摘要
心脏病是导致许多人死亡的主要原因之一，早期检测的一个经济有效的方法是通过听诊器收集心音，或更好地，录制后使用模型进行分析。本项目为二分类任务：分析某人的心跳短片并判断其是否正常。我们保持卷积神经网络（CNN）模型不变，仅调整了将原始音频转换为图像的方式。
我们尝试了三种方法：常规的对数梅尔谱图、PCEN（逐频率归一化）以及多分辨率版本（结合不同窗口大小的谱图）。在相同的设置下，我们对PhysioNet 2016心音数据集进行测试，使用相同的模型、优化器和随机种子。
结果显示，三种方法在捕捉异常案例方面表现良好（灵敏度约为0.95），但PCEN和多分辨率版本在官方PhysioNet准确度指标上稍微超过了普通对数梅尔谱（分别为0.915和0.916，相比之下普通对数梅尔谱为0.910）。此外，我们还使用Grad-CAM分析模型的关注点，发现其主要集中在S1和S2心音所在的低频区域，表明模型确实学习到了有价值的特征。
博主点评： 本研究展示了不同谱图处理方法对心脏病检测的影响，PCEN和多分辨率方法的优越性提供了新的思路，未来可能在临床应用中发挥重要作用。结合模型可解释性分析，增强了对深度学习在医疗领域应用的信心。