多模态融合与深度学习：精准诊断多类心脏病的新突破

为解决现有心脏病分类方法的局限，研究人员融合 ECG 和 PCG 信号开展研究，模型准确率达 97%，意义重大。

　　《多模态融合与深度学习：精准诊断多类心脏病的新突破》

心脏，作为人体的 “生命引擎”，一刻不停地为全身输送血液，维持着生命的运转。然而，心血管疾病（CVDs）却如同一颗颗隐藏的 “定时炸弹”，随时可能引发严重的健康危机，甚至夺走生命。据统计，CVDs 是全球范围内导致死亡的主要原因之一，其早期诊断和预测至关重要。

目前，在心脏病的诊断领域，心电图（ECG）和心音图（PCG）是常用的检测手段。ECG 能够捕捉心脏的电活动，帮助医生分析心脏在每次心跳过程中心室的功能变化。但它却存在 “盲点”，无法察觉因心脏血管狭窄而产生的细微高频杂音，这可能导致心肌缺血或梗死等疾病的漏诊。PCG 则专注于记录心脏声音，能有效检测出瓣膜性心脏病以及心脏周围区域的异常，但对于心脏电活动异常引发的疾病，它就显得有些 “力不从心”，容易错过心脏电活动的微妙变化，从而无法全面评估心脏异常。此外，以往的研究在峰值信号检测时，只关注满足特定振幅阈值的信号，忽略了其他信号，导致大量有价值的信息丢失。同时，心跳定位方法也存在不足，传统的基于能量的心跳定位可能会提供一些与心脏异常无关的信息。

为了攻克这些难题，来自印度阿姆瑞塔工程学院 - 班加罗尔分校电子与通信系、美国休斯顿大学数学与统计系以及印度斋浦尔 NIMS 大学心脏病学系的研究人员携手合作，开展了一项极具创新性的研究。他们的研究成果发表在《Scientific Reports》上，为心脏病的诊断带来了新的曙光。

在这项研究中，研究人员运用了多种关键技术方法。首先是信号融合技术，他们通过寻找 ECG 信号中的 R 波峰值和 PCG 信号中心音的起始点等共同参考点，将预处理后的 ECG 和 PCG 信号在时间序列上进行融合，使融合后的信号能够同时反映心脏的机械和电活动。接着，利用 Pan - Tompkins 算法（PTA）进行波检测，重点识别 QRS 波群，以此分析心脏的心室去极化情况。在波形定位方面，采用了代数整数量化平稳小波变换（AI - SWT）技术，该技术有效解决了传统小波变换中存在的移不变性和非冗余性问题，能够精准定位收缩期、舒张期、S1 和 S2 等波形。然后，通过 Sum slope 技术从定位后的波形中提取心率，并运用贝叶斯决策技术检测峰值信号。之后，使用低秩核密度基于空间聚类应用噪声算法（LK - DBSCAN）对提取的心率和峰值信号进行聚类，将信号分为正常和异常两类。在特征选择阶段，借助 Heming Wayed Polar Bear Optimization（HeWaPBO）算法，从异常信号中挑选出最具相关性的特征。最后，利用 C 平方池符号双功率激活深度卷积神经网络（CP - SBI - DCNN）对心脏病进行分类。

研究结果令人振奋。在数据库方面，研究人员收集了来自 CirCor DigiScope 心音图数据集的 PCG 信号、PTB - XL 的 ECG 信号，以及公开的 Physionet 数据库中其他与心脏病相关的数据集，这些数据集涵盖了主动脉瓣狭窄（AV）、三尖瓣疾病（TV）、二尖瓣狭窄（MV）、肺动脉瓣疾病（PV）、心房颤动（AF）和缺血性心脏病（IHD）六种类型的心脏病。通过交叉验证和受试者工作特征曲线（ROC）分析评估模型性能。结果显示，该模型在训练和验证过程中均取得了较高的准确率，达到了 97%，错误率仅为 0.03。在各类心脏病的分类上，如 AF 的准确率为 92%，AV 的召回率达到 100% 等。与传统的深度学习模型如深度卷积神经网络（DCNN）、卷积神经网络（CNN）、径向基神经网络（RBN）和深度神经网络（DNN）相比，该模型在准确率、精度、召回率、F - 分数和灵敏度等指标上均表现更优。例如，传统模型的平均准确率约为 89%，而该模型达到了 97%。同时，在聚类时间上，该模型的 LK - DBSCAN 算法仅耗时 1349ms，明显优于现有的 DBSCAN、K - Means、FCM 和 PAM 算法。

研究结论和讨论部分进一步强调了这项研究的重要意义。研究人员通过融合 ECG 和 PCG 信号，并对其进行仔细的预处理和心跳分析，成功提高了心脏病检测系统的有效性。AI - SWT 技术解决了信号信息丢失的问题，HeWaPBO 算法优化了特征选择，提高了分类性能。此外，研究人员还指出，实验过程中面临着一些挑战，如外界因素产生的残留噪声、不同个体（年龄、性别、身体成分和共病等因素）导致的 ECG 和 PCG 信号特性差异等。未来的研究可以通过纳入更多的生物标志物（如肌钙蛋白和血脂谱等生化标志物）来进一步改进分类和诊断，也可以探索使用更先进的神经网络，使模型更具临床实用性。

总的来说，这项研究为多类心脏病的分类提供了一种更高效、准确的方法，有望在未来的临床诊断中发挥重要作用，为心血管疾病的早期诊断和治疗提供有力支持，为无数患者带来新的希望。