VMD ve çok görevli optimizasyon kullanılarak otomatik çok sınıflı EKG aritmi algılama

Günlük kalpler için neden önemli

Kalp ritmi sorunları sessiz, ani ve tehlikeli olabilir; ancak ilk uyarı işareti genellikle basit bir elektrokardiyogram çıktısıdır. Bu çalışma, bilgisayarların bu elektriksel kalp izlerini hızla okuyarak aynı anda birden fazla ciddi ritim bozukluğunu nasıl tespit edebileceğini araştırır; amaç, hekimlere daha hızlı ve güvenilir kararlar almada destek sağlamaktır.

Kalp atışını bir sinyal olarak izlemek

Elektrokardiyogram (EKG), kalbin düzenli bir şekilde kasılmasını sağlayan küçük elektriksel darbelerin kaydıdır. Sağlıklı bir kişide bu dalgalar düzenli bir şekil izler; ancak atriyal fibrilasyon, ventriküler fibrilasyon ve ventriküler taşikardi gibi durumlarda desen düzensiz, çok hızlı veya kaotik hale gelir. Bu ritimleri gözle okumak zaman alıcıdır ve özellikle binlerce kalp atışının incelenmesi gerektiğinde insan hatasına açıktır. Otomatik analiz, her bir kalp atışını bilgisayarın karşılaştırıp sınıflandırabileceği sayılara dönüştürerek yardımcı olabilir.

Dağınık izleri anlamlı örüntülere dönüştürmek

Araştırmacılar, birkaç iyi bilinen açık veritabanından alınan ham EKG kayıtlarıyla başlayan adım adım bir iş akışı oluşturdu. Önce yalnızca gerçek kalp aktivitesinin kalması için sinyaller temizlenir; gürültü ve artefaktlar giderilir. Ardından her EKG, düşük ve yüksek frekans içeriğini ayıran matematiksel bir yöntem kullanılarak birkaç daha basit bileşene ayrılır. Bu bileşenlerden sistem, dalgaların ne kadar enerjik, düzensiz veya çarpık olduğu gibi birçok özellik ölçer. Bu sayısal tanımlar, çıplak gözle fark edilmesi güç olabilecek normal ritim ile tehlikeli aritmiler arasındaki ince farkları yakalar.

Gerçekten önemli olanı bir algoritma seçsin

Her kalp atışından yüzlerce ölçüm çıkarılabildiğinden hepsi aynı derecede kullanışlı değildir. Çok fazla girdi programları yavaşlatabilir ve öğrenme algoritmalarını yanıltabilir. Bunu çözmek için yazarlar, sanal kuş sürülerinin birlikte çeşitli özellik kombinasyonlarını keşfetmesine benzeyen sürü zekâsı esinli bir arama yöntemi kullanır. Bu yöntem, gereksiz ölçümleri budarken doğruluğu yüksek tutmaya çalışır. Bu aramanın ardından orijinal özelliklerin yalnızca yaklaşık üçte biri korunur ve her bir kalp atışının bilgisayarlar için daha kolay ve hızlı işlenecek kompakt bir tanımını oluşturur.

Birçok öğrenme modelini teste sokmak

Bu sadeleştirilmiş özelliklerle ekip, bir dizi son teknoloji makine öğrenimi modelini eğitti ve değerlendirdi. Bunlar arasında birçok karar kuralı kuran ve bunları birleştiren ağaç tabanlı yöntemler ile daha zor sınıflandırılan vuruşlara odaklanan boosting yaklaşımları bulunur. Özellik seçimi öncesi ve sonrası performansı, yalnızca genel doğruluk değil her ritim türünün ne sıklıkla doğru tanındığına bakarak karşılaştırdılar. Optimizasyondan sonra birkaç model yaklaşık %99 doğruluğa ulaşırken çalıştırma süresi çok daha azaldı. Sistem, karışıklık matrisleri ve alıcı işletim karakteristiği eğrileriyle doğrulandığı üzere dört ritim sınıfının tamamında güçlü sonuçlar gösterdi.

Geleceğin kalp bakımında bunun anlamı

Basit bir ifadeyle bu çalışma, EKG sinyallerinin dikkatle temizlenmesi, anlamlı parçalara ayrılması ve akıllı bir arama yönteminin en iyi ölçümleri seçmesine izin verilmesinin bilgisayarlara kalp ritmi sorunlarını çok keskin biçimde tespit etme yeteneği kazandırabileceğini gösteriyor. Yöntemin daha geniş ve çeşitli hasta gruplarında test edilmesi gerekiyor olsa da, yaklaşım tehlikeli ritimleri hekimlere işaret eden hızlı otomatik tarama araçlarının temelini oluşturabilir ve dikkatlerini en çok ihtiyaç duyulan yere yönlendirmelerine yardımcı olabilir.

Atıf: Krishna, Y.M., Vasavi, K.P., Chaitanya, M.K. et al. Automated multi-class ECG arrhythmia detection using VMD and multi-task optimization. Sci Rep 16, 15435 (2026). https://doi.org/10.1038/s41598-026-44103-5

Anahtar kelimeler: EKG, kalp aritmisi, makine öğrenimi, özellik seçimi, kalp ritmi