🤖 AI

Classification of systolic murmurs in heart sounds using multiresolution complex Gabor dictionary and vision transformer

本文提出了一种结合多分辨率复数 Gabor 字典特征提取与视觉 Transformer 分类的自动系统，用于识别收缩期杂音，并在 CirCor DigiScope 数据集上实现了 95.96% 的分类准确率。

原作者： Mahmoud Fakhry, Abeer FathAllah Brery

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Mahmoud Fakhry, Abeer FathAllah Brery

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种利用人工智能自动识别心脏杂音的新方法。想象一下，心脏就像一台精密的泵，当它工作时，如果血液流动不顺畅（比如阀门没关紧或通道变窄），就会发出像“呼呼”或“嘶嘶”的杂音。医生通常靠耳朵听诊来分辨这些声音，但这很难，因为杂音千变万化。

这篇论文提出了一套“超级听诊器”，它由两个核心部分组成：一个极其敏锐的“声音翻译官”和一个拥有超强记忆力的“侦探大脑”。

以下是用通俗语言和比喻对这项技术的解读：

1. 核心任务：给心脏杂音“画像”

心脏杂音有四种主要形状（就像四种不同的旋律）：

钻石型 (Diamond)：声音先变大后变小，像钻石一样两头尖中间鼓。
平台型 (Plateau)：声音大小一直不变，像平坦的桌面。
递减型 (Decrescendo)：声音一开始很大，然后慢慢变小。
递增型 (Crescendo)：声音一开始很小，然后慢慢变大。

医生的挑战在于，这些声音往往很短，而且每个人说话（心跳）的“口音”都不一样，很难准确分类。

2. 第一步：声音翻译官（多分辨率复数 Gabor 字典）

传统的听诊器只能听到声音的“大概”，而这项技术的第一步是把声音拆解得极其细致。

比喻：用不同倍数的放大镜看照片
想象你有一张模糊的杂音照片。普通的分析可能只用一种放大镜看。但这项技术准备了一个**“万能放大镜工具箱”**（这就是所谓的“多分辨率 Gabor 字典”）。
- 有的放大镜专门看时间（声音什么时候开始、什么时候结束），但看不清细节。
- 有的放大镜专门看频率（声音是高音还是低音），但看不清时间。
- 这个系统会同时用8 种不同倍数的放大镜去观察同一段声音。
关键创新：复数与相位（保留“灵魂”）
以前的技术可能只记录声音的“音量”（振幅），就像只记录了照片的亮度。但这个系统不仅记录亮度，还记录了**“相位”**（声音波动的节奏和方向）。
- 比喻：就像不仅知道一个人说话声音大不大，还能听出他说话时的语调起伏和节奏感。这对于区分“递增型”和“钻石型”杂音至关重要，因为它们的节奏感完全不同。
处理多段声音：寻找共同点
如果一段录音里有好几段杂音，系统不会把它们分开孤立地看，而是强迫它们共用同一套“放大镜”。
- 比喻：就像让同一个侦探去调查同一个案件的不同线索。虽然线索（杂音片段）看起来有点不一样，但侦探会强制它们指向同一个“嫌疑人”（字典中的基础波形）。这样就能消除因为录音位置不同带来的干扰，提取出最核心的特征。

3. 第二步：侦探大脑（视觉 Transformer）

提取出的特征被转换成了像图片一样的矩阵（时间 - 频率图）。接下来，系统用了一个叫**“视觉 Transformer (ViT)"**的深度学习模型来处理这些“图片”。

比喻：拼图与全局视野
- 传统 CNN（卷积神经网络）：像是一个拿着放大镜的人，只能盯着图片的局部看，容易“只见树木，不见森林”。
- Transformer（本文使用）：像是一个拥有“上帝视角”的拼图大师。它能把整张“声音图片”切成很多小块（Patch），然后瞬间把这些小块全部联系起来。
- 自注意力机制：这就像侦探在分析线索时，能瞬间意识到“这块拼图（高频部分）和那块拼图（低频部分）虽然离得很远，但它们其实是一伙的”。这种全局关联能力让它能理解心脏杂音复杂的整体结构。

