En reproducerbar jämförelse av QRS-detekteringsalgoritmer över olika EKG-dataset och brusförhållanden

Varför det är viktigt att spåra varje hjärtslag

Varje hjärtslag lämnar ett litet elektriskt avtryck på ett elektrokardiogram, eller EKG. Att exakt lokalisera toppen för varje slag är avgörande för att räkna hjärtfrekvens och för att mäta subtila variationer mellan slag som avslöjar stress, sömnkvalitet och risk för hjärtsjukdom. När EKG-sensorer flyttar från sjukhusmonitorer till handledsband och bröstband behöver forskare veta vilka datoriserade metoder som fortfarande kan hitta dessa toppar pålitligt när verkligheten tillför rörelse, brus och rörig data.

Utmaningen att hitta rena toppar i röriga signaler

Studien fokuserar på att detektera en specifik punkt i EKG-signalen kallad R-toppen, den skarpa pulstoppen som markerar varje hjärtslag. Dessa toppar är referenspunkter för hjärtfrekvens och för hjärtfrekvensvariabilitet, ett mått som används inom kardiologi, neurologi och stressforskning. Under ideala förhållanden är topparna lätta att se, men i verkliga inspelningar förvrängs signalen av kroppsrörelse, lösa elektroder, elektriska störningar och naturliga skillnader mellan människor, särskilt hos dem med oregelbundna rytmer. Även ett enda missat eller felaktigt detekterat slag kan förvränga efterföljande analyser, så frågan är inte bara hur bra en metod fungerar på ren data, utan hur pålitligt den fungerar över många personer och inspelningssituationer.

Att bygga en gemensam testbädd för hjärtslagsdetektorer

För att ta itu med detta satte författarna ihop en reproducerbar referensram med 17 R-toppdetektionsmetoder. Dessa täcker klassiska signalbehandlingsmetoder som använder filter och matematiska regler, liksom maskininlärnings- och djupinlärningsmodeller som lär sig mönster från data. Alla metoder utvärderades på samma sätt på fem öppna EKG-databaser från PhysioNet-plattformen, med provtagningar som omfattar långtidsövervakning, viloinspelningar, rörelse under gång och löpning, oregelbundna hjärtrytmer och inspelningar med artificiellt tillsatt brus. För inlärningsbaserade metoder tränade forskarna varje modell endast på ett separat offentligt dataset och fryste sedan inställningarna, så testerna speglar hur väl modellerna generaliserar till nya patienter och förhållanden de aldrig tidigare sett.

Vem vinner: handjusterade regler eller inlärda modeller

Över mer än en miljon hjärtslag framträdde vissa tydliga trender. Klassiska signalbehandlingsmetoder, särskilt en metod kallad Blocks of Interest, levererade den mest konsekventa prestandan när alla databaser slagits ihop. Ett rekursivt neuralt nätverk som ser på sekvenser av slag utmärkte sig i de mest brusiga inspelningarna och bibehöll högre noggrannhet än de flesta konkurrenter när signalen var kraftigt kontaminerad. Djupinlärningsmodeller kunde prestera mycket väl på vissa dataset, särskilt under starkt brus, men deras resultat tenderade att falla mer när den nya datan skiljde sig från träningsmaterialet. Äldre referensmetoder som antar mycket regelbunden hjärtrytm hade svårt med inspelningar från patienter med arytmier, där rytmen per definition är oregelbunden.

Vad brus och rörelse gör med siffrorna

Genom att jämföra förhållanden visade författarna hur olika störkällor påverkar prestanda. Alla algoritmer fungerade mycket bra på avslappnade viloinspelningar och på rörelsedata från sittande försökspersoner. Så fort deltagarna började gå eller springa sjönk detektionskvaliteten något men konsekvent för nästan varje metod, vilket speglar rörelsens påverkan på bärbara sensorer. I det extrema fallet med den dedikerade brusstress-databasen föll de övergripande poängen för alla angreppssätt, men det rekursiva neurala nätverket förblev relativt stabilt, vilket antyder att att använda kontext över flera slag hjälper det att se genom störningen. Dessa mönster tyder på att ingen enskild detektor är bäst överallt och att kombinationer av metoder eller att byta strategi baserat på uppskattad brusnivå kan vara fördelaktigt.

Vad detta betyder för läkare, enheter och forskare

För kliniker och utvecklare av bärbara enheter är huvudbudskapet praktiskt: om du behöver en algoritm som fungerar bra direkt i många slags EKG, är väl prövade signalbehandlingsmetoder fortfarande ett säkert val, medan djupinlärningsmetoder kan kräva noggrant utvalda och mångsidiga träningsdata för att undvika överraskningar i nya miljöer. Författarna tillhandahåller också sin kompletta kod, datalänkar och utvärderingsskript som en öppen ram, så att framtida team kan koppla in nya algoritmer och testa dem under samma förhållanden. Istället för att kora en ensam vinnare kartlägger arbetet styrkor och svagheter hos ledande metoder och uppmuntrar forskarsamhället att bygga mer robusta, delbara verktyg för att läsa hjärtats rytmer.

Citering: 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

Nyckelord: EKG, R-toppdetektion, hjärtfrekvensvariabilitet, signalbehandling, djupinlärning