pyPCG：用于 Phonocardiography 分析的 Python 工具箱

Phonocardiography（PCG）最近在低成本和远程监控方面获得了关注，包括被动胎儿心脏监测。试图利用这一机会开发分析 Phonocardiography 数据的方法，近年来已有大量算法和模型被发表。尽管已发表的算法缺乏标准化，且这些模型的多个部分不得不针对具体情况进行重新实现。包含心音录音的数据集在数据存储和标记方面也缺乏标准化，尤其是胎儿 Phonocardiography。我们 presenting 的工具箱可作为未来心音分析标准框架的基础。该工具箱包含一些最广泛使用的处理步骤，通过这些步骤可以创建复杂的分析过程。这些函数可以单独测试。由于步骤之间的相互依赖，我们使用包含50段1分钟腹部PCG录音的人工标记数据集（包括6,758个S1和6,729个S2标记）验证了当前的分割阶段。我们的结果与其他常见和可用的分割方法进行了比较，包括Neurokit2库的峰检测方法以及Springer等人提出的Hidden Semi-Markov Model。在30 ms容忍度下，我们最佳模型实现了97.1%的F1分数和10.8 +/- 7.9 ms的平均绝对误差用于S1检测。该检测准确率超过了所有测试的方法。通过该方法，可以创建更准确的S2检测方法作为多步骤过程。在准确的分割之后，提取的特征应该代表所选片段，这允许更准确的统计或分类模型。该工具箱包含用于特征提取和统计创建的函数，这些函数与前述步骤兼容。