摘要
心杂音是由血流湍流引起的声音，通常是结构性心脏病的早期征兆。这些声音通常通过听诊器进行心脏听诊检测，近年来也可通过心音图（phonocardiogram, PCG）进行捕捉。本研究旨在利用机器学习方法，基于PCG记录识别心杂音的存在、缺失或不确定情况，并预测临床结局是否正常或异常。我们基于来自1568名儿童群体的PCG数据集，训练并测试了两个一维卷积神经网络（1D CNN）模型。其中一个模型用于预测心杂音，另一个模型用于预测临床结局。两个模型均以记录为单位进行训练，最终输出结果以患者为单位进行汇总（即患者级预测）。本文介绍了我们团队Simulab参与2022年George B. Moody PhysioNet挑战赛的成果。该挑战赛的目标是从心音图中识别心杂音并预测临床结局。我们的临床结局分类模型在挑战赛中取得了12419的挑战成本得分（在39支参赛队伍中排名第14），心杂音分类模型在测试集上的加权准确率为0.593（在40支队伍中排名第30）。