C-GRASP: KI-Analyse der Herzfrequenzvariabilität für klinische Entscheidungen

Herzfrequenzvariabilität (HRV) gilt als unverzichtbarer, nichtinvasiver Marker für die autonome Überwachung. In der Praxis stoßen jedoch große Sprachmodelle (LLMs) an Grenzen, weil physiologische Halluzinationen – etwa die Kontamination durch respiratorische Sinusarrhythmie (RSA), Instabilität bei kurzen Datensätzen oder die Vernachlässigung individueller Baselines – die Interpretation verfälschen.

Mit C‑GRASP (Clinically‑Grounded Reasoning for Affective Signal Processing) wird diese Problematik adressiert. Der Ansatz nutzt ein RAG‑verbessertes Pipeline‑Modell, das die HRV‑Interpretation in acht nachvollziehbare Schritte zerlegt. So bleibt jede Analyse transparent und prüfbar.

Im Kern steht die Z‑Score‑Priority‑Hierarchy, die individuelle Baseline‑Schwankungen stärker gewichtet als Populationsnormen. Ergänzt wird das System durch automatisierte RSA‑sensible Guardrails, die die Frequenz‑Domain‑Indizes vor Kontamination schützen und so die Genauigkeit der Analyse erhöhen.

In einer Evaluation mit 414 Versuchen aus dem DREAMER‑Datensatz erzielte C‑GRASP in Kombination mit hochskalierenden Modellen wie MedGemma3‑Thinking eine 4‑Klassen‑Emotionen‑Klassifikation mit 37,3 % Genauigkeit und einen Clinical Reasoning Consistency‑Score von 69,6 %. Ablationsstudien bestätigten, dass das individuelle Delta‑Z‑Score‑Modul der entscheidende logische Anker ist, der den „Population Bias“ herkömmlicher LLMs verhindert.

Durch die Kombination von nachvollziehbarer Logik und evidenzbasierter Entscheidungsunterstützung wandelt C‑GRASP die Affective‑Computing‑Forschung von einem schwarzen Box-Modell zu einer transparenten, klinisch nutzbaren Lösung. Damit ebnet es den Weg für eine sicherere Integration von KI in die biomedizinische Technik.