، وخاصة الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs)، أن تتعلم مباشرة من إشارات ECG الخام، مما يؤدي إلى تحسين الدقة. ومع ذلك، لا تزال هناك تحديات، خاصة فيما يتعلق بقابلية تفسير هذه النماذج “الصندوق الأسود”، مما يثير القلق في البيئات السريرية. لمعالجة ذلك، يقترح المؤلفون هيكلين عصبيين خفيفين جديدين، ArrhythmiNet V1 و V2، اللذان يدمجان تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) مثل SHAP و Grad-CAM لتعزيز الشفافية في توقعات النموذج. تظهر هذه النماذج أداءً متفوقًا على مجموعة بيانات MIT-BIH لعدم انتظام ضربات القلب مع الحفاظ على بصمة ذاكرة صغيرة، مما يجعلها مناسبة للنشر في أجهزة مراقبة القلب القابلة للارتداء والبيئات ذات الموارد المحدودة. توضح الورقة هيكل الهياكل المقترحة، ومجموعة البيانات المستخدمة، ودمج تقنيات القابلية للتفسير، مما يمهد الطريق لتقييم شامل لأدائها وآثارها على الأبحاث المستقبلية.
الطرق
توضح المنهجية الموضحة في هذا القسم العناصر الأساسية للإطار المقترح، والذي يتضمن مجموعة البيانات وخط أنابيب المعالجة المسبقة (القسم 3.1)، وهياكل الشبكات العصبية التلافيفية الخفيفة (CNN) (القسم 3.2)، وتقنيات الذكاء الاصطناعي القابل للتفسير (XAI) المستخدمة (القسم 3.3). يدمج الإطار تقنيات إزالة الضوضاء المعتمدة على الموجات وعمليات الالتفاف القابلة للفصل العمقي الفعالة، مستلهمًا من MobileNet، لتعزيز الكفاءة الحاسوبية.
بالإضافة إلى ذلك، يتم دمج استخدام أدوات القابلية للتفسير مثل Grad-CAM و SHAP لضمان القابلية للتفسير السريرية. تهدف هذه المجموعة إلى تحسين التوازن بين الدقة التنبؤية، والكفاءة الحاسوبية، والقدرة على تقديم رؤى مفهومة حول عملية اتخاذ القرار للنموذج.
النتائج
في قسم النتائج، قام المؤلفون بتقييم هياكل ArrhythmiNet المقترحة باستخدام مجموعة بيانات MIT-BIH لعدم انتظام ضربات القلب، مع التركيز على كل من الأداء التنبؤي وقابلية التفسير. أبلغوا عن مقاييس كمية، بما في ذلك الدقة، والاسترجاع، ودرجة F1 لكل فئة من فئات عدم انتظام ضربات القلب، مدعومة بمصفوفات الارتباك التي توضح توزيع أخطاء التصنيف.
علاوة على ذلك، أجرى المؤلفون تحليلًا نوعيًا لتفسيرات النموذج باستخدام تقنيات الذكاء الاصطناعي القابل للتفسير المتقدمة (XAI)، وتحديدًا SHAP و Grad-CAM. تشير النتائج إلى أن النماذج ليست فقط دقيقة وفعالة، ولكن أيضًا ذات صلة سريرية، حيث تسلط الضوء بفعالية على الميزات الشكلية الرئيسية في إشارات ECG التي تساهم في عملية اتخاذ القرار للنموذج. توفر الأقسام الفرعية اللاحقة فحصًا مفصلًا لأداء النموذج وتقييمات القابلية للتفسير.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور تقنيات التعلم الآلي (ML) في تصنيف عدم انتظام ضربات القلب المعتمد على ECG، مقارنًا بين الطرق المبكرة مثل أشجار القرار وNaïve Bayes، التي حققت دقة متوسطة أقل من 80%، مع الأداء المتفوق لأساليب التعلم العميق (DL). من الجدير بالذكر أن نماذج مثل CNNs 1D و LSTMs قد أظهرت دقة تتجاوز 98%، مما يبرز قدرة DL على تعلم الميزات المعقدة من إشارات ECG الخام. ومع ذلك، فإن الطبيعة “الصندوق الأسود” لهذه النماذج تثير القلق بشأن قابلية التفسير، مما يدفع إلى اعتماد طرق الذكاء الاصطناعي القابل للتفسير (XAI) مثل Grad-CAM و SHAP لتوضيح عمليات اتخاذ القرار للنموذج. على الرغم من التقدم، لا تزال هناك فجوات في معالجة اختلال التوازن بين الفئات وتطوير هياكل خفيفة مناسبة للتطبيقات في الوقت الحقيقي.
