姚如苹，孙 静，潘家华，王威廉**

(1. 云南大学 信息学院，云南 昆明 650500；2. 云南省阜外心血管病医院，云南 昆明 650032)

心脏听诊是临床疾病检查，尤其是各类心血管疾病初诊的基本手段[1]，如对先天性心脏病（简称先心病）的初诊和筛查主要依靠心脏听诊. 近年来，随着电子听诊器的出现，其大大方便了数字化记录心音，记录的心音信号称为心音图（Phonocardiogram，PCG）. PCG 载有心脏生理、病理的丰富信息，分析研究心音对于机器辅助诊断有重要意义. 目前，用于心音特征提取的方法主要有小波变换、频谱分析、数字滤波、梅尔倒谱频率系数（Mel Frequency Cepstrum Coefficient，MFCC）和离散傅里叶变换等[2-6]. 文献[7]首先使用小波去噪，然后提取MFCC作为心音特征后，采用支持向量机进行分类，在对异常和正常信号的分类中获得了0.93 的准确率，但当异常心音种类增多时准确率明显下降，且训练样本过少无法保证算法的普适性. 文献[8]提出了基于S 变换的心音特征提取方法，对一个周期进行S 变换，提取变换后矩阵的统计学特征，并将该特征作为区分不同信号的特征向量，但该算法对于病理性信号的特征提取较不明显，不利于后续心音分类. 文献[9-12]使用传统的机器学习方法对心音信号进行分类，如支持向量机、人工神经网络等，但得到的准确率普遍较低. 文献[13]使用深度学习方法对心音进行分类，将提取的MFCC 转换为二维特征样本，然后使用卷积神经网络对其进行分类，取得了0.895 的准确率.

上述研究中，各算法给出的准确率普遍较低，且……