《Agronomy》：TriFusion-PCGNet: A Hybrid Multi-Branch Deep Learning Network for Energy-Aware Normal/Abnormal Heart Sound Classification
编辑推荐：
背景与目标：心血管疾病仍是全球主要死亡原因，早期诊断是关键。心音图（PCG）信号提供了一种无创且低成本的心脏评估手段，但准确判读需临床专家经验。本文提出TriFusion-PCGNet，一种用于自动化心音分类的混合多分支深度学习框架。方法：该方法在Physio
背景与目标：心血管疾病仍是全球主要死亡原因，早期诊断是关键。心音图（PCG）信号提供了一种无创且低成本的心脏评估手段，但准确判读需临床专家经验。本文提出TriFusion-PCGNet，一种用于自动化心音分类的混合多分支深度学习框架。方法：该方法在PhysioNet/Computing in Cardiology Challenge 2016数据集上评估。三种互补的PCG表征——原始信号、带通滤波信号与希尔伯特包络（Hilbert envelope）信号——分别通过专用特征提取分支处理，采用残差卷积网络、膨胀残差卷积以及带时序注意力机制的双向门控循环单元（BiGRU）。提取的特征融合后由全连接层分类。性能采用原始训练-验证划分与分层10折交叉验证评估。结果：在严格分离的录音级10折交叉验证协议下，TriFusion-PCGNet取得90.87%平均准确率与95.34% AUC，外测试折独立于训练与模型选择。受试者级分析显示性能显著下降，强调受试者无关评估对患者级泛化的重要性。结论：TriFusion-PCGNet整合互补PCG表征实现自动化正常/异常心音分类；但受试者无关性能大幅降低表明录音级结果不应被解释为具备患者独立泛化能力，需在独立受试者标注数据集上进一步验证。
研究背景与动机
心血管疾病是全球死亡首要原因，早期筛查至关重要。心音图（PCG）以无创、低成本方式反映瓣膜活动与血流机械事件，但人工听诊受检查者经验、环境噪声与记录质量影响。传统机器学习依赖手工声学特征，而深度学习虽直接从波形或时频表征学习，仍存在三方面局限：单一信号表征难以覆盖PCG非平稳特性；单流架构无法兼顾局部声学模式与长程依赖；Softmax分类器在重叠分布下区分力有限。此外，多数公开研究在录音级划分下报告高性能，但同一受试者多段录音跨训练/测试集泄露会导致泛化性误判。研究人员据此开展一项面向能量感知的多表征融合研究，提出TriFusion-PCGNet，并在PhysioNet/CinC 2016数据集上系统评估录音级与受试者级性能差异。
主要技术方法
研究人员采用PhysioNet/CinC 2016的3240条WAV格式PCG录音（经去重审计后全数来自训练子集，含2575正常、665异常），对其中490条具可靠受试者编号者另做受试者无关分析。预处理统一重采样至2000 Hz、截断或零填充至5 s（10000采样点）、振幅归一化至[-1,1]、25–400 Hz四阶Butterworth带通滤波、Hilbert变换取包络并再归一化，形成原始/滤波/包络三路同步输入。三分支分别用残差1D-CNN（核15/11/7）、膨胀残差卷积（膨胀率1/2/4）、Conv1D+BiGRU+时序注意力提取128维特征，拼接为384维后经批归一化与Dropout全连接层+Sigmoid输出。训练用Adam（lr=1e-4，batch=16，150 epoch，BCEWithLogitsLoss），严格分层10折中外测试折完全隔离于训练与模型选择，重复3次随机种子（42/123/2024），并以内部验证折选最优检查点。
研究结果
- 4.
实验与消融研究
在录音级严格分离10折下，三跑平均准确率90.87±0.17%、ROC-AUC 95.34±0.30%、PR-AUC 82.43±0.65%、平衡准确率85.71±0.70%、MCC 0.719±0.007，特异度94.47%高于敏感度76.94%，显示正常类更易判对。校准ECE约0.063、Brier约0.076，概率输出较可靠。t-SNE显示三分支嵌入类间重叠各异，融合后异常类聚集增强。
4.1 受试者无关评估与录音级比较
在同批490条（106受试者）上，录音级10折ROC-AUC 79.56%、平衡准确率67.91%；受试者无关10折骤降至ROC-AUC 50.31%、平衡准确率49.20%、MCC -0.017、敏感度17.31%。证明录音级指标高估泛化，受试者泄露是PCG分类常见乐观偏倚来源。
4.2 信号时长敏感性
全录音多窗口（5 s滑窗平均）相较首5 s单窗口，准确率90.87%→91.49%，敏感度76.94%→79.10%，平衡准确率85.71%→86.90%；10–30 s时长组表现最佳（准确率97.98%）。说明利用整段录音可小幅提升异常召回。
4.3 消融研究
去BiGRU比去注意力掉点更多（平衡准确率79.71% vs 81.22%），证实时序建模贡献大；Raw+Envelope双分支仍逊于三分支全模型；参数匹配单CNN或三通道单CNN在敏感度/平衡准确率上均不及全模型；拼接融合优于均值融合。模型总参0.688 M、2.003 GFLOPs、单条推理5.9 ms，属紧凑型多分支权衡设计。
讨论部分总结
研究人员将TriFusion-PCGNet与既往CinC 2016方法对照，指出本文数值准确率（90.87%）低于部分文献报告的95%–99%，但那些研究多未采用外测试折完全隔离+多种子复现的保守协议，故不能直接排序。本文贡献在于以多确定性表征（原始/带通/包络）替代单输入，以异质分支替代同构骨干，并以严格隔离评估暴露录音级泛化假象。局限包括：仅二分类正常/异常而非具体瓣膜病诊断；未做外部与前瞻性验证；50/60 Hz工频在25–400 Hz通带内未被陷波消除；全量3240条缺完整受试者编号致全数据集受试者无关CV不可行。
结论部分翻译
本研究提出TriFusion-PCGNet，一种基于PCG信号的混合多分支深度学习架构，用于自动化正常/异常心音分类。该框架同时处理同一PCG信号的三种互补确定性表征——原始波形、带通滤波信号与希尔伯特包络，由专用分支结合残差卷积、膨胀卷积、双向循环建模与时序注意力提取特征并融合分类。在PhysioNet/CinC 2016上，严格分离分层录音级10折交叉验证取得平均准确率90.87%、AUC 95.34%；各外测试折均隔离于训练与模型选择。额外受试者级敏感分析显示性能显著下降，故主结果应视为录音级分类估计而非患者独立泛化证据。该框架证明多表征融合可有效支持自动化心音分类，但未确立疾病特异性诊断能力，临床转化前需在独立人群、设备与位点下做外部与前瞻性验证。
