שיפור אותות ביומדיים באמצעות טכניקות הסרת רעש מבוססות פונקציית ויבול משודרגת מותאמת באלגוריתם גנטי

מדוע ניקוי אותות רפואיים חשוב

כל פעימת לב באלקטרוקרדיוגרם וכל גל במעקב גלי מוח יכולים להכיל רמזים למחלות חמורות. עם זאת, בבתי חולים ומרפאות אותות אלה לעתים קרובות טבועים בשכבות של רעש לא רצוי שנוצר מתנועות שרירים, מצמוצים, הפרעות חשמליות וחיישנים שאינם מושלמים. מאמר זה מציג שיטה חדשה לניקוי אותות מעורפלים אלה, כך שרופאים ואלגוריתמים יוכלו לראות דפוסים חשובים בבירור — מבלי להזדקק למאגרי אימון עצומים או למחשבים רבי‑עוצמה.

הבעיה של פעימות לב וגלי מוח מלוכלכים

אלקטרואנצפלוגרמות (EEG), אלקטרוקרדיוגרמות (ECG) ותמונות רפואיות כגון סריקות MRI וצילומי רנטגן מהוות כלי מרכזי לאבחון אפילפסיה, הפרעות קצב לב ומומי מבנה. אך רישומים אלה מועוותים בקלות: תנועות עין יכולות להסתיר זעזועים אפילפטיים, תנועת גוף עלולה לטשטש מאפייני ECG חשובים ורעש גרגירי יכול לטשטש פרטים קטנים בתמונות. שיטות ניקוי מסורתיות — כמו מסננים פשוטים, וולטים או טכניקות פופולריות לניתוק מקורות עיוור — לעתים מניחות שהרעש מתנהג בצורה סדירה וסימטרית. במציאות, רעש קליני הוא בלתי סדיר, מוטה ולפעמים נשלט על‑ידי התפרצויות נדירות וחזקות. כאשר שיטות נשענות על מודלים מופרזים של רעש, הן או שאינן מצליחות להסיר מספיק הפרעה או שלפעמים מעמעמות בטעות את הפרטים שמעניינים את הקלינאים.

דרך גמישה לתיאור רעש קשה

המחברים מתמודדים עם הבעיה על‑ידי הצגת מודל רעש אדפטיבי בשם התפלגות ויבול מתמרת מואצת (Exponentiated Transmuted Weibull Distribution, ETWD). במקום להניח צורת רעש קבועה אחת, ל‑ETWD יש שלושה פרמטרים מרכזיים המשנים את צורת העקומה, מה שמאפשר לה לחקות משפחה רחבה של התפלגויות מוכרות ולהתאים דפוסים בעלי זנבות כבדים או אסימטריים. במובן המעשי, אותה מסגרת מתמטית יכולה לתאר ארטיפקטים של מצמוצי עין ב‑EEG, פיקים תזוזתיים ב‑ECG ורעש גרגרי בתמונות רפואיות. הצוות הלך רחוק יותר בכך שגזר פונקציית "דירוג" מיוחדת מתוך ETWD והטמיע אותה בתוך אלגוריתם מהיר לפירוק אותות (FastICA). פונקציית הדירוג מנווטת את האלגוריתם לעבר המקורות הסבירים ביותר, מפרקת את התערובת של אות ורעש באופן שמתאים לסטטיסטיקה האמיתית של הנתונים.

לתת לאבולוציה לכוון את מנקה הרעשים

מכיוון ש‑ETWD כל כך גמיש, בחירת הפרמטרים ידנית תהיה כמו לכוון כלי נגינה מורכב לפי שמיעה בחלל רועש. כדי לאוטומט זאת, החוקרים משתמשים באלגוריתם גנטי — תהליך חיפוש בהשראת ברירה טבעית. מערכי פרמטרים מועמדים מטופלים כפרטים באוכלוסייה; המועמדים הטובים ביותר, שנמדדים לפי התאמתם לנתונים, מעודנים בהדרגה על פני דורות. שלב אבולוציוני זה מונע תקיעת באופטימות מקומיות ואינו דורש חישוב נגזרות מסובכות. אותה אופטימיזציה גם מכוונת כללי ספארסיות בתחום הוולט (wavelet), שמכווצים באופן סלקטיבי מקדמים קטנים הנשלטים על‑ידי רעש בעוד ששומרים על מקדמים גדולים שמכילים מבנה שימושי. ביחד, ETWD, FastICA, חיפוש גנטי וספארסיות יוצרים צינור יחיד להסרת רעש שאינו מבוסס על אימון אך מונחה מאוד על‑ידי הנתונים.

