Mitral Valve Prolapse (MVP) is a common condition among people, which is often benign and does not need any serious treatment. However, this doesn’t mean that MVP can’t cause any problems. In malignant conditions, MVP can cause mitral failure and also heart failure. Early diagnosis of MVP is significantly important to control and reduce its complications. Since the phonocardiogram signal provides useful information about heart valves function, it can be used for MVP detection. To detect MVP, the signal was denoised and segmented into heart cycles and constant three-second pieces in the first and second approaches, respectively. Next, based on the Fractional Fourier Transform (FrFT), the desired features were extracted. Then, the extracted features were windowed by a Moving Logarithmic Median Window (MLMW) and optimum features were selected using Mahalanobis, Bhattacharyya, Canberra, and Minkowski distance criteria. Finally, using the selected features, classification was performed by using the K-Nearest Neighbor (KNN) and the Suppor Vector Machine (SVM) classifiers to find out whether a segment is prolapsed. The best results of the experiment on the collected database contain 15 prolapsed and 6 non-prolapsed subjects using the A-test method show 96.252.43 accuracy, 98.53.37 sensitivity, 94.05.16 specificity, 96.03.44 precision, 92.54.86 kappa, and 96.62.34 f-score with the SVM classifier.

二尖瓣脱垂（MVP）是一种常见的疾病，通常是良性的，不需要任何严重的治疗。但是，这并不意味着 MVP 不会引起任何问题。在恶性情况下，MVP 可导致二尖瓣衰竭和心力衰竭。MVP的早期诊断对于控制和减少其并发症非常重要。由于心音图信号提供了有关心脏瓣膜功能的有用信息，因此可用于 MVP 检测。为了检测 MVP，在第一种和第二种方法中分别对信号进行去噪并分割成心脏周期和恒定的三秒片段。接下来，基于分数傅里叶变换（FrFT），提取所需的特征。然后，通过移动对数中值窗口 (MLMW) 对提取的特征进行窗口化，并使用 Mahalanobis、Bhattacharyya、Canberra 和 Minkowski 距离标准选择最佳特征。最后，使用选定的特征，通过使用 K-最近邻 (KNN) 和支持向量机 (SVM) 分类器进行分类，以找出段是否脱垂。在收集的数据库上的最佳实验结果包含 15 名脱垂和 6 名非脱垂受试者，使用 A 检验方法显示 96.252.43 准确度、98.53.37 灵敏度、94.05.16 特异性、96.03.44 精确度、92.54.86 kappa , 和 96.62.34 f-score 与 SVM 分类器。通过使用 K-最近邻 (KNN) 和支持向量机 (SVM) 分类器进行分类，以查明段是否脱垂。在收集的数据库上的最佳实验结果包含 15 名脱垂和 6 名非脱垂受试者，使用 A 检验方法显示 96.252.43 准确度、98.53.37 灵敏度、94.05.16 特异性、96.03.44 精确度、92.54.86 kappa , 和 96.62.34 f-score 与 SVM 分类器。通过使用 K-最近邻 (KNN) 和支持向量机 (SVM) 分类器进行分类，以查明段是否脱垂。在收集的数据库上的最佳实验结果包含 15 名脱垂和 6 名非脱垂受试者，使用 A 检验方法显示 96.252.43 准确度、98.53.37 灵敏度、94.05.16 特异性、96.03.44 精确度、92.54.86 kappa , 和 96.62.34 f-score 与 SVM 分类器。