في عالم الطب الحديث، يعد تصنيف إشارات تخطيط القلب (ECG) أداة حيوية لتشخيص ومراقبة الأمراض القلبية. وقد قدمت دراسة حديثة تحليلًا مثيرًا للمقارنة بين ثلاث خوارزميات تقليدية في التعلم الآلي (Machine Learning)، وهي شجرة القرار (Decision Tree Classifier)، وغابة عشوائية (Random Forest Classifier)، والانحدار اللوجستي (Logistic Regression)، مع ثلاثة نماذج متقدمة في التعلم العميق (Deep Learning)، تشمل شبكة الأعصاب التلافيفية البسيطة (Simple Convolutional Neural Network - CNN)، والذاكرة الطويلة القصيرة (Long Short-Term Memory - LSTM)، بالإضافة إلى نموذج ECG-Lens المعقد.

تستند الدراسة إلى مجموعة بيانات PTB-XL، التي تحتوي على تسجيلات من مرضى عاديين وآخرين يعانون من حالات قلبية متنوعة. تم تدريب نماذج التعلم العميق على إشارات ECG الخام، مما أتاح لها القدرة على استخراج الميزات الفريدة بشكل تلقائي.

تضمنت التقنيات المستخدمة في الدراسة تعزيز البيانات باستخدام تحويل الموجة الثابتة (Stationary Wavelet Transform - SWT)، بهدف تحسين أداء النماذج وزيادة تنوع العينات التدريبية مع الحفاظ على الخصائص الأساسية لإشارات تخطيط القلب.

تقييم النماذج تم باستخدام عدة مقاييس تشمل الدقة (Accuracy)، والدقة الإيجابية (Precision)، واسترجاع (Recall)، ومتوسط دقة F1 (F1-score)، ومنحنى ROC- AUC. وقد حقق نموذج ECG-Lens أداءً متميزًا بدقة تصنيف بلغت 80% و90% في ROC-AUC. تشير هذه النتائج إلى أن الهياكل المعقدة للتعلم العميق، وبالأخص الشبكات التلافيفية المعقدة، تتفوق بشكل كبير على الطرق التقليدية في التعامل مع بيانات ECG، مما يوفر معيارًا عمليًا لاختيار نماذج تصنيف ECG المخصصة وتعزيز تطوير نماذج تتجه نحو الحالات المحددة.