הוכחה על מוח, לב ותמונות

לבדיקת הגישה, המחברים מיישמים אותה על שלושה סוגי נתונים ביומדיים שונים. עבור EEG הם מנקים רישומים שמוכתמים על‑ידי ארטיפקטים של שרירים ועיניים ואז מריצים שגרה לגילוי פיקים על התוצאות. דיוק הגילוי עולה מ‑71% בנתונים הרועשים ל‑94% לאחר ניקוי עם שיטת ETWD המשופרת בספארסיות, בעוד שהאזעקות השקריות יורדות באופן דרמטי. עבור ECG הם מעריכים עד כמה גלאי פעימות סטנדרטיים מצליחים למצוא את הפסגות האופייניות R. לאחר הניקוי הציון F1 של הגלאי, האיזון בין תפיסות לחסרות, עולה מ‑0.89 ל‑0.97, מה שמצביע על כך שפעימות קריטיות נשמרות טוב יותר וקל יותר לזהותן. בתמונות רפואיות עם רעש גאוסיאני, גרגרי או ריצ׳יאן נוסף, השיטה משפרת בהתמדה את יחס שיא‑אות‑לרעש בהשוואה למספר מסננים סטנדרטיים, משחזרת פרטים אנטומיים דקים יותר בנאמנות ויותר במהירות.

עמידה מול למידה עמוקה מודרנית

רשתות נוירונים עמוקות הפכו נפוצות להסרת רעש, אך הן דורשות מאגרי תוויות גדולים וזמן אימון משמעותי, ולעתים מעמעמות מבנה דקיק מדי. המחברים משווים את המסגרת שלהם לאוטו‑אנקודרים קונבולוציוניים שאומנו על אותם נתוני EEG, ECG ותמונות. בכל המשימות, צנרת ה‑ETWD משווה או עולה על דגמי העומק במטריקות איכות מרכזיות, תוך הימנעות מכל שלב אימון נפרד. היא גם מראה חוזק כאשר מוחלת, ללא כיוון מחדש, על מאגרים חדשים שנרכשו בפרוטוקולים שונים — הירידה בביצועים היא מינימלית ועדיין עולה על בסיסי גאוסיאניים סטנדרטיים, מה שמרמז שהשיטה ניתנת להעברה בצורה סבירה בין אתרים.

מה המשמעות למטופלים ולקלינאים

במלים פשוטות, עבודה זו מספקת מחק רעשים חכם יותר לאותות רפואיים. באמצעות תיאור גמיש מאוד של הרעש ומתן יכולת לאלגוריתם אבולוציוני לכוונן אותו אוטומטית, המסגרת מצליחה להסיר הבזקים תוך שמירה על הפיקים הזעירים, פעימות הלב החדות וקצוות התמונה העדינים שלעיתים נושאים ערך אבחוני. התוצאה היא עקבות EEG חדות יותר, מקצבים ב‑ECG נקיים יותר ותמונות רפואיות חדות יותר — כל זאת ללא מאגרי אימון עצומים או מודלים תיבת‑שחורה. אם יאומת באופן נרחב בהגדרות קליניות, סוג זה של ניקוי גמיש וללא אימון יכול להפוך מכשירי מעקב יומיומיים ומערכות בתי חולים לאמינים יותר, ולעזור לאנשים ולאלגוריתמים לבצע אבחנות בטוחות ובביטחון רב יותר.

ציטוט: Sayedelahl, M.A., Farouk, R.M. & Adam, A.M. Enhancing biomedical signals through genetic algorithm optimized Exponentiated transmuted weibull denoising techniques. Sci Rep 16, 13409 (2026). https://doi.org/10.1038/s41598-026-46088-7

מילות מפתח: הסרת רעש באותות ביומדיים, הסרת רעש ב‑EEG וב‑ECG, שיפור תמונה רפואית, ניתוח רכיבים בלתי תלויים, אופטימיזציה בעזרת אלגוריתם גנטי