DOI: https://doi.org/10.1038/s41598-025-07781-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40595316
تاريخ النشر: 2025-07-01
المؤلف: Manal Alghieth
الموضوع الرئيسي: مراقبة وتحليل تخطيط القلب الكهربائي
نظرة عامة
تقدم ورقة البحث DeepECG-Net، وهو نموذج تعلم عميق هجين يعتمد على المحولات مصمم لاكتشاف الشذوذ في تخطيط القلب الكهربائي (ECG) في الوقت الحقيقي. تواجه النماذج التقليدية، مثل الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة وقصيرة المدى (LSTMs)، تحديات مع الاعتماديات بعيدة المدى وكفاءة الحوسبة. يتناول DeepECG-Net هذه القضايا من خلال دمج CNNs وهياكل المحولات، مستخدمًا آلية الانتباه الذاتي متعددة الرؤوس لالتقاط التغيرات المحلية والعالمية في إشارات ECG بشكل فعال. لا يقلل هذا النهج من الحمل الحاسوبي فحسب، بل يعزز أيضًا القابلية للتفسير وقدرات الكشف في الوقت الحقيقي.
يحقق DeepECG-Net دقة مثيرة للإعجاب تبلغ 98.2%، متفوقًا بشكل كبير على النماذج الحالية مثل ECGNet (88%) وLSTMs (90%). كما يظهر النموذج تحسينات كبيرة في إعادة بناء الإشارة، مع زيادة نسبة الإشارة إلى الضوضاء (SNR) من 5.2 ديسيبل إلى 14.5 ديسيبل وتقليل متوسط الخطأ التربيعي (MSE) من 0.042 إلى 0.007. مع بصمة ذاكرة تبلغ 30 ميغابايت فقط، فهو مناسب تمامًا للنشر في التطبيقات السريرية القابلة للارتداء وفي الوقت الحقيقي. تشمل مقاييس أداء النموذج دقة تبلغ 98.2%، واسترجاع بنسبة 96.8%، ودرجة F1 تبلغ 97.5%. تهدف الأعمال المستقبلية إلى تعزيز التعميم من خلال التعلم الذاتي، وتحسين كفاءة الحوسبة للأجهزة الطرفية، ودمج إشارات فسيولوجية إضافية من أجل دمج متعدد الوسائط، مما يمثل تقدمًا كبيرًا في مراقبة ECG والتشخيص في الوقت الحقيقي.
الطرق
في قسم المنهجية، تقدم الورقة DeepECG-Net، وهي بنية هجينة تجمع بين عناصر المحولات والشبكات العصبية التلافيفية (CNN) لاكتشاف الشذوذ في تخطيط القلب الكهربائي (ECG) في الوقت الحقيقي. يستخدم النموذج محولًا خفيف الوزن لسلاسل الزمن يتضمن الانتباه الذاتي متعدد الرؤوس (MHSA) والترميز الموضعي، مصمم خصيصًا لتسلسلات ECG أحادية البعد. يسمح هذا الاختيار التصميمي لـ DeepECG-Net بنمذجة العلاقات الزمنية في بيانات ECG بكفاءة، متجاوزًا القيود المرتبطة بالشبكات العصبية المتكررة التقليدية (RNNs) وشبكات الذاكرة طويلة وقصيرة المدى (LSTMs)، مثل تلاشي التدرجات والطلبات الحاسوبية العالية.
يعالج DeepECG-Net تمثيلات الميزات المستخرجة بواسطة طبقات CNN من خلال مشفر المحول، مستخدمًا MHSA لالتقاط العلاقات عبر خطوات زمنية بعيدة مع الحفاظ على الاعتماديات الزمنية من خلال الترميز الموضعي. تم تحسين الهيكل لتقليل الحمل الحاسوبي، مما يجعله مناسبًا للنشر في الأجهزة القابلة للارتداء وسيناريوهات المراقبة في الوقت الحقيقي. تؤكد الدراسة أن DeepECG-Net يعالج بفعالية التحديات الشائعة في اكتشاف شذوذ ECG، بما في ذلك التقاط الاعتماديات بعيدة المدى، والتعامل مع الضوضاء، وتوفير ردود فعل في الوقت الحقيقي، مما يحقق دقة تصنيف عالية وأداء مناسب لكل من التطبيقات القابلة للارتداء والسريرية.
النتائج
تُفصّل نتائج التجارب التي أجريت لتقييم أداء Deepecg-Net في اكتشاف الشذوذ في ECG في الوقت الحقيقي في هذا القسم. يتم الإبلاغ عن مقاييس رئيسية مثل الدقة، والدقة، والاسترجاع، ودرجة F1، والكمون، وسرعة الاستدلال، مما يظهر فعالية النموذج في تحديد الشذوذ في إشارات ECG. بالإضافة إلى ذلك، تتم مقارنة النتائج مع تلك الخاصة بالنماذج المتطورة، مما يبرز قوة Deepecg-Net في البيئات المليئة بالضوضاء، وهو أمر حاسم للتطبيقات العملية في الإعدادات السريرية.
المناقشة
تناقش قسم المناقشة في ورقة البحث التحديات المتعلقة بالقدرة على التوسع والموثوقية في أنظمة مراقبة ECG المدفوعة بالذكاء الاصطناعي، لا سيما في سياقات الأجهزة القابلة للارتداء وإنترنت الأشياء. غالبًا ما تكافح نماذج التعلم العميق التقليدية مع الطلبات الحاسوبية العالية، والقدرة على التكيف عبر ديموغرافيات المرضى المتنوعة، والضعف تجاه عيوب الضوضاء. للتغلب على هذه القيود، يقترح المؤلفون نموذجًا فدراليًا يحافظ على الخصوصية، DeepECG-Net، مصمم لاكتشاف شذوذ ECG الموزع. يتضمن هذا النموذج تقنيات متقدمة مثل بنية المحولات-CNN الهجينة، التي تستفيد من الانتباه الذاتي للاعتماديات بعيدة المدى وCNNs لاستخراج الميزات المحلية، مما يعزز كل من الدقة والكفاءة في مراقبة ECG في الوقت الحقيقي.
