《Frontiers in Physiology》：An empirical comparison of deep CNN architectures for heart sound classification from phonocardiogram signals
编辑推荐：
心脏病仍然是世界头号杀手，这使得低成本早期筛查成为优先事项。心音图(PCG)是对心脏产生声音的简单记录，可为心脏杂音和瓣膜缺陷等情况提供有价值的线索，并且可以使用数字听诊器廉价记录。由于专科医生可及性较低，心音的自动分析更适合筛查和远程医疗环境。研究人员在这项
心脏病仍然是世界头号杀手，这使得低成本早期筛查成为优先事项。心音图(PCG)是对心脏产生声音的简单记录，可为心脏杂音和瓣膜缺陷等情况提供有价值的线索，并且可以使用数字听诊器廉价记录。由于专科医生可及性较低，心音的自动分析更适合筛查和远程医疗环境。研究人员在这项工作中比较了五种深度卷积神经网络(CNN)，即LeNet5、AlexNet、VGG16、ResNet-50和混合LSTM-CNN，用于区分正常与异常心音。在进入网络之前，每条录音被转换为对数梅尔语谱图(log-Mel spectrogram)，并以五种不同学习率(1e-2、1e-3、5e-4、1e-4和5e-5)训练每个模型。PhysioNet/CinC Challenge 2016数据库为所有实验共用，去除重复后提供3,240条录音。全程执行无泄漏协议：通过音频内容哈希检测精确重复，并按患者独立划分，这在该数据集上足以防止多个网络达到误导性的100%准确率。研究人员报告了准确率、AUC、敏感性、特异性、F1分数和马修斯相关系数(MCC)。在五折交叉验证下，VGG16达到最高平均准确率(91.94%±1.59，AUC 0.968，MCC 0.745)，略高于ResNet-50(90.93%±1.09)；McNemar检验确认领先架构之间的差异无统计学显著性(p=0.31)，因此两者被报告为并列最强。消融研究表明，频谱增强而非ImageNet预训练是决定性设计选择，且每个模型在学习率1e-2时均失败。在CirCor DigiScope 2022数据库上的外部验证表明，零样本跨数据集迁移表现处于随机水平，而重新训练的流程超过多数类基线，这强调了单数据集结果可能严重高估现实世界泛化能力。
**深度CNN架构在心音分类中的系统比较与无泄漏评估**
**一、研究背景与问题**
心脏病持续位居全球死因首位。世界卫生组织统计显示，2022年约1980万人死于心血管疾病，占当年全部死亡人数的约32%，其中超过四分之三发生在缺乏专科心脏病医生和影像设备的中低收入国家。听诊是检查心脏健康最古老且成本最低的手段，但依靠人耳判断具有高度主观性，结果取决于听诊者的经验，难以扩展至大规模筛查。通过心音图(PCG)记录心音可在一定程度上解决该问题，因为信号可以被存档、共享和客观分析。传统自动分析系统多采用手工特征描述符（如时域统计量、谱特征、Mel频率倒谱系数(MFCC)）配合经典分类器（如支持向量机(SVM)），但此类系统依赖精细特征工程，且对真实录音中的复杂噪声条件迁移能力差。深度学习尤其是卷积神经网络(CNN)的发展改变了这一局面——将一维声音转换为二维时频图像或语谱图后，CNN可以像读取普通图像一样读取该表示。然而，现有研究存在三项显著不足：第一，多数研究仅评估单一架构，难以在控制其他因素的前提下公平比较主要CNN家族的表现；第二，学习率作为最重要的训练超参数极少被作为独立变量系统研究；第三，数据泄漏问题几乎未被讨论——PhysioNet 2016数据库含重复和近重复录音，同一患者可贡献多个文件，若按剪辑而非患者划分或未去除重复，模型可通过识别已见内容获得虚高得分。正是针对这三点，研究人员开展了受控的系统比较研究。
**二、研究内容与意义**
研究人员在PhysioNet/CinC Challenge 2016数据库上，以严格可重复的无泄漏协议系统比较了五种代表性CNN架构（LeNet5、AlexNet、VGG16、ResNet-50和混合LSTM-CNN）在正常与异常心音二分类任务中的表现，并将学习率作为显式实验因子考察。研究发表于《Frontiers in Physiology》。其核心贡献在于：在统一流程下以六项指标（准确率、AUC、敏感性、特异性、F1、MCC）提供架构间公平比较；通过内容哈希去重与患者级划分杜绝数据泄漏；并证明评估纪律对报告性能的决定性影响。
