心音是人体重要的生理信号,是心脏听诊的依据。先心病是婴儿出生时易患的一种缺陷疾病。目前,先心病筛查主要依靠经验丰富的医生下乡听诊实施,这种方法成本高,效率低,难以建立长效机制。借助数字信号处理的方法,对信号加以分析,可以达到对心音信号分类识别的目的。传统心音分类算法普适性差,预处理过程繁琐,准确率低,不利于将来实时化决策。本文对先心病心音进行分析和分类识别研究,引入卷积神经网络解决先心病分类问题。本文研究包括两部分,构建适于深度学习的心音预处理方法和基于卷积神经网络的先心病心音信号分类。深度学习的心音预处理模型。传统心音预处理算法过程复杂且处理后的心音信号只有时间维度,无法满足深度学习样本处理需求。本文提出一种适用于深度学习心音预处理算法,将心音信号从一维向量变换至二维矩阵。心音预处理模型为更多地保留有效信息,结合心音信号的频域特性,提取梅尔倒谱系数组织成“样本图”。实验验证了本文预处理模型有效性,有效地满足了深度学习网络输入要求。基于卷积神经网络的先心病心音分类算法。为确定最佳分类网络,本文采用3000个心音样本,对循环神经网络、长短时记忆网、双向长短时记忆网络、卷积神经网络进行训练。结果显示循环神经网络和双向长短时记忆网络易出现过拟合;长短时记忆网络分类损失值0.294,准确率0.880;卷积神经网络损失值0.27,准确率0.885。实验表明卷积神经网络相比较其它三种网络具备更大的潜力。本文结合14×14×3、34×34×3、73×73×3三种样本大小,采用3000个心音样本进一步优化卷积神经网络,实验表明样本大小为34X34X3时有最佳实验结果,验证集的准确率0.908,损失值0.25。测试集上显示,准确率0.91,灵敏度0.85,特异度0.97。本文算法准确度高,样本集大,保证了算法普适性,该研究有望应用于机器辅助听诊。