心臟聽診是先天性心臟病（簡稱：先心病，CHD）初診和篩查的主要手段。本文對先心病心音信號進行分析和分類識別研究，提出了一種基于卷積神經網絡的先心病分類算法。本文算法基于臨床采集的已確診先心病心音信號，首先采用心音信號預處理算法提取并組織一維時間域上心音信號的梅爾系數轉變成二維特征樣本。其次，以 1 000 個特征樣本用于訓練和優化卷積神經網絡，使用自適應矩估計（Adam）優化器，獲得了準確率 0.896、損失值 0.25 的訓練結果。最后，用卷積神經網絡對 200 個心音信號樣本進行測試，實驗結果表明準確率達 0.895，靈敏度為 0.910，特異度為 0.880。同其它算法相比，本文算法在準確率和特異度上有明顯提高，證實了本文方法有效地提高了心音信號分類的魯棒性和準確性，有望應用于機器輔助聽診。
心音自動分類技術在先天性心臟病的早期診斷中占有重要地位。本文在不依賴對心音按心動周期進行準確分割的基礎上，提出一種基于子帶包絡特征和卷積神經網絡的心音分類算法。首先對心音信號進行分幀，其次用伽馬通濾波器組對幀級心音信號進行濾波從而得到子帶信號，然后用希爾伯特變換提取子帶包絡并將經過后續處理的子帶包絡堆疊成特征圖，最后使用Ⅰ型與Ⅱ型卷積神經網絡進行分類，經實驗證明該特征在Ⅰ型卷積神經網絡上能達到較優效果。本文用采集的1 000例心音樣本對本文算法進行測試，測試結果表明，本文提出的算法對比其它同類算法的整體性能有明顯提升，期望通過本研究可為先心病的自動分類提供新的方法，并加快心音自動分類技術應用于實際篩查的進程。
本文介紹了一種心音信號預處理新方法,利用小波變換對心音信號進行多層分解,對分解后的每層進行雙參數閾值去噪,最后對閾值處理得到的層進行重構,以達到濾波的目的。對重構后的心音信號,分別采用了小波變換、希爾伯特-黃變換(HHT)、數學形態學、歸一化平均香農能量等算法進行包絡提取,對提取后的包絡作了初步分析,并對每種算法提出改進方案。用以上方法對隨機選取的30例原始心音數據進行預處理,得到了滿意的結果。利用改進后的方法進行了包絡提取,所提取的包絡與原信號有很高的吻合度,不論是低頻部分還是高頻部分的信息均能很好地反映,原信號的更多信息得到了保留。
心音分割指對所獲取的心音信號按心動周期對收縮期、舒張期等進行分隔，是進行心音分類前的關鍵步驟。針對不依賴心電圖對心音信號直接分割準確度有限的難題，提出了一種基于持續時間隱馬爾可夫模型的心音分割算法。首先對心音樣本進行位置標注；然后采用自相關估計法對心音的心動周期持續時間進行估計，通過高斯混合分布對樣本的狀態持續時間進行建模；接著通過訓練集信號對隱馬爾可夫模型進行優化并建立基于持續時間的隱馬爾可夫模型（DHMM）；最后使用維特比算法對心音狀態進行回溯得出 S1、收縮期、S2、舒張期。使用 500 例心音樣本對本文算法性能進行測試，平均評估精度分數（F1）為 0.933，平均靈敏度為 0.930，平均精確率為 0.936。同其他算法相比，本文算法各項性能指標均有明顯提升，證實了該算法具有較高的魯棒性和抗噪聲性能，為臨床環境下所采集心音信號的特征提取與分析提供了一種新方法。
心音分析對先心病早期診斷具有重要意義。本文不依賴分割心動周期，提出一種基于費希爾判別升半正弦函數（F-HRSF）改進的梅爾頻率倒譜系數（MFCC）和集成決策網絡的心音分類算法。首先對心音信號進行分幀加窗得到幀處理的心音信號，然后提取其MFCC特征。考慮到MFCC子帶分量的權重問題，根據各子帶分量的費希爾判別比值重構升半正弦函數，計算出貢獻系數用于加權。本文分類模型采用卷積神經網絡（CNN）、長短時記憶網絡（LSTM）和門控循環單元（GRU）三種網絡集成，最后通過多數投票算法得出二分類結果，準確率、靈敏度、特異度、修正準確率和F得分分別為92.15%、91.43%、92.83%、92.01%和92.13%。結果說明本文算法在先心病早期篩查中具有較大潛力。