💻 computer science

One Dimensional CNN ECG Mamba for Multilabel Abnormality Classification in 12 Lead ECG

Deze studie introduceert een hybride One Dimensional CNN ECG Mamba-model dat convolutionele feature-extractie combineert met een selectief state space-model voor superieure multilabel-classificatie van afwijkingen in 12-afleidingen ECG's, wat leidt tot betere prestaties dan bestaande methoden en de diagnose in telemedicine en hulpbronnenbeperkte zorgsystemen verbetert.

Oorspronkelijke auteurs: Huawei Jiang, Husna Mutahira, Gan Huang, Mannan Saeed Muhammad

Gepubliceerd 2026-03-27

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Huawei Jiang, Husna Mutahira, Gan Huang, Mannan Saeed Muhammad

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Hartslag van de Toekomst: Een Simpele Uitleg van de Nieuwe ECG-Methode

Stel je voor dat je hart een complexe symfonie is. Elke slag, elke pauze en elke variatie in ritme vertelt een verhaal over je gezondheid. Vroeger moesten artsen als detectives werken: ze keken naar die lange, golvende lijnen op een ECG-kaart (een soort "muziekpartituur" van je hart) en probeerden te raden of er iets mis was. Dat was lastig, want het verhaal is soms heel lang en vol met kleine details die makkelijk over het hoofd worden gezien.

In dit nieuwe onderzoek hebben de auteurs een slimme nieuwe "detective" bedacht, genaamd 1DCNN-ECG-Mamba. Laten we kijken hoe dit werkt, zonder ingewikkelde wiskunde.

1. Het Probleem: Te veel informatie, te weinig tijd

Hartsignalen zijn als een onafgebroken film die urenlang kan duren. Traditionele computers (die we "diepe neurale netwerken" noemen) zijn geweldig in het kijken naar plaatjes, maar ze raken in de war als ze te lang naar zo'n lange film moeten kijken. Ze vergeten vaak het begin van de film voordat ze bij het einde komen. Ze zijn als iemand die een heel boek probeert te lezen, maar na de eerste pagina al vergeet wat er in de inleiding stond.

2. De Oplossing: De "Mamba" als Superlezer

De onderzoekers hebben een nieuwe technologie gebruikt die Mamba heet. Stel je Mamba voor als een superlezer die niet alleen naar het begin of het einde van het boek kijkt, maar het hele verhaal tegelijk in één oogopslag begrijpt.

Hoe werkt het? Waar oude modellen elke zin één voor één moesten lezen (wat langzaam is), kan Mamba de hele zin in één keer "snappen" en onthouden wat er eerder gebeurde. Dit heet een "selectieve staatruimte-model", maar voor ons is het gewoon een slimme manier om de lange hartslag niet te verliezen.

3. De Mix: Een Chef-kok met een Speciaal Mes

Deze nieuwe methode is een hybride, wat betekent dat het twee krachtige technieken combineert:

De 1D-CNN (De Scherpe Chef): Dit is als een zeer scherpe keukenmes dat eerst door de groenten (het ruwe hartsignaal) snijdt. Het haalt de belangrijkste stukjes eruit en maakt ze klaar voor de volgende stap.
De Vision Mamba (De Slimme Lezer): Daarna gaat het signaal naar de Mamba. Omdat Mamba oorspronkelijk voor foto's is bedacht (waarbij je naar links én naar rechts kijkt), hebben de onderzoekers hem aangepast. Ze laten de Mamba nu ook naar het hartsignaal kijken in twee richtingen: vooruit (naar de toekomst) en achteruit (naar het verleden).

De Analogie:
Stel je voor dat je een lange treinreis maakt.

Een oude computer kijkt alleen naar het raam voor hem. Als hij iets ziet, zegt hij: "Oh, daar is een boom!" Maar hij vergeet dat hij 10 minuten geleden al een bos zag.
De 1DCNN-ECG-Mamba kijkt naar voren én naar achteren. Hij zegt: "Ik zie nu een boom, maar ik weet ook dat we 10 minuten geleden door een bos reden. Die twee dingen horen bij elkaar." Dit helpt hem om te begrijpen of het hartsignaal normaal is of ziek.

