מדד ניתן לשחזור של אלגוריתמים לזיהוי QRS על פני מערכי נתוני ECG ותנאי רעש מגוונים

מדוע חשוב לעקוב אחרי כל פעימת לב

כל פעימת לב מותירה חתימה חשמלית זעירה באלקטרוקרדיוגרם, או ECG. זיהוי מדויק של השיא של כל פעימה הוא חיוני לחישוב קצב הלב ולהבחנה בשינויים העדינים בין פעימות, שמגלים מידע על לחץ, איכות שינה וסיכון למחלות לב. ככל שחיישני ECG עוברים ממסכי בית חולים לצמידי יד ורצועות חזה, חוקרים צריכים לדעת אילו שיטות חישוביות עדיין מסוגלות לאתר את השיאים האלה באופן מהימן כאשר החיים האמיתיים מוסיפים תנועה, רעש ונתונים מלוכלכים.

האתגר באיתור שיאים נקיים באותות מבולגנים

המחקר מתמקד בזיהוי נקודה ספציפית באות ה־ECG הנקראת שיא R, הקפיצה החדה שמסמנת כל פעימת לב. שיאים אלה הם נקודות ייחוס לקצב הלב ולשונות קצב הלב, מדד המשמש בקרדיולוגיה, נוירולוגיה ומחקר על סטרס. בתנאים אידיאליים השיאים קלים לזיהוי, אך בהקלטות אמתיות האות מעוות על ידי תנועת הגוף, אלקטרודות רופפות, הפרעות חשמליות והבדלים טבעיים בין אנשים, במיוחד אלו עם קצב בלתי סדיר. אפילו שיא אחד בחסר או שזוהה שגוי יכול להטות ניתוחים שיובאו לאחר מכן, ולכן השאלה אינה רק כמה טוב שיטה עובדת על נתונים נקיים, אלא עד כמה היא אמינה על פני אנשים רבים וסיטואציות הקלטה שונות.

בניית בסיס בדיקה משותף לגלאי פעימות

כדי להתמודד עם זה, המחברים אספו מדד ניתן לשחזור של 17 שיטות לזיהוי שיא R. אלה כוללות טכניקות קלאסיות של עיבוד אותות המפעילות מסננים וכללים מתמטיים, וכן מודלים של למידת מכונה ולמידה עמוקה שלומדים תבניות מתוך נתונים. כל השיטות הוערכו באופן אחיד על חמישה מאגרי ECG פתוחים מפלטפורמת PhysioNet, המכסים ניטור ארוך טווח, הקלטות במנוחה, תנועה בהליכה וריצה, קצבים לבביים לא סדירים והקלטות עם רעש מלאכותי מעורב. עבור שיטות מבוססות למידה, החוקרים אימנו כל מודל רק על מאגר ציבורי נפרד וקיבעו את הגדרותיו, כדי שהמבחנים ישקפו עד כמה המודלים מתכללים למטופלים ולתנאים חדשים שמעולם לא נראו להם.

מי מנצח: חוקים מכוילים ביד או מודלים לומדים

על פני יותר ממיליון פעימות לב, עלו מגמות ברורות. שיטות קלאסיות לעיבוד אותות, ובמיוחד גישה הנקראת Blocks of Interest, סיפקו את הביצועים העקביים ביותר כאשר כל מאגרי הנתונים אוחדו. רשת עצבית חוזרת שמתבוננת ברצפים של פעימות הצטיינה בהקלטות המוצלחות ברעש הכבד, ושמרה על דיוקה גבוה יותר מרוב המתחרות כשהאות היה מזוהם בצורה משמעותית. מודלים של למידה עמוקה יכלו להציג ביצועים מצוינים בחלק מהמאגרים, במיוחד תחת רעש חזק, אך תוצאותיהם נטו לרדת יותר כאשר הנתונים החדשים נראו שונים מהחומר עליו הוכשרו. שיטות ייחוס ישנות שמניחות קצב מאוד סדיר התקשו עם הקלטות של חולים עם אריתמיות, שבהן הקצב אינו סדיר לפי הגדרה.

מה הרעש והתנועה עושים למספרים

בהשוואת תנאים הראו המחברים כיצד מקורות הפרעה שונים משפיעים על הביצועים. כל האלגוריתמים עבדו היטב בהקלטות רגועות במנוחה ובנתוני תנועה של נבדקים היושבים. ברגע שהמשתתפים החלו ללכת או לרוץ, איכות הזיהוי ירדה במקצת אך בעקביות עבור כמעט כל שיטה, מה שמשקף את השפעת התנועה על חיישנים לבישים. במקרה הקיצוני של מאגר הלחץ עם רעש ייעודי, הציונים הכלליים ירדו לכל הגישות, אך הרשת החוזרת נותרה יציבה יחסית, מרמזת כי שימוש בהקשר על פני מספר פעימות עוזר לה לראות דרך העומס. דפוסים אלה מצביעים על כך שאין גלאי יחיד הטוב בכל מקום וכי שילוב שיטות או החלפת אסטרטגיות על בסיס רמות רעש מוערכות עשוי להיות מועיל.

מה משמעות הדבר לרופאים, למכשירים ולחוקרים

לרופאים ומפתחי מכשירים לבישים המסר המרכזי הוא מעשי: אם אתם זקוקים לאלגוריתם שעובד היטב מיידית על סוגים רבים של ECG, שיטות עיבוד אותות מבוססות ונבדקות הן עדיין בחירה בטוחה, בעוד ששיטות למידה עמוקה עשויות לדרוש נתוני אימון שנבחרו היטב ומגוונים כדי להימנע מהפתעות בהגדרות חדשות. המחברים גם מספקים את הקוד המלא, קישורי הנתונים וסקריפטים להערכה כמסגרת פתוחה, כך שצוותים עתידיים יוכלו לחבר אלגוריתמים חדשים ולבחון אותם תחת אותן תנאים. במקום להכתיר מנצח יחיד, העבודה ממפה את החוזקות והחולשות של השיטות המובילות ומעודדת את הקהילה לבנות כלים חזקים ושיתופיים יותר לקריאת מקצבי הלב.

ציטוט: 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

מילות מפתח: ECG, זיהוי שיא R, שונות קצב לב, עיבוד אותות, למידה עמוקה