Diagnose en categorisering van hartziekten uit ECG-signalen met behulp van hybride Fuzzy-CNN-machine geoptimaliseerd door meta-heuristieke algoritmen

Waarom slimere hartmonitors ertoe doen

Hartziekten blijven wereldwijd de belangrijkste doodsoorzaak en kleine wijzigingen in het elektrische ritme van het hart geven vaak de vroegste waarschuwingssignalen. Artsen lezen deze elektrische sporen, ECG's genoemd, om gevaarlijke onregelmatige slagen te herkennen, maar de signalen zijn luidruchtig, complex en continu. Dit artikel onderzoekt een nieuwe manier om computers ECG's meer te laten lezen zoals expert-cardiologen, met als doel levensbedreigende ritmestoornissen snel en betrouwbaar op te sporen.

Van borstplakkers naar digitale hartslagen

Elke ECG begint met eenvoudige sensoren op de huid die de elektrische activiteit van het hart opvangen. De resulterende golvende lijnen tonen hoe de bovenste en onderste kamers samentrekken en herstellen bij elke slag. Subtiele verschuivingen in de vorm en timing van deze golven kunnen op zeer verschillende problemen wijzen: sommige relatief onschadelijk, andere gekoppeld aan beroerte of plotseling hartfalen. Toch zijn ECG-signalen klein, gemakkelijk te verstoren door beweging en elektrische ruis, en kunnen ze zelfs bij gezonde mensen variëren, wat betrouwbare automatische analyse bemoeilijkt.

Waarom sommige onregelmatige slagen gevaarlijker zijn

De onderzoekers richten zich op zeven veelvoorkomende patronen die worden aanbevolen door een internationale standaard voor hartritmestudies. Deze omvatten normale slagen, extra slagen die in de bovenste kamers ontstaan, extra slagen vanuit de onderste kamers, blokkerende geleiding in de hartleiding, fusieslagen die twee signalen mengen, en slagen die moeilijk te classificeren zijn. Extra slagen vanuit de onderste kamers zijn sterk verbonden met snelle, chaotische ritmes die het hart kunnen stilleggen, terwijl bepaalde extra slagen uit de bovenste kamers wijzen op een verhoogd risico op beroerte. Deze risicovolle slagen correct herkennen tussen vele normale is cruciaal als geautomatiseerde systemen artsen tijdig moeten ondersteunen.

Hartslagen omzetten in beelden zodat computers ze kunnen zien

In plaats van ruwe kronkelende lijnen direct in een programma te voeren, reinigt het team eerst de ECG-signalen om langzame driften en elektrische brom te verwijderen. Vervolgens gebruiken ze een zoekstrategie geïnspireerd op het gedrag van wilde paardenkuddes om het meest regelmatige, terugkerende gedeelte van iemands hartslag te vinden. Met deze aangepaste timing wordt elk kort stuk ECG wiskundig in een lus gewikkeld en als een tweedimensionale afbeelding uitgezet. Deze beelden behouden de sleutelvormen van elke slag terwijl ze ruis en willekeurige verschuivingen gladstrijken. Tegelijkertijd worden klassieke timingkenmerken zoals de tussenruimtes tussen slagen en de duur van belangrijke intervallen gemeten, wat een tweede, meer traditionele kijk op het hartritme oplevert.

Een gecombineerd brein voor ritmeterkenning

Om deze verrijkte signalen te lezen, bouwen de auteurs een hybride computermodel dat twee ideeën mengt. Ten eerste scant een diep beeldnetwerk de ECG-afbeeldingen in meerdere lagen en leert het subtiele visuele patronen te herkennen die aan elk ritmetype zijn gekoppeld. Ten tweede combineert een fuzzy-logicalaag, die werkt met zachte "als dit, dan dat"-regels in plaats van strikte ja/nee-beslissingen, wat het beeldnetwerk heeft geleerd met de timingkenmerken. Een tweede door dieren geïnspireerde zoekstrategie, gemodelleerd op het jachtgedrag van poema's, stemt alle netwerkwichten en fuzzy-regelinstellingen gezamenlijk af, in plaats van te vertrouwen op standaard stapsgewijze aanpassingsmethoden die in slechte oplossingen kunnen vastlopen.

Hoe goed het systeem presteert

Het model is getraind en getest op een bekende openbare ECG-verzameling met deskundig gelabelde slagen van 47 personen, en vervolgens gecontroleerd op een aparte langetermijn-dataset om te zien hoe goed het generaliseert. In de hoofdgegevensbank classificeert het bijna alle slagen correct over de zeven groepen, met een totale nauwkeurigheid van 99,71 procent. Vooral belangrijk is dat de gevoeligheid voor de gevaarlijkste klassen, de extra slagen uit de onderste en bovenste kamers, toeneemt vergeleken met recente concurrerende methoden. Gedetailleerde statistische controles tonen aan dat de kenmerken die het gebruikt om beslissingen te nemen overeenkomen met bekende medische markers zoals veranderingen in slag-tot-slag-afstanden en hersteltijden.

Wat dit betekent voor patiënten en clinici

Kort gezegd toont dit werk aan dat het hervormen van ECG-signalen in afbeeldingen en het combineren daarvan met regelgebaseerde redenering computers kan helpen gevaarlijke hartritmes van onschuldige te onderscheiden met zeer hoge betrouwbaarheid. Hoewel het cardiologen niet vervangt, zou een dergelijk systeem de basis kunnen vormen voor slimere bedmonitoren, draagbare apparaten of telemedicine-tools die zorgwekkende patronen in realtime markeren, waardoor menselijke experts zich op de meest urgente gevallen kunnen concentreren.

Bronvermelding: 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

Trefwoorden: ECG aritmie, hartritme, deep learning, fuzzy logica, medische AI