**三、关键技术方法**
研究使用PhysioNet/CinC Challenge 2016公共数据库（含3,240条去重后录音，其中正常2,575条、异常665条）。信号重采样至2000Hz，经短时傅里叶变换(STFT)和64通道Mel滤波器组提取64×128尺寸的对数梅尔语谱图。通过音频内容哈希去除301条重复录音，按患者独立分层划分训练/验证/测试集(70%/15%/15%)。五种CNN在五种学习率(1e-2、1e-3、5e-4、1e-4、5e-5)下以Adam优化器训练，配合早停、学习率衰减、SpecAugment频谱增强和类别加权处理不平衡，以六项指标评估。
**四、研究结果**
**4.1 交叉验证分析(Cross-validation analysis)**：研究人员在最佳学习率下进行五折交叉验证以排除单一划分的随机性。VGG16取得最高平均准确率(91.94%±1.59%，AUC 0.968，MCC 0.745)，略优于ResNet-50(90.93%±1.09%)，所有模型准确率标准差均不超过0.016，表明排序结果稳定。
**4.2 统计显著性检验(Statistical significance testing)**：对领先模型在共同测试集上的配对预测应用McNemar精确检验，ResNet-50与VGG16仅在24条录音上预测不一致(p=0.3075)，差异未达0.05显著水平，故将两者报告为并列最强架构。
**4.3 消融研究(Ablation study)**：对ResNet-50移除频谱增强导致准确率下降4至5个百分点、MCC下降0.12至0.13；而ImageNet预训练的影响小且不一致，消除预训练后性能几乎不变，表明频谱增强而非预训练是决定性设计选择。
**4.4 CirCor DigiScope 2022外部验证(External validation)**：PhysioNet训练模型零样本迁移至CirCor儿科语料时，两网络的平衡准确率约0.508、MCC接近零，与随机水平无异；在CirCor内重新训练后，VGG16准确率达85.41%、AUC 0.759、MCC 0.437，超过多数类基线(0.8109)，但敏感性仅0.3246，约三分之二杂音被漏检。
**4.5 计算复杂度与部署考量(Computational complexity)**：参数量跨度近两个数量级，从LSTM-CNN的0.61M至ResNet-50的23.59M。LeNet5训练约35秒，ResNet-50约220秒。紧凑模型经8位量化TensorFlow Lite可实时运行于边缘硬件，而ResNet-50需服务器部署。
**4.6 无泄漏协议的可推广性(Applicability)**：内容哈希去重联合患者级划分可推广至心电、脑电、肺音等多模态生物医学数据集。实验表明，省略去重可使多架构在此数据集上达到虚高的100%准确率。
**4.7 局限性(Limitations)**：所有模型敏感性低于特异性；LSTM-CNN仅为轻量混合基线（2个卷积层+128单元LSTM块），不代表当前注意力或Transformer混合模型水平；CirCor可用标注编码为"存在可闻杂音"而非确诊临床结局，域偏移与标签偏移无法完全分离；消融实验每配置仅运行一次，预训练效应与运行间波动量级相近，应视为提示性证据。
**五、讨论与结论**
讨论部分指出，最高学习率(1e-2)导致LeNet5和VGG16完全崩溃（准确率0.204，AUC 0.500），AlexNet亦严重受损，凸显学习率选择的重要性。无泄漏协议下的准确率与文献中大量报道的95%以上乃至接近100%的数值形成显著对照——后者多未明确重复去除或患者独立划分措施。结论部分总结：VGG16与ResNet-50为并列最强架构；频谱增强是关键设计因素而ImageNet预训练未提供一致收益；零样本跨数据集迁移失败证实了单基准结果对现实泛化能力的严重高估。未来方向包括：采用Grad-CAM和SHAP等可解释人工智能技术可视化关键谱时区域以支持临床审计；引入注意力机制和融合STFT、Mel及小波特征的多表征输入；在分类前进行单次心跳分割；应用域自适应方法弥合跨数据集差距；以及将紧凑模型移植至边缘设备实现实时远程健康筛查。