كما تؤكد الورقة على أهمية البيانات عالية الجودة وتقنيات المعالجة المسبقة، باستخدام قاعدة بيانات MIT-BIH لعدم انتظام ضربات القلب مع معالجة اختلال التوازن بين الفئات من خلال استراتيجيات زيادة العينات وتقليلها. تستفيد هياكل ArrhythmiNet المقترحة من عمليات الالتفاف القابلة للفصل العمقي لتحقيق أداء تشخيصي عالي مع الحد الأدنى من الحمل الحاسوبي، مما يجعلها مناسبة للنشر في الأجهزة القابلة للارتداء. يعزز دمج تقنيات XAI من قابلية تفسير توقعات النموذج، مما يتماشى مع الخصائص السريرية لـ ECG. تشير النتائج إلى أنه بينما تظهر كل من ArrhythmiNet V1 و V2 أداءً قويًا، فإن المزيد من التحسين في استخراج الميزات والاستراتيجيات الهجينة يمكن أن يحسن دقة التصنيف والصلات السريرية، خاصة في تمييز عدم انتظام ضربات القلب المرتبطة ارتباطًا وثيقًا. ستركز الأعمال المستقبلية على التحقق من صحة هذه النماذج باستخدام بيانات ECG متعددة القنوات وتعزيز إطار XAI لتحسين القابلية للتفسير.
DOI: https://doi.org/10.1007/s11227-026-08629-9
Publication Date: 2026-06-03
Author(s): Z. Tanveer Baig et al.
Primary Topic: ECG Monitoring and Analysis
Overview
This research presents two innovative lightweight 1D convolutional neural networks, ArrhythmiNet V1 and V2, designed for efficient real-time classification of cardiac arrhythmias using electrocardiography (ECG). The models leverage depthwise separable convolutions inspired by MobileNet, achieving impressive classification accuracies of 0.99 and 0.98, respectively, on the MIT-BIH Arrhythmia Dataset across five arrhythmia classes. Notably, they maintain low memory footprints of 302.18 KB and 157.76 KB, making them suitable for deployment on resource-constrained edge devices. The architectures are specifically crafted to preserve the intrinsic temporal and morphological features of ECG signals, enhancing their robustness.
To ensure clinical relevance and interpretability, the study integrates Shapley Additive Explanations (SHAP) and Gradient-weighted Class Activation Mapping (Grad-CAM), which elucidate the models’ decision-making processes by highlighting significant ECG patterns such as the QRS complex and T-wave. While the current models are limited to single-lead ECG signals, future work aims to validate their performance on external datasets, enhance the explainable AI framework, and extend capabilities to multi-lead ECG inputs. The findings underscore the potential for deploying deep learning-based arrhythmia detection systems in wearable and embedded devices, facilitating real-time cardiac monitoring with clinically interpretable results.
Introduction
The introduction of the paper highlights the critical issue of cardiovascular diseases (CVDs), which are the leading cause of death globally, with sudden cardiac death (SCD) being particularly concerning among individuals under 70 years old. Early detection and treatment of arrhythmias, which are electrophysiological anomalies in cardiac rhythm, can significantly reduce the risk of SCD. However, traditional methods for diagnosing these arrhythmias, such as manual electrocardiogram (ECG) analysis, are often time-consuming and require specialized expertise. This has led to an increasing demand for automated, real-time arrhythmia detection systems, particularly through advancements in machine learning (ML) and deep learning (DL) technologies.
