Deep Learning zur robusten Herzschlag-Annotation in MechanoCardioGrammen

Aufgabenstellung

Herzschlagintervalle bilden die Grundlage für zentrale Kenngrößen wie Herzfrequenz und Herzfrequenzvariabilität und sind damit ein wichtiger Indikator für den Gesundheitszustand von Patientinnen und Patienten.

Während sich etablierte, regelbasierte Verfahren zur Herzschlag-Annotation (z. B. Pan-Tompkins-Varianten) bei gesunden Signalen bewährt haben, stoßen sie bei pathologischen und komplexen Herzsignaturen an ihre Grenzen – insbesondere bei MechanoCardioGrammen (MCG), die aus Beschleunigungs- und Drehratensignalen inertialer Sensoren gewonnen werden.

Der Kunde benötigte daher eine robuste, zuverlässige Lösung zur automatisierten Herzschlag-Annotation, die auch bei älteren oder gesundheitlich eingeschränkten Personen stabil funktioniert.

Ziel des Projekts war die Entwicklung eines Algorithmus, der Herzschläge in bei gesunden als auch pathologischen MechanoCardioGrammen zuverlässig erkennt.

Lösungsweg

Zur Entwicklung einer robusten Herzschlag-Annotation wurde ein datengetriebener Ansatz verfolgt, der klassische Machine-Learning-Methoden und moderne Deep-Learning-Verfahren gezielt miteinander kombiniert.

Zunächst wurden Herzschlag-Kandidaten anhand einer Vielzahl charakteristischer Signalmerkmale beschrieben, darunter Amplituden, zeitliche Anstiegs- und Abfallparameter sowie weitere morphologische Eigenschaften der MechanoCardioGramme. Diese feature-basierten Modelle lieferten wichtige Erkenntnisse darüber, welche Signalstrukturen insbesondere bei pathologischen Herzmustern relevant sind und halfen, falsch positive Detektionen gezielt zu reduzieren.

Aufbauend auf diesen Erkenntnissen wurde ein Deep-Learning-Modell entwickelt, das relevante Merkmale nicht mehr explizit vorgibt, sondern sie direkt aus den mehrkanaligen Sensorsignalen lernt. Zum Einsatz kam eine 1D-CNN Encoder-Decoder-Architektur mit Attention-Mechanismen, die zeitliche Zusammenhänge über mehrere Herzzyklen hinweg berücksichtigt.

Durch die Kombination beider Ansätze  konnte ein Modell entwickelt werden, das sowohl bei gesunden als auch bei pathologischen MechanoCardioGrammen eine hohe Zuverlässigkeit erreicht.

Ergebnis

Die entwickelte Lösung ermöglicht eine zuverlässige Herzschlag-Annotation bei komplexen und pathologischen MechanoCardioGrammen. Durch die Kombination aus Feature-Wissen und einer 1D-CNN Encoder-Decoder-Architektur mit Attention werden relevante zeitliche Muster robust erkannt.

Dieses Projekt wurde im Rahmen des MathWorks AI Day in Dresden 2026 von Dr. Yvonne Rippers präsentiert.