Легкий остаточный дилатированный временной трансформерный блок для классификации ЭКГ на устройствах периферии

Здоровье сердца на вашем запястье

Сердечные заболевания остаются ведущей причиной смертности в мире, однако многие опасные нарушения ритма возникают эпизодически и быстро проходят, поэтому их легко пропустить во время короткого визита к врачу. В этой статье описан новый подход, превращающий повседневные носимые устройства — например смарт‑часы и небольшие грудные датчики — в мощные инструменты раннего предупреждения. Авторы разработали компактную модель искусственного интеллекта, которая способна выявлять три ключевых состояния сердца непосредственно на устройстве, не отправляя сырые медицинские данные в облако, что делает непрерывный мониторинг быстрее, более приватным и экономящим энергию.

Почему важно улавливать скрытые нарушения ритма

Кардиологи опираются на электрокардиограмму (ЭКГ) — запись электрической активности сердца — для обнаружения нарушений ритма (аритмий) и состояний, таких как застойная сердечная недостаточность. Но эти события могут быть мимолетными: человек может чувствовать себя нормально в кабинете врача, а уже дома или во сне столкнуться с опасным ритмом. Долговременный мониторинг с помощью носимых датчиков генерирует огромные потоки данных, которые трудно просматривать вручную. Поэтому автоматическая классификация сигналов ЭКГ необходима: компьютеры должны в реальном времени надежно различать нормальный сердечный ритм, аритмию и паттерны, связанные с сердечной недостаточностью, и при этом работать на крошечных устройствах с батарейным питанием.

Перенос умного анализа на периферию

Сегодня многие ИИ‑системы для анализа медицинских сигналов работают в удаленных центрах обработки данных, что требует передачи сырых ЭКГ‑данных через интернет и вызывает опасения по поводу задержек, затрат и приватности. Авторы сосредоточились на «edge»‑интеллекте: анализе, выполняемом локально на носимом устройстве или близком гаджете. Однако периферийные устройства имеют ограниченную память, вычислительные ресурсы и время работы от батареи. Главная задача — создать модель, достаточно маленькую и эффективную для работы на аппаратуре вроде Raspberry Pi или компактного монитора, но при этом достаточно точную, чтобы ей можно было доверять в медицинских решениях. Эта работа напрямую решает этот компромисс, стремясь к уровню производительности, приемлемому для клиник, в масштабе, подходящем для повседневных потребительских устройств.

Как новая модель «читает» сердечный ритм

Команда сочетает две мощные идеи современного ИИ — сверточные нейронные сети и трансформеры — в единую упрощенную архитектуру, адаптированную к одномерным сигналам ЭКГ. Сначала модель анализирует короткие отрезки волны, чтобы улавливать форму знакомых особенностей, таких как резкие пики и плавные выпуклости, соответствующие каждому сердечному сокращению. Специальные «дилатированные» фильтры позволяют ей охватывать более дальние по времени зоны без значительного увеличения вычислений, что помогает соотносить отдельные сокращения на более длинных отрезках. Встроенный механизм внимания затем помогает модели сосредоточиться на наиболее информативных фрагментах сигнала, аналогично тому, как взгляд клинициста фиксирует подозрительные участки записи. Такая последовательность операций позволяет системе понимать и тонкие детали каждого импульса, и общую ритмику за несколько секунд.

Максимальная эффективность при ограниченных данных

Авторы обучали модель на объединенном наборе данных, составленном из известных публичных коллекций ЭКГ, охватывающем аритмии, застойную сердечную недостаточность и нормальный синусовый ритм. Поскольку эти категории представлены неравномерно — примеров некоторых ритмов больше, чем других — применялись техники балансировки данных, создающие реалистичные синтетические образцы и добавляющие небольшие вариации и шум. Это обучает систему работать с «грязными», реальными измерениями с носимых датчиков и предотвращает смещение в сторону наиболее распространенных паттернов. Процесс обучения и настройки тщательно контролируется, чтобы итоговая модель оставалась компактной: около 692 000 параметров, занимающих примерно 2,6 мегабайта и требующих лишь доли миллиарда простых операций на один прогноз.

Насколько хорошо она работает и почему это важно

Несмотря на умеренный размер, модель демонстрирует впечатляющую точность: она правильно классифицирует тестовые сигналы более чем в 99 % случаев и показывает отличное разделение трех состояний сердца по нескольким статистическим метрикам. На практике это означает, что легкий датчик мог бы надежно помечать подозрительные ритмы, выделять возможные паттерны сердечной недостаточности или уверять пользователя в нормальном ритме — и всё это без передачи чувствительных ЭКГ‑записей в облако. Для пациентов и клиницистов такая локальная интеллектуальная обработка может обеспечить более раннюю диагностику, круглосуточный мониторинг и более персонализированный уход, одновременно сохраняя приватность и продлевая время работы от батареи. Исследование иллюстрирует, как тщательно спроектированный ИИ может вынести сложный кардиологический анализ из стационара в повседневную жизнь.

Цитирование: 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

Ключевые слова: мониторинг ЭКГ, обнаружение аритмии, носимые медицинские устройства, edge AI, глубокое обучение в кардиологии