Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation

إليك ملخص تقني مفصل لورقة البحث بعنوان: "بنى الشبكات العصبية العميقة لتصنيف تخطيط كهربائية القلب: تقييم شامل".

1. بيان المشكلة

لا تزال أمراض القلب والأوعية الدموية سبباً رئيسياً للوفيات العالمية، مما يستدعي الكشف المبكر عبر مراقبة تخطيط كهربائية القلب (ECG). وبينما أحدث التعلم العميق ثورة في الكشف التلقائي عن عدم انتظام ضربات القلب، إلا أن الأبحاث الحالية تعاني من عدة فجوات حرجة:

• التقييم غير المتسق: غالباً ما تقارن الدراسات النماذج تحت ظروف معالجة بيانات وتدريب متفاوتة، مما يجعل المقارنات المعمارية العادلة أمراً صعباً.
• عدم توازن الفئات: تعاني مجموعات بيانات تخطيط كهربائية القلب الواقعية (مثل MIT-BIH) من انحياز شديد نحو نبضات القلب الطبيعية، مما يتسبب في ضعف أداء النماذج على فئات عدم انتظام ضربات القلب الأقلية (مثل الضربات الأذينية المبتسرة - Atrial Premature beats).
• المقايضات المعمارية: لا يزال من غير الواضح أي المكونات المعمارية المحددة (استخراج الميزات المحلية مقابل النمذجة الزمنية مقابل آليات الانتباه) تقدم أفضل توازن بين الحساسية، والنوعية، والمتانة في ظل عدم التوازن الشديد للبيانات.
• نقص تحسين التجميع (Ensemble Optimization): تفتقر دراسات قليلة إلى التحقيق المنهجي في كيفية دمج البنى المتكاملة للتخفيف من نقاط الضعف في النماذج الفردية.

2. المنهجية

تقترح الدراسة إطار تقييم موحد لمقارنة أربع بنى متميزة من التعلم العميق على قاعدة بيانات MIT-BIH Arrhythmia.

أ. معالجة البيانات وتعزيزها

• مجموعة البيانات: تم استخدام مجموعة بيانات MIT-BIH (48 تسجيلاً لمدة نصف ساعة، بتردد أخذ عينات 360 هرتز).
• مهمة التصنيف: تم تعيين التوصيفات إلى خمس فئات ذات أهمية سريرية: طبيعي (N)، ضربات أذينية مبتسرة (A)، انقباض بطيني مبتسر (V)، اندماج نبضات منظمة وطبيعية (f)، واندماج نبضات بطينية وطبيعية (F).
• المعالجة المسبقة: تم تنفيذ تجزئة نبضات القلب (188 عينة متمركزة حول قمم R)، وتطبيع الحد الأدنى والأقصى (Min-Max normalization)، والتقسيم الطبقي (85% تدريب، 15% تحقق).
• التعزيز القائم على شبكات الخصومة التوليدية (GAN): لمعالجة عدم التوازن الشديد في الفئات، تم تطوير شبكة خصومة توليدية مدركة للتسلسل (Sequence-Aware GAN).
  • البنية: يستخدم كل من المولد (Generator) والمميز (Discriminator) شبكات LSTM ثنائية الاتجاه للحفاظ على الاستمرارية الزمنية.
  • العملية: تقوم الـ GAN بتخليق نبضات من الفئات الأقلية، والتي يتم تصفيتها بواسطة ثقة المميز قبل دمجها مع البيانات الحقيقية لإنشاء مجموعة تدريب متوازنة.

ب. بنى النماذج

تم تصميم ومقارنة أربع بنى متميزة:

1. CNN: شبكة عصبية تلافيفية أحادية البعد هرمية تستخدم كتل (ConvNormPool) (تلافيف + تطبيع الدفعة + دالة Swish + متبقي) لالتقاط الميزات المورفولوجية المحلية (موجات QRS، وموجات P).
2. CNN-LSTM: يدمج مستخرج ميزات CNN مع طبقة LSTM ثنائية الاتجاه لنمذجة التبعيات الزمنية طويلة المدى بين نبضات القلب المتتالية.
3. CNN-LSTM-Attention: يضيف آلية انتباه فوق مخرجات LSTM لوزن المناطق الزمنية ذات الأهمية التشخيصية ديناميكياً، بهدف تحسين القدرة على التفسير.
4. ResNet-1D: شبكة متبقية أحادية البعد تستخدم كتل متبقية عميقة مع وصلات هوية (identity shortcuts) لتسهيل تدفق التدرج وتعلم الميزات الهرمية.

ج. استراتيجية التدريب

• دالة الخسارة: تم استخدام Fungible Loss (Focal Loss) ($\alpha=1, \gamma=2$) لتقليل وزن الأمثلة السهلة والتركيز على تدريب العينات الصعبة من الفئات الأقلية.
• المحسن (Optimizer): تم استخدام AdamW مع اضمحلال وزن منفصل لتحقيق تعميم أفضل.
• المجدول (Scheduler): تم استخدام ReduceLROnityOnPlateau لضبط معدلات التعلم ديناميكياً بناءً على ركود خسارة التحقق.
• التعلم التجميعي (Ensemble Learning): تم استخدام استراتيجية دمج متأخر، حيث يتم تجميع المخرجات عبر المتوسط الموزون. شملت الاستراتيجيات: الوزن المتساوي (الكل، أفضل 3، أفضل 2) و الوزن المعتمد على أفضل 2 (Top2-Weighted) (أوزان تتناسب مع درجات F1 الكلية للتحقق).

