《Diagnostics》：An Explainable Quality-Aware ECG–PCG Fusion for Cardiovascular Disease Detection Using Robust Feature Modeling
编辑推荐：
背景/目的：开发一种快速且可解释的多模态框架，利用心电图（Electrocardiogram, ECG）和心音图（Phonocardiogram, PCG）信号自动检测心脏异常。方法：通过结合ECG和PCG记录设计了一种多模态分类方案。针对每种模态，应用了定制
背景/目的：开发一种快速且可解释的多模态框架，利用心电图（Electrocardiogram, ECG）和心音图（Phonocardiogram, PCG）信号自动检测心脏异常。方法：通过结合ECG和PCG记录设计了一种多模态分类方案。针对每种模态，应用了定制的预处理以及时间和频谱特征提取。所得信息通过质量感知策略进行融合，该策略优先考虑更可靠的信号段。可解释性结果显示，模型聚焦于生理学上有意义的区域，为其预测提供了支持性的可解释性。实验在PhysioNet/CinC 2016心音数据集上进行，包括正常和病理记录，使用10折交叉验证。结果：所提出的方法实现了平均F1分数97.2%、准确率95.6%、特异性88.6%和敏感性97.7%。此外，轻量级预处理和快速特征提取流程使得完整的10折交叉验证过程仅需66秒即可完成。结论：所提出的ECG-PCG框架为自动化心脏异常检测提供了一种快速、准确且可解释的解决方案，并且似乎非常适合实时心脏筛查应用。
研究背景方面，心血管疾病（Cardiovascular Disease, CVD）是全球日益增长的健康风险，及时准确的诊断十分必要。传统诊断严重依赖单模信号且过程不便；侵入性检查虽能提供完整信息但不便且设备昂贵；低成本技术如人工智能（Artificial Intelligence, AI）辅助听诊高度依赖临床医生经验易导致误诊；常规心电图（ECG）测试虽可及且无创，但在检测某些疾病时敏感性不足易导致延误治疗。因此临床实践越来越依赖多模态检测数据如PCG、ECG和心脏彩色多普勒超声进行完整诊断。现有ECG–PCG融合方法多需复杂网络架构或耗时融合技术难以实时应用，且多采用固定加权忽略信号质量可靠性，噪声、传感器效应等会影响决策。为此研究人员开展本研究，旨在提升准确率的同时开发实用、可解释、质量感知的ECG–PCG融合框架，利用生理驱动特征并根据信号质量和置信度调整权重，发表于《Diagnostics》。
研究人员采用的主要关键技术方法如下：使用PhysioNet/Computing in Cardiology (CinC) Challenge 2016数据库，含同步ECG和PCG记录。预处理阶段ECG采用Butterworth带通滤波（0.5–40 Hz）、50/60 Hz陷波、Daubechies-6 (db6)小波去噪、1.5 s移动平均去基线及鲁棒z-score归一化，Pan–Tompkins算法检R峰；PCG重采样至2 kHz、25–450 Hz带通滤波及移动平均包络检测。特征提取包括ECG的心率变异性（Heart Rate Variability, HRV）、QRS宽度、频带功率比、小波能量及MFCC等；PCG的均方根能量、过零率、频谱质心、Mel频率倒谱系数（Mel Frequency Cepstral Coefficients, MFCCs）等并自动估计信号质量标志。分类采用模态特异梯度提升树（XGBoost），最终通过置信度和质量感知融合动态调整权重，基于外折（Out-of-Fold, OOF）后验直接训练决策阈值以满足特异性目标。
研究结果部分，在3. Experimental Works and Results中，研究人员通过Python 3.11实现，提取53个PCG特征和44个ECG特征，分别配置XGBoost参数训练并可选等渗校准。在3.1. Dataset中，使用PhysioNet/CinC 2016数据集，涵盖training-a至training-f及validation子集，正常样本816例、异常2725例，信号原始采样44.1 kHz重采样至2000 Hz，部分记录仅含PCG。在3.2. Results中，分层10折交叉验证显示ECG模型敏感性高（平均97.2%）但特异性低（平均34.1%），准确率82.7%，F1 89.6%；PCG模型平衡较好，F1 96.8%、准确率95.0%、特异性86.0%、敏感性97.7%；质量感知融合进一步优化，平均F1 97.2%、准确率95.6%、特异性88.6%、敏感性97.7%，在ECG特异性低的折次提升显著，如fold 2特异性从30.5%升至84.1%，fold 6达最优F1 98.7%、准确率98.0%、特异性95.1%、敏感性98.9%。