心脏瓣膜置换手术在临床有很多应用,而心音是了解心脏瓣膜状态的很好途径。若能把心音的信息处理技术应用于人造心脏瓣膜植入后的功能评估,提高临床医生的评估的能力,这将会有巨大的现实意义。本文以心音自动诊断的实现为线索,讨论心音的预处理电路、分割算法、信号处理方法、特征提取和分类器。 从心音传感器直接出来的心音信号非常微弱,信噪比很低,需要经过放大和滤波才能得到形象的心音信号。本文设计高保质有源放大器,录取从心音传感器出来经过放大后的心音数据；根据心音和噪声的特点利用matlab设计滤波器,对比滤波前后的波形来验证滤波效果；用有源电路实现滤波器电路,运用spice工具验证滤波电路幅频响应,从而可以推断出所设计的预处理电路处理心音的有效性。 要实现心音自动诊断,需要检测第一心音S1和第二心音S2的位置对心音进行有意义的分割,这样提取的特征才有可比性。本文提出用自相关来估计心音的周期,利用周期估计心音图里面的S1和S2的个数,从而自适应的选取合适的阈值来识别心音图的峰值,再根据S1和S2的局部能量较大的性质以及心音的生理特性来检测出S1和S2位置。实验表明对正常心音和人造瓣膜心音的S1和S2位置的正确检测率高达97.4％。 心音信号可由多种变换来表示,无论从理论上还是实验上,可看出时频方法更能反映非平稳的心音信号的性质。在时频方法中,小波包包含着丰富的基,具有多种时频分辨率,文章提出选取小波包的判别基(Local Discriminant Bases,LDB)来提取心音的特征。分析原始LDB算法的局限性,提出用节点观念来提取特征,并提出两种改进的LDB算法：有限层次多区分度LDB算法和深度LDB算法；又讨论分类器的选择,指出基于结构最优的支持向量机(Support Vector Machine,SVM)有更好的可伸展性。最后文章用两种特征提取的方法和两种分类器:SVM和线性判别分析降维加最近邻分类器,组合成四种方法,用实验证明两种LDB算法加SVM能够对正常心音和人造瓣膜心音进行有效分类,即可实现自动诊断的第一次分类。人造机械瓣膜音