د. مقاييس التقييم

تم تقييم الأداء باستخدام الدقة (Accuracy)، والدقة التنبؤية (Precision)، والاستدعاء (Recall)، ودرجة F1، ومساحة تحت منحنى خصائص التشغيل (AUC-ROC). تم حساب فترات الثقة 95% (CIs) لضمان المتانة الإحصائية. كما استُخدمت تقنية Grad-CAM لتفسير النموذج والتحقق مما إذا كانت النماذج تركز على المناطق ذات الصلة الفسيولوجية (مثل مركبات QRS).

3. المساهمات الرئيسية

1. معيار موحد: إنشاء إطار مقارنة عادل لـ CNN و CNN-LSTM و CNN-LSTM-Attention و ResNet-1D تحت ظروف معالجة وتدريب متطابقة.
2. GAN مدركة للتسلسل: تطوير GAN مخصصة لتعزيز بيانات ECG تحافظ على دقة الموجات الفسيولوجية مع موازنة الفئات الأقلية.
3. تصميم دمج التجميع: تقديم وتقييم استراتيجيات التجميع الموزونة بالأداء، مما أظهر أن دمج النماذج المتكاملة يتفوق على النماذج الفردية.
4. رؤى تجريبية: تقديم تحليل منهجي لكيفية تأثير الاختيارات المعمارية (النمذجة الزمنية مقابل آلية الانتباه) على المتانة ضد عدم توازن الفئات.

4. نتائج التجارب

أداء النماذج الفردية

• CNN-LSTM: حقق أفضل توازن بين النماذج الفردية بدرجة F1 بلغت 0.951. وأظهر الأكثر استقراراً في التقارب والأداء المتسق عبر جميع الفئات، حيث نجح بفعالية في التقاط كل من المورفولوجيا المحلية والسياق الزمني.
• CNN: أظهر استخراجاً قوياً للميزات المحلية واستدعاءً عالياً للضربات الأذينية المبتسرة (A) (0.82) ولكنه افتقر إلى النمذجة الزمنية طويلة المدى.
• CNN-LSTM-Attention & ResNet-1D: أظهرا تبياناً عالياً وعدم استقرار.
  • انهارت آلية الانتباه (Attention) عند فئة (A) الأقلية (الاستدعاء $\approx$ 0.03، F1 $\approx$ 0.05)، مما يشير إلى أن آليات الانتباه يمكن أن تضخم مشكلات عدم توازن الفئات.
  • أظهرت ResNet-1D أوسع تباين في فترات الثقة وأقل متوسط AUC كلي (0.892).

أداء التجميع (Ensemble)

• حقق التجميع الموزون لأفضل 2 (Top2-Weighted Ensemble) (الذي يجمع بين CNN و CNN-LSTM بناءً على درجات F1 للتحقق) أعلى أداء إجمالي:
  • درجة F1: 0.958
  • الدقة التنبؤية (Precision): 0.986
  • الاستدعاء (Recall): 0.934
• نجحت هذه التهيئة في التخفيف من نقاط ضعف النماذج الفردية، مما حسن الحساسية تجاه حالات عدم انتظام ضربات القلب الأقلية مع الحفاظ على دقة تنبؤية عالية.

التفسير (Grad-CAM)

أكدت عمليات التصور أن نموذج CNN-LSTM ركز بشكل صحيح على المناطق ذات الصلة سريرياً (قمم إزالة الاستقطاب الحادة في مركبات QRS وقطاعات ST-T عند وجود تشوهات)، مما أثبت صحة عملية اتخاذ القرار لديه.

5. الأهمية والخاتمة

تثبت هذه الدراسة أن النمذجة الزمنية أمر بالغ الأهمية لتصنيف تخطيط كهربائية القلب بشكل قوي. وبينما تتفوق شبكات CNN في استخراج الميزات المحلية، فإن دمج طبقات LSTM يوفر السياق اللازم للتعامل مع التبعيات التسلسلية، مما يؤدي إلى تعميم فائق.

• النتيجة الرئيسية: الإضافات المعقدة مثل آليات الانتباه أو البنى المتبقية العميقة لا تضمن تلقائياً أداءً أفضل؛ بل يمكن أن تؤدي في الواقع إلى عدم الاستقرار والحساسية تجاه عدم توازن الفئات إذا لم يتم ضبطها بعناًية.
• الأثر العملي: يوفر إطار التجميع الموزون لأفضل 2 (Top2-Weighted Ensemble) حلاً موثوقاً، قابلاً للتفسير، وعالي الأداء لأنظمة الكشف عن عدم انتظام ضربات القلب الذكية. وهو يوفر أساساً متيناً للنشر السريري، خاصة في السيناريوهات التي يمثل فيها عدم توازن البيانات تحدياً كبيراً.
• الاتجاهات المستقبلية: يقترح المؤلفون استكشاف آليات الانتباه التكيفية، وتوليد المزيد من البيانات الاصطناعية للفئات النادرة، وتطوير نماذج خفيفة الوزن للنشر في الوقت الفعلي.

باختدصار، تثبت الورقة أن النهج الهجين الذي يجمع بين CNNs و LSTMs، والمعزز بموازنة قائمة على GAN ودمج تجميعي موزون بالأداء، يمثل النهج الأحدث والأكثر كفاءة لتصنيف عدم انتظام ضربات القلب في تخطيط كهربائية القلب بشكل تلقائي وموثوق.