La ricerca sull'IA esamina l'impatto della frequenza di campionamento dell'ECG sui modelli di rilevamento della fibrillazione atriale

Uno studio di benchmark completo ha indagato l'influenza di diverse frequenze di campionamento dell'elettrocardiogramma sui modelli di deep learning progettati per il rilevamento della fibrillazione atriale. Utilizzando registrazioni a 12 derivazioni di 10 secondi dal dataset PTB-XL, i ricercatori hanno ricampionato i dati a frequenze di 62, 100, 250 e 500 Hz. Hanno esaminato due architetture: una tradizionale rete neurale convoluzionale 1-D e un modello ibrido CNN-Long Short-Term Memory. Le prestazioni sono state valutate attraverso un rigoroso framework di cross-validation patient-safe. I risultati hanno indicato che le metriche di rilevamento sono significativamente influenzate dalla frequenza di campionamento in modo dipendente dall'architettura. Il modello ibrido CNN-LSTM ha eccelso alle frequenze intermedie di 100-250 Hz, mentre la CNN 1-D ha mostrato prestazioni variabili tra le diverse frequenze. Questo studio, identificato come arXiv:2604.16437v1, evidenzia la necessità di comprendere meglio come dataset ECG diversi influenzino le prestazioni e l'affidabilità dei modelli.