Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation

1. Problema e Motivação

As doenças cardiovasculares continuam sendo a principal causa de morte global. O eletrocardiograma (ECG) é uma ferramenta diagnóstica essencial, mas a interpretação manual é trabalhosa, sujeita a variabilidade entre observadores e impraticável para monitoramento em larga escala (como Holter de 24 horas).

Embora as redes neurais profundas tenham revolucionado a classificação de ECG, estudos anteriores frequentemente:

• Avaliam modelos em configurações inconsistentes.
• Ignoram o impacto do desequilíbrio severo de classes (onde batimentos normais dominam e arritmias raras são escassas).
• Não comparam sistematicamente diferentes arquiteturas (CNN, LSTM, ResNet, Atenção) sob as mesmas condições de dados e treinamento.
• Falham em investigar estratégias de ensemble para melhorar a robustez e o equilíbrio entre classes.

2. Metodologia

O estudo propõe um quadro de avaliação unificado para comparar quatro arquiteturas distintas de redes neurais profundas no conjunto de dados MIT-BIH Arrhythmia.

A. Pré-processamento e Aumento de Dados

• Dataset: Utilização do banco de dados MIT-BIH (48 registros de 30 minutos, taxa de amostragem de 360 Hz).
• Classes: Foco em 5 morfologias críticas: Normal (N), Extra-sístole Atrial (A), Extra-sístole Ventricular (V), Fusão de Paced e Normal (f) e Fusão Ventricular e Normal (F).
• Segmentação: Extração de janelas de 188 pontos centradas no pico R.
• Normalização: Normalização Min-Max para escalar os sinais entre [0, 1].
• Aumento de Dados (GAN): Para mitigar o desequilíbrio de classes, foi desenvolvido um GAN (Generative Adversarial Network) sensível à sequência.
  • O gerador e o discriminador utilizam camadas LSTM bidirecionais para capturar dependências temporais.
  • O objetivo é sintetizar batimentos de classes minoritárias que preservem a fidelidade fisiológica da onda, evitando artefatos não fisiológicos.

B. Arquiteturas Comparadas

Quatro modelos foram treinados e avaliados:

1. CNN (Rede Neural Convolucional): Foca na extração de padrões morfológicos locais através de convoluções 1D, normalização e camadas de pooling.
2. CNN-LSTM: Combina a extração de características locais da CNN com camadas LSTM bidirecionais para modelar dependências temporais de longo prazo entre batimentos consecutivos.
3. CNN-LSTM-Attention: Adiciona um mecanismo de atenção sobre as saídas da LSTM para ponderar dinamicamente segmentos temporais clinicamente relevantes, visando melhorar a interpretabilidade.
4. ResNet-1D: Utiliza blocos residuais para facilitar o treinamento de redes profundas e a propagação estável de gradientes, capturando representações hierárquicas.

C. Estratégia de Ensemble (Fusão)

Para superar as limitações dos modelos individuais, foram testadas estratégias de fusão tardia (late-fusion):

• Equal-Weight: Média simples das previsões.
• Top2-Weighted: Fusão ponderada baseada nos escores F1 de validação dos dois melhores modelos (CNN e CNN-LSTM).

D. Configuração de Treinamento e Avaliação

• Otimizador: AdamW com Focal Loss para lidar com classes desbalanceadas.
• Métricas: Acurácia, Precisão, Recall, F1-score (macro), AUC-ROC e Intervalos de Confiança de 95%.
• Interpretabilidade: Uso de Grad-CAM para visualizar quais regiões do sinal ECG o modelo está "observando".

3. Principais Contribuições

1. Aumento de Dados com GAN: Desenvolvimento de um GAN específico para ECG que equilibra classes minoritárias mantendo a fidelidade da forma de onda fisiológica.
2. Quadro de Comparação Unificado: Uma avaliação rigorosa e justa de quatro arquiteturas fundamentais (CNN, CNN-LSTM, Atenção, ResNet) sob as mesmas condições de pré-processamento e treinamento.
3. Estratégia de Ensemble Otimizada: Demonstração de que a fusão ponderada de modelos complementares (Top2-Weighted) supera significativamente os modelos individuais em robustez e sensibilidade a classes raras.
4. Análise de Estabilidade: Inclusão de intervalos de confiança e análise de convergência para validar a robustez estatística dos resultados, algo frequentemente negligenciado em estudos anteriores.

4. Resultados Experimentais

• Desempenho Individual:

  • O modelo CNN-LSTM obteve o melhor equilíbrio entre sensibilidade e especificidade como modelo único, com um F1-score de 0,951. Ele demonstrou a maior estabilidade na validação e menor variância entre as classes.
  • O modelo CNN foi forte na extração de características locais, especialmente para a classe Atrial Premature (A), mas carecia de modelagem temporal global.
  • Os modelos CNN-LSTM-Attention e ResNet-1D apresentaram maior variabilidade e degradação severa no desempenho de classes minoritárias (especialmente a classe A, onde o modelo de Atenção caiu para um F1 de ~0,05 e AUC de 0,20), indicando sensibilidade excessiva ao desequilíbrio de dados e complexidade de otimização.

• Desempenho do Ensemble:

  • A estratégia Top2-Weighted Ensemble (fusão ponderada entre CNN e CNN-LSTM) alcançou o maior F1-score global de 0,958, com precisão de 0,986 e recall de 0,934.
  • Esta abordagem mitigou eficazmente o viés das classes majoritárias e melhorou a detecção de arritmias raras, superando todos os modelos individuais.

• Interpretabilidade (Grad-CAM):

  • As visualizações confirmaram que o modelo CNN-LSTM foca em regiões clinicamente relevantes, como o complexo QRS e o segmento ST-T, alinhando-se com critérios diagnósticos médicos.

5. Significado e Conclusão

Este estudo estabelece um benchmark sistemático para a classificação de ECG baseada em aprendizado profundo. Os resultados demonstram que:

1. A modelagem temporal (via LSTM) é crucial para a generalização e estabilidade, superando arquiteturas puramente convolucionais ou residuais profundas em cenários desbalanceados.
2. Mecanismos de atenção, embora promissores para interpretabilidade, podem introduzir instabilidade e degradação de desempenho em classes minoritárias se não forem tratados com dados suficientemente balanceados.
3. A fusão de ensemble baseada em desempenho (Top2-Weighted) é uma estratégia superior para sistemas clínicos, oferecendo uma fundação robusta, interpretável e confiável para a detecção inteligente de arritmias.

O trabalho sugere que a integração de modelagem de sequência, mecanismos de atenção (com cautela) e fusão de modelos é o caminho mais promissor para sistemas de diagnóstico automatizado de ECG prontos para uso clínico.