DOI: https://doi.org/10.1038/s41598-026-35531-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41680225
تاريخ النشر: 2026-02-13
المؤلف: G Antoni Gracy وآخرون
الموضوع الرئيسي: مراقبة وتحليل تخطيط القلب الكهربائي
نظرة عامة
تقدم البحث نموذج تعلم عميق جديد مصمم للتصنيف الفعال لإشارات ECG إلى ثلاث فئات سريرية هامة: عدم انتظام ضربات القلب (ARR)، وفشل القلب الاحتقاني (CHF)، والنظم الجيبي الطبيعي (NSR). يعالج هذا النموذج التحديات المتعلقة بكفاءة الطاقة، وزمن المعالجة، وخصوصية البيانات المتأصلة في أجهزة الرعاية الصحية القابلة للارتداء. من خلال دمج الالتفافات المتبقية المتوسعة مع بنية Transformer العميقة، المعززة بالتشفير الموضعي والانتباه القائم على القنوات (كتل SE)، يحقق النموذج دقة تصنيف ملحوظة تبلغ 99.34% مع 692K فقط من المعلمات وحوالي 0.234 GFLOPs. بالإضافة إلى ذلك، يظهر قدرات تعميم قوية، كما يتضح من Macro AUROC البالغ 0.9996 وخسارة هامينغ البالغة 0.0062.
لتحسين الأداء بشكل أكبر، تستخدم الدراسة استراتيجية معالجة بيانات من مرحلتين تشمل زيادة العينة المعتمدة على SMOTE وزيادة الاهتزاز لمعالجة عدم توازن الفئات. تلتقط بنية النموذج بشكل فعال كل من الاعتماديات الزمنية المحلية والطويلة المدى في بيانات ECG، مما يجعلها مناسبة بشكل خاص للنشر في بيئات ذات موارد محدودة مثل أنظمة مراقبة الصحة القابلة للارتداء والمحمولة. بشكل عام، يبرز هذا العمل الإمكانية لحلول مراقبة القلب في الوقت الحقيقي مع الحفاظ على الخصوصية التي توازن بين الدقة وتعقيد النموذج وسرعة الاستدلال، مما يعزز قدرات تقنيات الصحة القابلة للارتداء.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على العبء الصحي العالمي الكبير الذي تسببه الأمراض القلبية الوعائية (CVDs)، والتي تسببت في حوالي 17.9 مليون وفاة في عام 2019، بسبب النوبات القلبية والسكتات الدماغية بشكل أساسي. يتم التأكيد على الكشف المبكر عن عدم انتظام ضربات القلب، وهو جانب حاسم في إدارة الأمراض القلبية الوعائية، حيث يمكن أن تظهر هذه الحالات بشكل مستقل أو جنبًا إلى جنب مع اضطرابات قلبية وعائية أخرى. نظرًا لأن تخطيط القلب الكهربائي (ECG) هو الأداة الرئيسية لتشخيص عدم انتظام ضربات القلب، تؤكد الورقة على ضرورة وجود أنظمة آلية قادرة على تحديد الأنماط القلبية غير الطبيعية من إشارات ECG، خاصة في سياق المراقبة المستمرة.
يقترح المؤلفون نهجًا جديدًا لتصنيف ECG على الحافة، باستخدام وحدة تحكم دقيقة لتسهيل الكشف في الوقت الحقيقي عن عدم انتظام ضربات القلب دون الاعتماد على خدمات السحابة. يقدمون بنية Transformer خفيفة الوزن تعتمد على الالتفافات المتبقية المتوسعة مصممة لتصنيف ECG أحادي البعد، والتي تجمع بين الالتفافات المتبقية المتوسعة مع هيكل Transformer متعدد الرؤوس. تعزز هذه البنية قدرة النموذج على التقاط كل من الهياكل الموجية المحلية والعالمية مع الحفاظ على الدقة الزمنية، مما يحسن من الكشف عن الأنماط الدقيقة التي تشير إلى الشذوذ القلبي. يهدف الأسلوب المقترح إلى معالجة تحديات القدرة المحدودة على المعالجة في الأجهزة الطرفية مع ضمان تصنيف فعال ودقيق لإشارات ECG.
النتائج
أظهر نموذج تصنيف ECG المقترح أداءً استثنائيًا، حيث حقق دقة متوسطة قدرها 99.33% عبر مجموعة بيانات اختبار تضم 2,106 عينة. كشفت المقاييس التفصيلية لكل فئة أن فئة عدم انتظام ضربات القلب (ARR) حققت دقة قدرها 1.00، واسترجاع قدره 0.99، ودرجة F1 قدرها 0.99، بينما سجلت فئة فشل القلب الاحتقاني (CHF) دقة قدرها 0.99، واسترجاع قدره 0.98، ودرجة F1 قدرها 0.99. أظهرت فئة النظم الجيبي الطبيعي (NSR) دقة قدرها 0.99، واسترجاع قدره 1.00، ودرجة F1 قدرها 0.99. أشارت منحنيات ROC للنموذج إلى أداء تمييزي عالٍ، مع درجات منطقة تحت المنحنى (AUC) تبلغ 0.9975 لـ ARR، و0.9958 لـ CHF، و0.9988 لـ NSR، مما يبرز قدرته على التمييز بفعالية بين الحالات القلبية.
