Deep learning (DL) heeft een groot potentieel getoond bij de analyse van ECG-signalen voor de classificatie van atriumfibrilleren (AF), met name voor het identificeren van subtiele markers tijdens een normaal sinusritme en het voorspellen van nieuw ontstond AF. Veel goed presterende modellen zijn echter zeer resource-intensief, met een groot aantal parameters en floating point-bewerkingen (FPB’s). Dit maakt het moeilijk om ze te trainen in omgevingen met beperkte resources en beperkt hun inzet op medische apparatuur in de periferie.
Het team van de Universiteit Gent werkt aan CSD-AFNet, een lichtgewicht AP-architectuur die is ontworpen voor ECG-classificatie in verband met AF. Het vermindert de computationele complexiteit aanzienlijk door standaard temporele convoluties te vervangen door een innovatieve bewerking die FPP-convoluties wordt genoemd. Deze maken een efficiënte stap en dilatatie mogelijk zonder verlies van invoerresolutie, waardoor de temporele dekking behouden blijft en de rekenlast wordt verlicht. Om de temporele modellering verder te verbeteren, integreert de architectuur 2D causale opvulling, die voorkomt dat informatie via de temporele stappen naar de downstreamlagen lekt.
Een evaluatie van de openbare datasets CODE-15% en PTB-XL toont aan dat het classificatieprestaties bereikt die vergelijkbaar zijn met die van geavanceerde modellen, terwijl het aantal parameters met 71× en de FLOP’s met 122× worden verminderd ten opzichte van een referentiebasis op basis van ResNet-10.
De resultaten van dit onderzoek zijn geaccepteerd voor publicatie tijdens de IEEE-EMBS International Conference on Biomedical Informatics and Health (BHI 2025), een toonaangevend evenement georganiseerd door de IEEE Society for Engineering in Medicine and Biology (EMBS).
Dirk Deschrijver (UGENT)
