الكشف التلقائي عن الرجفان الأذيني باستخدام التحويل الموجي المستمر والشبكات العصبية التلافيفية ثنائية الأبعاد

الارتجاف الأذيني (AF) هو أكثر اضطرابات النظم القلبي شيوعًا، ويُعد سببًا رئيسيًا للإعاقة والوفاة المرتبطة بالقلب. قد يظهر الارتجاف الأذيني على شكل نوبات قصيرة جدًا (أي الارتجاف الأذيني القريب من المصدر) أو نوبات مستمرة (أي الارتجاف الأذيني المستمر)، وسواءً كان الشكل الأول أو الثاني فإنه يسبب تهيجات غير منتظمة في البطين، مما يؤثر على الوظيفة الشاملة للقلب. يظل الكشف المبكر والآلي عن الارتجاف الأذيني تحديًا غير مُحلَّل، مما يحد من فعالية استراتيجيات العلاج المتوفرة. في هذه الدراسة، طوّرنا طريقة جديدة تعتمد على تحويل الموجة المستمرة (Continuous Wavelet Transform) وشبكات التعلم العميق ذات التباين ثنائي الأبعاد (2D Convolutional Neural Networks - CNNs) للكشف عن نوبات الارتجاف الأذيني. تعتمد الطريقة المقترحة على تحليل الخصائص الزمنية-الترددية لسجلات كهرباء القلب (ECG)، مما يميزها عن الطرق التقليدية للكشف عن الارتجاف الأذيني التي تعتمد على عزل النشاطات الأذينية أو البطينية بشكل منفصل. ثم تم تدريب شبكة CNN ثنائية الأبعاد لتحسين أداء الكشف عن الارتجاف الأذيني. تم استخدام قاعدة بيانات MIT-BIH للارتجاف الأذيني لتقييم الخوارزمية. وتمت مقارنة كفاءة الطريقة المقترحة مع طرق موجودة أخرى، معظمها استخدم نفس مجموعة البيانات. حققت الخوارزمية الجديدة التي تعتمد على الشبكات العصبية العميقة نسب حساسية (Sensitivity) ودقة تشخيصية (Specificity) وقيمة تنبؤ إيجابية (Positive Predictive Value) ودقة إجمالية (ACC) على التوالي قدرها 99.41% و98.91% و99.39% و99.23%. وبما أن الخوارزمية المقترحة تستهدف الخصائص الزمنية-الترددية لإشارات ECG بدلًا من نشاطات الأذين أو البطين المنفصلة، فإنها تمتلك القدرة على الكشف عن نوبات الارتجاف الأذيني باستخدام فقط خمس نبضات، مما يوحي بإمكانية تطبيقات عملية واعدة في المستقبل.