Automatische Erkennung von Vorhofflimmern basierend auf kontinuierlicher Wavelet-Transformation und 2D-Faltungsneuronalen Netzwerken

Atrial fibrillation (AF) ist die häufigste Herzrhythmusstörung, die zu Morbidität und Mortalität führt. AF kann als kurze Episoden (sogenannte paroxysmale AF) oder als langanhaltende Form (d.h. persistierende AF) auftreten; beide Formen verursachen unregelmäßige Ventrikelerregungen, die die globale Herzfunktion beeinträchtigen. Die frühe und automatisierte Detektion von AF stellt weiterhin eine ungelöste Herausforderung dar und begrenzt die Effektivität therapeutischer Strategien. In dieser Studie entwickelten wir eine neue Methode basierend auf der kontinuierlichen Wavelet-Transformation und zweidimensionalen konvolutionellen neuronalen Netzen (2D-CNNs) zur Erkennung von AF-Episoden. Im Gegensatz zu herkömmlichen Ansätzen, die entweder atriale oder ventrikuläre Aktivitäten isolieren, analysiert die vorgeschlagene Methode die zeit-frequenz-basierten Merkmale des Elektrokardiogramms (ECG). Anschließend wurde ein 2D-CNN trainiert, um die Leistungsfähigkeit der AF-Erkennung zu verbessern. Zur Evaluierung des Algorithmus wurde die MIT-BIH-Atrial-Fibrillation-Datenbank verwendet. Die Wirksamkeit des vorgeschlagenen Verfahrens wurde mit mehreren etablierten Methoden verglichen, die größtenteils denselben Datensatz nutzten. Das neu entwickelte CNN-basierte Verfahren erreichte Sensitivität, Spezifität, positiven Vorhersagewert und Gesamtgenauigkeit (ACC) von jeweils 99,41 %, 98,91 %, 99,39 % und 99,23 %. Da der vorgeschlagene Algorithmus nicht auf der isolierten Analyse atrialer oder ventrikulärer Aktivitäten, sondern auf den zeit-frequenz-basierten Eigenschaften der ECG-Signale basiert, ist er in der Lage, AF-Episoden bereits anhand von nur fünf Herzschlägen zu detektieren. Dies weist auf praktische Anwendungsmöglichkeiten in zukünftigen klinischen Umgebungen hin.