通过小波散射变换与一维CNN进行心脏杂音及异常PCG检测

心脏杂音提供了关于心脏机械活动的有价值信息，有助于诊断各种心脏瓣膜疾病。本工作从心音图（PCG）记录中进行自动且准确的心脏杂音检测。利用来自Physionet在线数据库的两个公开PCG数据集（CirCor Digiscope 2022数据集和PCG 2016数据集）来训练和测试三个自定义神经网络（NN）：一维卷积神经网络（CNN）、长短期记忆（LSTM）循环神经网络（RNN）和卷积RNN（C-RNN）。我们首先进行预处理，包括以下关键步骤：去噪、分割、仅含噪声段的重新标注、数据归一化，以及使用小波散射变换对PCG段进行时频分析。然后我们进行四个实验，前三个（E1-E3）使用PCG 2022数据集，第四个（E4）使用PCG 2016数据集。结果表明，我们的自定义一维CNN优于其他两个NN（LSTM-RNN和C-RNN）。此外，在实验E3（使用清洗并重新标注的PCG 2022数据集）中，我们的一维CNN模型在准确率、加权准确率、F1分数和AUROC方面优于相关工作。至于实验E1（使用原始PCG 2022数据集），我们的模型在加权准确率和F1分数方面表现与相关工作十分接近。