散射变换器：用于心杂音检测的无训练变换器架构

为解决心脏听诊中需要技能擅长的临床医生的问题，最近的研究努力通过自动化心脏听诊，探索了深度学习方法。大多数方法都基于监督学习，在训练数据有限的情况下始终面临挑战。更近期，越来越多的人关注了预训练的自监督音频基础模型在生物医学终端任务中的潜力。尽管这些基础模型显示出有前景的结果，但它们通常计算密集。就自动心脏听诊而言，本研究通过引入散射变换器（Scattering Transformer），一种用于心杂音检测的新型无训练变换器架构，探索了这些通用音频基础模型的轻量级替代方案。该方法利用标准小波散射网络，通过引入类似变换器的架构中的上下文依赖关系，而无需任何反向传播。我们在公开的 CirCor DigiScope 数据集上对 our 方法进行评估，直接将其与领先的通用基础模型进行比较。散射变换器实现了加权准确率（WAR）为 0.786 和非加权平均召回率（UAR）为 0.697，显示出与当代最先进方法高度竞争的性能。这项研究将散射变换器确立为资源受限环境中可行且有前景的替代方案。