Lekki rezydualny blok czasowy z dilatacją typu transformer do klasyfikacji EKG na urządzeniach brzegowych

Zdrowie serca na Twoim nadgarstku

Choroby serca są największą przyczyną zgonów na świecie, a wiele groźnych zaburzeń rytmu pojawia się i znika w krótkich epizodach, które łatwo przeoczyć podczas krótkiej wizyty w gabinecie. W artykule opisano nowy sposób przekształcenia codziennych urządzeń noszonych — takich jak smartwatche czy małe plastry na klatkę piersiową — w skuteczne narzędzia wczesnego ostrzegania. Autorzy opracowali kompaktowy model sztucznej inteligencji zdolny rozpoznawać trzy kluczowe stany serca bezpośrednio na urządzeniu, bez wysyłania surowych danych medycznych do chmury, co sprawia, że monitorowanie jest szybsze, bardziej prywatne i mniej energochłonne.

Dlaczego wykrywanie ukrytych zaburzeń rytmu ma znaczenie

Kardiolodzy polegają na elektrokardiogramie (EKG), zapisie aktywności elektrycznej serca, aby wykrywać zaburzenia rytmu zwane arytmiami oraz stany takie jak niewydolność serca. Te zdarzenia bywają jednak przemijające. Pacjent może czuć się dobrze w gabinecie, a niebezpieczny rytm wystąpić później w domu lub podczas snu. Długotrwałe monitorowanie za pomocą czujników noszonych generuje ogromne strumienie danych, które trudno ręcznie przejrzeć lekarzom. Automatyczna klasyfikacja sygnałów EKG jest więc niezbędna: komputery muszą w czasie rzeczywistym rozpoznawać prawidłowe bicia, arytmie i wzorce związane z niewydolnością serca, działając na niewielkich urządzeniach zasilanych bateryjnie.

Inteligencja na brzegu — analiza bliżej źródła

Wiele systemów AI analizujących sygnały medyczne działa dziś w odległych centrach danych, co oznacza konieczność przesyłania surowych danych EKG przez internet — rodzi to obawy o opóźnienia, koszty i prywatność. Autorzy skupiają się zamiast tego na inteligencji „na brzegu”: analizie wykonywanej lokalnie na urządzeniu noszonym lub pobliskim gadżecie. Urządzenia brzegowe mają jednak ograniczoną pamięć, moc obliczeniową i czas pracy na baterii. Głównym wyzwaniem jest stworzenie modelu na tyle małego i wydajnego, by działał na sprzęcie takim jak Raspberry Pi czy kompaktowy monitor zdrowia, a jednocześnie wystarczająco dokładnego, by mógł być zaufany w decyzjach medycznych. Praca ta bezpośrednio mierzy się z tym kompromisem, dążąc do jakości szpitalnej przy śladzie pamięciowym odpowiednim dla urządzeń konsumenckich.

Jak nowy model odczytuje rytm serca

Zespół łączy dwa potężne podejścia współczesnej sztucznej inteligencji — sieci konwolucyjne i transformatory — w jednym zoptymalizowanym projekcie dostosowanym do jednowymiarowych sygnałów EKG. Najpierw model analizuje krótkie fragmenty przebiegu, aby wychwycić kształty znanych cech, takich jak ostre szczyty i łagodne wypukłości reprezentujące poszczególne uderzenia serca. Specjalne filtry z dilatacją pozwalają mu „patrzeć” dalej w czasie bez znacznego kosztu obliczeniowego, dzięki czemu może wiązać ze sobą bicia rozłożone w dłuższych odstępach. Wbudowany mechanizm uwagi pomaga modelowi koncentrować się na najbardziej informatywnych częściach sygnału, podobnie jak oko klinicysty zwraca uwagę na podejrzane fragmenty zapisu. Ten ciąg kroków pozwala systemowi zrozumieć zarówno drobne szczegóły poszczególnych uderzeń, jak i szerszy rytm rozciągający się na kilka sekund.

Wykorzystanie ograniczonych danych

Autorzy trenują model na zbiorze powstałym z połączenia znanych publicznych kolekcji EKG, obejmującym arytmię, niewydolność serca oraz prawidłowy rytm zatokowy. Ponieważ te kategorie są nierównomiernie reprezentowane — niektóre rytmy występują częściej niż inne — zastosowano techniki wyrównywania danych, tworząc realistyczne próbki syntetyczne i dodając niewielkie wariacje i szum. Uczy to system radzenia sobie z „brudnymi” danymi pochodzącymi z czujników noszonych i zapobiega uprzedzeniom wobec najczęściej występujących wzorców. Proces trenowania i strojenia jest starannie kontrolowany, tak by ostateczny model pozostał niewielki: około 692 000 parametrów, zajmując w przybliżeniu 2,6 megabajta i wymagając jedynie ułamka miliarda podstawowych operacji na predykcję.

Skuteczność i znaczenie wyników

Mimo skromnego rozmiaru model osiąga imponującą dokładność: poprawnie klasyfikuje sygnały testowe w ponad 99 procent przypadków i wykazuje doskonałe rozróżnienie między trzema stanami serca według wielu miar statystycznych. W praktyce oznacza to, że lekki czujnik mógłby wiarygodnie sygnalizować podejrzane rytmy, wskazywać możliwe wzorce niewydolności serca lub uspokajać użytkowników, że ich rytm jest prawidłowy — i to wszystko bez przesyłania wrażliwych zapisów EKG do chmury. Dla pacjentów i klinicystów taka inteligencja działająca na urządzeniu może umożliwić wcześniejszą diagnozę, ciągłe monitorowanie i bardziej spersonalizowaną opiekę, przy jednoczesnym zachowaniu prywatności i wydłużeniu czasu pracy baterii. Badanie ilustruje, jak starannie zaprojektowane AI może przenieść zaawansowaną analizę kardiologiczną poza szpital i wprowadzić ją do codziennego życia.

Cytowanie: Gracy, G.A., Pravin, S.C. A lightweight residual dilated temporal transformer block for ECG classification on edge devices. Sci Rep 16, 8834 (2026). https://doi.org/10.1038/s41598-026-35531-4

Słowa kluczowe: monitorowanie EKG, wykrywanie arytmii, urządzenia noszone do monitorowania zdrowia, edge AI, głębokie uczenie w kardiologii