心音分割指對所獲取的心音信號按心動周期對收縮期、舒張期等進行分隔，是進行心音分類前的關鍵步驟。針對不依賴心電圖對心音信號直接分割準確度有限的難題，提出了一種基于持續時間隱馬爾可夫模型的心音分割算法。首先對心音樣本進行位置標注；然后采用自相關估計法對心音的心動周期持續時間進行估計，通過高斯混合分布對樣本的狀態持續時間進行建模；接著通過訓練集信號對隱馬爾可夫模型進行優化并建立基于持續時間的隱馬爾可夫模型（DHMM）；最后使用維特比算法對心音狀態進行回溯得出 S1、收縮期、S2、舒張期。使用 500 例心音樣本對本文算法性能進行測試，平均評估精度分數（F1）為 0.933，平均靈敏度為 0.930，平均精確率為 0.936。同其他算法相比，本文算法各項性能指標均有明顯提升，證實了該算法具有較高的魯棒性和抗噪聲性能，為臨床環境下所采集心音信號的特征提取與分析提供了一種新方法。
目的提出一種基于多特征融合網絡的心音分割方法。方法研究資料來源于2016 CinC/PhysioNet數據集（來自764例患者的3 153段記錄，男性約占91.93%，平均年齡30.36歲）。首先從時域與時頻域中分別對心音進行特征提取，再通過特征降維的方法減少輸入的冗余特征；然后經過特征選擇分別找到兩個特征空間中性能最佳的特征；利用多尺度空洞卷積、協同融合和通道注意力機制實現多特征融合；最后，將得到的融合特征送入雙向門控循環網絡（BiGRU）實現心音分割。結果本方法在測試集上得到的心音分割精確率、召回率與F1值分別能達到96.70%、96.99%與96.84%。結論 本文提出的多特征融合網絡具有較好的心音分割性能，能夠為設計以心音為基礎的心臟疾病自動分析提供高準確率的心音分割技術支持。