心音是一种包含大量心脏活动信息的生物医学信号,它能够如实地反映心脏运行状态,通常作为先天性心脏病(简称先心病)的主要诊断依据。包括云南在内的西南地区是先心病高发的地区之一,因此对先心病的研究,对当地疾病的检查治疗有很大的意义。目前对先心病主要的筛选方式是依靠有经验的医生听诊,称之为初诊,发现有异常的再做心脏彩超进行确诊。但是初诊专业性强,基层医生不易掌握,并且听诊专家的数量有限且听诊效率低下,所以急需这样一个便携式设备,它可以记录并分析心音信号,采集完后即时对心音是否正常做出判断,给出初步的诊断结果,来协助甚至代替医生完成初诊,这是本课题研究的初衷。本文结合心脏运行机制,心音产生的机理,分析正常心音和杂音的特点并简要介绍采集心音信号使用的采集设备。按照心音信号处理的顺序介绍本文的只要研究内容:1.心音的去噪。本文根据噪声的特点,主要采用小波阈值去噪方法来滤除心音信号中的噪声,经过滤波前后信号的对比,证明了此滤波方法的有效性。2.包络提取与分段定位。首先利用希尔伯特变换提取心音信号的包络,在包络的基础上提出了一种新的自动分段定位的方法,双阈值分段方法。并对实验结果进行了统计,分段结果的正确率能达到90%以上。3.特征提取。提出了一种新的特征参数提取的方法,对数能量谱(MFSC)。MFSC是Mel频率倒谱特征(MFCC)去掉最后的离散余弦变换(DCT)。DCT的主要作用是做解相关处理,鉴于本研究使用的识别方法是卷积神经网络,相邻的特征点可以有一定的相关性,因此不需要做解相关处理。4.识别。对提取到的MFSC参数采用卷积神经网络(CNN)识别,这也是本文的一大创新点。目前对心音的识别主要采用的方法有人工神经网络、支持向量机、聚类等。卷积神经网络近年来被应用于越来越多的领域,本文旨在研究卷积神经网络在心音识别方面能否有重要的突破。通过对采集到的心音数据库中300多例信号进行训练识别,识别结果正确率为71.2%左右,虽然识别率有待进一步的提高,但也极具参考价值。鉴于深度学习在语音识别中的成功运用,相信以后在提高心音识别率方面也一定会取得良好的效果。