心血管疾病(CVDs)是全球范围内的主要死亡原因之一，早期检测对于降低其死亡率至关重要。然而，传统的心脏听诊方法依赖于医生的主观判断，其敏感性和准确性存在较大差异。这种不一致性推动了对心脏评估自动化方法的需求。心音图(PCG)作为记录心脏机械活动的重要工具，包含了关于心脏瓣膜功能的关键信息，被广泛用于诊断心律失常、瓣膜疾病和心力衰竭等病症。准确分割心音图中的第一心音(S1)和第二心音(S2)是进行有效心音分析和解释的关键步骤。
以往的心音分段方法主要依赖于经典的信号处理技术，如小波变换、希尔伯特变换等，或是基于隐马尔可夫模型(HMM)及其变体。尽管这些方法在受控环境下有效，但在处理存在高患者间变异性、不同心率或信号质量较差（尤其是在病理情况下）的信号时，常常面临挑战。近年来，受图像分割启发的深度学习方法显示出利用深度神经网络在同步心电图(ECG)支持下进行逐点PCG分割的潜力。然而，逐点分类方法存在对瞬时信号变化敏感、可能导致噪声预测和过拟合的问题。现有方法通常需要引入后处理步骤（如HSMM）来强制时间一致性和生理合理性，这增加了模型的复杂性。
为了解决上述问题，本研究团队提出了一种新的思路：不再对每个时间点进行独立分类，而是直接检测心音段的起始和偏移点。这种方法将分割任务简化为两个更简单的顺序检测任务：首先判断给定信号窗口内是否发生心脏状态转换，然后定位已识别转换的时间位置。这种方法简化了任务，专注于关键的过渡点，固有地捕获了信号的时间结构，并降低了对噪声的敏感性。
为了验证这一思路，研究人员开发了一种联合分类器-回归器架构。该模型利用同步记录的PCG和ECG信号，其中ECG信号的关键点（R峰和T波）被提取并作为软时间线索输入模型，以利用电活动与机械声音之间的生理关联。模型的核心包含两个主要部分：一个分类头用于预测四种转换类型（舒张期→S1、S1→收缩期、收缩期→S2、S2→舒张期）的存在概率，一个回归头用于估计它们各自在窗口内的位置。为了增强模型在ECG信号受噪声污染时的鲁棒性，还引入了一个独立的仅使用PCG信号的分类路径。最终的概率输出是融合模型和PCG-only模型预测的平均值。模型使用加权分类损失（二元交叉熵）和回归损失（均方误差）的组合进行训练。
在推理阶段，模型对长的PCG-ECG记录进行重叠窗口处理。为了将多个窗口的预测结果组合成与原始信号对齐的一致分割掩码，研究团队提出了一种自适应拼接算法。该算法利用统计共识和生理约束来提高转换检测的可靠性，强制执行心脏声音状态的规范循环顺序，并合并相同类型连续转换之间的最小间隔（>50 ms），通过共识确认、冻结期和自适应阈值等机制来确保生理合理性。
本研究在公开可用的PhysioNet/CinC 2016挑战赛训练集的一部分——麻省理工学院心音数据库(MITHSDB)上进行了评估。该数据集包含121名受试者在各种临床和非临床条件下的同步ECG和PCG记录，涵盖了正常心音以及二尖瓣脱垂、良性杂音和主动脉疾病等病理状况。信号经过预处理（重采样至1 kHz，并应用带通滤波），R峰和T波位置使用NeuroKit2库自动提取。实验采用10折交叉验证方案。
评估结果表明，该提出的方法在 midpoint 分割准确度（灵敏度Se=0.974，阳性预测值PPV=0.977）上优于现有的最先进方法（如Early-Fuse和DL U-net）。对四种心脏状态转换的分类性能也表现出色，精确度、召回率和F1分数均较高。更重要的是，新提出的onset/offset时间偏移误差度量显示，对于正确预测的状态，其平均绝对定位误差在10.70至13.31毫秒之间，远小于典型的心音持续时间以及 midpoint 分割度量中使用的60毫秒容差，这表明了其精确边界检测的临床相关性。
在讨论部分，作者强调了将PCG分割重新表述为关键点检测任务的优势，它带来了更平滑、更稳定的学习过程，不仅提高了检测精度，而且产生了较低的过渡点定位误差。同时，作者也指出了当前广泛使用的基于 midpoint 的评估指标的局限性，它们可能掩盖某些类型的误差（如边界对齐错误），因此建议将 onset/offset 时间偏移误差作为补充度量，以提供更全面的性能评估。
该研究也承认了一些局限性，包括对ECG噪声的敏感性、窗口边界附近的预测精度降低、目前仅检测S1和S2心音（未考虑S3、S4或病理杂音）以及模型参数数量对资源受限设备部署的挑战。未来的工作将着眼于提高对ECG噪声的鲁棒性、探索更复杂的边界细化方法、扩展到异常心音检测以及模型压缩和优化。
综上所述，这项研究提出了一种新颖且高效的心音分段框架，通过专注于检测心音段的起始和偏移点，并结合ECG信息，在准确性和时间精度方面均取得了显著提升。该方法具有通用性，为整合其他信号（如心震图FCG）进行心音分段以及扩展到其他生理信号（如呼吸音、血压波形）提供了新的机会。该研究成果已发表于《IEEE Transactions on Biomedical Engineering》，对推动心脏疾病的自动诊断技术发展具有重要意义。
打赏
