《Diagnostics》：Entropy-Based Phonocardiogram Classification Using Continuous and Synchrosqueezed Wavelet Transforms: A Systematic Comparison
编辑推荐：
背景/目标：心脏听诊是识别心血管异常的重要方法，但传统方法受检查者依赖性和灵敏度限制。心音图（PCG）的自动分类具有应用于标准化心脏筛查的潜力，但仍需处理信号非平稳性和判别性特征提取问题。研究人员开发了一个整合小波分析与基于熵特征的计算框架，用于区分正常与异常
背景/目标：心脏听诊是识别心血管异常的重要方法，但传统方法受检查者依赖性和灵敏度限制。心音图（PCG）的自动分类具有应用于标准化心脏筛查的潜力，但仍需处理信号非平稳性和判别性特征提取问题。研究人员开发了一个整合小波分析与基于熵特征的计算框架，用于区分正常与异常心音。方法：研究采用PhysioNet Computing in Cardiology Challenge 2016数据库。信号处理包括重采样、零相位巴特沃斯带通滤波（20–800 Hz）和中位数绝对偏差归一化。通过连续小波变换（CWT）和同步挤压连续小波变换（SS-CWT）使用解析Morlet小波生成时频表示。计算多种熵度量，包括香农熵、Rényi熵、Tsallis熵、谱熵、排列熵和样本熵，全局计算以及跨四个生理学频带（20–80、80–200、200–400、400–800 Hz）。使用带Dropout的正则化多层感知器进行分类。评估采用分层5折交叉验证，以记录级划分防止数据泄漏。结果：使用标准CWT和800 Hz带宽的最优配置在测试集上达到AUROC 0.972、平衡准确率0.915，并在90%特异性下保持96%灵敏度。与预期相反，标准CWT优于同步挤压CWT，AUROC优势为+0.038。此外，频带特异性熵分析提供了最大的性能贡献，AUROC提升+4.1%，确认了频率定位的病理特征。结论：该方法展示了传统小波分析与熵工程相结合如何达到最先进性能，同时保持计算效率（1.2秒提取和分类）和可解释性，为资源有限环境下的即时心脏筛查提供了实用潜力。
论文解读文章
研究背景与问题：心血管疾病是全球主要死因，心音图（PCG）作为一种非侵入性、低成本的筛查工具，可记录心脏机械活动产生的声学信号。然而，传统听诊高度依赖医师经验，存在显著观察者间变异，且环境噪声进一步降低判别能力。现有自动分类方法中，深度学习模型虽表现优异，但需大量训练数据、计算资源，且缺乏可解释性；基于特征工程的方法（如梅尔频率倒谱系数、小波分解系数）部分透明，但难以充分捕获心音信号的非平稳性。信息论熵度量（如香农熵、Rényi熵、Tsallis熵等）已被证明在脑电图、心律变异等生理信号中有效，但将其与小波时频分析结合用于心音分类尚缺乏系统性比较。本研究旨在通过控制实验对比连续小波变换（CWT）及其同步挤压变体（SS-CWT）在熵特征提取中的表现，并评估频带特异性熵的贡献，从而开发一种高效、可解释的PCG分类框架。论文发表在《Diagnostics》。
关键技术方法：研究人员采用PhysioNet Computing in Cardiology Challenge 2016数据库（包含3240条记录，来自六个采集源）。主要技术包括：（1）信号预处理：重采样至2000 Hz、零相位巴特沃斯带通滤波（20–800 Hz）、中位数绝对偏差归一化、基于包络的脉冲尖峰抑制；（2）时频表示：使用解析Morlet小波生成标准CWT和同步挤压CWT（SS-CWT）的功率谱图，并应用对数压缩和L1归一化；（3）熵特征提取：计算全局熵（香农、Rényi、Tsallis、谱熵）及四个生理频带（20–80、80–200、200–400、400–800 Hz）的频带特异熵，以及时域复杂度度量（排列熵、样本熵、包络熵）；（4）分类器：正则化多层感知器（MLP，128-64-1结构，Dropout率0.3，L2正则化），以窗口级训练、记录级概率平均评估；（5）评估方案：分层5折记录级交叉验证，防止数据泄漏，报告AUROC、平衡准确率、灵敏度/特异性等。
