ecgXfusion - Innovative EKG-Analyse mittels vertrauenswür­diger KI

Die neuartige KI-basierte Modellarchitektur xECGArch® umfasst zwei separate Convolutional Neural Networks (CNN), die sich durch eine unterschiedliche Dimensionierung der Receptive Fields auszeichnen und somit über verschiedene Betrachtungshorizonte verfügen. Dies ermöglicht den Modellen, unterschiedliche Merkmale im Elektrokardiogramm (EKG) zu erlernen und für die Klassifikation zu nutzen. Das Kurzzeit-CNN erlernt schlagmorphologische Merkmale und das Langzeit-CNN Rhythmus. Die Merkmale entsprechen den in der EKG-Analyse typischen Merkmalsgruppen, wodurch eine Interpretation der Merkmale durch Ärztinnen und Ärzte möglich ist.

© M. Goettling et al. (2024) [CC BY 4.0]

Veröffentlichungen:

• M. Goettling, A. Hammer, H. Malberg, und M. Schmidt, „xECGArch: a trustworthy deep learning architecture for interpretable ECG analysis considering short-term and long-term features“, Sci Rep, Bd. 14, Nr. 1, S. 13122, Juni 2024, doi: 10.1038/s41598-024-63656-x.
• A. Hammer, M. Goettling, H. Malberg, A. Linke, und M. Schmidt, „An explainable AI for trustworthy detection of atrial fibrillation on reduced lead ECGs in mobile applications“, European Heart Journal, Bd. 45, Nr. Supplement_1, Okt. 2024, doi: 10.1093/eurheartj/ehae666.3497.
• A. Hammer, H. Malberg, und M. Schmidt, „Morphology Features Self-Learned by Explainable Deep Learning for Atrial Fibrillation Detection Correspond to Fibrillatory Waves“, in 2024 Computing in Cardiology (CinC), S. 1–4., doi: 10.22489/CinC.2024.305.
• A. Hammer, F. Hänsch, L. Seliger, H. Malberg, A. Linke, und M. Schmidt, „Explainable and interpretable AI visualises self-learned clinically relevant ECG characteristics of rhythm and morphology paving the way for trustworthy diagnostic support“, European Heart Journal, Bd. 46, Nr. Supplement_1, Nov. 2025, doi: 10.1093/eurheartj/ehaf784.4412.
• A. Hammer, M. Zannini, H. Malberg, und M. Schmidt, „Transfer Learning to Focus Self -Learning AI on Rhythm Improves Interpretability in Atrial Fibrillation Detection“, in Computing in Cardiology 2025, São Paulo, Brasilien, Sep. 2025, S. 1–4. doi: 10.22489/CinC.2025.396.

xFuseMap® ist eine kombinierte Darstellung der Erklärungen zweier Modelle in einer fusionierten Saliency Map. Saliency Maps sind eine Darstellungsform, bei der die Relevanz von Datenpunkten für die Klassifikationsentscheidung eines Modells durch Einfärbung des Signals angezeigt wird. xFuseMap® ermöglicht die interpretier- und nachvollziehbare Visualisierung von Merkmalen unterschiedlicher Modelle und Merkmalsdomänen. Dazu wird jedem Modell eine eindeutige Farbe zugewiesen. Datenpunkte, die für beide oder keines der Modelle relevant sind, werden in Mischfarben eingefärbt. Dadurch wird ein zweidimensionaler Farbraum mit den Modellen auf jeweils einer Achse aufgespannt.

xFuseMap® erlaubt die kombinierte Darstellung der Erklärungen beider Modelle aus xECGArch® (Lang- und Kurzzeit) sowie der entsprechenden Merkmalsdomänen (Rhythmus und Morphologie) im Elektrokardiogramm (EKG). Morphologie und Rhythmus stellen Standardmerkmale dar, die von Ärztinnen und Ärzten im Rahmen der Diagnostik verwendet und somit eingeordnet werden können. Das Ziel besteht in der Bereitstellung einer möglichst vertrauenswürdigen Diagnoseunterstützung für Ärztinnen und Ärzte.

© A. Hammer

Veröffentlichung:

• A. Hammer, M. Göttling, H. Malberg, A. Linke, S. Richter, N. Mangner und M. Schmidt, „Fusion of automatically learned rhythm and morphology features matches diagnostic criteria and enhances AI explainability“, npj Artificial Intelligence 1, 19 (2025). https://doi.org/10.1038/s44387-025-00022-w.

• A. Hammer, F. Hänsch, L. Seliger, H. Malberg, A. Linke, und M. Schmidt, „Explainable and interpretable AI visualises self-learned clinically relevant ECG characteristics of rhythm and morphology paving the way for trustworthy diagnostic support“, European Heart Journal, Bd. 46, Nr. Supplement_1, Nov. 2025, doi: 10.1093/eurheartj/ehaf784.4412.

Das autonome Nervensystem (ANS) kontrolliert zahlreiche Körperfunktionen und zeigt je nach persönlichem Zustand spezifische Reaktionen. Die Bewertung des ANS erlaubt daher weitreichende Aussagen, beispielsweise zum Risiko lebensbedrohliche Erkrankungen zu erleiden, eine Bewertung des Schlafs und die Erfassung der Stressbelastung.

Das Verfahren Two-Dimensional Signal Warping (2DSW) bietet die Möglichkeit komplexe morphologische Veränderungen zwischen Herzschlägen zu erfassen und derartige Aussagen nicht-invasiv treffen zu können (z.B. durch die Analyse der QT-Variabilität). Ziel ist eine wesentliche Verbesserung der diagnostischen Möglichen, insbesondere auch die Prädiktion und Prävention, ohne dass für die Patienten eine zusätzliche Belastung entsteht.

Weitere Informationen sind auf 2dsw.com zu finden.

© Martin Schmidt [CC BY-SA 4.0]

Veröffentlichungen:

• M. Schmidt, M. Baumert, A. Porta, H. Malberg, und S. Zaunseder, „Two-Dimensional Warping for One-Dimensional Signals—Conceptual Framework and Application to ECG Processing“, IEEE Transactions on Signal Processing, Bd. 62, Nr. 21, S. 5577–5588, Nov. 2014, doi: 10.1109/TSP.2014.2354313.

• M. Schmidt, M. Baumert, H. Malberg, und S. Zaunseder, „Iterative two-dimensional signal warping—Towards a generalized approach for adaption of one-dimensional signals“, Biomedical Signal Processing and Control, Bd. 43, S. 311–319, Mai 2018, doi: 10.1016/j.bspc.2018.03.016.

• Weitere Publikationen unter 2dsw.com