编辑推荐：
心血管疾病（CVD）严重威胁全球人类生命。为提高冠心病（CAD）诊断准确性，研究人员开展基于 ECG 和 PCG 信号的 CNN-BiLSTM 集成网络研究，该方法诊断准确率达 97%，为心血管疾病诊断提供新方向。
心血管疾病（CVD）如同潜伏在人类健康道路上的 “隐形杀手”，悄无声息地威胁着全球无数人的生命，已然成为导致死亡的首要原因之一。在冠心病（CAD）的诊断与风险分层中，探寻一条高效、精准的诊疗路径迫在眉睫。
目前的心血管疾病诊断手段，就像是零散的拼图碎片，难以拼凑出完整、准确的 “健康图景”。基于单模态信号的诊断技术，过程繁琐，给患者带来诸多不便。侵入性检查虽能深入了解心脏状况，却因操作复杂、设备要求高而受限。人工听诊依赖医生经验，面对复杂病情时容易出错。心电图（ECG）检查虽常见，但在检测部分疾病时敏感度欠佳，可能导致患者延误治疗，病情加重。心音图（PCG）虽有独特优势，可单独使用也无法全面、精准地诊断疾病。
在此背景下，为攻克这些难题，提升 CAD 检测的准确性与可靠性，研究人员开展了一项意义重大的研究。他们巧妙地将 ECG 和 PCG 信号相结合，构建了一种混合的 CNN-BiLSTM 集成网络。该研究成果发表在《Biomedical Signal Processing and Control》上，为心血管疾病的诊断带来了新的曙光。
研究人员采用的主要技术方法包括：利用卷积神经网络（CNN）自动学习信号的高级特征，避免了繁琐的基于专家知识的特征工程；借助双向长短期记忆网络（BiLSTM）捕捉信号的时间序列特征；运用 bagging 策略融合多模态数据的不同输出，提升整体预测精度。研究使用的数据集为 PhysioNet/Computing in Cardiology（CinC） Challenge 2016 Database，包含来自不同人群的 ECG 和 PCG 信号。
数据集描述
研究选用的 PhysioNet/CinC Challenge 2016 数据集意义非凡，它源于 2016 年在 PhysioNet 网站举办的心脏病学计算挑战赛，专门聚焦于心音分类。该数据集涵盖了不同性别、年龄在 18 - 85 岁人群的 ECG 和 PCG 信号，为研究提供了丰富多样的数据基础。
实验设置
实验在强大的硬件设备上展开，配备 Intel (R) CORE-i5 CPU 13600KF 3.5GHz 处理器、32.00GB 的 DDR5 RAM 以及 3080 NVIDIA 显卡，软件则选用 Python。模型的关键参数，如输入向量大小、隐藏层数量和训练参数等，都经过精心设置，最优配置详细记录在表 1 中。
研究结果
研究人员探索了两种结构设计。在第一种设计中，将 BiLSTM 层置于 CNN 之后；第二种设计则是将 CNN 与 BiLSTM 层融合。在两种设计里，他们都对 ECG 和 PCG 信号进行了滤波预处理。最终，这种融合表示学习和序列残差学习的方法取得了惊人的成果，诊断准确率高达 97.77%，超越了大多数基准测试结果。
研究结论与讨论
这项研究意义深远。通过 CNN 和 BiLSTM 网络分别提取时变和时不变特征，实现了对心血管疾病的高效分类。与单独使用 ECG 或 PCG 信号相比，该混合模型显著提升了预测准确率，为心血管疾病的诊断开辟了新途径。其成果不仅有助于更精准地评估心脏健康状况，还为未来心血管疾病诊断技术的发展提供了重要参考，有望推动相关领域从 “模糊诊断” 迈向 “精准医疗” 新时代，让心血管疾病的诊断更加高效、准确，为全球心血管疾病患者带来更多希望。
