虽然医学上心音检测设备的精度不断提高,但是由于周围环境以及人体其他生理活动的影响,使得采集心音信号中混入杂音,影响了医学上对患者心脏病情的诊断。基于上述问题,本文研究了基于优化的支持向量机(SVM)的心音信号分类算法。本文首先运用经验式模态分解算法分析了心音信号与噪音之间的特征分布,得出结论:心音信号主要集中于低频部分,噪音主要集中于高频部分。针对特征分布特点,采用契比雪夫滤波器II型低通滤波器与谱减法的结合算法对采集心音信号数据进行降噪。其中,契比雪夫滤波器II型低通滤波器主要针对心音高频信号中的噪音。心音信号通过低通滤波器之后,对高频信号进行衰减,起到抑制作用。降噪之后的心音信号再次通过谱减算法,即用总的心音信号的谱能量减去噪音信号的谱能量,并进行傅里叶逆变换,便可得到降噪之后心音信号的时间序列。接下来,再次结合心音信号的波形,可得知正常心音信号的波形是由有P波、QRS波、T波三种波组成的。当心脏出现异常时,其波形便会发生时间、周期的改变。据于上述现象,本文采用了Mel倒谱系数算法、倒谱基音检测法对降噪后的心音信号提取特征。由于传统蚁群聚类算法容易使SVM的惩罚因子和核函数参数陷入局部最小值、出现收敛速度慢等问题,本文考虑传统蚁群聚类算法的缺点,通过加入粒子群算法对传统蚁群聚类算法进行优化,解决了传统蚁群聚类算法收敛速度慢、陷入局部最优的问题。改进的SVM首先将其预测分类函数设定为目标函数。粒子群算法通过目标函数,根据惩罚因子和核函数参数初始值和范围,找出粒子个体局部极值和全局极值。通过设置初始聚类中心,蚁群聚类算法根据初始聚类中心与各个蚂蚁所散发的信息素浓度,训练粒子群算法个体局部极值和全局极值样本,找出目标函数的局部和全局极值参数的最优值。实验证明,粒子蚁群聚类支持向量机算法比传统的SVM更易找到样本中的预测分类函数的最佳值,使心音信号分类更加准确。改进的SVM算法仿真结果准确率可高达95.4023%,比传统SVM提高了9.1954%,同时可缩短训练时间、加快收敛速度。