Çeşitli EKG veri kümeleri ve gürültü koşulları boyunca QRS algılama algoritmalarının tekrarlanabilir bir kıyaslaması

Neden her kalp atışını izlemek önemli

Her kalp atışı, elektrokardiyogramda (EKG) küçük bir elektriksel iz bırakır. Her atışın tam zirvesini belirlemek, kalp hızını ve atışlar arasındaki ince değişiklikleri hesaplamak için gereklidir; bu değişiklikler stres, uyku kalitesi ve kalp hastalığı riski hakkında ipuçları verir. EKG sensörleri hastane monitörlerinden bilekliklere ve göğüs bantlarına kaydıkça, araştırmacıların gerçek dünyada hareket, gürültü ve karmaşık veriler eklendiğinde hangi bilgisayar yöntemlerinin bu zirveleri hâlâ güvenilir şekilde bulabildiğini bilmeleri gerekir.

Dağınık sinyallerde temiz zirveleri bulmanın zorluğu

Çalışma, her kalp atışını işaretleyen keskin tepe olan R-tepesini tespit etmeye odaklanıyor. Bu tepeler, kalp atışı hızı ve kardiyoloji, nöroloji ve stres araştırmalarında kullanılan kalp atış hızı değişkenliği için referans noktalarıdır. İdeal koşullarda tepeler kolayca görülebilir, ancak gerçek kayıtlarda sinyal vücut hareketi, gevşek elektrotlar, elektriksel parazit ve özellikle düzensiz ritmi olan kişilerde bireyler arasındaki doğal farklılıklar tarafından bozulur. Tek bir kaçırılmış veya yanlış algılanmış tepe bile sonraki analizleri bozabilir, bu yüzden bir yöntemin sadece temiz veride ne kadar iyi çalıştığı değil, birçok kişi ve kayıt durumunda ne kadar güvenilir olduğu da önemlidir.

Kalp atışı algılayıcıları için ortak bir test ortamı oluşturmak

Bunu ele almak için yazarlar 17 R-tepesi algılama yönteminin tekrarlanabilir bir kıyaslamasını derlediler. Bunlar, filtreler ve matematiksel kurallar uygulayan klasik sinyal işleme tekniklerinin yanı sıra veriden desen öğrenen makine öğrenmesi ve derin öğrenme modellerini kapsıyor. Tüm yöntemler, uzun süreli izleme, dinlenme kayıtları, yürüme ve koşma sırasında hareket, düzensiz kalp ritimleri ve yapay gürültü karıştırılmış kayıtları içeren PhysioNet platformundan beş açık EKG veri tabanında aynı şekilde değerlendirildi. Öğrenme tabanlı yöntemler için araştırmacılar her modeli yalnızca ayrı bir açık veri kümesi üzerinde eğitip ayarlarını sabitlediler; böylece testler modellerin daha önce görmedikleri yeni hastalara ve koşullara ne kadar iyi genelleştiğini yansıtıyor.

Kim kazanıyor: elle ayarlanmış kurallar mı yoksa öğrenilmiş modeller mi

Bir milyondan fazla kalp atışı çapında bazı belirgin eğilimler ortaya çıktı. Özellikle Blocks of Interest adı verilen klasik sinyal işleme yöntemleri, tüm veritabanları birleştirildiğinde en tutarlı performansı sundu. Atış dizilerini inceleyen yinelemeli bir sinir ağı en gürültülü kayıtlarda üstünlük göstererek, sinyal ağır şekilde kirli olduğunda doğruluğunu çoğu rakibinden daha yüksek tuttu. Derin öğrenme modelleri bazı veri kümelerinde, özellikle güçlü gürültü altında son derece iyi performans gösterebilirken, yeni veriler eğitim materyalinden farklı görünce performansları daha fazla düşme eğilimindeydi. Çok düzenli bir kalp atışını varsayan eski referans yöntemleri ise ritmi tanım gereği düzensiz olan aritmili hastalardan alınan kayıtlarla zorlandı.

Gürültü ve hareket sayıların üzerine ne yapıyor

Koşulları karşılaştırarak yazarlar, farklı bozulma kaynaklarının performansı nasıl etkilediğini gösterdiler. Tüm algoritmalar dinlenme kayıtlarında ve oturan deneklerin hareket verilerinde çok iyi çalıştı. Katılımcılar yürümeye veya koşmaya başlayınca hemen hemen her yöntemde algılama kalitesi hafif ama tutarlı bir şekilde düştü; bu, giyilebilir sensörlerde hareketin etkisini yansıtıyor. Özel gürültü stres veri tabanında aşırı durumda, tüm yaklaşımların genel puanları düştü, ancak yinelemeli sinir ağı nispeten istikrarlı kaldı; bu da birden çok atış arasındaki bağlamı kullanmanın karışıklığı görmesini kolaylaştırabildiğini ima ediyor. Bu desenler, hiçbir tek algılayıcının her yerde en iyi olmadığını ve yöntemleri birleştirmenin veya tahmini gürültü seviyelerine göre strateji değiştirmenin yararlı olabileceğini öne sürüyor.

Bu, doktorlar, cihazlar ve araştırmacılar için ne anlama geliyor

Klinisyenler ve giyilebilir cihaz geliştiricileri için temel mesaj pratiktir: birçok tür EKG üzerinde kutudan çıktığı haliyle iyi çalışan bir algoritmaya ihtiyacınız varsa, denenmiş ve test edilmiş sinyal işleme yaklaşımları hâlâ güvenli bir seçimdir; oysa derin öğrenme yöntemleri yeni ortamlarda sürprizleri önlemek için dikkatle seçilmiş ve çeşitli eğitim verileri gerektirebilir. Yazarlar ayrıca tam kodlarını, veri bağlantılarını ve değerlendirme betiklerini açık bir çerçeve olarak sunuyor; böylece gelecekteki ekipler yeni algoritmaları aynı koşullar altında takıp test edebilir. Tek bir kazananı taçlandırmaktansa, çalışma önde gelen yöntemlerin güçlü ve zayıf yanlarını haritalandırıyor ve topluluğu kalbin ritimlerini okumak için daha sağlam, paylaşılabilir araçlar geliştirmeye teşvik ediyor.

Atıf: 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

Anahtar kelimeler: EKG, R-tepesi algılama, kalp atış hızı değişkenliği, sinyal işleme, derin öğrenme