多尺度小波分析助力心杂音检测：挖掘心音信号隐藏 “密码”

《Scientific Reports》：Multiscale analysis of heart sound signals in the wavelet domain for heart murmur detection

为解决心杂音检测问题，研究人员基于心音信号的缩放和复杂性属性开展研究，用多尺度特征检测心杂音，为疾病诊断提供新方向。

　　心血管疾病（CVD）是全球主要死因之一，心脏听诊是一种经济有效的筛查方法，心杂音的检测对识别和管理心血管疾病至关重要。然而，当前心杂音识别方法存在不足，深度学习（DL）模型虽在相关研究中表现出色，但存在模型复杂、可解释性差等问题，而现有基于小波变换的方法也未充分挖掘其潜力。

为了探索仅通过小波分析检测心杂音的可能性，来自美国内布拉斯加大学林肯分校和德州农工大学的研究人员开展了一项研究。研究人员提出了一套基于小波变换的多尺度特征集，用于检测心杂音，相关成果发表在《Scientific Reports》上。

研究人员用到的主要关键技术方法如下：

1. 数据来源：分析来自 Physionet 2022 的 CirCor DigiScope 数据集，该数据集包含 1568 名患者在四个听诊位置的 5282 个心音记录，其中部分数据公开，且有患者的多种信息及心音手动注释。
2. 特征提取：利用离散小波变换（DWT）分解信号，通过分析单分形特性（如计算小波谱斜率）、计算小波熵评估信号复杂性、计算多分形谱及其相关描述符（如谱模式、宽度等）来提取多尺度特征。
3. 模型构建与评估：使用 Wilcoxon 秩和检验分析特征差异，采用最小冗余最大相关（MRMR）算法对特征重要性评分，用逻辑回归（LR）、支持向量机（SVM）、K 近邻（KNN）和神经网络（NN）等分类器进行分类，通过平衡类分类和加权类分类两种方法评估模型性能，并利用网格搜索交叉验证优化超参数。

研究结果如下：

1. 心音的自相似性：分析正常和心杂音心音信号的单分形和多分形谱，发现有杂音的心音信号在单分形谱中斜率为 -1.53，无杂音的为 -1.72，表明有杂音的心音不规则性更高；多分形谱也显示出两者在谱模式、左右斜率等八个属性上存在差异1。
2. 多尺度特征的区分度：Wilcoxon 秩和检验结果表明，除多分形谱特征中的右切线和宽度外，大多数特征在正常和心杂音组间中位数差异显著，且斜率、谱模式等特征重要性较高23。
3. 杂音检测性能：平衡类分类中，NN 分类器表现最佳，准确率为 65.70 ± 3.99 ；加权类分类中，SVM 分类器表现最佳，准确率达 76.61%，且调整类权重的分类模型性能优于未调整的模型45。

研究结论和讨论部分指出，该研究提出的基于小波域心音缩放和复杂性属性的多尺度特征，为心杂音检测提供了新视角。与传统方法相比，这些特征能捕捉心音信号独特和隐藏的动态，且使用的特征数量更少、预处理更简单。不过，该方法仍有改进空间，如结合其他域特征、优化计算多尺度描述符的方法、考虑缩放的时变特性等。总体而言，该研究强调了分析心音信号自相似属性的重要性，为推进心杂音检测方法提供了新机遇，其多尺度特征有望成为自动化心杂音检测的潜在生物标志物 。