4. Wat hebben ze bewezen?

De onderzoekers hebben hun nieuwe "detective" getest op een enorme database met hartsignalen van duizenden mensen (de PhysioNet Challenge). Het resultaat?

De oude methoden (zoals die van de winnaars van 2020 en 2021) waren goed, maar niet perfect.
De 1DCNN-ECG-Mamba was beter. Hij zag meer fouten in het hart en maakte minder fouten.
Het was alsof ze een nieuwe bril opzetten die scherper is dan alles wat er voorheen bestond. Ze konden zelfs zeldzame hartproblemen (die maar bij weinig mensen voorkomen) veel beter detecteren.

Waarom is dit belangrijk?

Dit klinkt misschien als alleen maar cijfers, maar het heeft een groot menselijk effect:

Vroegtijdige diagnose: Omdat de computer zo goed is, kan hij ziekten sneller zien dan een mens. Dat betekent dat patiënten eerder geholpen kunnen worden.
Telemedicine: Stel je voor dat je in een afgelegen dorp woont zonder specialist. Je maakt een ECG op je telefoon, en deze slimme software geeft direct een betrouwbare diagnose. Het maakt goede zorg toegankelijk voor iedereen, overal ter wereld.

Kortom:
De onderzoekers hebben een slimme nieuwe manier gevonden om naar het hart te luisteren. Door een combinatie van een scherpe "snijder" (1D-CNN) en een superlezer die vooruit en achteruit kijkt (Mamba), kunnen ze nu hartziektes beter, sneller en nauwkeuriger opsporen dan ooit tevoren. Het is een grote stap voorwaarts voor de gezondheid van de hele wereld.

Probleemstelling

De accurate detectie van hartafwijkingen uit elektrocardiogram (ECG)-opnames is cruciaal voor klinische diagnose en besluitvorming. Hoewel traditionele diepe leermodellen, zoals Residual Networks (ResNet) en Transformer-architecturen, succesvol zijn toegepast, vertonen ze beperkingen bij het verwerken van lange sequentiële signalen zoals ECG-data. Deze modellen kampen vaak met hoge computationele complexiteit (kwadratisch bij attention-mechanismen) en moeite met het modelleren van lange-termijn afhankelijkheden in de tijdreeks. Daarnaast is er een groeiende behoefte aan efficiënte tools voor het verwerken van massale datasets afkomstig van draagbare apparaten en remote monitoring, waarbij de interpretatie vaak complex is door onbalans in de klassen (zeldzame afwijkingen) en multi-label classificatie.

Methodologie

De auteurs stellen een hybride framework voor genaamd 1DCNN-ECG-Mamba. Dit model combineert convolutie-features met Mamba, een selectief state space model (SSM) dat is ontworpen voor efficiënte sequentiemodeling.

De architectuur bestaat uit de volgende kerncomponenten:

