Um benchmark reprodutível de algoritmos de detecção de QRS em diversos conjuntos de ECG e condições de ruído

Por que acompanhar cada batimento importa

Cada batimento do seu coração deixa uma pequena assinatura elétrica em um eletrocardiograma, ou ECG. Identificar com precisão o pico de cada batida é essencial para calcular a frequência cardíaca e variações sutis entre batimentos que revelam estresse, qualidade do sono e risco de doenças cardíacas. À medida que sensores de ECG saem dos monitores hospitalares e vão para pulseiras e cintas peitorais, os pesquisadores precisam saber quais métodos computacionais conseguem encontrar esses picos de forma confiável quando a vida real adiciona movimento, ruído e dados bagunçados.

O desafio de encontrar picos limpos em sinais confusos

O estudo foca na detecção de um ponto específico no sinal de ECG chamado pico R, o pico acentuado que marca cada batimento. Esses picos servem como pontos de referência para a frequência cardíaca e para a variabilidade da frequência cardíaca, uma medida usada em cardiologia, neurologia e pesquisas sobre estresse. Em condições ideais os picos são fáceis de ver, mas em gravações reais o sinal é distorcido pelo movimento do corpo, eletrodos frouxos, interferência elétrica e diferenças naturais entre pessoas, especialmente aquelas com ritmos irregulares. Mesmo um único pico perdido ou detectado de forma errada pode comprometer análises posteriores, então a questão não é apenas o quão bem um método funciona em dados limpos, mas quão confiável ele é em muitas pessoas e situações de gravação.

Construindo um banco de testes comum para detectores de batimento

Para enfrentar isso, os autores reuniram um benchmark reprodutível de 17 métodos de detecção do pico R. Esses métodos abrangem técnicas clássicas de processamento de sinal que aplicam filtros e regras matemáticas, assim como modelos de aprendizado de máquina e aprendizado profundo que aprendem padrões a partir dos dados. Todos os métodos foram avaliados da mesma forma em cinco bancos de ECG abertos da plataforma PhysioNet, cobrindo monitoramento de longo prazo, gravações em repouso, movimento durante caminhada e corrida, ritmos cardíacos irregulares e gravações com ruído artificial misturado. Para métodos baseados em aprendizado, os pesquisadores treinaram cada modelo somente em um conjunto de dados público separado e então congelaram suas configurações, de modo que os testes reflitam o quanto os modelos generalizam para novos pacientes e condições que nunca viram.

Quem vence: regras ajustadas manualmente ou modelos aprendidos

Ao longo de mais de um milhão de batimentos, surgiram tendências claras. Métodos clássicos de processamento de sinal, especialmente um chamado abordagem Blocos de Interesse, entregaram o desempenho mais consistente quando todos os bancos foram agrupados. Uma rede neural recorrente que analisa sequências de batimentos destacou-se nas gravações mais ruidosas, mantendo sua precisão mais alta do que a maioria dos concorrentes quando o sinal estava fortemente contaminado. Modelos de aprendizado profundo puderam apresentar desempenho extremamente bom em alguns conjuntos de dados, particularmente sob ruído intenso, mas seus resultados tendiam a cair mais quando os dados novos diferiam do material de treinamento. Métodos de referência mais antigos que assumem um batimento muito regular tiveram dificuldades com gravações de pacientes com arritmias, onde o ritmo é irregular por definição.

O que o ruído e o movimento fazem aos números

Ao comparar condições, os autores mostraram como diferentes fontes de perturbação afetam o desempenho. Todos os algoritmos funcionaram muito bem em gravações relaxadas e em repouso e em dados de movimento de sujeitos sentados. Assim que os participantes começaram a caminhar ou correr, a qualidade da detecção caiu ligeiramente, mas de forma consistente, para quase todos os métodos, refletindo o impacto do movimento em sensores vestíveis. No caso extremo do banco de dados dedicado ao estresse por ruído, as pontuações gerais caíram para todas as abordagens, mas a rede neural recorrente permaneceu relativamente estável, sugerindo que usar contexto ao longo de múltiplos batimentos ajuda a enxergar através da bagunça. Esses padrões indicam que nenhum detector é o melhor em todos os cenários e que combinar métodos ou alternar estratégias com base em níveis estimados de ruído pode ser benéfico.

O que isso significa para médicos, dispositivos e pesquisadores

Para clínicos e desenvolvedores de dispositivos vestíveis, a mensagem-chave é prática: se você precisa de um algoritmo que funcione bem pronto para uso em muitos tipos de ECG, abordagens testadas de processamento de sinal ainda são uma escolha segura, enquanto métodos de aprendizado profundo podem exigir dados de treinamento cuidadosamente selecionados e diversos para evitar surpresas em novos ambientes. Os autores também fornecem seu código completo, links para os dados e scripts de avaliação como um framework aberto, para que equipes futuras possam integrar novos algoritmos e testá-los nas mesmas condições. Em vez de coroar um único vencedor, o trabalho mapeia forças e fraquezas dos métodos líderes e incentiva a comunidade a construir ferramentas mais robustas e compartilháveis para ler os ritmos do coração.

Citação: 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

Palavras-chave: ECG, detecção do pico R, variabilidade da frequência cardíaca, processamento de sinal, aprendizado profundo