4. 实验结果：准确率高达 96%

研究人员用了一个包含数千条心脏录音的公开数据集（CirCor DigiScope）来测试这个系统。

成绩：系统识别四种杂音的准确率达到了 95.96%。
对比：它比传统的“听诊器 + 普通 AI"（如 ResNet 模型）要聪明得多，特别是在处理那些声音很少见、很难分辨的杂音时，表现依然稳健。
意义：这意味着未来的智能设备（比如手机 APP 或智能听诊器）可以非常可靠地辅助医生，甚至在医疗资源匮乏的地区，帮助早期发现心脏问题。

总结

简单来说，这项研究做了一件很酷的事：
它发明了一套**“多倍镜 + 全局脑”的组合拳。先用多倍镜把心脏杂音拆解得连最细微的相位变化都无处遁形，再用全局脑**把这些碎片拼成完整的逻辑图，从而精准地判断出心脏到底出了什么毛病。

这不仅是技术的进步，更是让 AI 像经验丰富的老医生一样，能“听懂”心脏细微语言的一次飞跃。

这是一篇关于利用多分辨率复数 Gabor 字典和视觉 Transformer (Vision Transformer, ViT) 对心脏收缩期杂音进行自动分类的研究论文。以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

临床挑战：心血管疾病是全球主要死因之一。心脏杂音（特别是收缩期杂音）是心脏异常（如瓣膜狭窄或反流）的重要指标。然而，杂音的强度、音调和音质变化很大，且常与其他心脏事件重叠，导致人工听诊和传统诊断存在主观性和局限性。
现有方法的局限：
- 传统时频分析（如短时傅里叶变换 STFT、小波变换）在处理非平稳信号和捕捉局部特征方面存在局限。
- 深度学习模型（如 CNN、RNN）虽然有效，但 CNN 难以捕捉长距离依赖，RNN 在处理长序列时效率低且难以捕捉全局上下文。
- 现有数据集（如 CirCor DigiScope）中，收缩期杂音有明确的形态学分类（菱形、平台型、递减型、递增型），但数据存在类别不平衡问题，且不同录音段之间的变异性大。

2. 方法论 (Methodology)

该系统由两个核心模块组成：特征提取模块和特征分类模型。

2.1 特征提取模块：多分辨率复数 Gabor 字典与 COMP

核心思想：利用复数正交匹配追踪 (Complex Orthogonal Matching Pursuit, COMP) 算法，将心脏杂音片段投影到一个多分辨率复数 Gabor 字典上。
多分辨率字典：字典由不同时间 - 频率分辨率的复数 Gabor 基函数组成。通过调整尺度参数 $j$ ，可以在时间分辨率和频率分辨率之间进行权衡（低 $j$ 值对应高时间分辨率，高 $j$ 值对应高频率分辨率）。
复数处理：与实数原子不同，复数 Gabor 原子保留了相位信息。相位编码了瞬时频率漂移和湍流峰值的时序，这对于区分不同形态的杂音（如递增型与菱形）至关重要。
多片段联合建模：
- 对于单个录音中的多个杂音片段，系统使用共享字典进行联合稀疏编码。
- 算法强制不同片段对应字典中相同的基函数集合（共享支撑集 $\Lambda$ ），但允许权重（幅度和相位）不同。
- 优势：这种方法有效抑制了同一录音内杂音的变异性，生成了具有一致性的时频特征矩阵。
特征重塑：将计算出的复数投影权重向量按不同分辨率重塑为二维时频特征矩阵 ( $A_j$ )，形成多分辨率的输入数据。

