"SpectroNet-LSTM：基于心跳声谱分析与可解释人工智能的心脏异常检测创新方法"

这篇研究提出了一种名为SpectroNet-LSTM的创新框架，通过融合梅尔频率倒谱系数（MFCCs）、声谱图分析和深度神经网络（ResNet101/VGG16/Inception V3），结合长短期记忆网络（LSTM）与可解释人工智能（XAI）技术（SHAP/LIME），实现了对心脏异常声音的高精度自动化检测，为心血管疾病早期诊断提供了可解释的AI解决方案。

　　

核心发现

本研究开发的SpectroNet-LSTM系统在危险心跳数据集（DHD）上展现出卓越性能：通过将原始心跳声转换为声谱图，经多模型特征融合（ResNet101/InceptionV3/VGG16）与LSTM时序分析，最终模型准确率突破98.7%。创新性引入的SHAP（沙普利加解释）和LIME（局部可解释模型）技术，使"黑箱"决策过程可视化——例如模型能明确识别S₁/S₂心音特征对二尖瓣反流诊断的关键贡献。

实验结果分析

关键指标全面领先：准确率（98.2% vs 基线模型95.4%）、召回率（97.8%）显示系统对危急病例的敏锐捕捉能力。XAI热力图揭示，模型决策时重点关注心音频谱中140-300Hz区域（对应瓣膜异常特征频段），与临床知识高度吻合。对比实验证明，特征融合策略使F₁-score提升12.6%，证实多模态学习的优势。

结论与展望

当前系统在儿童心音识别方面存在局限（数据集偏差导致5%准确率下降），下一步将联合心电（ECG）多模态数据，并开发轻量化版本用于移动端电子听诊器（e-stethoscope）集成。这项研究标志着AI辅助诊断从"结果输出"迈向"决策过程透明化"的关键突破。