Idan Suliman™ DATA ANALYSIS · EXPERT OPINION

· מאת

למידת מכונה מול עיבוד אותות קלאסי: איפה רשתות מחלצות אות מרעש טוב יותר?

עיבוד לסקירה של ג׳יה ועמיתיו (2024): סוגי רעש באותות חיישן, מה מסננים, פורייה, גלונים ו-EMD עושים היטב, מה למידה עמוקה הוסיפה, ואיך מודדים הצלחה.

אותו אות א.ק.ג. במישור הזמן (משמאל) ובמישור התדר (מימין): נקי, עם נדידת קו בסיס (BW) שמתבטאת באנרגיה מתחת ל-1 הרץ, עם רעש שרירים ותנועה (EMG/MA) שחופף לכל תחום
אותו אות א.ק.ג. במישור הזמן (משמאל) ובמישור התדר (מימין): נקי, עם נדידת קו בסיס (BW) שמתבטאת באנרגיה מתחת ל-1 הרץ, עם רעש שרירים ותנועה (EMG/MA) שחופף לכל תחום התדרים של האות, ועם הפרעת רשת החשמל (PLI) שמופיעה כשיא צר ב-60 הרץ. כל רעש משאיר חתימה שונה, ולכן דורש כלי סינון שונה. Jia Y., Pei H., Liang J., Zhou Y., Yang Y., Cui Y., Xiang M. (2024). Preprocessing and Denoising Techniques for Electrocardiography and Magnetocardiography: A Review. Bioengineering 11(11):1109, MDPI. Figure 3 (איור 1) and Figure 6 (איור 2). Licensed under CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). https://doi.org/10.3390/bioengineering11111109

כמעט כל אות שנמדד בחיישן מגיע מלוכלך: תנודה איטית של קו הבסיס, רעש רחב-סרט שחופף לאות עצמו, והפרעה מחזורית מרשת החשמל. השאלה איך מחלצים מתוכו את האות האמיתי היא שאלה ותיקה של עיבוד אותות, ובעשור האחרון נוספה לה שכבה חדשה: רשתות נוירונים שלומדות את הסינון מהנתונים במקום לקבל אותו ממתכנן. מאמר הסקירה ״טכניקות עיבוד מקדים וסינון רעש לאלקטרוקרדיוגרפיה ולמגנטוקרדיוגרפיה״ של יפאן ג׳יה ועמיתיו, שפורסם בנובמבר 2024 בכתב העת Bioengineering (MDPI) ברישיון פתוח, סוקר 128 מאמרים מהשנים 2013-2024 על סינון רעש באותות לב, ומעמיד זה מול זה את הכלים הקלאסיים (מסננים ליניאריים, פירוק פורייה, גלונים, פירוק אמפירי) ואת שיטות הלמידה העמוקה. אותות הלב הם רק מקרה המבחן: התובנות על חוזקות הכלים ומגבלותיהם תקפות לכל סדרת זמן שנמדדת בחיישן, ממכונה תעשייתית ועד מד זרימה.

מה בעצם ״רעש״, ולמה אי אפשר פשוט לסנן אותו?

הסקירה פותחת בהבחנה שחשובה יותר מכל אלגוריתם: רעש אינו דבר אחד. המחברים מזהים באות א.ק.ג. שלושה סוגי הפרעה עיקריים, ולכל אחד אופי שונה:

  • נדידת קו בסיס (BW): תנודה איטית בתדר 0.15-0.3 הרץ, בעיקר מנשימה ומתנועה, שמעוותת את מקטע ST החיוני לאבחון.
  • רעש שרירים ותנועה (EMG/MA): רעש לא-סטציונרי בתחום 5-500 הרץ, שחופף כמעט לכל תחום התדרים של האות עצמו, ולכן הוא הקשה ביותר להסרה.
  • הפרעת רשת החשמל (PLI): גל סינוס ב-50 או 60 הרץ, שתדרו אינו קבוע אלא נודד בפלוס-מינוס הרץ אחד בקירוב.

