本記事では、心音（PCG）のセグメンテーションに向けた新しいフレームワーク「TopSeg」を提案しています。従来のディープラーニング手法は、大規模な専門家ラベルデータセットに依存しており、ロバスト性や適用性に制約がありました。TopSegは、トポロジー中心のアプローチを採用し、多スケールのトポロジカル特徴を用いてPCGのダイナミクスを表現します。これを軽量の時間畳み込みネットワーク（TCN）でデコードし、データ効率と一般化性能を評価するため、PhysioNet 2016データセットを用いたサブサンプリングで学習を行い、CirCorデータセットで外部検証を実施しました。結果、トポロジカル特徴は、既存のスペクトログラムやエンベロープを上回り、特にデータ予算が限られている場合に有利であることが確認されました。この研究は、ラベルデータが限られている状況での実用的なPCGセグメンテーションへの応用を支持しています。