1.一种基于深度学习的心音智能诊断系统，其特征在于，包括：心音采集设备，智能可穿戴式设备及云端服务器；其中：心音采集设备，主要用于采集用户一段时间内的心音数据，将采集得到的声音信号转换成数字信号，心音采集设备输出的已转换为数字信号的心音数据通过互联网或移动网络传输至云端服务器；

智能可穿戴式设备，主要用于实时无间断地采集用户的心音数据，将采集得到的声音信号转换成数字信号，智能可穿戴式设备输出的已转换为数字信号的心音数据通过互联网或移动网络传输至云端服务器；

云端服务器，主要用于心音数据存储，建立用户心音数据库，云端服务器上运行基于深度学习的心音智能诊断算法，根据采集的心音数据智能诊断是否异常，将诊断结果反馈给用户的同时存储在云端服务器中，以提供给相关机构和指定医院作为用户的临床病史参考。

2.根据权利要求1所述的基于深度学习的心音智能诊断系统，其特征在于，所述基于深度学习的心音智能诊断算法包括心音分类器训练步骤、心音分类器的诊断步骤和心音数据扩充步骤三个阶段，通过卷积神经网络对心音数据库中的心音自动提取特征和智能诊断，通过和心音数据库中的心音标签进行比较，不断迭代降低分类错误率，最终学习到一个神经网络模型，将这个训练好的神经网络模型用来对用户上传的心音进行诊断，用户上传的心音数据和心音智能诊断系统的诊断结果由专业医生分析确诊后，可作为心音数据库的扩充数据。

3.根据权利要求2所述的基于深度学习的心音智能诊断系统，其特征在于，其中心音分类器的训练阶段具体包括：

1)利用基于逻辑回归-隐半马尔科夫的心音分割算法将数据库中的心音记录分割为不同的包含完整心动周期的心音片段；

2)对心音片段进行预处理：分解为不同频段，变换成不同尺度；

3)将包含原始及多频段、多尺度信息的心音片段输入到一个多通道的一维的卷积神经网络进行训练，经过多次迭代得到一个能够识别异常心音的神经网络模型；

4)采用阈值分类的方法，选取一个阈值，使得数据库中的心音片段诊断结果在转化为心音记录诊断结果时能取得最高准确率。

4.根据权利要求3所述的基于深度学习的心音智能诊断系统，其特征在于，所述心音分类器的诊断步骤具体包括：1)利用基于逻辑回归-隐半马尔科夫的心音分割算法将用户上传至云端服务器的心音记录分割为不同的包含完整心动周期的心音片段；

2)对心音片段进行预处理：分解为不同频段，变换成不同尺度；

3)将包含原始及多频段、多尺度信息的心音片段输入到已经训练好的一维卷积神经网络模型中，计算得到心音片段的诊断结果；

4)采用阈值分类的方式，将心音片段的诊断结果转化为心音记录的诊断结果。

5.根据权利要求3或4所述的基于深度学习的心音智能诊断系统，其特征在于，所述多通道的一维卷积神经网络的结构包括预处理阶段、局部卷积阶段和全局卷积阶段，所述预处理阶段包括将心音数据分解为不同频段及变换成不同尺度；局部卷积阶段包含多次一维的卷积和池化等操作，对数据进行特征提取；全局卷积阶段将不同频段和不同尺度的局部卷积结果进行拼接，再进行卷积、池化等操作，然后送到全连接层进一步提取特征并进行分类。模型能够对每条心音片段进行诊断，能够同时处理多频率和多尺度的心音数据。

6.一种基于权利要求5所述系统的心音智能诊断方法，其特征在于，包括以下步骤：

1)、首先通过心音采集设备采集用户一段时间内的心音数据，或通过智能可穿戴式设备实时不间断地采集用户的心音数据，将采集得到的声音信号转换成数字信号，将数字信号通过互联网或移动网络传输至云端服务器；

2)、云服务器端存储心音数据，建档用户心音数据库，然后基于深度学习的心音智能诊断算法，心音分类器训练得到能够识别异常心音的神经网络模型，判断采集的心音数据智能诊断是否异常，将诊断结果反馈给用户的同时存储在云端服务器中，以提供给相关机构和指定医院作为用户的临床病史参考。