Derin sinir ağları kullanılarak aritmi tespiti için EKG sinyallerinin ayaktan izlenmesi

Güvenilir aritmi tespiti, ciddi kardiyak sonuçların önlenmesinde kritik rol oynar; ancak ilk uyarı işaretleri çoğu zaman elektrokardiyogram (ECG) sinyalindeki hastaya özgü ince sapmalar şeklinde görülür. Bu çalışma, MIT‑BIH Aritmi Veritabanı'ndan alınan kısa II. derivasyon ECG kesitlerini Sürekli Dalgacık Dönüşümü ile zaman‑frekans ölçekogramlarına çeviren çok ölçekli bir dalgacık çerçevesi sunmaktadır. Morlet, Kompleks Morlet, Meksika Şapkası ile Birinci Derece Gauss dalgacıkları düşük, orta, yüksek ve tam bantlarda değerlendirilmiştir. Oluşturulan görüntüler, katı hasta‑dışı ayrımları altında ResNet‑50, DenseNet‑121, EfficientNet‑B0 ve ViT‑B/16 mimarileriyle işlenmiştir. Beş sınıflı (AAMI dışı) senaryoda en iyi melez yapılandırma \% 83,0 doğruluk elde etmiş ve seyrek sınıf duyarlılığını yaklaşık 20 yüzde puanı artırmıştır. Meksika Şapkası ve Morlet ölçekogramlarının çok‑ölçekli arttırılması DenseNet‑121 doğruluğunu \% 60 civarından \% 80,6 düzeyine taşımıştır. AAMI gruplamasında Normal (N), Supraventriküler (S), Ventriküler (V), Fusion (F) aynı strateji, sınıf‑ağırlıklı kayıp ile birlikte, modeller bir hasta altkümesinde eğitilip diğerinde test edildiğinde \% 88–90 doğruluk sağlamış ve güçlü genelleme yeteneğini kanıtlamıştır. Bulgular, dalgacık‑temelli zaman‑frekans temsillerinin modern derin ağlarla birleştirildiğinde seyyar ECG izlemede belirgin iyileşmeler sunduğunu göstermektedir. Gelecek çalışmalar gerçek zamanlı giyilebilir uygulamalar, uyarlanabilir ölçek seçimi, daha büyük ECG veri setlerinden transfer öğrenme ve düşük gecikmeli çıkarıma odaklanacaktır.