The early and accurate diagnosis of cardiovascular diseases (CVDs) are of great importance as they allow early and proper medical treatment and therefore result in reducing the chance of the CVDs being developed to an acute level. In medical procedures, the first step in examining the cardiovascular function is the auscultation of the heart. However, the correct medical diagnosis based on the heart sounds through a stethoscope requires a lot of expertise and, in some cases, needs referral of the patient to a cardiologist. This is not only time-consuming but also imposes a financial burden on the medical system. Thus, automated detection and analysis of the recorded heart sound auscultation has received a lot of attentions in recent years. This study presents a new time–frequency (T–F) based approach for classifying phonocardiogram (PCG) signals into normal and abnormal. In the proposed methodology, each PCG recording is first segmented into the 4 fundamental heart cycles, i.e. S1, systole, S2, and diastole. From each state, a set of T–F features are extracted with the aim of identifying their characteristics in the T–F domain. The features are then applied to a support vector machine to classify the PCG signal into normal or abnormal. The performance of the proposed method is evaluated using the 2016 PhysioNet challenge database and compared with that of the best performing existing methods. The experimental results using tenfold cross-validation show that the proposed method outperforms the existing methods in terms of sensitivity, specificity, and accuracy.

心血管疾病（CVD）的早期和准确诊断非常重要，因为它们可以进行早期和适当的医学治疗，因此可以将CVD发展到急性水平的机会降低。在医疗程序中，检查心血管功能的第一步是心脏的听诊。然而，基于通过听诊器的心音的正确医学诊断需要很多专业知识，并且在某些情况下，需要将患者转介给心脏病专家。这不仅耗时，而且给医疗系统带来了经济负担。因此，近年来，对记录的心音听诊的自动检测和分析受到了广泛的关注。这项研究提出了一种新的基于时频（TF）的方法，可以将心电图（PCG）信号分为正常信号和异常信号。在所提出的方法中，每个PCG记录首先被分为4个基本心动周期，即S1，收缩期，S2和舒张期。从每个状态中提取一组T-F特征，以识别它们在T-F域中的特征。然后将特征应用于支持向量机，以将PCG信号分类为正常或异常。使用2016 PhysioNet挑战数据库评估了所提出方法的性能，并与性能最佳的现有方法进行了比较。使用十倍交叉验证的实验结果表明，该方法在灵敏度，特异性和准确性方面均优于现有方法。在所提出的方法中，每个PCG记录首先被分为4个基本心动周期，即S1，收缩期，S2和舒张期。从每个状态中提取一组T-F特征，以识别它们在T-F域中的特征。然后将特征应用于支持向量机，以将PCG信号分类为正常或异常。使用2016 PhysioNet挑战数据库评估了所提出方法的性能，并与性能最佳的现有方法进行了比较。使用十倍交叉验证的实验结果表明，该方法在灵敏度，特异性和准确性方面均优于现有方法。在所提出的方法中，每个PCG记录首先被分为4个基本心动周期，即S1，收缩期，S2和舒张期。从每个状态中提取一组T-F特征，以识别它们在T-F域中的特征。然后将特征应用于支持向量机，以将PCG信号分类为正常或异常。使用2016 PhysioNet挑战数据库评估了所提出方法的性能，并与性能最佳的现有方法进行了比较。使用十倍交叉验证的实验结果表明，该方法在灵敏度，特异性和准确性方面均优于现有方法。提取一组T-F特征，以识别其在T-F域中的特征。然后将特征应用于支持向量机，以将PCG信号分类为正常或异常。使用2016 PhysioNet挑战数据库评估了所提出方法的性能，并与性能最佳的现有方法进行了比较。使用十倍交叉验证的实验结果表明，该方法在灵敏度，特异性和准确性方面均优于现有方法。提取一组T-F特征，以识别其在T-F域中的特征。然后将特征应用于支持向量机，以将PCG信号分类为正常或异常。使用2016 PhysioNet挑战数据库评估了所提出方法的性能，并与性能最佳的现有方法进行了比较。使用十倍交叉验证的实验结果表明，该方法在灵敏度，特异性和准确性方面均优于现有方法。使用2016 PhysioNet挑战数据库评估了所提出方法的性能，并与性能最佳的现有方法进行了比较。使用十倍交叉验证的实验结果表明，该方法在灵敏度，特异性和准确性方面均优于现有方法。使用2016 PhysioNet挑战数据库评估了所提出方法的性能，并与性能最佳的现有方法进行了比较。使用十倍交叉验证的实验结果表明，该方法在灵敏度，特异性和准确性方面均优于现有方法。