孟丽楠,谢红薇,宁 晨,付 阳

(太原理工大学 软件学院，山西 晋中 030600)

0 引言

根据国家心血管疾病中心发布的《中国心血管疾病报告2018》，心血管疾病患病人数达2.9亿，且仍处于持续上升阶段[1]。心音作为反应人体心脏活动及心血管功能的一种体征信号[2]，可以通过心音听诊被专家评估，进而得到心血管疾病的病理信息。另外，心音信号所包含的一部分信息是心电图所不能体现的[3]。因此，心音信号分类是心血管疾病计算机辅助诊断研究和应用的关键技术。

传统的心音分类方法包含心音分割、特征提取和分类器设计3个步骤。在心音分割中，一般会将心音分割成基本心音[4]，即第一心音、第二心音、收缩期和舒张期的声音。在特征提取过程中，大多数研究者提取基于时间[5]、基于频率[6]或基于时频[7-8]的心音特征，作为后续分类器的输入。在分类阶段，选择支持向量机[8-9]、K近邻算法[10]或决策树[11]等分类器对提取的特征进行分类。传统心音分类方法过程简单、可解释性强，但其也存在一些不足：在心音分割阶段大多需要参考同时期心电图；手工提取特征不够全面、耗时长；分类器的分类效果严重依赖于分割的准确性和特征选取的有效性。

近年来，卷积神经网络(CNN,convolutional neural network)以其强大特征提取能力在图像识别[12]、声音识别[13]等领域被广泛应用。于是，近几年很多学者提出了基于CNN的心音分类算法。对于CNN模型而言，多数采用浅层网络模型[14～18]或者混合模型[19-20]。对于CNN模型的输入而言，可选择心……