双贝叶斯ResNet：一种基于深度学习的心脏杂音检测方法

本研究介绍了我们团队 PathToMyHeart 在 2022 年 George B. Moody PhysioNet 挑战赛中的贡献。我们实现了两个模型。第一个模型为双贝叶斯残差网络（Dual Bayesian ResNet, DBRes），将每位患者的听诊信号分割为重叠的对数梅尔频谱图（log mel spectrograms），并分别进行两项二分类任务：存在 vs. 未知或不存在，以及未知 vs. 存在或不存在。最终通过融合这两项分类结果，得出患者的最终分类结果。第二个模型则将 DBRes 的输出与人口统计学特征及信号特征相结合，采用 XGBoost 进行集成。在隐藏测试集上的杂音（murmur）分类任务中，DBRes 模型取得了 0.771 的最佳加权准确率，使我们在杂音分类任务中位列第四。而在我们忽略的临床结局预测任务中，我们的得分为第 17 名，总成本为 12637 美元。在保留的训练集子集上，引入人口统计学数据与信号特征后，DBRes 的准确率从 0.762 提升至 0.820。然而，这一改进导致其加权准确率从 0.780 下降至 0.749。我们的实验结果表明：对数梅尔频谱图是心音信号的有效表征方式；贝叶斯网络在监督分类任务中表现出较强的性能；将三分类问题拆解为两个二分类任务，有助于提升加权准确率。