Wavelet-Domain Multi-Representation and Ensemble Learning for Automated ECG Analysis

Diese Studie zeigt, dass ein Ensemble-Lernansatz, der Wavelet-basierte Zeit-Frequenz-Darstellungen (Skalogramme und Phasogramme) mit Zeitbereichsinformationen fusioniert und durch gewichtete Focal-Loss-Strategien optimiert wird, die Genauigkeit der automatisierten EKG-Klassifizierung auf dem PTB-XL-Datensatz signifikant verbessert.

Das Wesentliche

Das Herz-Problem: Ein verräterischer Tanz

Stellen Sie sich das Herz als einen Tänzer vor, der einen sehr komplexen Tanz aufführt. Ein Elektrokardiogramm (EKG) ist wie eine Videoaufnahme dieses Tanzes. Normalerweise schauen Ärzte auf das Video und versuchen, aus den Bewegungen zu erraten, ob der Tänzer gesund ist oder ob er stolpert (Herzerkrankung).

Das Problem ist: Das Video ist oft unruhig, und manche Fehler sind so winzig, dass das menschliche Auge sie übersieht. Außerdem gibt es viele verschiedene Arten von Fehlern (wie Herzinfarkt, hoher Blutdruck oder Rhythmusstörungen), und ein Tänzer kann mehrere davon gleichzeitig haben.

Die neue Methode: Nicht nur das Video, sondern die "Schatten" und "Energie"

Die Forscher von der University of South Dakota haben sich gedacht: "Schauen wir uns nicht nur das Video an, sondern auch die Schatten, die der Tänzer wirft, und die Energie, die er ausstrahlt."

Dafür nutzen sie eine mathematische Magie namens Wavelet-Transformation (eine Art super-scharfes Vergrößerungsglas).

1. Das Skalogramm (Die Energie-Karte): Das ist wie eine Wärmebildkamera. Sie zeigt, wo und wie stark das Herz in bestimmten Momenten arbeitet. Es ist wie eine Landkarte der Muskelkraft des Tanzes.
2. Das Phasogramm (Die Schatten-Karte): Das zeigt die Phase oder den Takt. Es ist wie eine Schattenkarte, die verrät, ob die Bewegungen synchron sind oder ob ein Bein zu früh oder zu spät kommt.

Der KI-Trainingscamp: Drei verschiedene Teams

Die Forscher haben künstliche Intelligenz (KI) trainiert, um diese Karten zu lesen. Sie haben drei verschiedene Teams aufgebaut:

1. Team "Roh-Video": Eine KI, die nur das normale EKG-Video (die Wellenlinien) schaut. Das ist der Standard.
2. Team "Energie & Schatten": Zwei KIs, die sich jeweils nur auf die Energie-Karte (Skalogramm) oder die Schatten-Karte (Phasogramm) spezialisiert haben.
3. Team "Die Fusion": Hier wird es spannend.
   • Frühe Fusion: Die Energie- und Schatten-Karten werden vor dem Lernen zusammengeklebt. Die KI lernt also sofort, wie Energie und Schatten zusammenhängen. Das ist wie ein Schüler, der gleichzeitig Musik und Tanz lernt, um den Rhythmus zu verstehen.
   • Späte Fusion: Die KIs lernen getrennt und geben am Ende nur ihre Meinung ab. Dann wird eine "Stimme" gebildet, die die beste Antwort wählt.

Das große Finale: Der Ensemble-Effekt

Am Ende haben die Forscher das Beste aus allen Welten kombiniert. Sie haben ein Ensemble (eine Gruppe von Experten) gebildet.

Stellen Sie sich vor, Sie müssen ein schwieriges Rätsel lösen.

• Der eine Experte schaut nur auf die Wellenlinien.
• Der zweite schaut auf die Energie-Karte.
• Der dritte schaut auf die Schatten-Karte.
• Ein vierter Experte schaut auf eine Kombination aus Energie und Schatten.

Wenn alle vier ihre Meinungen zusammenlegen und abstimmen, landen sie viel genauer bei der Lösung als jeder einzelne für sich. Genau das haben die Forscher getan.