The paper discusses the evolution of arrhythmia detection methods, noting that while traditional ML algorithms have shown promise, they are limited by their reliance on hand-engineered features. In contrast, DL models, especially convolutional neural networks (CNNs) and recurrent neural networks (RNNs), can learn directly from raw ECG signals, resulting in improved accuracy. Nonetheless, challenges remain, particularly regarding the interpretability of these “black box” models, which raises concerns in clinical settings. To address this, the authors propose two novel lightweight CNN architectures, ArrhythmiNet V1 and V2, which incorporate explainable artificial intelligence (XAI) techniques like SHAP and Grad-CAM to enhance transparency in model predictions. These models demonstrate state-of-the-art performance on the MIT-BIH arrhythmia dataset while maintaining a small memory footprint, making them suitable for deployment in wearable cardiac monitors and resource-constrained environments. The paper outlines the structure of the proposed architectures, the dataset used, and the integration of interpretability techniques, setting the stage for a comprehensive evaluation of their performance and implications for future research.
Methods
The methodology outlined in this section details the essential elements of the proposed framework, which includes the dataset and preprocessing pipeline (Section 3.1), lightweight convolutional neural network (CNN) architectures (Section 3.2), and the explainable AI (XAI) techniques employed (Section 3.3). The framework integrates wavelet-based denoising and efficient depthwise separable convolutions, drawing inspiration from MobileNet, to enhance computational efficiency.
Additionally, the use of interpretability tools such as Grad-CAM and SHAP is incorporated to ensure clinical explainability. This combination aims to optimize the balance between predictive accuracy, computational efficiency, and the ability to provide understandable insights into the model’s decision-making process.
Results
In the Results section, the authors evaluated the proposed ArrhythmiNet architectures using the MIT-BIH Arrhythmia Dataset, focusing on both predictive performance and interpretability. They reported quantitative metrics, including precision, recall, and F1-score for each arrhythmia class, supported by confusion matrices that illustrate the distribution of classification errors.
Furthermore, the authors conducted a qualitative analysis of model explanations utilizing advanced explainable artificial intelligence (XAI) techniques, specifically SHAP and Grad-CAM. The findings indicate not only high accuracy and efficiency of the models but also their clinical relevance, as they effectively highlight key morphological features in ECG signals that contribute to the model’s decision-making process. Subsequent subsections provide a detailed examination of model performance and interpretability assessments.
Discussion
The discussion section of the research paper highlights the evolution of machine learning (ML) techniques in ECG-based arrhythmia classification, contrasting early methods like decision trees and Naïve Bayes, which achieved moderate accuracies below 80%, with the superior performance of deep learning (DL) approaches. Notably, models such as 1D CNNs and LSTMs have demonstrated accuracies exceeding 98%, showcasing DL’s ability to learn complex features from raw ECG signals. However, the “black box” nature of these models raises concerns regarding interpretability, prompting the adoption of explainable AI (XAI) methods like Grad-CAM and SHAP to elucidate model decision-making processes. Despite advancements, gaps remain in addressing class imbalances and developing lightweight architectures suitable for real-time applications.
The paper also emphasizes the importance of high-quality data and preprocessing techniques, utilizing the MIT-BIH Arrhythmia Database while addressing class imbalance through oversampling and undersampling strategies. The proposed ArrhythmiNet architectures leverage depthwise separable convolutions to achieve high diagnostic performance with minimal computational overhead, making them suitable for deployment in wearable devices. The integration of XAI techniques enhances the interpretability of model predictions, aligning them with clinical ECG characteristics. The findings suggest that while both ArrhythmiNet V1 and V2 exhibit strong performance, further refinement in feature extraction and hybrid strategies could improve classification accuracy and clinical relevance, particularly in distinguishing closely related arrhythmias. Future work will focus on validating these models with multi-lead ECG data and enhancing the XAI framework for better interpretability.