Diagnose und Klassifizierung von Herzerkrankungen aus EKG-Signalen mithilfe eines hybriden Fuzzy-CNN-Modells, optimiert durch metaheuristische Algorithmen

Warum klügere Herzmonitore wichtig sind

Herzerkrankungen bleiben weltweit die häufigste Todesursache, und winzige Veränderungen im elektrischen Rhythmus des Herzens liefern oft die frühesten Warnsignale. Ärztinnen und Ärzte lesen diese elektrischen Spuren, sogenannte EKGs, um gefährliche unregelmäßige Schläge zu erkennen, doch die Signale sind verrauscht, komplex und kontinuierlich. Dieses Papier untersucht einen neuen Ansatz, Computern das Lesen von EKGs näher an die Arbeitsweise von Kardiologie-Expertinnen und -Experten zu bringen, mit dem Ziel, lebensbedrohliche Rhythmusstörungen schnell und zuverlässig zu erfassen.

Von Brustelektroden zu digitalen Herzschlägen

Jedes EKG beginnt mit einfachen Sensoren auf der Haut, die die elektrische Aktivität des Herzens erfassen. Die resultierenden wellenförmigen Linien zeigen, wie sich die oberen und unteren Herzkammern bei jedem Schlag zusammenziehen und erholen. Feine Verschiebungen in Form und Timing dieser Wellen können sehr unterschiedliche Probleme signalisieren: manche relativ harmlos, andere verbunden mit Schlaganfall oder plötzlichem Herztod. EKG-Signale sind jedoch klein, leicht durch Bewegung und elektrische Störungen beeinflussbar und können sich selbst bei gesunden Personen verändern, was eine zuverlässige automatische Analyse erschwert.

Warum manche unregelmäßigen Schläge gefährlicher sind

Die Forschenden konzentrieren sich auf sieben häufige Muster, die durch eine internationale Norm für Herzrhythmus-Studien empfohlen werden. Dazu gehören normale Schläge, zusätzliche Schläge, die in den oberen Kammern beginnen, zusätzliche Schläge aus den unteren Kammern, Leitungsblöcke im Herzleitungssystem, Fusionsschläge, die zwei Signale vermischen, sowie schwer zu klassifizierende Schläge. Zusätzliche Schläge aus den unteren Kammern stehen in engem Zusammenhang mit schnellen, chaotischen Rhythmen, die das Herz zum Stillstand bringen können, während bestimmte zusätzliche Schläge aus den oberen Kammern auf ein erhöhtes Schlaganfallrisiko hindeuten. Diese riskanten Schläge korrekt unter vielen normalen zu erkennen ist entscheidend, damit automatisierte Systeme Ärztinnen und Ärzte bei zeitkritischen Entscheidungen unterstützen können.

Herzschläge in Bilder verwandeln, damit Computer sie sehen

Anstatt rohe, geschwungene Linien direkt in ein Programm einzuspeisen, reinigen die Forschenden zunächst die EKG-Signale, um langsame Drifts und Netzbrummen zu entfernen. Anschließend nutzen sie eine Suchstrategie, inspiriert vom Verhalten wilder Pferdeherden, um den regelmäßigsten, sich wiederholenden Abschnitt des Herzschlags jeder Person zu finden. Mit dieser angepassten Taktung wird jeder kurze EKG-Ausschnitt mathematisch in eine Schleife gewickelt und als zweidimensionales Bild dargestellt. Diese Bilder bewahren die wichtigen Formen jedes Schlages und glätten gleichzeitig Rauschen und zufällige Verschiebungen. Parallel dazu werden klassische Zeitmerkmale wie der Abstand zwischen den Schlägen und die Länge wichtiger Intervalle gemessen, was eine zweite, traditionellere Sicht auf den Herzrhythmus liefert.

Ein hybrides Modell zur Rhythmuserkennung

Um diese angereicherten Signale zu lesen, entwickeln die Autorinnen und Autoren ein hybrides Computermodell, das zwei Ideen verbindet. Zuerst durchsucht ein tiefes Bildnetzwerk die EKG-Bilder in mehreren Schichten und lernt, subtile visuelle Muster zu erkennen, die mit jedem Rhythmustyp assoziiert sind. Zweitens kombiniert eine Fuzzy-Logik-Schicht, die mit weichen „wenn-dann“-Regeln statt harten Ja/Nein-Entscheidungen arbeitet, das Gelernte des Bildnetzwerks mit den Zeitmerkmalen. Eine zweite, von Tieren inspirierte Suchstrategie, modelliert nach dem Jagdverhalten von Puma, optimiert dabei alle Netzwerkgewichte und Fuzzy-Regel-Einstellungen gemeinsam, anstatt sich auf gängige schrittweise Anpassungsmethoden zu verlassen, die in schlechten Lösungen stecken bleiben können.

Wie gut das System abschneidet

Das Modell wird auf einer bekannten öffentlichen EKG-Sammlung trainiert und getestet, die von Expertinnen und Experten gelabelte Schläge von 47 Personen enthält, und anschließend an einem separaten Langzeitdatensatz geprüft, um die Generalisierbarkeit zu bewerten. In der Hauptdatenbank klassifiziert es fast alle Schläge korrekt über die sieben Gruppen hinweg und erreicht eine Gesamtgenauigkeit von 99,71 Prozent. Besonders wichtig ist, dass seine Sensitivität gegenüber den gefährlichsten Klassen — den zusätzlichen Schlägen aus den unteren und den oberen Kammern — im Vergleich zu jüngeren Konkurrenzmethoden zunimmt. Detaillierte statistische Prüfungen zeigen, dass die zur Entscheidungsfindung verwendeten Merkmale mit bekannten medizinischen Indikatoren wie Veränderungen im Schlag-zu-Schlag-Abstand und Erholungszeiten übereinstimmen.

Was das für Patientinnen, Patienten und Kliniker bedeutet

Einfach gesagt zeigt diese Arbeit, dass das Umformen von EKG-Signalen zu Bildern und deren Kombination mit regelbasierter Logik Computer dabei helfen kann, gefährliche Herzrhythmen von harmlosen zuverlässig zu unterscheiden. Obwohl es Kardiologinnen und Kardiologen nicht ersetzt, könnte ein solches System die Grundlage für intelligentere Bettmonitore, tragbare Geräte oder Telemedizin-Tools bilden, die besorgniserregende Muster in Echtzeit markieren und menschliche Expertinnen und Experten ermöglichen, sich auf die dringendsten Fälle zu konzentrieren.

Zitation: Davani, M., Taghizadeh, M., Pirbonyeh, M.A. et al. Heart disease diagnosis and categorization from ECG signals using hybrid Fuzzy-CNN machine optimized by meta-heuristic algorithms. Sci Rep 16, 16001 (2026). https://doi.org/10.1038/s41598-026-43637-y

Schlüsselwörter: EKG-Arrhythmie, Herzrhythmus, Deep Learning, Fuzzy-Logik, medizinische KI