Das Ergebnis: Ein neuer Rekord

Das Ergebnis war beeindruckend:

• Die einzelnen Teams waren schon gut.
• Aber das Ensemble-Team (die Kombination aus allen Methoden) erreichte eine Genauigkeit von 92,3 %.
• Besonders wichtig: Durch eine spezielle Technik (genannt "Weighted Focal Loss") haben sie die KI gezwungen, sich besonders auf die seltenen und schwierigen Fälle zu konzentrieren – wie ein Lehrer, der einem Schüler extra hilft, der bei einer bestimmten Matheaufgabe immer scheitert.

Warum ist das wichtig?

Früher mussten Ärzte stundenlang EKGs manuell prüfen, was müde macht und Fehler verursacht. Diese neue Methode ist wie ein super-intelligenter Assistent, der nicht nur das Bild sieht, sondern auch die unsichtbaren Schatten und die Energie des Herzens analysiert.

Obwohl die KI etwas mehr Rechenzeit braucht (sie ist etwas langsamer als ein einfacher Blick), ist sie so genau, dass sie in der Zukunft helfen könnte, Herzkrankheiten früher und sicherer zu erkennen, bevor es zu spät ist. Es ist ein Schritt in Richtung einer Welt, in der jeder Patient einen perfekten, unermüdlichen digitalen Arzt an seiner Seite hat.

Technische Zusammenfassung

Technische Zusammenfassung: Wavelet-Domain Multi-Representation und Ensemble Learning für die automatisierte EKG-Analyse

1. Problemstellung
Die genaue Diagnose von Herzrhythmusstörungen mittels Elektrokardiogramm (EKG) ist eine zentrale Herausforderung in der automatisierten kardiovaskulären Bewertung. Während Deep-Learning-Modelle (insbesondere CNNs und RNNs) bereits hohe Genauigkeiten bei der Erkennung von Arrhythmien erreichen, basieren die meisten Ansätze ausschließlich auf zeitlichen Wellenformen (Time-Domain). Dabei wird die gemeinsame Zeit-Frequenz-Information, die für pathologische EKG-Muster charakteristisch ist, oft vernachlässigt. Zudem besteht bei klinischen Datensätzen wie PTB-XL häufig ein Ungleichgewicht in den Klassenverteilungen (Class Imbalance), was die Erkennung seltener Diagnosen erschwert.

2. Methodik
Die Studie entwickelt ein Framework zur Multi-Klassen-Multi-Label-Klassifikation von 12-Kanal-EKGs unter Verwendung des PTB-XL-Datensatzes (21.837 Aufnahmen). Der Ansatz kombiniert Signalverarbeitung, Zeit-Frequenz-Darstellungen und fortschrittliche Deep-Learning-Architekturen.

• Datenvorverarbeitung:

  • Filterung: Bandpass-Filterung (0,05–47 Hz) zur Entfernung von Basislinienwanderungen und Rauschen.
  • Normalisierung: Z-Score-Standardisierung pro Kanal.
  • Wavelet-Transformation: Anwendung der Kontinuierlichen Wavelet-Transformation (CWT) mit Morlet-Wavelets, um zwei komplementäre Darstellungen zu erzeugen:
    • Skalogramm: Repräsentiert die spektrale Energie (Amplitude).
    • Phasogramm: Repräsentiert die Phasenverteilung.
  • Beide Darstellungen werden als 2D-Bilder (224x224 Pixel) mit 12 Kanälen (einer pro EKG-Leitung) aufbereitet.

• Modellarchitekturen:

  • Zeitbereich (Baseline): XResNet1d101 für die Verarbeitung der rohen EKG-Signale.
  • Zeit-Frequenz-Bereich:
    • Custom CNN: Eine maßgeschneiderte ResNet-basierte 2D-CNN (CWT2DCNN), die 12-Kanal-Eingaben nativ verarbeitet.
    • Transfer Learning: Feinabstimmung vortrainierter Bildmodelle (Swin Transformer, ResNet50, EfficientNetB0) durch eine 1x1-Convolution, um 12 Kanäle auf 3 Kanäle zu reduzieren.
    • Hybrid-Modelle: Kombination aus CNN und Transformer-Architekturen.
  • Fusionsstrategien:
    • Early Fusion: Skalogramme und Phasogramme werden kanalweise zu einem 24-Kanal-Tensor verkettet, bevor sie in ein einziges Modell eingespeist werden.
    • Late Fusion: Separate Encoder für jede Modalität, deren Embeddings (512-dimensionale Vektoren) vor der Klassifikation zusammengeführt werden.
  • Ensemble-Learning: Kombination der besten Modelle aus Zeitbereich und Zeit-Frequenz-Bereich.

