Kenarlı cihazlarda EKG sınıflandırması için hafif bir artık dilatasyonlu zamansal dönüştürücü blok

Bileğinizdeki Kalp Sağlığı

Kalp hastalıkları dünyanın en büyük ölüm nedeni olmasına karşın, birçok tehlikeli ritim sorunu kısa, gelip geçen ataklar halinde ortaya çıkar ve kısa bir klinik ziyarette kolayca kaçabilir. Bu makale, günlük giyilebilir cihazları—akıllı saatler ve küçük göğüs yamaları gibi—güçlü erken uyarı araçlarına dönüştürmenin yeni bir yolunu anlatıyor. Yazarlar, ham tıbbi verileri buluta göndermeden doğrudan cihaz üzerinde üç temel kalp durumunu tespit edebilen kompakt bir yapay zekâ modeli tasarlıyor; böylece sürekli izleme daha hızlı, daha mahrem ve daha az enerji tüketir hale geliyor.

Gizli Kalp Ritimlerini Yakalamanın Önemi

Kardiyologlar, ritim bozuklukları olarak adlandırılan aritmileri ve konjestif kalp yetmezliği gibi durumları tespit etmek için kalbin elektriksel aktivitesinin izi olan elektrokardiyograma (EKG) güvenirler. Ancak bu olaylar kısa sürelidir. Bir kişi doktorun ofisinde kendini iyi hissedebilir, ama daha sonra evde veya uyurken tehlikeli bir ritim yaşayabilir. Giyilebilir sensörlerle uzun süreli izleme, doktorların elle gözden geçirmesini zorlaştıran büyük veri akışları üretir. Bu nedenle EKG sinyallerinin otomatik sınıflandırılması elzemdir: bilgisayarlar normal bir kalp atışını, bir aritmiyi ve kalp yetmezliğiyle ilişkili desenleri gerçek zamanlı olarak güvenilir şekilde ayırt edebilmelidir; hem de küçük pille çalışan cihazlarda çalışırken.

Akıllı Analizi Kenara Taımak

Günümüzde tıbbi sinyaller için birçok yapay zekâ sistemi uzak veri merkezlerinde çalışır; bu da ham EKG verilerinin internet üzerinden gönderilmesi gerektiği anlamına gelir ve gecikme, maliyet ile gizlilik kaygılarını doğurur. Yazarlar bunun yerine "edge" zekâsına odaklanıyor: analizlerin giyilebilir cihazda veya yakın bir aygıtta yerel olarak gerçekleştirilmesi. Ancak kenar cihazların belleği, işlem gücü ve pil ömrü sınırlıdır. Temel zorluk, Raspberry Pi gibi donanımlarda veya kompakt sağlık monitörlerinde çalışabilecek kadar küçük ve verimli, fakat tıbbi kararlar için güvenilecek kadar doğru bir model geliştirmektir. Bu çalışma doğrudan bu takası ele alarak, günlük tüketici cihazlarına uygun bir ayak izinde hastane düzeyinde performans hedefliyor.

Yeni Modelin Kalp Atışını Okuma Şekli

Ekip, modern yapay zekâdan iki güçlü fikri—konvolüsyonel sinir ağları ve dönüştürücü ağları—tek boyutlu EKG sinyallerine uyarlanmış tek bir sadeleştirilmiş tasarımda birleştiriyor. Önce model, her kalp atışını temsil eden keskin zirveler ve yumuşak çıkıntılar gibi tanıdık özelliklerin şekillerini yakalamak için dalganın kısa kesitlerine bakar. Özel "dilatasyonlu" filtreler, ek maliyet eklemeden zaman içinde daha uzakları görmesine izin vererek atışlar arasındaki ilişkileri daha uzun aralıklar boyunca kurmasını sağlar. Yerleşik bir dikkat mekanizması ise modelin izginin en bilgilendirici bölümlerine odaklanmasına yardımcı olur; bu, klinisyenin gözünü şüpheli kısımlara çevirmesine benzer. Bu adım dizisi, sisteme hem her atışın ince ayrıntılarını hem de birkaç saniyelik daha geniş ritmi anlamayı sağlar.

Sınırlı Veriden En İyi Şekilde Yararlanma

Yazarlar modellerini aritmi, konjestif kalp yetmezliği ve normal sinüs ritmini kapsayan, iyi bilinen halka açık EKG koleksiyonlarından alınan birleşik bir veri kümesi üzerinde eğitiyorlar. Bu kategoriler düzensiz temsil edildiği için—bazı ritimlerden diğerlerine göre daha fazla örnek vardır—gerçekçi sentetik örnekler oluşturan ve hafif varyasyonlar ile gürültü ekleyen veri-dengeleme teknikleri kullanıyorlar. Bu, sistemin giyilebilir sensörlerden gelen dağınık, gerçek dünya ölçümleriyle başa çıkmasını sağlar ve en yaygın desenlere karşı önyargı geliştirmesini önler. Eğitim ve ayarlama süreci dikkatle kontrol edilir, böylece nihai model küçük kalır: yaklaşık 692.000 parametre, yaklaşık 2.6 megabayt yer kaplar ve her tahmin için sadece birkaç yüz milyon temel işlemin küçük bir kısmını gerektirir.

Ne Kadar İyi Performans Gösteriyor ve Neden Önemli

Mütevazı boyutuna rağmen model çarpıcı bir doğruluk elde ediyor: test sinyallerini yüzde 99'dan fazla doğrulukla doğru sınıflandırıyor ve çoklu istatistiksel ölçütlere göre üç kalp durumu arasında mükemmele yakın ayrım sergiliyor. Uygulamada bu, hafif bir sensörün şüpheli ritimleri güvenilir şekilde işaretleyebileceği, olası kalp yetmezliği desenlerini vurgulayabileceği veya kullanıcıları kalp atışlarının normal olduğuna dair rahatlatabileceği anlamına geliyor—tüm bunlar hassas EKG izlerini buluta aktarmadan. Hastalar ve klinisyenler için böyle bir cihaz içi zekâ, daha erken tanı, 7/24 izleme ve daha kişiselleştirilmiş bakım sağlayabilir; ayrıca gizliliği korur ve pil ömrünü uzatır. Çalışma, dikkatle tasarlanmış yapay zekânın sofistike kardiyak analizleri hastanenin dışına ve günlük yaşama taşıyabileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: EKG izlemi, aritmi tespiti, giyilebilir sağlık cihazları, edge AI, kardiyak derin öğrenme