1.一种基于四元数深度学习框架的心音分类系统，其特征在于，主要步骤如下：

步骤一、对心音信号进行预处理，得到心音MFCC特征，拼接成输入数据；

步骤二：对心音信号进行特征提取（QDRCM）；

步骤三：全局通道特征（GCACM）；

步骤四：原始特征协助；

步骤五：全连接分类；

所述的步骤一使用二阶巴特沃斯带通滤波器对原始数据进行滤波，去除干扰对滤波后的信号进行归一化并切片，对切片信号进行MFCC特征提取，组合成为最终的心音MFCC特征，构成网络的输入信号；

将步骤一构成网络的输入信号传入搭建好的框架，进行学习；所述的框架主要包括：四元数动态残差卷积模块（QDRCM）、四元数局部注意力连接学习模块（QLACL）、全局通道注意力连接模块（GCACM）、原始特征协助模块（OFAM）和全连接分类模块。

2.根据权利要求书1所述的一种基于四元数深度学习框架的心音分类系统，其特征在于：

所述的四元数动态残差卷积模块（QDRCM），将卷积引入到复值领域，在卷积空间中，四元数可以维持通道间关系，并大大减少参数量；动态卷积可以动态的预测卷积核，在不增加网络深度的情况下增加网络复杂度；所述的四元数局部注意力连接学习模块（QLACL），该连接主要是在四元数动态残差模块中的注意力层，将相邻的注意力块连接起来，使信息能够在注意力块之间流动，自适应地传播信息；由于输入数据具有丰富的通道信息，将数据的一维能量部分提取出来，送入原始特征协助模块（OFAM），进行维度变换和特征提取，最后连接到全连接分类模块；由于四元数为4个通道构成一个四元数实体，所以只能关注到4个通道间的关系，而全局通道注意力模块（GCACM）是将四元数动态残差卷积模块中的卷积替换成普通卷积，可以提取全局的通道关系。

3.根据权利要求书1所述的一种基于四元数深度学习框架的心音分类系统，其特征在于：

所述的四元数动态残差卷积模块（QDRCM）卷积层中的每个权重都是四元数实体；利用Hamilton积的权重分配特性来捕捉其内部关系；通过使用Hamilton积，通过多个四元数输入共享四元数权重组件，在元素中创建和学习关系；四元数动态卷积，通过四元数卷积层动态预测出卷积核，卷积核根据多个并行卷积核的注意力动态地聚集在一起，在不增加网络深度或宽度的情况下增加模型的复杂度；使用残差模块，在输入经过3个四元数卷积和动态卷积，注意力层之后跳跃连接到输出位置，避免出现梯度消失或爆炸的情况，并连接前后特征，避免出现网络退化。

4.根据权利要求书1所述的一种基于四元数深度学习框架的心音分类系统，其特征在于：所述的四元数局部注意力连接学习模块（QLACL）为将注意力扩展到四元数空间，在保证通道相关性的前提下，提取网络感兴趣的部分；然后四元数动态残差卷积模块中的注意力层连接起来，使注意力可以在相邻的注意力块之间流动，自适应地传播消息；该连接加到注意力层中语境转换部分，确保当前的注意力是从当前模块特征和以前的注意信息中一起学习到的；这样可以保证在网络学习的过程中，大大减少通道关系的损失，保留下有用的相互关系。

5.根据权利要求书1所述的一种基于四元数深度学习框架的心音分类系统，其特征在于：所述的全局通道注意力连接模块（GCACM）由于四元数为4个通道构成一个四元数实体的特性，所以只能关注到4个通道间的关系，而使用实值卷积可以关注到全局的通道关系，这里我们将四元数动态残差卷积模块中的四元数卷积改为实值卷积，让它学习全局的通道特征，然后接到全连接模块，实现全局的通道特征连接，减少学习中通道关系损失。

6.根据权利要求书1所述的一种基于四元数深度学习框架的心音分类系统，其特征在于：所述的原始特征协助模块（OFAM），由于输入数据具有丰富的通道信息，将数据的一维能量部分提取出来，送入原始特征协助模块，进行维度变换和特征提取，最后连接到全连接分类模块。