冠心病是由冠状动脉粥样硬化引起的一种心血管系统疾病。在冠心病发展到不可遏制的阶段之前,通过方便有效且无创无损的技术手段实现精准检测,便于疾病早期干预和防治,是当前智能医学领域面临的重大挑战。心电和心音信号蕴含与心脏健康状态相关的丰富信息,基于这两种信号的分析方法为冠心病早期无创无损检测提供了可能,因而受到研究者的广泛关注。但现有基于人工智能的研究仅对单模态信号进行分析,未能利用双模态信号之间的互补关系。此外,现有研究仅使用传统特征或深度学习特征,很少有研究将多类型特征结合使用。本文使用临床同步采集的冠心病心电和心音数据,研究了单模态心电和心音信号在冠心病检测中的效果,在此基础上,基于双模态信号联合分析提出了集成深度学习方法,旨在探索双模态信号多类型特征联合使用在冠心病早期无创无损检测中的应用价值。本文的主要工作和创新点如下:(1)基于单模态心电和心音信号,对传统方法和深度学习分类效果进行了系统比较,针对现有冠心病检测研究中仅使用传统方法或深度学习的现状,提出了特征融合架构,从信号中挖掘更多与冠心病相关的信息。基于传统方法提出了集成学习模型,以提取的多域心电特征为输入,深度学习模型以心电连续小波变换图像为输入。结果显示,集成学习和深度学习在心电分类中分别取得了 90.26%和90.13%的准确性,分类效果基本保持在同一水平。基于心音传统特征和深度学习特征,提出了一种特征融合架构,以提取的多域心音特征和心音梅尔频率倒谱系数图像为输入。结果表明,融合特征在心音分类中取得了 90.43%的准确性,优于仅使用传统特征或深度学习特征的效果。(2)基于同步采集的心电和心音信号,提出了双输入神经网络架构,既能够实现双模态信号联合分析,又能够将传统方法与深度学习集成起来,为临床冠心病检测提供了新思路。提取的多域心电和心音特征经特征选择后与心电心音信号一并输入到由全连接和深度学习模型构成的双输入神经网络中。结果表明,双输入神经网络的分类准确性、敏感性和特异性分别为95.62%、98.48%和89.17%,优于单模态信号的分类效果,同时也优于仅使用传统方法或深度学习时的效果。与现有研究比较表明,该方法在在临床冠心病无创无损检测中具有非常好的应用前景。(3)基于心电和心音信号联合分析,提出了多输入卷积神经网络架构,实现了双模态信号多域深度学习特征的自动提取和集成,克服了传统方法特征点检测不够准确和依赖基于专家知识的特征工程的缺陷。目前,用于心电或心音分类的深度学习方法通常以信号或时频图像作为输入,侧重于提取单域特征。本研究提出了一种多输入卷积神经网络架构,由一维和二维卷积神经网络组成,以心电和心音的信号、频谱图像和时频图像作为输入,实现了心电心音时域、频域和时频域深度学习特征的自动提取和集成。结果表明,多输入卷积神经网络显著提高了冠心病检测精度,取得的分类准确性、敏感性和特异性分别为96.51%、99.37%和90.08%,优于提出的双输入神经网络的效果。与现有研究比较表明,该方法能够利用深度学习的优势有效捕捉信号中的潜在信息,为冠心病无创无损检测提供更加全面和可靠的诊断依据。