2.2 特征分类模型：混合 CNN-Transformer 架构

输入处理：将上述生成的 8 个不同分辨率的时频矩阵（ $A_1$ 到 $A_8$ ）分别输入到独立的分支中。
Patch Tokenization (CNN 分支)：每个矩阵通过一个专用的二维卷积神经网络 (CNN) 进行特征提取和降维，将其转换为嵌入向量（Token）。
Transformer 编码器：
- 将所有分支输出的 Token 拼接并归一化，形成嵌入矩阵。
- 输入到多头自注意力机制 (Multihead Attention) 层，以捕捉不同分辨率特征之间的全局依赖关系和上下文信息。
- 包含残差连接 (Residual Connections) 和层归一化 (Layer Normalization) 以稳定训练。
- 后接前馈网络 (FFN)，使用核大小为 1 的 CNN 进行通道变换。
输出：经过全连接层和 Softmax 层，输出 4 种收缩期杂音类型的分类结果。

3. 关键贡献 (Key Contributions)

新型特征提取：开发了基于多分辨率复数 Gabor 字典和 COMP 的特征提取模块，能够捕捉杂音内在的时频特征，并利用复数相位信息区分细微的病理差异。
多片段一致性建模：提出了一种共享字典的联合稀疏编码策略，通过强制不同片段使用相同的基函数集，有效解决了单条录音内杂音片段间的变异性问题，生成了更鲁棒的特征表示。
混合架构创新：构建了一个结合 CNN（用于局部特征提取和 Patch Tokenization）与 Vision Transformer（用于全局上下文建模）的混合分类模型，克服了传统 CNN 和 RNN 的局限性。
全面实验验证：在公开的 CirCor DigiScope 数据集上对四种形态（菱形、平台型、递减型、递增型）的收缩期杂音进行了严格的分类实验。

4. 实验结果 (Results)

数据集：使用 CirCor DigiScope 数据集，包含 4337 个专家标注的收缩期杂音片段，分为 4 类。
性能指标：
- 最佳准确率：系统达到了 95.96% 的分类准确率。
- 特异性：达到 98.43%，表明误报率极低。
- F1 分数：宏观平均 F1 分数为 81.87%。
对比分析：
- 该模型显著优于基线模型（如基于 STFT/CWT/WVD 的 ResNet 和 PCTMF-Net）。
- 相比单片段投影（Proposed I），多片段联合投影（Proposed II）进一步提升了性能，证明了共享字典策略的有效性。
- 在类别不平衡严重的情况下（特别是样本极少的“递增型”Crescendo），模型仍保持了 95.80% 的特异性和 59.10% 的 F1 分数，证明了其鲁棒性。
消融与参数分析：实验表明，多头注意力机制（Multihead Attention）能有效捕捉多样化的判别特征，且存在注意力头数与通道维度之间的权衡关系，最佳配置为 4 个头，每个头 32 个通道。

5. 意义与展望 (Significance & Future Work)

临床意义：该系统提供了一种高精度、自动化的心脏杂音诊断工具，有助于在资源有限的环境中辅助医生进行早期心脏疾病筛查。
技术价值：证明了将稀疏信号处理（Gabor 字典）与现代深度学习架构（Transformer）相结合，在处理非平稳生物医学信号方面具有巨大潜力。
未来工作：
- 在更大、更多样化的多中心临床数据集上验证模型的泛化能力。
- 扩展应用至舒张期杂音（目前数据标注较少且定义不一致）及呼吸系统病理检测。
- 优化模型架构以提高可解释性，并探索其实时部署和床旁应用的可能性。
- 与临床医生合作，完善舒张期杂音的形态学标注，以构建更全面的训练数据。

总结：该论文提出了一种创新的“稀疏表示 + 深度学习”框架，通过复数 Gabor 字典精确提取心脏杂音的时频特征，并利用 Transformer 强大的全局建模能力进行分类，在心脏杂音自动识别任务中取得了目前领先的性能。