先天性心脏病是危害我国儿童、青少年的严重心血管疾病。目前,先天性心脏病的初诊、筛查是通过专业医生借助听诊器通过心脏听诊判断受试者心音是否异常,再对疑似患者行“超声心动图”检查进行确诊。这需要丰富的临床经验,基层乡镇卫生院的医生不易掌握。目前,先心病初诊主要依靠省级医疗队下乡筛查,这需耗费大量的人力、物力、财力,且效率低,漏诊、误诊时有发生。以上诸多因素,导致许多先心病患儿不能及时得到诊断并及时治疗。为此本研究旨在开发一套基于嵌入式的便携式先心病辅助诊断设备,该设备克服了其他先心病筛查设备对网络的依赖,便于在临床初诊和大规模筛查先心病中使用。系统由STM32、Raspberry Pi和SoC-FPGA等构成,Raspberry Pi通过以太网向SoC-FPGA发送指令和数据并实施控制。在Raspberry Pi中,实现了心音信号数据采集、去噪、分割和特征提取,最终生成二维心音特征图;在SoC-FPGA中移植了心音分类算法并实现了对该算法的加速。本文研究的主要内容分为4个部分:（1）设计基于STM32的无线心音心电采集电路,该心音心电采集电路由心音传感器The one、心电放大器AD8232、模数转换器AD7606、STM32最小系统和蓝牙模块构成,旨在通过无线心音心电采集电路采集良好的心音心电信号并通过蓝牙将信号发送给Raspberry Pi或其他移动端。（2）心音信号的预处理以及特征提取,在Raspberry Pi得到心音信号后,首先对原始的心音信号进行小波去噪、使用持续隐马尔可夫模型对心音进行分割提取单周期心音信号、再对单周期心音信号进行短时傅里叶变换得到心音时频域图,最后取时频域图的等值线作为心音分类的特征图。（3）心音分类算法的设计与算法加速方案,本研究选用卷积神经网络作为心音分类算法,并通过Open CL模型将该算法移植到FPGA中。首先计算出心音分类算法的计算复杂度和空间复杂度,并利用Roofline Model分析硬件平台的性能瓶颈。然后结合Roofline Model提出优化方案,在卷积计算中通过降低并行度,牺牲时间将硬件资源控制在可接受的范围内,卷积运算的过程中,当计算结果满足一次池化要求时,即可进行池化操作,无需等到卷积层计算完成后进行池化;全连接层中通过批量数据计算方法减少全局内存的访问次数,同时采用分段计算简化矩阵乘法运算过程。（4）Raspberry Pi与SoC-FPGA之间的通信,使用Raspberry Pi中的Putty工具登录到FPGA,并通过以太网向SoC-FPGA传输特征图,完成特征图的传送后FPGA利用移植在其中的算法对特征图进行前向推理后得到心音分类结果,并将结果发送给Raspberry Pi。本设计验证结果表明:无线心音心电采集电路能发送出信号质量较好的心音心电数据,同时Raspberry Pi可接收到较高质量的心音心电信号,Raspberry Pi能较好的完成心音信号的去噪、分割和特征提取任务。在相同的实验条件下,SoC-FPGA心音分类速度是PC（核心芯片为Intel core i5-5200 CPU）的22.74倍,且心音分类精度无明显下降。该系统实时性效果较好、便于携带,为偏远无网络地区的先心病辅助诊断提供了一种离线的解决方法。