שילוב של שניים או יותר מאלה נקרא רעש מורכב. ההבחנה חשובה כי שיטה שמצטיינת בהסרת רעש אחד עלולה להיכשל באחר, והמחברים טוענים שזו הסיבה שראוי למיין שיטות סינון לפי סוג הרעש, ולא לפי האלגוריתם. הכלל הזה נכון לכל נתון מדיד: לפני שבוחרים כלי יש לאפיין את מה שמנסים להסיר.

מה הכלים הקלאסיים עושים היטב, ואיפה הם נכשלים?

הגישה הקלאסית מניחה שידוע משהו על מבנה הרעש, ובונה מסנן בהתאם. הסקירה מפרטת את המשפחות העיקריות ואת מחיר כל אחת:

  • מסננים ליניאריים (מסנן מעביר-גבוהים, מסנן חריץ): זולים חישובית ופשוטים למימוש, אך מסנן חריץ בתדר קבוע נכשל כשתדר הרשת נודד, ומייצר תופעת ״צלצול״ אחרי קומפלקס QRS. מסנן מעביר-גבוהים עלול למחוק רכיבים נמוכים אמיתיים ולעוות את מקטע ST, ומסננים מסדר גבוה מוסיפים עיוות פאזה.
  • פירוק פורייה: יעיל ומאפשר להסיר את נדידת קו הבסיס ואת הפרעת הרשת בבת אחת, אך מחיקת רצועת תדרים שלמה מוחקת גם חלק מהאות.
  • גלונים (wavelets): נותנים ניתוח רב-קני-מידה, עם רזולוציית זמן טובה בתדרים גבוהים ורזולוציית תדר טובה בנמוכים. התוצאות שמדווחות בסקירה מהטובות שיש: גלון ביאורתוגונלי עם סף מסתגל הגיע ליחס אות לרעש של 28.38 דציבל בהסרת נדידת קו בסיס ו-30.01 דציבל בהסרת הפרעת רשת. המחיר: בחירת בסיס הגלון והסף היא סובייקטיבית וקשה לאוטומציה, ויש אפקטי קצה ואי-שמירה על הזזה.
  • פירוק אמפירי (EMD) ונגזרותיו: מתאימים את עצמם לאות בלי בסיס מוגדר מראש, אך סובלים מערבוב מודים, והסרת מוד שמכיל רעש עלולה להסיר גם מאפיין לבבי.
  • מסננים מסתגלים (LMS, RLS): עוקבים אחרי רעש משתנה, אך דורשים ערוץ ייחוס שמודד את הרעש, מה שמסבך את החומרה.
  • מסנני קלמן ומודלים במרחב המצב: המחברים מדגישים שהם משפרים פרשנות ואמינות, כי הם מבוססים על מודל מפורש של האות, אך הם רגישים לדיוק ההנחות על הרעש ונחלשים כשהאות סוטה מהמודל, למשל בהפרעות קצב.

המכנה המשותף: הכלים הקלאסיים שקופים וזולים, אך כל אחד מהם נשען על הנחה, ובמקום שבו ההנחה נשברת, הסינון מעוות את האות.

מה למידה עמוקה הוסיפה?

במקום לתכנן מסנן, מאמנים רשת על זוגות של אות רועש ואות נקי, והרשת לומדת את המיפוי. הסקירה סוקרת מקודדים אוטומטיים מסירי-רעש, רשתות קונבולוציה, U-Net, יחידות GRU, רשתות יריבות (GAN) וטרנספורמרים. היתרון המרכזי לפי המחברים הוא היכולת ללכוד מאפיינים בזמן ובמרחב בכמה קני מידה בו-זמנית, ולכן להפריד אות מרעש גם כשהספקטרום של השניים חופף, בדיוק המצב שבו הכלים הקלאסיים מתקשים. בהסרת רעש שרירים, רשת U-Net קלה השיגה שיפור של 16.76 דציבל עם שגיאה נמוכה, ו-GRU דו-כיווני השיג 19.2 דציבל עם עיוות של 6.4 אחוזים בלבד. שיטה היברידית, שמשלבת רשת קונבולוציה, התמרת גלונים סטציונרית ומקודד טרנספורמר, דיווחה על 28.11 דציבל, אך המחברים מעירים ששגיאת ה-RMSE שלה מרמזת על עיוות של מאפיינים חדים. בהסרת רעש מורכב, המשפחה שבה כמה הפרעות פועלות יחד, הסקירה ממיינת את השיטות לשלוש משפחות: מבוססות מודל, לומדות והיברידיות (רשת שמשולבת עם גלונים, עם ייצוג דליל או עם סף רך). את ההיברידיות היא מציגה ככיוון המבטיח, אך היא אינה קובעת שהגישות הלומדות עדיפות כאן, ובטבלאות שלה התוצאות הגבוהות ביותר ברעש מורכב שייכות דווקא לשיטות קלאסיות (ראו להלן).

