مؤشر قابل للتكرار لخوارزميات اكتشاف قمم QRS عبر مجموعات بيانات ECG متنوعة وظروف ضوضاء مختلفة

لماذا يهم تتبع كل نبضة قلب

كل نبضة من قلبك تترك بصمة كهربائية صغيرة على مخطط القلب الكهربائي، أو ECG. تحديد الذروة الدقيقة لكل نبضة أمر أساسي لحساب معدل ضربات القلب والتغيرات الدقيقة بين النبضات التي تكشف عن التوتر، وجودة النوم، ومخاطر أمراض القلب. ومع انتقال مستشعرات ECG من أجهزة المستشفى إلى الأساور وأحزمة الصدر القابلة للارتداء، يحتاج الباحثون إلى معرفة أي الطرق الحاسوبية لا تزال قادرة على العثور على تلك القمم بشكل موثوق عندما تضيف الحياة الواقعية حركة وضوضاء وبيانات فوضوية.

تحدي إيجاد قمم نظيفة في إشارات فوضوية

تركز الدراسة على اكتشاف نقطة محددة في إشارة ECG تُسمى قمة R، وهي الارتفاع الحاد الذي يُشير إلى كل نبضة قلب. هذه القمم هي نقاط المرجع لمعدل ضربات القلب ولمقياس تغير معدل ضربات القلب، وهو مقياس يُستخدم في طب القلب وطب الأعصاب وأبحاث التوتر. في ظروف مثالية تكون القمم سهلة الرؤية، لكن في التسجيلات الواقعية يتشوه الإشارة بحركة الجسم، وأقطاب مرتخية، وتداخل كهربائي، والاختلافات الطبيعية بين الأشخاص، خاصة من لديهم نظم قلب غير منتظم. حتى خطأ واحد في فقدان قمة أو اكتشافها بشكل خاطئ يمكن أن يُفسد التحليلات اللاحقة، لذا السؤال لا يقتصر على مدى كفاءة طريقة ما على بيانات نظيفة، بل على مدى موثوقيتها عبر كثير من الأشخاص وحالات التسجيل المختلفة.

بناء بيئة اختبار مشتركة لكواشف النبض

لمعالجة ذلك، جمع المؤلفون مؤشراً قابلاً للتكرار يضم 17 طريقة لاكتشاف قمم R. وتشمل هذه تقنيات معالجة الإشارة الكلاسيكية التي تطبق مرشحات وقواعد رياضية، بالإضافة إلى نماذج تعلم آلي وتعلم عميق تتعلم الأنماط من البيانات. تم تقييم جميع الطرق بنفس الطريقة على خمس قواعد بيانات ECG مفتوحة من منصة PhysioNet، تغطي المراقبة على المدى الطويل، والتسجيلات أثناء الراحة، والحركة أثناء المشي والجري، والنظم القلبي غير المنتظم، وتسجيلات مخلوطة بضوضاء صناعية. بالنسبة للطرق المعتمدة على التعلم، درّب الباحثون كل نموذج على مجموعة بيانات عامة منفصلة ثم جمدوا إعداداته، حتى تعكس الاختبارات مدى قدرة النماذج على التعميم لمرضى وحالات جديدة لم ترها من قبل.

من الأفضل: القواعد المضبوطة يدوياً أم النماذج المتعلمة

عبر أكثر من مليون نبضة قلب، ظهرت اتجاهات واضحة. قدمت طرق معالجة الإشارة الكلاسيكية، وخاصة مقاربة "كتل الاهتمام"، الأداء الأكثر اتساقاً عند تجميع جميع قواعد البيانات. تفوقت شبكة عصبية متكررة تنظر في تسلسلات النبضات في التسجيلات الأكثر ضوضاءً، محافظة على دقتها أعلى من معظم المنافسين عندما كانت الإشارة ملوثة بشدة. يمكن لنماذج التعلم العميق أن تؤدي بشكل ممتاز على بعض قواعد البيانات، لا سيما تحت ضوضاء قوية، لكن نتائجها كانت تميل إلى الانخفاض أكثر عندما بدا أن البيانات الجديدة مختلفة عن مواد التدريب. كافحت طرق الإشارة المرجعية الأقدم التي تفترض نبضة منتظمة جداً مع تسجيلات المرضى المصابين باضطرابات النظم، حيث يكون الإيقاع غير منتظم بحكم التعريف.

ما تفعله الضوضاء والحركة بالأرقام

من خلال مقارنة الحالات، بين المؤلفون كيف تؤثر مصادر الاضطراب المختلفة على الأداء. عملت جميع الخوارزميات جيداً جداً على التسجيلات الهادئة أثناء الراحة وعلى بيانات الحركة من أشخاص جالسين. بمجرد أن بدأ المشاركون بالمشي أو الجري، انخفضت جودة الاكتشاف بشكل طفيف لكن ثابت لما يقرب من كل طريقة، مما يعكس تأثير الحركة على أجهزة الاستشعار القابلة للارتداء. في الحالة القصوى لقاعدة بيانات الضوضاء المخصصة، انخفضت الدرجات الإجمالية لجميع الأساليب، لكن الشبكة العصبية المتكررة ظلت مستقرة نسبياً، مما يوحي بأن استخدام السياق عبر نبضات متعددة يساعدها على الرؤية عبر الفوضى. تشير هذه الأنماط إلى أنه ليس هناك كاشف واحد يتفوق في كل الظروف وأن دمج الطرق أو تغيير الاستراتيجيات بناءً على مستوى الضوضاء المقدّر قد يكون مفيداً.

ماذا يعني هذا للأطباء والأجهزة والباحثين

بالنسبة للأطباء ومطوّري الأجهزة القابلة للارتداء، الرسالة الأساسية عملية: إذا كنت بحاجة إلى خوارزمية تعمل جيداً مباشرة على أنواع كثيرة من إشارات ECG، فإن أساليب معالجة الإشارة المجربة والمختبرة تظل خياراً آمناً، بينما قد تتطلب طرق التعلم العميق بيانات تدريب منتقاة ومتنوعة بعناية لتجنب المفاجآت في إعدادات جديدة. كما يقدم المؤلفون كودهم الكامل وروابط البيانات وسكربتات التقييم كإطار مفتوح، حتى تتمكن الفرق المستقبلية من إدخال خوارزميات جديدة واختبارها تحت نفس الشروط. بدلاً من تتويج فائز واحد، يرسم هذا العمل نقاط القوة والضعف للطرق الرائدة ويشجع المجتمع على بناء أدوات أكثر متانة وقابلة للمشاركة لقراءة إيقاعات القلب.

الاستشهاد: Wolf, S.M., Rahlmeier, T., Lustfeld, S. et al. A reproducible benchmark of QRS detection algorithms across diverse ECG datasets and noise conditions. Sci Rep 16, 15748 (2026). https://doi.org/10.1038/s41598-026-53724-9

الكلمات المفتاحية: ECG, اكتشاف قمم R, تغير معدل ضربات القلب, معالجة الإشارات, التعلّم العميق