根据国家心血管病中心发布的《中国心血管病报告》,我国心血管病患病人数已达2.9亿。心血管病死亡占居民疾病死亡构成40%以上,因此对心血管疾病进行精确而有效地诊断具有重要的意义。目前较常用的诊断方法包括超声心动图和磁共振成像(Magnetic Resonance Imaging,MRI)等技术,虽然这些技术为诊断心血管疾病提供了更为直接和准确的证据,但该类技术所使用的设备成本高昂,体积庞大且操作复杂。作为一种非侵入性诊断方法,听诊在心脏检查中是成本低廉的有效手段,然而对听诊中的主观依赖性强,对医师的临床经验要求高。随着深度学习和机器学习的出现,提供了辅助诊断手段,降低了听诊的依赖性。心音信号分析是对心脏进行诊断的一种有效且方便的方法,然而信号分析中的自动心音分类仍然是一个具有挑战性的问题,主要体现对心音信号进行特征提取。现在的提出的特征只是考虑了心音信号的间隔和在时频上的变化,没有考虑心音信号幅值的变化。心音信号幅值变化反映了心脏活动的情况,而顺序统计量可以捕捉到这种幅值变化的规律。因此为了对心音分类提取更有效的鉴别特征,本文提出了一种基于顺序统计量特征的心音分类方法。本文研究的主要内容:1、心音信号的预处理:用小波对心音信号进行去噪处理,去除了一些频率与心音信号频率有重合的噪声。心音分割:基于逻辑回归和半隐马可夫模(Logistic Regression-Hidden Semi-Markov Models,LR-HSMM)的方法把心音信号分割成心音的四个组成部分第一心音(S1)、收缩期、第二心音(S2)、舒张期。2、心音信号的特征提取:包括顺序统计特征、时域特征、频域特征、卷积神经网络(Convolutional Neural Network,CNN)特征这四个特征的提取。顺序统计特征的提取(26维特征向量):对预处理后心音信号进行差分排序得到心音幅值的差分向量X,用直方图表示X的数值分布,将统计所得的分布向量(21维向量)作为特征;取向量X的最大值,最小值,均值,四分之一位数,四分之三位数(5维向量)作为对X的采样特征。时域特征和频域特征的提取:对心音信号进行预处理,然后进行心音分割,使用汉明窗和离散时间傅里叶变换来提取时域和频域特征。CNN特征的提取:在预处理之后,进行心动周期的提取,用带通滤波的方法对频带进行分割,然后提取CNN特征。3、心音信号的分类:支持向量机(Support Vector Machine,SVM)虽然是一个二层神经网络,但它能够凸优化,找到全局最优,所以本文选择支持向量机作为心音分类器。使用时域特征、频域特征、CNN特征和顺序统计量特征用于测试和训练SVM分类器。然后比较分析使用这些特征组合的分类结果。本文中使用的心音数据是来源于2016年的PASCAL心音分类挑战赛。数据集由五个数据库(A至E)组成,共包含3,126个心音录音,持续时间从5秒到120秒。本文使用评价指标是敏感性(Sensitivity,Se)、特异性(Specificity,Sp)和平衡错误率(balanced error rate,BER)。实验结果表明,与其他的特征相比,本文提出的顺序统计特征取得了比较好的效果。