איפה למידה עמוקה אינה עדיפה?

הסקירה מסרבת להכריז על ניצחון. כמה סיבות:

  • הנתונים הטובים ביותר בטבלאות אינם של רשתות. בהסרת רעש מורכב, גלון מורכב דו-עצי עם סף ״גארוט״ דיווח על 58.23 דציבל, וניתוח ספקטרום סינגולרי עם סינון דיגיטלי על שיפור של 41.96 דציבל, גבוה מכל רשת בטבלה. המחברים מזהירים שההשוואה אינה הוגנת, כי כל מחקר משתמש בהקלטות, ברמות רעש ובמדדים שונים, אך המסר ברור: שיטה קלאסית מכוונת היטב עדיין מתחרה.
  • כוח חישוב: רשתות דורשות משאבים שמעכבים עיבוד בזמן אמת, ורוב המחקרים מתעלמים ממהירות, מזיכרון ומאילוצי חומרה.
  • תיוג: אימון מפוקח דורש זוגות של אות רועש ונקי, ותיוג כזה בנתונים רפואיים הוא איטי ויקר. בחלק מהתחומים, כמו מגנטוקרדיוגרפיה, אין כלל מסד נתונים תקני ואין ״אות נקי״ מוסכם להשוואה.
  • שקיפות: המודלים הם ״קופסה שחורה״, ומנגנוני קשב נותנים פתרון חלקי בלבד. באות שעליו מתקבלת החלטה קלינית, הצורך להסביר מדוע הוסר רכיב מסוים אינו מותרות.
  • כוונון לפי סוג הרעש: המחברים מציינים שמספר הנוירונים האופטימלי שונה מרעש לרעש; הגדלת הרשת משפרת הסרה של נדידת קו בסיס אך מחלישה את הטיפול ברעש מורכב.

איך יודעים שהסינון הצליח?

המחברים מקדישים פרק למדדים ומזהירים שמדד יחיד אינו מספיק. הנפוצים: שיפור ביחס אות לרעש (SNRimp), שגיאה ריבועית ממוצעת (MSE, RMSE), הפרש שורש-ריבועי באחוזים (PRD), מקדם מתאם בין האות המסונן לאות הנקי, וניתוח צפיפות ספקטרלית ותדר ממוצע. הביקורת העיקרית שלהם על הספרות: רוב המחקרים בודקים רק במישור הזמן ומתעלמים ממה שהסינון עשה לספקטרום, ורבים מוסיפים רעש מדומה במקום רעש אמיתי, מה שמייפה תוצאות. בהיעדר תקן דיווח אחיד, השוואה כמותית בין שיטות כמעט בלתי אפשרית.

מה המסקנה המעשית?

