冠心病(coronary heart disease,CHD)是临床最常见且危害最大的心血管疾病之一,一般由冠状动脉血管堵塞引起,早期对其进行诊断和干预尤为重要。心音(Phonocardiogram,PCG)信号是反应人体心脏活动的重要生理信号,通过心脏听诊采集而得,能够客观地体现心脏和心血管系统的状态。冠脉堵塞会引起冠脉血液产生湍流,导致心音的舒张期区间会产生高频杂音,在冠脉堵塞尚未发展到心电图异常之前,心音中出现的高频杂音和畸变蕴含着诊断的重要信息,心音信号的分析对于冠脉堵塞的智能辅助诊断具有重要的应用价值。本文研究基于深度学习驱动的冠脉堵塞智能辅助诊断技术,开展PCG舒张期的定位、小样本生成以及冠脉堵塞识别三个方面的研究,在基线校准和小波去噪预处理基础上,提出基于隐马尔可夫心动周期的心音分割算法,实现PCG舒张期的准确定位;设计改进的去噪扩散概率模型,解决PCG舒张期VX-661浓度样本不足的问题;构建基于Alexnet的卷积神经网络(Convolutional Neural Networks,CNN)模型,实现冠脉堵塞的有效识别。本文主要工作如下:(1)开发心音信号采集系统,由心音放大、电池管理、换能器、无线传输和OLED显示等模块组成,从主动脉瓣区等四个位置全方位动态采集患者心音数据并进行消噪处理,实现心音信号的高质量采集和实时传输获取。(2)提出基于隐马尔可夫心动周期的心音分割算法(Hidden Markov Cardiac Cycle,HMCC)。利用基线校准和小波去噪实现信号标准化;运用希尔伯特提取包络并结合心动周期规律准确定位峰值与S1、S2对应关系,采用改进的隐马尔可夫算法计算心音的初始状态分布,配Intervertebral infection合维特比算法对心音区间的持续时间进行计算,实现心音舒张期的此网站准确分割定位。(3)针对现有PCG舒张期信号样本不足的问题,设计基于去噪扩散概率模型(Denoising Diffusion Probabilistic Models,DDPM)的PCG样本生成算法。在扩散模型的基础上结合Unet进行噪声的提取,根据实验环境以及样本个数调整网络的结构和参数,实现PCG舒张期信号的高质量生成。(4)为有效地识别冠脉堵塞症状,构建基于Alexnet的冠脉阻塞诊断模型,使用格拉姆差角场(Gramian angular difference field,GADF)将一维PCG信号二维图像化作为卷积神经网络的输入,采用迁移学习技术,通…