心音信号是人类身上存在的一种生物信号,通过分析心音信号的特点,可以帮助人们检测和监控心脏的健康问题。同样,作为一种可判断疾病的生物信号,一直以来被人们所研究,因此本文也是在这背景之上进行研究的。在传统的心音研究的算法中,出现了许多的算法,其中包括预处理算法,提取成分算法等。本文以心音分类为目的,在分类器上使用目前主流用在图像、生物信号上的卷积神经网络(CNN),并且将CNN与心音特征提取方法结合,提出一种心音神经网络的设计方法。在心音信号的研究过程中,在心音的处理上有两个基本方法:提取心音成分的方法和提取心音周期的方法。在目前的研究中,大部分研究者采用提取心音成分的方法。在提取心音成分的方法中,又以人工标记成分的效果最好。但人工标记存在工作量大、成本高的缺点,而在自动提取心音成分的方法中,由于异常和正常心音的差异性,导致难以设计一种对所有心音信号都能准确提取心音成分的方法。对于提取心音周期的方法而言,因为正常心音是一种准周期信号,一般上使用完整的心音周期来作为心音的特征表征方式。但是若要提取心音周期,那么对心音数据的长度就有一定的要求,既能反映心音周期性特征,又不会使得数据量太大。结合上述两种基本方法,为分析和解决当中存在的问题,因此本文分别采用了单周期和多周期特征表征的方法。在单周期的前提下,使用心音周期特征提取方法将心音信号按周期提取,根据心音的相关性大小来评价一个心音周期的长度,因此本文使用心音包络的自相关函数来提取心音周期。同时,心音也是一种时频域的信号,因此声谱图可以作为心音特征的二维表征形式,又根据信号无损的思想,提出了以心音周期为内容来设计的心音声谱图。在多周期的前提下,作为可以提供心音周期提取依据的自相关函数,其本身也包含有心音的周期性特征,并且正常心音的周期性较强,异常心音的周期性较弱,因此可以通过观察整个心音录音的自相关函数来判断心音信号的性质。然后在上述两种心音特征表征的基础之上,设计心音神经网络来对心音的特征进行归纳,将心音声谱图和心音自相关函数图作为心音神经网络的输入。通过训练、测试、对比和分析,得出了适合于心音声谱图的神经网络结构。综上所述,本文是以心音周期特征提取为研究基础,设计心音神经网络来解决心音识别分类的问题。本文研究心音信号的预处理、特征提取方法以及心音神经网络的结构结构设计,从数学的定义出发,到实验方法的推导,深入研究了心音周期提取方法,心音神经网络的设计方法和心音神经网络的运算机制。通过心音的周期提取方法,可以得到97.33%的周期提取准确率。而心音声谱图在心音神经网络上获得了测试集96.16%的准确率,特异性为0.8800,敏感度为0.9100,修正准确率为89.50%;心音自相关函数图在心音神经网络上获得了验证集100%的识别率,在测试集上特异性为0.8667,敏感度为0.9375,修正准确率为90.21%。这两种特征表征方式结合心音神经网络所得到的修正准确率分别比Physio Net/Cin C Challenge 2016的最好成绩高了3.48%和4.19%。