《Franklin Open》：Phonocardiogram classification Based on Machine learning and Deep learning using hybrid features extraction techniques
编辑推荐：
心血管疾病需要早期和准确的诊断。使用电子听诊器的听诊记录心音图（PCG）信号，有助于分析。PCG信号包含心脏功能的信息，可通过信号处理（SP）和机器学习（ML）进行分析。利用PCG信号，心音可被分为两个不同的类别：正常和异常。研究人员利用了一个包含四种不同心音
心血管疾病需要早期和准确的诊断。使用电子听诊器的听诊记录心音图（PCG）信号，有助于分析。PCG信号包含心脏功能的信息，可通过信号处理（SP）和机器学习（ML）进行分析。利用PCG信号，心音可被分为两个不同的类别：正常和异常。研究人员利用了一个包含四种不同心音信号类别的数据库：一个正常类别和三个病理类别，来源于多个来源。心音图波形被处理以提取特征，使用离散小波变换（DWT）和滤波器组系数（FBC）。对于学习和分类，使用了四种机器学习模型：支持向量机（SVM）、朴素贝叶斯（NB）、K近邻（KNN）和门控循环单元（GRU）。为了增强结果并提高分类准确率，研究人员将FBC和DWT特征合并用于模型训练，随后使用SVM和GRU进行分类。实验证据表明，FBC和DWT特征的组合显著改善了所有评估模型（包括NB、KNN、SVM和GRU）的分类结果。本文描述的方法有可能以高达97.8%的效率准确诊断患者的心脏疾病。
心血管疾病作为全球首要死因，其早期诊断至关重要。听诊法借助电子听诊器记录心音图（PCG）信号，为分析心脏功能提供了基础。然而，传统听诊依赖医生经验，且PCG信号分析面临特征提取不全面、数据集规模有限等挑战。为此，研究人员利用PASCAL Classifying Heart Sound Challenge 2011数据集（包含1000个.wav文件，分为正常、杂音、额外心音和伪影四类，每类250个），旨在通过混合特征提取技术结合多种机器学习模型，提升心音分类的准确率。该研究发表在《Franklin Open》上，其结论表明，所提方法有望实现高达97.8%的诊断效能。
关键技术方法方面，研究人员采用离散小波变换（DWT）和滤波器组系数（FBC）从PCG信号中提取特征，采样率设为4410 Hz，FBC特征维度为19，DWT特征维度为24。分类器包括支持向量机（SVM，采用RBF核，C=10，γ=0.01）、朴素贝叶斯（NB，高斯变体）、K近邻（KNN，基于质心位移，K=3）和门控循环单元（GRU，两个隐藏层，100个epoch，batch size 60，学习率0.003）。所有模型均采用十折交叉验证，80%数据用于训练，20%用于测试。
研究结果部分，基于FBC特征的初步结果显示，SVM准确率为89.9%，GRU为84.8%，NB和KNN分别为79.9%和77.3%。参数优化后，准确率分别提升至SVM 92.1%、GRU 87.9%、NB 84.2%、KNN 82.4%。基于DWT特征的结果显示，SVM准确率达91.8%，KNN为90.7%，GRU为86.9%，NB为83.1%，其中SVM和KNN的F1分数分别达到98.6%和97.8%。基于FBC和DWT组合特征的结果最为显著：SVM准确率高达97.9%，F1分数为98.9%；KNN准确率为96.6%，F1分数为98.2%；GRU准确率为94.8%，F1分数为97.7%；NB准确率为91.3%，F1分数为96.7%。实验表明，组合特征优于单一特征，SVM在该数据集上表现最佳，而GRU因数据集较小未能充分发挥其深度学习优势。
在讨论部分，研究人员指出，FBC与DWT特征的融合有效整合了时频域信息，显著提升了分类性能。尽管模型表现优异，但仍存在局限性：数据集规模较小可能导致过拟合，且实际临床环境中的噪声、设备差异和患者运动等干扰因素未充分模拟。结论部分翻译如下：心音图（PCG）信号包含心脏瓣膜活动周期中的关键信息，有助于早期心脏病诊断。本研究引入FBC和DWT特征提取技术，以更高精度检测一个正常和三种异常心音类别。尽管所提模型展示了最优性能，但仍需考虑若干局限性。结果数据表明性能显著提升，可为临床听诊评估提供辅助，但进一步优化仍有空间。扩大数据集并创新特征管理可能带来更佳结果。虽然数据库规模相对较小，但为评估模型可行性提供了实质性内容，并在一致条件下实现了可控实验。然而，较小数据集自然增加了过拟合风险，因为深度学习模型可能学习训练样本特有的模式而非泛化特征。另一个重要不足涉及临床部署。真实环境中的记录设备变化、环境噪声和患者移动等挑战均可能影响信号质量。这些考虑为未来工作提供了方向，并凸显了模型在现有约束下的潜力。
