Meta-heuristik algoritmalarla optimize edilen hibrit Bulanık-CNN makinesi kullanılarak EKG sinyallerinden kalp hastalığı tanısı ve kategorilendirmesi

Neden daha akıllı kalp monitörleri önemli

Kalp hastalığı dünya çapında ölüm nedenleri arasında başta gelmeye devam ediyor ve kalbin elektriksel ritmindeki küçük değişiklikler genellikle en erken uyarı işaretlerini verir. Doktorlar bu elektriksel izleri, EKG adı verilen kayıtları, tehlikeli düzensiz atımları tespit etmek için okur; ancak sinyaller gürültülü, karmaşık ve sürekli aktiftir. Bu makale, bilgisayarları EKG okumada uzman kardiyologlara daha çok benzetmenin yeni bir yolunu araştırıyor; amaç, hayati tehlike oluşturan ritim sorunlarını hızlı ve güvenilir şekilde yakalamak.

Kaburga bantlarından dijital kalp atımlarına

Her EKG, kalbin elektriksel aktivitesini algılamak üzere cilde yerleştirilen basit sensörlerle başlar. Ortaya çıkan dalgalı çizgiler, üst ve alt odacıkların her atımda nasıl sıkışıp toparlandığını gösterir. Bu dalgaların şekil ve zamanlamasındaki ince değişimler çok çeşitli sorunlara işaret edebilir: bazıları nispeten zararsız, bazıları ise inme veya ani kardiyak ölüme bağlı olabilir. Buna karşın EKG sinyalleri düşük genliklidir, hareket ve elektriksel gürültü ile kolayca bozulur ve sağlıklı kişilerde bile değişebilir; bu da güvenilir otomatik analizleri zorlaştırır.

Neden bazı düzensiz atımlar daha tehlikelidir

Araştırmacılar, uluslararası bir kalp ritmi standardı tarafından önerilen yedi yaygın paterne odaklanıyor. Bunlar normal atımlar, üst odacıklardan kaynaklanan ekstra atımlar, alt odacıklardan kaynaklanan ekstra atımlar, kalbin iletim yollarındaki bloklar, iki sinyalin karıştığı füzyon atımları ve sınıflandırılması zor atımları içerir. Alt odacıklardan gelen ekstra atımlar, kalbi durdurabilecek hızlı, kaotik ritimlerle yakından ilişkilidir; üst odacıklardan gelen bazı ekstra atımlar ise gelecekteki inmeye işaret edebilir. Otomatik sistemlerin doktorların zamanında karar vermesine yardımcı olabilmesi için bu riskli atımları çok sayıda normal atım arasından doğru şekilde ayırt etmesi kritik önemdedir.

Bilgisayarların görebilmesi için atımların görüntülere dönüştürülmesi

Ham zikzak çizgilerini doğrudan bir programa vermek yerine ekip önce EKG sinyallerini yavaş sapmaları ve elektriksel uğultuyu gidermek için temizliyor. Ardından vahşi at sürülerinin davranışından ilham alan bir arama stratejisi kullanarak her kişinin en düzenli tekrarlayan kalp atımı bölümünü buluyorlar. Bu uyarlanmış zamanlamayla, EKG’nin her kısa kesiti matematiksel olarak bir döngüye sarılıyor ve iki boyutlu bir resim olarak çiziliyor. Bu görüntüler, her atımın ana şekillerini korurken gürültüyü ve rastgele kaymaları düzlüyor. Aynı zamanda, atımlar arası boşluklar ve önemli aralıkların uzunluğu gibi klasik zamanlama özellikleri ölçülerek kalbin ritmine dair daha geleneksel bir görünüm de sağlanıyor.

Ritim tanıma için harmanlanmış bir zihin

Bu zenginleştirilmiş sinyalleri okumak için yazarlar iki fikri karıştıran hibrit bir bilgisayar modeli kuruyor. Önce, derin bir görüntü ağı EKG resimlerini birkaç katmanda tarayarak her ritim türüyle ilişkili ince görsel desenleri tanımayı öğreniyor. İkinci olarak, kesin evet/hayır kararları yerine yumuşak "eğer bu ise, o zaman" kurallarıyla çalışan bir bulanık mantık katmanı, görüntü ağının öğrendiklerini zamanlama özellikleriyle birleştiriyor. Puma avlanmasından esinlenen ikinci bir hayvan tabanlı arama stratejisi, tüm ağ ağırlıklarını ve bulanık kural ayarlarını birlikte ince ayar yapıyor; bu, kötü çözümlere saplanabilecek standart adım adım ayarlama yöntemlerine dayanmaktan kaçınıyor.

Sistemin performansı nasıl

Model, 47 kişiden uzman etiketli atımları içeren iyi bilinen bir açık EKG koleksiyonu üzerinde eğitilip test ediliyor ve ardından ne kadar iyi genelleştiğini görmek için ayrı bir uzun dönem veri seti üzerinde kontrol ediliyor. Ana veritabanında, yedi grup boyunca neredeyse tüm atımları doğru sınıflandırıyor ve genel doğruluk %99,71 seviyesinde. Özellikle önemli olarak, en tehlikeli sınıflara—alt odacık kaynaklı ve üst odacık kaynaklı ekstra atımlara—karşı duyarlılığı son yöntemlerle kıyaslandığında artış gösteriyor. Ayrıntılı istatistiksel kontroller, karar vermede kullandığı özelliklerin atımlar arası boşluk ve toparlanma sürelerindeki değişimler gibi bilinen tıbbi göstergelerle uyumlu olduğunu gösteriyor.

Bu hastalar ve klinisyenler için ne anlama geliyor

Basitçe söylemek gerekirse, bu çalışma EKG sinyallerini görüntülere dönüştürmenin ve bunları kural tabanlı akıl yürütmeyle birleştirmenin bilgisayarların tehlikeli kalp ritimlerini zararsız olanlardan çok yüksek güvenilirlikle ayırt etmesine yardımcı olabileceğini gösteriyor. Kardiyologların yerini almasa da, böyle bir sistem akıllı yatak başı monitörleri, giyilebilir cihazlar veya gerçek zamanlı olarak endişe verici desenleri işaretleyen tele-tıp araçlarının temelini oluşturabilir; böylece insan uzmanlar en acil vakalara odaklanabilir.

Atıf: Davani, M., Taghizadeh, M., Pirbonyeh, M.A. et al. Heart disease diagnosis and categorization from ECG signals using hybrid Fuzzy-CNN machine optimized by meta-heuristic algorithms. Sci Rep 16, 16001 (2026). https://doi.org/10.1038/s41598-026-43637-y

Anahtar kelimeler: EKG aritmi, kalp ritmi, derin öğrenme, bulanık mantık, tıbbi yapay zeka