اكتشاف الشذوذ في السلاسل الزمنية باستخدام حقول النماذج الثلاثية وتطبيقاتها في تصنيف كهروغراف القلب للرجفان الأذيني

في تحليل السلاسل الزمنية، يمكن أن تكشف نماذج السلاسل الزمنية الثلاثية وأنماط الترتيب في السلسلة الزمنية عن الأنماط الزمنية العامة والخصائص الديناميكية. يعتبر حقل النموذج الثلاثي (Triadic Motif Field - TMF) طريقة بسيطة وفعالة لترميز الصور من السلاسل الزمنية بناءً على النماذج الثلاثية للسلاسل الزمنية. يتم استخدام إشارات الكهروضوئية القلب (Electrocardiography - ECG) بشكل واسع في تشخيص مختلف الاضطرابات القلبية. تحتوي صور TMF على الخصائص التي تميز بين الإشارات الطبيعية وإشارات الرجفان الأذيني (Atrial Fibrillation - AF). بالنظر إلى خصائص الإشارات الكهروضوئية القلب شبه الدورية، يمكن استخراج الخصائص الديناميكية من صور TMF باستخدام نماذج الشبكات العصبية المتشابكة المدربة مسبقًا (Convolutional Neural Network - CNN) مع التعلم النقل. باستخدام الخصائص المستخرجة، يمكن تطبيق تصنيفات بسيطة مثل الشبكة العصبية متعددة الطبقات (Multi-Layer Perceptron - MLP)، الانحدار اللوجستي، والغابة العشوائية للكشف الدقيق عن الاضطرابات. أظهرت نموذج تصنيف TMF مع نموذج VGG16 للتعلم النقل والشبكة العصبية متعددة الطبقات (MLP) أفضل أداء في تصنيف الرجفان الأذيني باستخدام قاعدة بيانات تحدي PhysioNet لعام 2017، حيث بلغت دقة الكشف 95.50% ROC-AUC و88.43% F1 score. بالإضافة إلى ذلك، يمكن لنموذج تصنيف TMF تحديد مرضى الرجفان الأذيني بدقة عالية في مجموعة الاختبار. تظهر المتجهات الخاصة بالخصائص المستخرجة من صور TMF تجميعًا واضحًا لكل مريض باستخدام تقنية التضمين الجار العشوائي t-موزع (t-distributed Stochastic Neighbor Embedding). فوق كل شيء، يمتلك نموذج تصنيف TMF قابلية فهم سريرية جيدة جدًا. تتميز الأنماط التي كشفتها خرائط التنشيط المرتبطة بالوزن المتدرج المتماثلة بتفاسير سريرية واضحة على مستوى النبضة والوتيرة.