Een reproduceerbare benchmark van QRS-detectie-algoritmen over diverse ECG-datasets en ruiscondities

Waarom het volgen van elke hartslag ertoe doet

Elke hartslag laat een kleine elektrische handtekening achter op een elektrocardiogram, of ECG. Het nauwkeurig vaststellen van de piek van elke slag is essentieel om de hartslag en subtiele variaties tussen slagen te berekenen — variaties die stress, slaapkwaliteit en het risico op hartziekten kunnen onthullen. Nu ECG‑sensoren verschuiven van ziekenhuismonitoren naar polsbanden en borstbanden, moeten onderzoekers weten welke rekenmethoden die pieken nog steeds betrouwbaar kunnen vinden wanneer het echte leven beweging, ruis en rommelige data toevoegt.

De uitdaging van schone pieken in rommelige signalen vinden

De studie richt zich op het detecteren van een specifiek punt in het ECG‑signaal dat de R‑piek wordt genoemd, de scherpe top die elke hartslag markeert. Deze pieken dienen als referentiepunten voor de hartslag en voor hartslagvariabiliteit, een maat die wordt gebruikt in cardiologie, neurologie en stressonderzoek. Onder ideale omstandigheden zijn de pieken gemakkelijk te zien, maar in echte opnames wordt het signaal vervormd door lichaamsbeweging, loszittende elektroden, elektrische interferentie en natuurlijke verschillen tussen mensen, vooral bij mensen met onregelmatige ritmes. Zelfs één gemiste of verkeerd gedetecteerde piek kan latere analyses verstoren, dus de vraag is niet alleen hoe goed een methode presteert op schone data, maar hoe betrouwbaar ze werkt bij veel verschillende mensen en opnamemomenten.

Een gemeenschappelijke testomgeving bouwen voor hartslagsdetectoren

Om dit aan te pakken stelden de auteurs een reproduceerbare benchmark samen van 17 R‑piekdetectiemethoden. Deze variëren van klassieke signaalverwerkingstechnieken die filters en wiskundige regels toepassen tot machine learning‑ en deep learning‑modellen die patronen uit data leren. Alle methoden werden op dezelfde manier geëvalueerd op vijf open ECG‑databases van het PhysioNet‑platform, die langdurige monitoring, rustopnames, beweging tijdens wandelen en hardlopen, onregelmatige hartritmes en opnames met kunstmatig toegevoegde ruis bestrijken. Voor leermethoden trainden de onderzoekers elk model alleen op een aparte publieke dataset en vroren vervolgens de instellingen in, zodat de tests weerspiegelen hoe goed de modellen generaliseren naar nieuwe patiënten en omstandigheden die ze nog nooit hebben gezien.

Wie wint: handmatig afgestelde regels of geleerde modellen?

Over meer dan een miljoen hartslagen kwamen enkele duidelijke trends naar voren. Klassieke signaalverwerkingsmethoden, met name een aanpak die Blocks of Interest wordt genoemd, leverden de meest consistente prestaties op wanneer alle databases werden gecombineerd. Een recurrent neuraal netwerk dat naar sequenties van slagen kijkt, excelleerde in de luidruchtigste opnames en hield zijn nauwkeurigheid hoger dan de meeste concurrenten wanneer het signaal sterk verontreinigd was. Deep learning‑modellen konden uitzonderlijk goed presteren op sommige datasets, vooral bij sterke ruis, maar hun resultaten daalden vaak meer wanneer de nieuwe data anders waren dan het trainingsmateriaal. Oudere referentiemethoden die van een zeer regelmatig hartritme uitgaan, hadden moeite met opnames van patiënten met aritmieën, waar het ritme per definitie onregelmatig is.

Wat ruis en beweging met de cijfers doen

Door condities te vergelijken toonden de auteurs aan hoe verschillende verstoringsbronnen de prestaties beïnvloeden. Alle algoritmen werkten zeer goed op ontspannen rustopnames en op bewegingsdata van zittende proefpersonen. Zodra deelnemers begonnen te lopen of rennen, daalde de detectiekwaliteit licht maar consistent voor bijna elke methode, wat het effect van beweging op draagbare sensoren weerspiegelt. In het extreme geval van de specifieke ruis‑stress‑database daalden de totaalscores voor alle benaderingen, maar het recurrente neuraal netwerk bleef relatief stabiel, wat suggereert dat het gebruiken van context over meerdere slagen helpt om door de rommel heen te kijken. Deze patronen wijzen erop dat geen enkele detector overal het beste is en dat het combineren van methoden of het wisselen van strategie op basis van geschatte ruisniveaus nuttig kan zijn.

Wat dit betekent voor artsen, apparaten en onderzoekers

Voor clinici en ontwikkelaars van draagbare apparaten is de kernboodschap praktisch: als u een algoritme nodig heeft dat direct uit de doos goed werkt op veel soorten ECG’s, blijven beproefde signaalverwerkingsbenaderingen een veilige keuze, terwijl deep learning‑methoden zorgvuldig gekozen en diverse trainingsdata nodig kunnen hebben om verrassingen in nieuwe omgevingen te voorkomen. De auteurs bieden ook hun volledige code, datalinks en evaluatiescripts als een open framework, zodat toekomstige teams nieuwe algoritmen kunnen aansluiten en onder dezelfde voorwaarden kunnen testen. In plaats van één enkele winnaar te kronen, brengt het werk de sterke en zwakke punten van leidende methoden in kaart en moedigt het de gemeenschap aan om robuustere, deelbare hulpmiddelen te bouwen voor het lezen van de ritmes van het hart.

Bronvermelding: 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

Trefwoorden: ECG, R‑piekdetectie, hartslagvariabiliteit, signaalverwerking, deep learning