Diese Studie präsentiert den Beitrag unseres Teams PathToMyHeart zum George B. Moody PhysioNet Challenge 2022. Es wurden zwei Modelle implementiert. Das erste Modell ist ein Dual Bayesian ResNet (DBRes), bei dem die Aufnahmen jedes Patienten in überlappende Log-Mel-Spektrogramme segmentiert werden. Diese durchlaufen zwei binäre Klassifikationen: „vorhanden versus unbekannt oder fehlend“ sowie „unbekannt versus vorhanden oder fehlend“. Die Klassifikationsergebnisse werden aggregiert, um die endgültige Klassifikation des Patienten zu ermitteln. Das zweite Modell kombiniert die Ausgabe des DBRes mit demografischen Daten und Signalmerkmalen mittels XGBoost. Das DBRes erreichte auf dem versteckten Testset für die Murmelerkennung unsere beste gewichtete Genauigkeit von $0,771$0,771, was uns auf den vierten Platz bei der Murmertask brachte. (Bei der klinischen Outcome-Aufgabe, die wir vernachlässigt haben, erreichten wir mit Kosten von $12.637$12.637 den 17. Platz.) Auf unserer abgesonderten Teilmenge des Trainingssets verbesserte die Integration demografischer Daten und Signalmerkmale die Genauigkeit von DBRes von $0,762$0,762 auf $0,820$0,820. Allerdings verringerte sich dabei die gewichtete Genauigkeit von DBRes von $0,780$0,780 auf $0,749$0,749. Unsere Ergebnisse zeigen, dass Log-Mel-Spektrogramme eine effektive Darstellung von Herztonaufnahmen darstellen, dass Bayesian-Netzwerke eine starke Leistung bei überwachtem Klassifizieren erzielen und dass die Behandlung der ternären Klassifikation als zwei binäre Klassifikationen die Leistung hinsichtlich der gewichteten Genauigkeit erhöht.