目的通過深度學習技術對柯氏音的不同時相進行自動分類，從而提高不同人群血壓測量的準確率。方法本研究設計了一種融合注意力機制（Attention）、殘差網絡（residual network，ResNet）和雙向長短時記憶網絡（bidirectional long short-term memory，BiLSTM）的柯氏音時相分類模型。首先從一整段柯氏音信號中逐拍提取出單個柯氏音信號，并將每個柯氏音信號轉換為梅爾頻譜圖；然后利用Attention注意力機制和ResNet網絡對梅爾頻譜圖進行局部特征提取，用BiLSTM網絡處理特征之間的時序關系，并使用全連接層網絡對特征進行降維，最后利用SoftMax函數實現分類。數據集采自于44位志愿者（女24位、男20位，平均年齡 36 歲），并使用10折交叉驗證的方法對模型性能進行驗證。結果所建立的模型針對5類柯氏音時相的整體分類準確率為93.4%，相比其它模型具有較好的分類性能。結論深度學習方法可以準確地對柯氏音時相進行分類，為后續設計以柯氏音時相分類為基礎的自動血壓測量方法奠定了有力的技術基礎。
血管硬化是心血管疾病的獨立預測因子，柯氏音的特征與血管順應性密切相關。本研究的目的是探究基于柯氏音信號的特征進行血管硬化檢測的可行性。分別采集正常血管和硬化血管的柯氏音信號，并進行預處理，利用小波散射網絡對柯氏音信號進行散射特征提取，搭建長短期記憶網絡（LSTM）作為分類模型，對散射特征進行分類，評估 LSTM 分類模型的性能。本研究共有 97 例柯氏音信號數據，其中血管硬化組為 50 例，血管正常組為 47 例，按照 8∶2 的比例劃分為訓練集和測試集。最終分類模型的準確率為 86.4%，敏感度為 92.3%，特異性為 77.8%。研究結果表明，柯氏音信號的特征受到血管順應性的影響，利用柯氏音信號的特征進行血管硬化的檢測是可行的，本研究為無創血管硬化檢測提供了一種新的思路。