Regime-Aware LSTM Dengan Adaptive Dual-Timescale Temporal Encoding Untuk Pemodelan Dinamika Jantung Dan Deteksi Aritmia

Abstrak

Deteksi aritmia berbasis Elektrokardiogram (EKG) masih menjadi tantangan penting karena adanya variabilitas detak jantung yang non-linear, ketidakstabilan temporal, dan transisi rezim jantung yang dinamis. Jaringan Long Short-Term Memory (LSTM) konvensional mampu mempelajari pola EKG sekuensial; namun, metode ini sering kali kesulitan untuk secara bersamaan merepresentasikan dinamika temporal jantung jangka pendek dan jangka panjang. Penelitian ini mengusulkan kerangka kerja Regime-Aware LSTM yang diintegrasikan dengan Pengkodean Temporal Skala Waktu Ganda Adaptif (Adaptive Dual-Timescale Temporal Encoding/RADTTE) untuk pemodelan dinamika jantung dan deteksi aritmia. Pendekatan yang diusulkan ini memperkenalkan representasi temporal berbobot eksponensial yang beroperasi pada skala waktu ganda untuk menangkap transisi rezim jantung adaptif dari urutan interval RR. Kerangka kerja ini mengekstraksi dinamika jantung temporal jangka pendek dan jangka panjang sebelum dilakukan pemodelan sekuensial menggunakan arsitektur LSTM. Eksperimen dilakukan menggunakan Basis Data Aritmia MIT-BIH yang terdiri dari rekaman EKG beranotasi. Kerangka kerja yang diusulkan dibandingkan dengan model dasar LSTM konvensional menggunakan metrik akurasi, presisi, recall, skor-F1, spesifisitas, dan ROC-AUC. Hasil eksperimen menunjukkan bahwa metode yang diusulkan mencapai kinerja superior dengan peningkatan sensitivitas anomali dan penurunan rasio positif palsu (false positive rate). Model yang diusulkan mencapai akurasi sebesar 98,1% dan skor-F1 sebesar 97,0%, mengungguli model dasar LSTM konvensional. Temuan ini mengindikasikan bahwa representasi temporal regime-aware secara signifikan meningkatkan pemodelan anomali jantung sekuensial dan memperbaiki deteksi transisi aritmia.