Preprocessing: ECG-opnames worden genormaliseerd naar een bemonsteringsfrequentie van 500 Hz (via downsampling of upsampling) en getrimd of gepadded tot een vaste lengte van 8192 samples.
1D Convolutional Layer: Een voorafgaande 1D CNN-laag extrahereert features uit de 12-lead ECG-signalen (weergegeven als een tensor van 12 x N). Deze laag transformeert de data naar een formaat dat compatibel is met de Mamba-encoder. De configuratie gebruikt een kernelgrootte van 16 en een stride van 8.
Vision Mamba (Vim) Encoder: De auteurs passen de Vision Mamba-architectuur (oorspronkelijk voor beeldverwerking) aan voor ECG-data.
- Bidirectionele Verwerking: In tegenstelling tot sommige audio-varianten die enkelrichtingsverwerking gebruiken, behoudt dit model bidirectionele blokken. Dit stelt het model in staat om zowel voorwaartse als achterwaartse afhankelijkheden in de tijdreeks te vangen, wat essentieel is voor het modelleren van globale context in ECG-signalen.
- Aanpassingen: Er zijn specifieke wijzigingen aangebracht ten opzichte van de originele Vim-implementatie:
  - Stochastische dropout is uitgeschakeld.
  - De uitgangen na forward/backward toevoeging worden niet door twee gedeeld.
  - De "fused residual-addition and normalization" operatie is uitgeschakeld ten gunste van een standaard PyTorch-implementatie voor betere reproduceerbaarheid en stabiliteit.
  - Cosine annealing wordt gebruikt voor het leerplan (learning rate schedule) met een warm-up fase.
Classificatie: Na de encoder wordt een "class token" toegevoegd aan de patch-sequentie voor de uiteindelijke classificatie van hartafwijkingen.

Belangrijkste Bijdragen

Innovatieve Architectuur: Introductie van 1DCNN-ECG-Mamba, een specifieke aanpassing van de Mamba-architectuur voor 12-lead ECG-analyse, die een sterke baseline neerzet voor hartafwijkingdetectie.
Superieure Prestaties: Het bewijzen dat dit model state-of-the-art methoden overtreft, waaronder de winnende inzendingen van de PhysioNet/CinC Challenges van 2020 en 2021 (zoals ISIBrno en Prna), evenals andere modellen zoals 2D-CNN en ECG-Mamba.
Efficiëntie en Schaalbaarheid: Het benutten van de lineaire complexiteit ( $O(n)$ ) van Mamba in plaats van de kwadratische complexiteit van Transformers, waardoor het model beter schaalbaar is voor lange ECG-sequenties.

Resultaten

De modellen werden getest op datasets van de PhysioNet/CinC Challenges van 2020 en 2021, die in totaal 88.253 ECG-opnames omvatten. De prestaties werden gemeten aan de hand van Macro AUPRC (Area Under the Precision-Recall Curve) en Macro AUROC (Area Under the Receiver Operating Characteristic Curve).

PhysioNet/CinC 2020:
- 1DCNN-ECG-Mamba behaalde een AUPRC van 0,5787 en een AUROC van 0,9571.
- Dit is een significante verbetering ten opzichte van de beste eerdere methode (Prna), die een AUPRC van 0,5115 en AUROC van 0,9318 behaalde.
PhysioNet/CinC 2021:
- 1DCNN-ECG-Mamba behaalde een AUPRC van 0,6410 en een AUROC van 0,9695.
- Dit overtreft de beste bestaande methoden (ISIBrno varianten, 2D-CNN, ECG-Mamba, Audio Mamba) aanzienlijk. Bijvoorbeeld, ten opzichte van de 2D-CNN is er een stijging van 17,8% in AUPRC en 3,7% in AUROC.
Vergelijking met Mamba-varianten: Het model presteerde beter dan de originele Mamba en Audio Mamba, wat de effectiviteit van de bidirectionele blokken en de specifieke aanpassingen voor ECG-data bevestigt.

Betekenis en Impact

De resultaten demonstreren het grote potentieel van Mamba-gebaseerde architecturen voor betrouwbare ECG-classificatie. Door de combinatie van convolutie-features en selectieve state space modellen, kan het model effectief omgaan met lange sequenties en class-imbalance.

Klinische Toepassing: De verbeterde nauwkeurigheid ondersteunt vroege diagnose en gepersonaliseerde behandeling.
Toegankelijkheid: Het model is geschikt voor telemedicine en zorgsystemen met beperkte middelen, omdat het efficiënter is dan zware Transformer-modellen en minder afhankelijk is van menselijke experts voor interpretatie.
Toekomstperspectief: Dit werk opent de deur voor verdere toepassing van SSM's in medische signaalanalyse, waar lange-termijn afhankelijkheden cruciaal zijn.