يستخدم DeepECG-Net وحدة اكتشاف الشذوذ التكيفية التي تحسن الموثوقية ضد الإشارات المليئة بالضوضاء، مما يقلل من الإيجابيات الكاذبة ويعزز القابلية للتعميم عبر مجموعات بيانات المرضى المتنوعة. يسمح إطار التعلم الفيدرالي للنموذج بالتدريب على الجهاز، مما يضمن خصوصية البيانات مع الحفاظ على دقة تصنيف عالية. بالإضافة إلى ذلك، يتم دمج آلية إزالة الضوضاء المعتمدة على الانتباه لتحسين وضوح الإشارة، مما يسهل اكتشاف الشذوذ القلبي الطفيف في الإعدادات الواقعية. تبرز الأبحاث إمكانيات DeepECG-Net للتطبيقات في الطب عن بُعد والرعاية الصحية المتكاملة مع السحابة، مع التأكيد على انخفاض الحمل الحاسوبي وملاءمته للمراقبة القلبية المستمرة عبر منصات متعددة.
DOI: https://doi.org/10.1038/s41598-025-07781-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40595316
Publication Date: 2025-07-01
Author(s): Manal Alghieth
Primary Topic: ECG Monitoring and Analysis
Overview
The research paper presents DeepECG-Net, a hybrid transformer-based deep learning model designed for real-time electrocardiogram (ECG) anomaly detection. Traditional models, such as Convolutional Neural Networks (CNNs) and Long Short-Term Memory (LSTM) networks, face challenges with long-range dependencies and computational efficiency. DeepECG-Net addresses these issues by integrating CNNs and transformer architectures, utilizing a multi-head self-attention mechanism to effectively capture both local and global variations in ECG signals. This approach not only reduces computational overhead but also enhances interpretability and real-time detection capabilities.
DeepECG-Net achieves an impressive accuracy of 98.2%, significantly outperforming existing models like ECGNet (88%) and LSTMs (90%). The model also demonstrates substantial improvements in signal reconstruction, with a signal-to-noise ratio (SNR) increase from 5.2 dB to 14.5 dB and a mean squared error (MSE) reduction from 0.042 to 0.007. With a memory footprint of only 30 MB, it is well-suited for deployment in real-time clinical and wearable applications. The model’s performance metrics include a precision of 98.2%, recall of 96.8%, and an F1 score of 97.5%. Future work aims to enhance generalization through self-supervised learning, improve computational efficiency for edge devices, and incorporate additional physiological signals for multimodal fusion, marking a significant advancement in real-time ECG monitoring and diagnostics.
Methods
In the Methodology section, the paper presents DeepECG-Net, a hybrid architecture combining Transformer and Convolutional Neural Network (CNN) elements for real-time electrocardiogram (ECG) anomaly detection. The model employs a lightweight Time-Series Transformer that incorporates multi-head self-attention (MHSA) and positional encoding, specifically designed for 1D ECG sequences. This design choice allows DeepECG-Net to efficiently model temporal relationships in ECG data, overcoming limitations associated with traditional Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) networks, such as vanishing gradients and high computational demands.
DeepECG-Net processes feature representations extracted by CNN layers through a Transformer encoder, utilizing MHSA to capture relationships across distant time steps while preserving temporal dependencies via positional encoding. The architecture is optimized to minimize computational overhead, making it suitable for deployment in wearable devices and real-time monitoring scenarios. The study emphasizes that DeepECG-Net effectively addresses common challenges in ECG anomaly detection, including long-range dependency capture, noise handling, and real-time feedback provision, achieving high classification accuracy and performance suitable for both wearable and clinical applications.
Results
The results of the experiments conducted to assess the performance of Deepecg-Net in real-time ECG anomaly detection are detailed in this section. Key metrics such as accuracy, precision, recall, F1-score, latency, and inference speed are reported, demonstrating the model’s effectiveness in identifying anomalies in ECG signals. Additionally, the findings are compared with those of state-of-the-art models, highlighting Deepecg-Net’s robustness in noisy environments, which is crucial for practical applications in clinical settings.
Discussion
The discussion section of the research paper addresses the challenges of scalability and robustness in AI-driven ECG monitoring systems, particularly in wearable and IoT contexts. Traditional deep learning models often struggle with high computational demands, adaptability across diverse patient demographics, and susceptibility to noise artifacts. To overcome these limitations, the authors propose a privacy-preserving federated model, DeepECG-Net, designed for distributed ECG anomaly detection. This model incorporates advanced techniques such as a hybrid Transformer-CNN architecture, which leverages self-attention for long-range dependencies and CNNs for localized feature extraction, enhancing both accuracy and efficiency in real-time ECG monitoring.
DeepECG-Net employs an adaptive anomaly detection module that improves robustness against noisy signals, thereby reducing false positives and enhancing generalizability across varied patient datasets. The model’s federated learning framework allows for on-device training, ensuring data privacy while maintaining high classification accuracy. Additionally, an attention-based denoising mechanism is integrated to improve signal clarity, facilitating the detection of subtle cardiac anomalies in real-world settings. The research highlights the potential of DeepECG-Net for applications in telemedicine and cloud-integrated healthcare, emphasizing its low computational overhead and suitability for continuous cardiac monitoring across multiple platforms.