המחברים צופים שהפתרונות היעילים ביותר יהיו היברידיים: מודל פיזיקלי או גלונים שמספקים מבנה ופרשנות, ורשת שלומדת את מה שהמודל אינו מכסה. הם מצביעים על למידה רב-משימתית, שמאמנת מודל אחד לסינון, להערכת איכות אות ולאבחון יחד, כדרך לשפר הכללה ולהוזיל חישוב, ועל רשתות ניתנות להסבר כתנאי לשימוש קליני. בהיבט ארגוני או משפטי המסקנה דומה: כשנדרש להראות מה בדיוק הוסר מהנתונים ומדוע, שיטה קלאסית עם הנחות מפורשות ניתנת להגנה; כשהרעש מורכב וחופף לאות, ויש נתונים מתויגים בשפע, למידה עמוקה ושיטות היברידיות הן מועמדות חזקות, אך הסקירה אינה מראה שהן עדיפות על שיטה קלאסית מכוונת היטב. לכן משווים אותן לשיטה כזו, ובודקים גם במישור התדר וגם על רעש אמיתי.

מה אומר הדין הישראלי על פלט של מודל שמוגש כראיה?

פקודת הראיות מתייחסת במפורש לפלט מחשב שמביע דעה מקצועית: לפי סעיף 39א, פלט שהוא ״חיווי דיעה בענין שבמדע, שבמחקר, שבאמנות, שבידיעה מקצועית או בענין שברפואה״ אינו קביל כראיה ״אלא אם כן הוגש בהתאם להוראות הדין החל על הגשת עדות בענינים אלה״. הרשימה הזו כוללת את כל הנושאים שסעיף 20 לפקודה מונה לחוות דעת מומחה, ו״פלט״ מוגדר בחוק המחשבים כ״נתונים, סימנים, מושגים או הוראות, המופקים, בכל דרך שהיא, על ידי מחשב״, בלי הבחנה בין מסנן קלאסי לרשת נוירונים. מבחינה מעשית, כשתוצר של מודל משמש בסיס למסקנה מקצועית בהליך, מי שעומד מאחוריו צריך להיות מסוגל להסביר, גם בחקירה נגדית, מה השיטה הסירה מהנתונים ומדוע, וכאן יתרונה של שיטה עם הנחות מפורשות.

מחיר הסינון הקלאסי: למעלה אות א.ק.ג. מזוהם בהפרעת רשת החשמל, למטה אותו אות אחרי מסנן חריץ. ההפרעה הוסרה, אך אחרי כל קומפלקס QRS נותרה תופעת ״צלצול״ שהמסנן עצמו
מחיר הסינון הקלאסי: למעלה אות א.ק.ג. מזוהם בהפרעת רשת החשמל, למטה אותו אות אחרי מסנן חריץ. ההפרעה הוסרה, אך אחרי כל קומפלקס QRS נותרה תופעת ״צלצול״ שהמסנן עצמו יצר. Jia Y., Pei H., Liang J., Zhou Y., Yang Y., Cui Y., Xiang M. (2024). Preprocessing and Denoising Techniques for Electrocardiography and Magnetocardiography: A Review. Bioengineering 11(11):1109, MDPI. Figure 3 (איור 1) and Figure 6 (איור 2). Licensed under CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). https://doi.org/10.3390/bioengineering11111109

מקורות

  • Jia Y., Pei H., Liang J., Zhou Y., Yang Y., Cui Y., Xiang M. (2024). Preprocessing and Denoising Techniques for Electrocardiography and Magnetocardiography: A Review. Bioengineering, 11(11), 1109. MDPI. רישיון CC BY 4.0. https://doi.org/10.3390/bioengineering11111109
  • Chatterjee S., Thakur R.S., Yadav R.N., Gupta L., Raghuvanshi D.K. (2020). Review of noise removal techniques in ECG signals. IET Signal Processing, 14, 569-590.
  • Hu L., Cai W., Chen Z., Wang M. (2024). A lightweight U-Net model for denoising and noise localization of ECG signals. Biomedical Signal Processing and Control, 88, 105504.
  • Dias M., Probst P., Silva L., Gamboa H. (2024). Cleaning ECG with Deep Learning: A Denoiser Tested in Industrial Settings. SN Computer Science, 5, 699.
  • פקודת הראיות [נוסח חדש], התשל״א-1971, סעיפים 20 ו-39א.
  • חוק המחשבים, התשנ״ה-1995, סעיף 1 (הגדרת ״פלט״).

פנו אלינו