Latente ODEs revolutionieren Arrhythmieklassifikation bei Wearable-ECGs

Eine neuartige Methode zur Klassifikation von Herzrhythmusstörungen nutzt latente Ordinary Differential Equations (ODEs), um die Analyse von Wearable-ECG-Daten zu verbessern. Durch die Modellierung kontinuierlicher ECG-Wellenformen ermöglicht die Technik eine robuste Feature‑Extraktion, selbst bei niedrigerer Abtastrate.

Herzfrequenzmessungen mit 12‑Lead‑ECGs und hoher Samplingfrequenz gelten als Goldstandard, doch ihre kurzzeitige, punktuelle Erfassung verpasst häufig intermittierende Ereignisse. Wearable‑ECGs bieten dagegen eine langfristige Überwachung, sind jedoch durch begrenzte Batteriekapazität oft mit unregelmäßigen, niedrigeren Samplingfrequenzen belastet, was die Morphologieanalyse erschwert.

Die vorgeschlagene Pipeline trainiert ein latentes ODE-Modell, um kontinuierliche ECG‑Signale zu rekonstruieren. Für jedes Signal werden drei latente Vektoren erzeugt, indem die ursprüngliche 360 Hz‑Abtastrate auf 90 Hz und 45 Hz heruntergerechnet wird. Anschließend klassifiziert ein Gradient‑Boosted‑Tree diese Vektoren, wobei die Robustheit gegenüber unterschiedlichen Frequenzen getestet wird.

Die Ergebnisse zeigen nur minimale Leistungsverluste: die makro‑durchschnittlichen AUC‑ROC‑Werte betragen 0,984 bei 360 Hz, 0,978 bei 90 Hz und 0,976 bei 45 Hz. Diese hohe Genauigkeit trotz reduzierter Samplingfrequenz deutet darauf hin, dass die Methode das klassische Dilemma zwischen Signalqualität und Batterielebensdauer umgehen kann. Damit wird die Entwicklung kleinerer Wearables vorangetrieben, die langfristige Herzgesundheitsüberwachung ermöglichen.