Studio ECG-Lens Confronta Modelli di Machine Learning e Deep Learning per la Classificazione dei Segnali ECG

Uno studio di ricerca pubblicato su arXiv (ID: 2604.15822v1) confronta diversi modelli di machine learning e deep learning per la classificazione automatizzata dei segnali elettrocardiografici (ECG) utilizzando il dataset PTB-XL. Il dataset PTB-XL contiene registrazioni ECG a 12 derivazioni sia di pazienti sani che di individui con varie condizioni cardiache. Tre algoritmi tradizionali di machine learning—Decision Tree Classifier, Random Forest Classifier e Logistic Regression—sono stati confrontati con tre architetture di deep learning: una semplice rete neurale convoluzionale (CNN), una rete Long Short-Term Memory (LSTM) e un modello CNN complesso denominato ECGLens. I modelli di deep learning sono stati addestrati direttamente sui segnali ECG grezzi, consentendo l'estrazione automatica di caratteristiche discriminative senza ingegnerizzazione manuale delle feature. Per migliorare le prestazioni del modello e aumentare la diversità dei campioni di addestramento, è stata implementata l'aumentazione dei dati utilizzando la Trasformata Wavelet Stazionaria (SWT), che preserva le caratteristiche essenziali dei segnali ECG. La valutazione del modello ha impiegato molteplici metriche per valutare l'accuratezza e la robustezza della classificazione. Questo approccio di classificazione automatizzata funge da strumento diagnostico e di monitoraggio per le malattie cardiovascolari. Lo studio rappresenta un'applicazione interdisciplinare di metodi computazionali all'analisi dei dati medici.