在3.3. Ablation Study中，消融研究量化各组件贡献：PCG-only（含MFCC）F1 96.8%优于ECG-only约80.5%；简单平均融合F1 97.2%、特异性88.2%；校准融合最优F97.3%、准确率95.8%、敏感性98.2%、特异性87.9%；移除小波去噪、质量守卫或更改缩放器在ECG-only下未显著改变性能，表明其为信号调理与鲁棒控制步骤；部分折次PCG-only略高于融合，因数据集侧重心音分类，融合旨在提供自适应质量感知多模态框架而非逐折超越PCG。
讨论部分在4. Discussions中，研究人员指出框架以紧凑特征驱动融合，利用互补PCG与ECG信息并保持轻量可复现，设计围绕生理驱动描述符如PCG频谱统计与MFCCs捕捉杂音能量模式，ECG形态、频带功率比及节律变异性提供传导与速率不规则线索，双XGBoost分类器配合质量感知融合结合概率并提供噪声ECG与低能量PCG保护，分层10折协议下按目标特异性选阈值反映筛查需求。表5对比文献显示单模Chowdhury等（2018）PCG五层DNN准确率97.1%，Cheng等（2021）ECG准确率89.3%；多模Li等（2022）BiLSTM-CNN 96.1%，Chakir等（2020）92.5%，Singh等（2021）93.1%，Chandrasekhar等（2025）97.3%；本研究准确率95.6%非最高但贡献在于轻量可解释且直接纳入信号质量决策，动态结合模态预测降低噪声影响、增强信息模态贡献，应评估实用性、效率、可解释性及敏感性与特异性平衡，融合提升特异性同时保持高敏感性减少假阳性与不必要转诊，适合筛查支持工具而非独立诊断系统，轻量结构与66秒10折验证适于实时或资源受限筛查，临床需独立数据集与专家验证。在4.1. Running Time中，Intel Core i7、64 GB RAM、NVIDIA RTX 3090工作站上完整10折仅66秒，平均每折约2.2秒，单次约2秒微变至3秒源于系统调度与IO缓冲，计算需求可预测适于迭代实验与参数调优及快速重训练部署。在4.2. Explainability Analysis中，采用窗口级SHAP（SHapley Additive exPlanations）解释，短重叠窗口提取频谱与能量特征弱监督继承记录标签，训练窗口级XGBoost估计短时概率，SHAP值量化特征对异常类贡献并聚合为正重要性轨迹叠加波形热图；正常类图5显示ECG热图强调QRS综合波、PCG集中于S1和S2成分，凉色低贡献暖色高关注；异常类图6显示稀疏不规则激活，ECG高SHAP贡献对应波形畸变或心律失常，PCG聚焦强度异常或收缩舒张间期延长对应杂音或湍流，融合有效整合电与声域互补信息。在4.3. Limitations中，局限包括缺乏独立外部ECG–PCG数据集验证泛化性；PCG-only在该心音分类数据集已强，ECG贡献非理想条件下大幅提准而是补充PCG噪声低能模糊时决策；SHAP热图为定性支持解释未定量或可验证临床证据；单公开数据集性能依赖记录协议传感器质量人群，临床部署需前瞻多中心验证、专家评估、实时采集测试及明确决策阈值与不确定性处理。
结论部分在5. Conclusions中翻译为：本研究介绍了一种多模态分类框架，旨在通过质量感知融合策略合并ECG和PCG信号来自动检测心脏异常。所提出系统结合模态特定预处理与频谱–时间特征提取及基于信号可靠性的动态加权，确保即使在噪声存在下系统性能稳健。可解释性分析进一步揭示模型决策确实源于生理有意义区域如S1–S2心音区间和关键ECG波形成分，从而为模型预测提供支持性可解释性。在PhysioNet/CinC 2016数据集上实验结果产生高诊断准确率，平均F1分数97.2%和准确率95.6%且在仅66秒内完成完整10折验证——展示了所提方法的精度与效率。未来工作将扩展融合机制以容纳更多生物信号模态，重要的是探索适应不同噪声水平和记录条件的自适应注意力机制。将模型扩展到多分类任务以及嵌入式或可穿戴设备上的实时部署。此外将纳入不确定性估计与校准技术以增强临床决策支持可靠性。最后将开发结合时间显著性与特征级归因的进一步可解释性框架，以更清晰洞察ECG和PCG特征如何共同影响心脏异常检测。
需要我帮你把这篇论文解读提炼成一段适用于论文开题或文献汇报的简短摘要吗？
