Новый метод распознавания ЭКГ на основе графовых сетей превзошёл существующие модели
Исследователи представили новый подход к автоматическому анализу электрокардиограмм (ЭКГ), основанный на графовых сверточных сетях с интеграцией предметных знаний. Работа опубликована на arXiv и предлагает альтернативу традиционным сквозным сверточным нейросетям, повышая интерпретируемость модели.
Ключевой особенностью метода стало использование анатомических ориентиров PRQST – характерных точек на ЭКГ, важных для клинической интерпретации. Эти точки выступают в роли узлов графа, а связи между ними моделируют пространственные и временные зависимости.
Авторы применили двухпоточный ориентированный граф: пространственный поток кодирует взаимное расположение ключевых точек в пределах одного сердечного цикла, а временной – зависимости между соседними циклами в длинных записях ЭКГ. Такой подход позволяет одновременно учитывать как структуру сигнала, так и его динамику.
Эксперименты проводились на датасете Первого китайского конкурса по интеллектуальному анализу ЭКГ. Задача заключалась в классификации записей по девяти категориям нарушений ритма и проводимости. Предложенная модель достигла среднего F1 88,1% по всем классам и 76,3% для редких категорий.
Особенно заметный прирост точности получен для редких типов аритмий – именно те категории, которые часто представляют наибольшую сложность для автоматических систем. Авторы связывают это с введением предметных знаний, что помогает модели лучше различать схожие паттерны.
Разработка демонстрирует перспективность гибридных подходов, сочетающих машинное обучение и экспертные знания. Дальнейшие исследования могут быть направлены на адаптацию метода для других биомедицинских сигналов, а также на интеграцию в клинические системы поддержки принятия решений.