• Trainingsstrategie:

  • Verwendung von Weighted Focal Loss zur Bewältigung des Klassenungleichgewichts.
  • Optimierung der Hyperparameter und Verwendung von Early Stopping.

3. Wichtige Beiträge

• Multi-Representation Framework: Erste umfassende Untersuchung, die Skalogramme und Phasogramme aus dem PTB-XL-Datensatz für Deep-Learning-basierte Multi-Label-Klassifikation nutzt.
• Vergleich von Fusionsstrategien: Systematischer Vergleich von Early vs. Late Fusion, wobei Early Fusion die überlegene Methode zur gemeinsamen Lernung von Phasen- und Amplitudeninformationen identifiziert wurde.
• Hybride Architekturen: Demonstration, dass Hybrid-Modelle (CNN + Transformer) und Transfer Learning die Feature-Extraktion aus Wavelet-Darstellungen signifikant verbessern.
• Ensemble-Ansatz: Ein kombinierter Ensemble-Modellansatz, der die Stärken von Rohsignal-Modellen und Wavelet-basierten Modellen vereint, um die höchste Gesamtgenauigkeit zu erzielen.

4. Ergebnisse
Die Leistung wurde anhand des makroskopischen AUC (Area Under Curve), F1-Scores und Fβ-Scores auf dem PTB-XL-Testset bewertet.

• Baseline (Zeitbereich): Das XResNet1d101-Modell erreichte eine AUC von 0,9224 auf den Rohsignalen.
• Einzelne Modalitäten: Modelle, die nur auf Skalogrammen oder Phasogrammen trainiert wurden, erreichten niedrigere AUC-Werte (ca. 0,87–0,88), wobei Hybrid-Swin-Transformer-Modelle hier am besten abschnitten.
• Fusions-Ergebnisse:
  • Early Fusion schnitt leicht besser ab als Late Fusion, was auf die Effektivität des gemeinsamen Lernens von Spektrum und Phase hindeutet.
  • Das Hybrid-Swin-Modell mit Early Fusion erreichte eine AUC von 0,9018.
• Bestes Gesamtergebnis: Der Ensemble-Ansatz, der das XResNet1d101 (Rohsignale) mit den besten Early-Fusion-Modellen (Hybrid Swin und ResNet50) kombiniert, erreichte die höchste AUC von 0,9238.
• Einfluss des Weighted Focal Loss: Die Anwendung gewichteter Focal Loss-Funktionen verbesserte die Klassifikationsraten für unterrepräsentierte Klassen erheblich.
• Effizienz: Die Inferenzzeit lag bei ca. 1,4 ms/Sample für das Baseline-Modell und ca. 22,3 ms/Sample für das komplexe Ensemble, was eine potenzielle Echtzeit-Anwendung unterstützt.

5. Bedeutung und Ausblick
Die Studie belegt, dass die Kombination von Zeit-Frequenz-Darstellungen (via CWT) mit Ensemble-Learning-Strategien die diagnostische Genauigkeit bei EKGs übertrifft, als wenn nur einzelne Modalitäten oder Rohsignale verwendet werden. Die Fähigkeit, sowohl spektrale als auch phasenbasierte Merkmale zu nutzen, erhöht die Robustheit und Interpretierbarkeit der Modelle.

Für die Zukunft plant die Forschung:

• Die Untersuchung von Multi-Head-Klassifikation.
• Generative Daten-Augmentierung zur weiteren Reduzierung des Klassenungleichgewichts.
• Analysen von Teil-Sets der EKG-Leitungen für effizientere Modelldesigns.

Zusammenfassend stellt das vorgestellte Framework einen signifikanten Schritt hin zu interpretierbaren und generalisierbaren Systemen für die automatisierte kardiovaskuläre Diagnostik dar.