بالإضافة إلى ذلك، فإن بنية النموذج خفيفة الوزن، حيث تستخدم حوالي 0.234 GFLOPs و692K من المعلمات، مما يجعلها مناسبة للنشر على الأجهزة الطرفية ذات الموارد المحدودة. استكشفت الدراسة أيضًا تأثير تقنية زيادة العينة للأقليات الاصطناعية (SMOTE)، التي حسنت دقة التصنيف إلى 99.34% على الرغم من الزيادة الطفيفة في التكلفة الحسابية. أظهرت التقييمات المقارنة ضد تقنيات تصنيف ECG الحديثة أداءً متفوقًا للنموذج المقترح، حيث حقق دقة قدرها 99.34% وMacro AUROC قدره 0.9996، متفوقًا على النماذج الأثقل. يشير هذا إلى فعالية دمج استخراج الميزات الشكلية مع النمذجة العالمية المدفوعة بالانتباه، مما يضع النموذج كحل قابل للتطبيق لتطبيقات مراقبة القلب في الوقت الحقيقي. ستركز الأعمال المستقبلية على تطوير آليات إعادة تدريب خفيفة الوزن لتعزيز أداء النموذج مع توفر مجموعات بيانات ECG جديدة.
المناقشة
تناقش البحث دمج كتل Squeeze-and-Excitation (SE) في نموذج تعلم عميق خفيف الوزن لتصنيف ECG، مما يعزز قدرة النموذج على إعادة ضبط الميزات القنوية وتحسين الحساسية للخصائص الموجية الحرجة. تم تصميم هذا النموذج، الذي يتكون من 692,771 معلمة فقط وبصمة ذاكرة تبلغ حوالي 2.64 ميغابايت، للنشر الفعال على الحافة، مما يجعله مناسبًا لمراقبة القلب في الوقت الحقيقي. تستخدم البنية مزيجًا من طبقات الالتفاف أحادية البعد، والالتفافات المتبقية المتوسعة، وطبقات Transformer العميقة، محققةً منطقة تحت منحنى خصائص التشغيل المستقبلية (AUROC) قدرها 0.9996 ودقة قدرها 0.9934، مما يظهر فعاليتها في تصنيف عدم انتظام ضربات القلب، وفشل القلب الاحتقاني، والنظم الجيبي الطبيعي.
لمعالجة عدم توازن الفئات وتعزيز التعميم، يستخدم النموذج استراتيجية مزدوجة من تقنية زيادة العينة للأقليات الاصطناعية (SMOTE) وزيادة ضوضاء الاهتزاز. لا توازن هذه الاستراتيجية مجموعة البيانات فحسب، بل تحاكي أيضًا التغيرات الواقعية في إشارات ECG، مما يساهم في قوة النموذج. تشير التقييمات الإحصائية الشاملة إلى توافق قوي بين الفئات واتساق جيد في احتمالات المخرجات، مع مقاييس مثل معامل كابا لكوهين البالغ 0.9891 وخسارة هامينغ المنخفضة البالغة 0.0062، مما يبرز موثوقية النموذج ودقته في التنبؤات متعددة الفئات. بشكل عام، يمثل النموذج المقترح تقدمًا كبيرًا في نشر أنظمة تصنيف ECG فعالة ودقيقة على الأجهزة الطرفية، مع معالجة كل من الأداء واهتمامات الخصوصية في تطبيقات الرعاية الصحية.
DOI: https://doi.org/10.1038/s41598-026-35531-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41680225
Publication Date: 2026-02-13
Author(s): G Antoni Gracy et al.
Primary Topic: ECG Monitoring and Analysis
Overview
The research presents a novel deep learning model designed for the efficient classification of ECG signals into three clinically significant categories: Arrhythmia (ARR), Congestive Heart Failure (CHF), and Normal Sinus Rhythm (NSR). This model addresses the challenges of energy efficiency, processing latency, and data privacy inherent in wearable healthcare devices. By integrating residual dilated convolutions with a deep Transformer architecture, enhanced by positional encoding and channel-wise attention (SE blocks), the model achieves a remarkable classification accuracy of 99.34% with only 692K parameters and approximately 0.234 GFLOPs. Additionally, it demonstrates strong generalization capabilities, evidenced by a Macro AUROC of 0.9996 and a Hamming Loss of 0.0062.