研究结果：
**4.1 实验设计**：采用12种配置（2种时频表示×3种熵特征集×2种带宽），通过五折交叉验证比较。
**4.2 最优配置**：使用CWT、800 Hz带宽、全局+频带+时域熵特征（20个特征）的配置在测试集上达到AUROC 0.972、平衡准确率0.915，且在90%特异性下灵敏度为96%，表明该模型在筛查场景中假阴性率低。
**4.3 消融研究I：时频表示**：CWT在所有配置中均优于SS-CWT，平均AUROC优势+0.038。标准CWT的较宽能量分布比SS-CWT的集中脊线提供更可区分的熵描述符，因SS-CWT的锐化可能丢失谐波关系并增大对瞬态伪影的敏感性。
**4.4 消融研究II：熵特征贡献**：加入频带特异性熵特征使AUROC提升+4.1%（从0.931到0.972），为最大贡献，表明不同频带（20–80 Hz基础心音、80–200 Hz谐波、200–400 Hz杂音、400–800 Hz高频瞬态）捕获病理特异性频谱特征。时域复杂度特征进一步贡献+0.007 AUROC，但作用较小。
**4.5 消融研究III：频率带宽**：将带宽从600 Hz扩展至800 Hz带来一致的小幅提升（AUROC平均+0.003），且仅当结合频带分析时有效，表明高频段（400–800 Hz）包含诊断信息（如分裂音、瓣膜瞬态）。
**4.6 基线比较**：MLP与XGBoost在最优配置下均达到AUROC 0.972，但MLP的平衡准确率更高（0.915 vs 0.882），且灵敏度（0.960）优于XGBoost（0.800），更适合筛查场景。逻辑回归显著较差（AUROC 0.907）。
**4.7 视觉性能分析**：ROC曲线和混淆矩阵显示模型在测试集上96%灵敏度、87%特异性；错误分析表明大多数误分类为近阈值，且假阴性极少（5例），均来自单一采集源，提示记录条件差异是残留误差来源。
讨论总结：
主要发现是标准CWT优于SS-CWT，归因于CWT的频谱平滑保留谐波关系、对伪影更鲁棒，且熵度量更偏好分布展宽。多频带熵分析确认病理信号在特定频率范围内呈现独特特征，与临床听诊实践一致。该方法具有临床筛查潜力：1.2秒处理时间、高灵敏度操作点（96%敏感性）、可解释的频带熵特征，适合资源有限环境。局限性包括：仅基于单一数据集（PhysioNet/CinC-2016），需外部多中心验证；仅进行二分类（正常/异常），无法区分具体病理；MLP决策过程仍欠透明。未来方向包括：外部验证、多类病理分类、与专家听诊的前瞻性对比。
研究结论翻译：
本研究建立了一种计算高效的自动心音图分类方法，整合了小波时频分析与信息论特征提取。在PhysioNet/Computing in Cardiology Challenge 2016数据集（3240条记录）上的评估表明，最优配置（连续小波变换，800 Hz带宽，多尺度熵特征）在测试集上达到AUROC 0.972、平衡准确率0.915，并在90%特异性下保持96%灵敏度，与最先进的深度学习方法相当，但使用的特征数显著更少（20个 vs 数千个参数）。系统的消融研究得出三个主要结论：标准CWT始终优于同步挤压CWT，平均AUROC优势+0.038，表明频谱平滑比激进的频率定位更能捕获诊断相关的谐波关系；频带特异性熵分析提供了最大的性能贡献（AUROC提升+4.1%），确认心脏病理在生理学频段上表现出独特特征；将带宽扩展至800 Hz可捕获传统听诊范围之外的高频瞬态特征。该方法满足临床筛查需求：1.2秒特征提取支持实时部署，可解释的熵特征增强临床信任。然而，局限性包括仅基于特定数据集验证（需外部泛化研究）、二分类框架无法区分具体病理、神经网络虽输入特征可解释但决策过程仍欠透明。
