目的:心血管疾病是人们健康的重大威胁之一,每年大约造成1770万人死亡,占全球死亡数的31%。心音听诊具有无创、便捷与廉价等特点,在日常的临床诊断中发挥着不可替代的作用。然而,当前的数字听诊器仍不能很好的处理心音采集过程的各种噪声,并且,对异常心音的智能筛查方法仍然不能取得很好的效果。本文基于上述不足,第一部分具体阐述了对低噪声听诊器的设计。第二部分阐述了基于卷积神经网络的异常心音探测算法,从硬件设计和算法改进的角度试图解决心音听诊在临床应用上的诸多不足。研究方法:本文第一部分利用可粘贴膜结构代替传统的“钟式”结构设计听诊头有效去除了环境噪声以及操作噪声,同时利用小波阈值法抑制了系统的其他噪声,在进一步降噪的同时增大了无线传输距离。我们对采集系统进行了诊断结测试以及与3 M?Littmann?Model 3200型电子听诊器的抗噪对比测试,并分别利用归一化标准差(STD)等将结果进行量化对比研究;第二部分本文提出了一种新的算法结构,该结构分为预训练过程,数据筛选器和主训练过程,以提高自动异常心音检测算法的稳定性和准确性。预训练和数据筛选器旨在学习最适合分类的特征并通过删除特征空间中重叠的数据,达到“清洗”数据的效果,而主训练则旨在通过在处理后的数据重新训练模型来输出最终结果。在预训练、主训练过程中使用了类似VGG的卷积神经网络,在数据筛选器中采用了t-SNE和多重剪辑k近邻法。结果:1、第一部分实验中与3M听诊器相比,采集系统的估计的平均噪声比为21.26%,最低噪声比仅为12.47%。此外,基于采集系统记录的心音,除了两个心音诊断不确定,对其他心音的诊断都是正确的。2、与基准算法相比,提出的算法平均准确度(Macc)提高了5.74%,从83.35%提高到87.99%。平均特异性从73.98%提高到了90.39%。此外,数据筛选器可以将Macc标准差从16.63%降低到了2.08%。结论:1、采集系统在确保诊断信息都保留的情况下,降噪能力比3M电子听诊器要更优越。2、提出的算法在进一步提高分类准确度的同时,能够更好的确保训练收敛的稳定性。