Daubechies-4 Wavelet Sub-Band Statistical Feature Extraction Coupled With a Compact 1D Convolutional Neural Network for Five-Class Cardiac Arrhythmia Recognition From Ambulatory ECG Recordings
تقترح هذه الورقة إطار عمل هجين يجمع بين استخراج الميزات الإحصائية للنطاق الفرعي لمويجة "دوبيشيز-4" (Daubechies-4) مع شبكة عصبية تلافيفية أحادية الأبعاد (1D-CNN) مدمجة لتحقيق تعرّف عالي الدقة وقابل للتفسير لخمس فئات من عدم انتظام ضربات القلب من تسجيلات تخطيط كهربائية القلب أثناء الحركة، مما يجعله مناسباً للنشر في الأنظمة المدمجة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل قلبك كطبلة إيقاعية صاخبة تحافظ على ضبط إيقاع أوركسترا الجسم. ومع ذلك، في بعض الأحيان، يصاب الطبال ببعض الارتباك، فيفقد نبضة أو يسرع من وتيرة الإيقاع. يُسمى هذا "عدم انتظام ضربات القلب"، وبينما تكون بعض هذه الهفوات غير ضارة، إلا أن بعضها قد يكون خطيراً. ولرصد هذه الأعطال، يستخدم الأطباء جهازاً يسمى تخطيط كهربائية القلب، أو ECG، والذي يرسم خطاً متعرجاً على الشاشة يمثل النشاط الكهربائي للقلب. ولكن إليك المشكلة: يمكن ليوم واحد من المراقبة أن ينتج أكثر من 100,000 من هذه الخطوط المتعرجة. إن مطالبة طبيب بشري بالتحديق في هذا الجبل من الخطوط لساعات يشبه مطالبة شخص ما بإيجاد حبة رمل محددة وسط شاطئ؛ إنه أمر بطيء، ومجهد، وعرضة للأخطاء.
لسنوات، حاول العلماء بناء حواسيب يمكنها القيام بهذه المهمة تلقائياً. تحاول بعض الحواسيب التعلم من خلال النظر إلى الخطوط المتعرجة الخام مباشرة، مثل طالب يحاول حفظ كل ضربة فرشاة في لوحة فنية. وتحاول حواسيب أخرى تفكيك الخطوط إلى قطع أصغر وأبسط أولاً، مثل تحليل اللوحة من خلال النظر فقط إلى الألوان أو الأشكال. التحدي كان في إيجاد طريقة تكون ذكية بما يكفي لرصد الهفوات الخطيرة، وبسيطة بما يكفي لتعمل على جهاز صغير قابل للارتداء دون الحاجة إلى حاسوب خارق. هذه هي الأحجية التي تسعى دراسة جديدة من المعهد العسكري للعلوم والتكنولوجيا لحلها.
يقترح الباحثون، بقيادة أسامة أحمد إبراهيم، استراتيجية ذكية من خطوتين تعمل بمثابة "مرشح ذكي" يليه "مفكر سريع". فبدلاً من تغذية الحاسوب بخطوط الـ ECG الخام الفوضوية، يستخدمون أولاً أداة رياضية تسمى "تحويل مويجة دوبيشي-4" (Daubechies-4 wavelet transform). فكر في هذه الأداة كمنشور عالي التقنية؛ فعندما تمرر الضوء الأبيض عبر المنشور، فإنه ينقسم إلى قوس قزح من الألوان المتميزة. وبالمثل، يقوم هذا المنشور الرياضي بتقسيم الإشارة الكهربائية للقلب إلى ستة "نطاقات فرعية" مختلفة، أو طبقات ترددية. تلتقط بعض الطبقات الأمواج البطيئة والمنساب لِحالة راحة القلب، بينما تلتقط طبقات أخرى النبضات الحادة والسريعة حيث ينبض القلب.