To further enhance performance, the study employs a dual-stage data preprocessing strategy that includes SMOTE-based oversampling and jitter augmentation to address class imbalance. The model’s architecture effectively captures both localized and long-range temporal dependencies in ECG data, making it particularly suitable for deployment in resource-constrained environments such as wearable and mobile health monitoring systems. Overall, this work highlights the potential for real-time, privacy-preserving cardiac monitoring solutions that balance accuracy, model complexity, and inference speed, thereby advancing the capabilities of wearable health technologies.
Introduction
The introduction of this research paper highlights the significant global health burden posed by Cardiovascular Diseases (CVDs), which accounted for approximately 17.9 million deaths in 2019, primarily due to heart attacks and strokes. The early detection of arrhythmias, a critical aspect of CVD management, is emphasized, as these conditions can manifest independently or alongside other cardiovascular disorders. Given that electrocardiography (ECG) is the primary tool for diagnosing arrhythmias, the paper underscores the necessity for automated systems capable of identifying abnormal cardiac patterns from ECG signals, particularly in the context of continuous monitoring.
The authors propose a novel approach to ECG classification at the edge, utilizing a microcontroller to facilitate real-time detection of heart arrhythmias without relying on cloud services. They introduce a Lightweight Residual-Dilated Transformer Architecture designed for 1D ECG classification, which combines residual dilated convolutions with a multi-head self-attention Transformer backbone. This architecture enhances the model’s ability to capture both local and global waveform structures while maintaining temporal fidelity, thus improving the detection of subtle patterns indicative of cardiac abnormalities. The proposed method aims to address the challenges of limited processing power in edge devices while ensuring efficient and accurate ECG signal classification.
Results
The proposed ECG classification model demonstrated exceptional performance, achieving a micro-averaged accuracy of 99.33% across a test dataset of 2,106 samples. Detailed metrics for each class revealed that the Arrhythmia (ARR) class achieved a precision of 1.00, recall of 0.99, and F1-score of 0.99, while the Congestive Heart Failure (CHF) class recorded a precision of 0.99, recall of 0.98, and F1-score of 0.99. The Normal Sinus Rhythm (NSR) class exhibited a precision of 0.99, recall of 1.00, and F1-score of 0.99. The model’s ROC curves indicated high discriminative performance, with Area Under the Curve (AUC) scores of 0.9975 for ARR, 0.9958 for CHF, and 0.9988 for NSR, underscoring its capability to effectively differentiate between the cardiac conditions.
Additionally, the model’s architecture is lightweight, utilizing approximately 0.234 GFLOPs and 692K parameters, making it suitable for deployment on resource-constrained edge devices. The study also explored the impact of the Synthetic Minority Oversampling Technique (SMOTE), which improved classification accuracy to 99.34% despite a marginal increase in computational cost. Comparative evaluations against state-of-the-art ECG classification techniques highlighted the proposed model’s superior performance, achieving an accuracy of 99.34% and a macro AUROC of 0.9996, outperforming heavier models. This indicates the effectiveness of integrating morphological feature extraction with attention-driven global modeling, positioning the model as a viable solution for real-time cardiac monitoring applications. Future work will focus on developing lightweight retraining mechanisms to enhance model performance as new ECG datasets become available.
Discussion
The research discusses the integration of Squeeze-and-Excitation (SE) blocks into a lightweight deep learning model for ECG classification, enhancing the model’s ability to recalibrate channel-wise features and improve sensitivity to critical waveform characteristics. This model, comprising only 692,771 parameters and a memory footprint of approximately 2.64 MB, is designed for efficient edge deployment, making it suitable for real-time cardiac monitoring. The architecture employs a combination of 1D convolutional layers, residual-dilated convolutions, and deep Transformer layers, achieving a macro Area Under the Receiver Operating Characteristic Curve (AUROC) of 0.9996 and an accuracy of 0.9934, demonstrating its effectiveness in classifying arrhythmias, congestive heart failure, and normal sinus rhythms.
To address class imbalance and enhance generalization, the model utilizes a dual strategy of Synthetic Minority Oversampling Technique (SMOTE) and jitter noise augmentation. This approach not only balances the dataset but also simulates real-world variations in ECG signals, contributing to the model’s robustness. Comprehensive statistical evaluations indicate strong inter-class agreement and well-calibrated output probabilities, with metrics such as a Cohen’s Kappa coefficient of 0.9891 and a low Hamming Loss of 0.0062, underscoring the model’s reliability and precision in multi-class predictions. Overall, the proposed model represents a significant advancement in the deployment of efficient, accurate ECG classification systems on edge devices, addressing both performance and privacy concerns in healthcare applications.