تأثير تنوع مجموعة بيانات ECG على التعميم النموذج CNN لاكتشاف معقد QRS

كشف مركّز QRS في إشارة تخطيط القلب (ECG) يُعد أمرًا بالغ الأهمية لتشخيص القلب الآلي. وقد شكل الكشف الآلي عن مركّز QRS موضوعًا بحثيًا لأكثر من ثلاث عقود، حيث أظهرت العديد من الأساليب التقليدية للكشف عن مركّز QRS دقة مقبولة في الكشف، لكن تطبيق هذه الأساليب خارج قواعد البيانات المستخدمة في الدراسات الخاصة بها لم يُستكشَف بشكل كافٍ. إن الطبيعة غير الثابتة لإشارة ECG، بالإضافة إلى التباين في الإشارات بين المرضى وداخل نفس المريض، تُشكل تحديات كبيرة أمام كواشف مركّز QRS الواحدة لتحقيق أداء معقول. في الواقع، يمكن توقع أن يكون كاشف مركّز QRS واعدًا قادرًا على تحقيق دقة مقبولة على مجموعة متنوعة من تسجيلات ECG، وبالتالي فإن دراسة قدرة النموذج على التعميم أمر بالغ الأهمية. تُجري هذه الورقة دراسة لقدرة التعميم الخاصة بنماذج قائمة على الشبكات العصبية التلافيفية (CNN) من منظورين: من منظور التحقق الداخلي (باستخدام طريقة حذف أحد المشاركين لكل مرة وتقسيم خمسة أقسام للتحقق) ومن منظور التحقق بين قواعد البيانات (بالتدريب على قاعدة بيانات واحدة أو متعددة)، وذلك على ثلاث قواعد بيانات عامة لتسجيلات ECG، هي: MIT-BIH Arrhythmia وINCART وQT. أظهرت نتائج الاختبارات التي تُجرى بحذف أحد المشاركين لكل مرة دقة تبلغ 99.22% و97.13% و96.25% على التوالي لهذه القواعد، بينما أظهرت الاختبارات بين قواعد البيانات دقة تزيد عن 90%، باستثناء حالة واحدة فقط تتعلق بقاعدة بيانات INCART. تُشير تغيرات الأداء إلى أن قدرة نموذج الشبكة العصبية التلافيفية على التعميم لا تزداد تلقائيًا مع زيادة عدد عينات التدريب، بل يتطلب الأمر إدراج عينات من مجموعة متنوعة من الأشخاص لضمان دقة مقبولة في كشف مركّز QRS.