بمجرد تقسيم الإشارة إلى هذه الطبقات الست، لا ينظر الحاسوب إلى كل نقطة في الخطوط، بل يأخذ "لقطة" لكل طبقة باستخدام أربعة إحصائيات بسيطة: المتوسط (mean)، ومقدار التذبذب (standard deviation)، والطاقة الكلية (energy)، ومستوى الفوضى أو المفاجأة (Shannon entropy). الأمر يشبه وصف أغنية ليس بكتابة كل نوتة موسيقية فيها، بل بالقول: "صوت الباص مرتفع، والتربل مهتز، والإيقاع فوضوي". هذه العملية تقلص كمية البيانات الهائلة إلى ملخص صغير مكون من 24 رقماً لكل نبضة قلب واحدة. وهذا يمثل ضغطاً هائلاً للمعلومات، حيث يتم عصر المعلومات لتصبح مجرد تسع حجمها الأصلي.
هذا الملخص المكثف يتم تغذيته في دماغ حاسوبي خفيف الوزن يسمى "الشبكة العصبية التلافيفية أحادية البعد" (1D-CNN). يمكنك تخيل هذه الشبكة كشرطي محقق كفء جداً تم تدريبه على التعرف على خمسة أنواع محددة من إيقاعات القلب: النبضات الطبيعية، وحصار الحزمة اليسرى، وحصار الحزمة اليمنى، والانقباضات البطينية المبتسرة، والانقباضات الأذينية المبتسرة. ولأن المحقق لا يتعين عليه سوى النظر إلى الملخص المكون من 24 رقماً بدلاً من الإشارة الكاملة الفوضوية، فإنه يمكنه اتخاذ القرارات بسرعة فائقة وبأقل قدر من الذاكرة. يستخدم النظام بأكمله أقل من 200,000 معلمة قابلة للتدريب، وهو رقم ضئيل جداً مقارنة بالملايين المطلوبة عادةً في نماذج التعلم العميق الحديثة.
عندما اختبر الباحثون هذا النظام على قاعدة بيانات شهيرة لتسجيلات القلب تحتوي على أكثر من 3,200 نبضة قلب، كانت النتائج مبهرة. فقد حدد النظام نوع نبضة القلب بشكل صحيح بنسبة 99.08% من الوقت. وكان بارعاً بشكل خاص في رصد "حصار الحزمة اليمنى"، حيث حقق درجة مثالية بلغت 100% في هذا النوع تحديداً. كما أدى أداءً جيداً جداً مع الإيقاعات الشائعة الأخرى، رغم أنه واجه صعوبة طفيفة مع النوع الأندر (الانقباض الأذيني المبتسر)، ويرجع ذلك أساساً إلى وجود أمثلة قليلة جداً عنه في مجموعة الاختبار. تشير الدراسة إلى أنه من خلال استخدام هذه "اللقطات الإحصائية" لطبقات الإشارة بدلاً من البيانات الخام، يمكننا بناء أجهزة مراقبة للقلب تكون دقيقة للغاية وصغيرة بما يكفي لتناسب ساعة يد أو لاصقة طبية، مما يجعل من السهل رصد مشاكل القلب الخطيرة في وقت مبكر دون الحاجة لزيارة المستشفى.
تجادل الورقة البحثية صراحة ضد فكرة أننا بحاجة إلى نماذج تعلم عميق ضخمة ومعقدة تستهلك كميات هائلة من قدرة الحاسوب للحصول على نتائج جيدة. كما تشير إلى أنه بينما يعتبر أسلوبهم ممتازاً في التمييز بين إيقاعات القلب المختلفة عندما يكون الحاسوب قد رأى بالفعل بيانات من ذلك المريض المحدد، إلا أنه قد يحتاج إلى مزيد من العمل ليكون مثالياً لمرضى جدد تماماً لم يلتقِ بهم من قبل. ومع ذلك، بالنسبة لمهمة تصنيف هذه الأنواع الخمسة من إيقاعات القلب، يوضح المؤلف أن نهج "المرشح الذكي والمفكر السريع" هو حل قوي وفعال ودقيق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.