心脏听诊是检查心脏健康最简单有效的手段,但需要听诊医生拥有丰富的听诊经验和过硬的专业技能,基层医生往往不具备此项条件。因此通过采集心音,利用数字信号处理和深度学习等技术手段对心音进行分析,判断心脏健康状态,以辅助基层医生进行心脏听诊。本文借鉴远程医疗平台与边缘计算的特点,结合Android平台,数字信号处理与深度学习技术,实现心音的本地化分析。根据当前心音采集分析的流程,本文针对当前移动端心音分析能力的不足,在基于Android平台的移动智能终端上实现不依赖云端服务器的先心病辅助诊断系统。该系统无需网络支持,可以在无网络的边远山区或网络环境差的地区实现心音本地化分析。对于该系统,本文主要做了以下研究工作:1、针对运行在移动端的心音预处理流程,重新设计了心率计算与心音定位算法。心率计算则是依靠更简单的软件包络检波法,该算法在加快心率计算速度的同时也能保持较高精度。同时针对目前心音研究中需要完整定位心动周期的方法,本文采用S1定位与固定帧长分割的方法,在提高心音定位速度的同时也保证每一帧起始位置一致。2、针对移动端性能较低的问题,将心音分类网络设计为轻量级双输入心音分类网络。该网络可以在降低模型参数与运算量的同时,保持较好的分类准确率。同时针对该网络的输入结构,本文使用了非线性与线性特征构成的混合特征,其中非线性特征是由Mel频谱系数和Bark频谱系数及其变形组成,主要为多维度特征图,可以展示不同频率刻度的非线性特征,特征信息更加丰富。线性特征则是通过短时傅里叶变换得到的声谱图特征,该特征的作用是在网络训练层数较深时,对网络进行特征补偿。3、针对目前研究中心音在移动端分析能力的不足,本文将上述研究工作中的算法与模型移植于Android平台。其中心音分析算法全部采用C语言进行重构,使得算法具有很好的可移植性与较高的运算效率。该系统具备心音采集、显示、存储、心率计算、分析等功能,无需云端服务器参与也能对心音进行分析与分类。本文设计实现的先心病辅助诊断系统在自有数据集和Physio Net/Cin C 2016公开数据集上分别取得了92.89%和89.63%的分类准确率。同时在不同设备上的测试结果也表明,该系统适用性强,可在不同厂商的移动智能终端上实现心音本地化分析。