1.一种心音信号的分类方法，其特征在于，所述心音信号的分类方法应用于心音信号的分类系统，所述分类系统包括存储模块、缓存模块以及处理器，所述心音信号的分类方法包括以下步骤：所述处理器在接收到用户端发送的待分类心音信号时，将所述待分类心音信号存储至所述缓存模块，并在所述存储模块中确定所述待分类心音信号对应的预设信号分类模型；

所述处理器获取所述信号分类模型中异常标准信号的信号特征以及正常标准信号的信号特征，并获取所述待分类心音信号的信号特征，其中，所述信号特征包括时域特征和频域特征；

所述处理器将所述待分类心音信号的信号特征分别与所述异常标准信号的信号特征以及正常标准信号的信号特征进行比对，以确定所述待分类心音信号为异常心音信号或正常心音信号，并将所述待分类心音信号的分类类别发送至所述用户端；

其中，所述预设信号分类模型通过待训练信号样本进行训练得到，所述待训练信号样本中包括待训练正常信号和待训练异常信号，所述在通过所述待训练信号样本对所述预设信号分类模型进行训练之前，所述方法还包括：所述处理器计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时间波峰因数和异常信号样本时间波峰因数，其中，时间波峰因数为待训练样本信号时域波形图的峰值的绝对值除以时域波形图的有效值，所述时域波形图的有效值为所述时域波形图的波形的方均根；

所述处理器基于所述正常信号样本时间波峰因数和异常信号样本时间波峰因数，确定所述待训练正常信号以及待训练异常信号中的无效信号，并将剔除所述待训练正常信号以及待训练异常信号中的无效信号。

2.如权利要求1所述的心音信号的分类方法，其特征在于，所述处理器在接收到所述用户端发送的待分类心音信号时，将所述待分类心音信号存储至所述缓存模块，并在所述存储模块中确定所述待分类心音信号对应的预设信号分类模型的步骤之前，还包括：所述处理器获取所述存储模块中的待训练信号样本，其中，所述待训练信号样本包括待训练正常信号样本和待训练异常信号样本；

所述处理器根据预设时域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时域特征和异常信号样本时域特征，其中，所述样本时域特征包括样本能量熵、样本短时能量和样本过零率中的一种或多种；

所述处理器根据预设频域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本频域特征和异常信号样本频域特征，其中，所述样本频域特征包括样本截止频率、样本光谱质心值、样本光谱通量、样本离散傅里叶变换后系统的平均值和样本线性预测编码；

所述处理器根据所述正常信号样本时域特征、所述正常信号样本频域特征、所述异常信号样本时域特征以及所述异常信号样本频域特征对所述存储模块中的模型模板进行训练，生成信号分类模型，并将所述信号分类模型存储至所述存储模块。

3.如权利要求2所述的心音信号的分类方法，其特征在于，所述处理器根据预设时域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时域特征和异常信号样本时域特征的步骤具体包括：所述处理器根据能量熵计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本能量熵和异常信号样本能量熵，分别作为所述正常信号样本时域特征和异常信号样本时域特征，其中，所述能量熵计算公式为 为离散心音信号在待训练信号样本中的编号，x(n)为待训练信号样本中的离散心音信号，N为同一类别的待训练信号样本的个数。

4.如权利要求2所述的心音信号的分类方法，其特征在于，所述处理器根据预设时域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时域特征和异常信号样本时域特征的步骤具体还包括：所述处理器根据短时能量计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本短时能量和异常信号样本短时能量，分别作为所述正常信号样本时域特征和异常信号样本时域特征，其中，所述短时能量计算公式为 ω(m‑n)为用于过滤心音信号中的杂音信号的窗函数，x(n)为待训练信号样本中的离散心音信号，n为离散心音信号在待训练信号样本中的编号，m为杂音信号在待训练信号样本中的编号，N为同一类别的待训练信号样本的个数。

5.如权利要求2所述的心音信号的分类方法，其特征在于，所述处理器根据预设时域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时域特征和异常信号样本时域特征的步骤具体还包括：所述处理器根据过零率计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本过零率和异常信号样本过零率，分别作为所述正常信号样本时域特征和异常信号样本时域特征，其中，所述过零率计算公式为 x(n)为待训练信号样本中的离散心音信号，N为同一类别的待训练信号样本的个数，n为离散心音信号在待训练信号样本中的编号，sgn(x(n))为离散心音信号对应的符号函数，用于确定离散心音信号的频段值，其中，

6.如权利要求2所述的心音信号的分类方法，其特征在于，所述处理器根据预设频域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本频域特征和异常信号样本频域特征，其中，所述样本频域特征包括样本截止频率、样本光谱质心值、样本光谱通量、样本离散傅里叶变换后系统的平均值和样本线性预测编码的步骤具体包括：所述处理器根据光谱质心值计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本光谱质心值和异常信号样本光谱质心值，分别作为所述正常信号样本频域特征和异常信号样本频域特征，其中，所述光谱质心值计算公式为为待训练信号样本中的离散心音信号，f(x(n))为x(n)的频谱函数，n为离散心音信号在待训练信号样本中的编号；

所述处理器根据光谱通量计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本光谱通量和异常信号样本光谱通量，分别作为所述正常信号样本频域特征和异常信号样本频域特征，其中，所述光谱通量计算公式为所述处理器根据离散傅里叶变换后系数的平均值计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本平均值和异常信号样本平均值，分别作为所述正常信号样本频域特征和异常信号样本频域特征，其中，所述平均值计算公式为其中，ω＝1,2,…,K，K为待训练信号样本中的离散心音信号的离散采样个数；

所述处理器计算出每个类别训练样本的线性预测编码，即所述待训练正常信号以及待训练异常信号对应的正常信号样本线性预测编码和异常信号样本线性预测编码，其中，线性预测编码计算公式为 其中，s(n)为原始心音信号在n时刻的采样值，e(n)为预测误差，p为预测系数的个数，p的取值范围在10～15之间，ak为需要计算的待训练样本的线性预测编码。

7.一种心音信号的分类装置，其特征在于，所述心音信号的分类装置应用于心音信号的分类系统，所述分类系统包括存储模块、缓存模块以及处理器：分类模型确定模块，用于所述处理器在接收到用户端发送的待分类心音信号时，将所述待分类心音信号存储至所述缓存模块，并在所述存储模块中确定所述待分类心音信号对应的预设信号分类模型；

信号特征提取模块，用于所述处理器获取所述信号分类模型中异常标准信号的信号特征以及正常标准信号的信号特征，并获取所述待分类心音信号的信号特征，其中，所述信号特征包括时域特征和频域特征；

心音信号分类模块，用于所述处理器将所述待分类心音信号的信号特征分别与所述异常标准信号的信号特征以及正常标准信号的信号特征进行比对，以确定所述待分类心音信号为异常心音信号或正常心音信号，并将所述待分类心音信号的分类类别发送至所述用户端；

所述心音信号的分类装置还包括：

时间波峰因数计算模块，用于所述处理器计算出待训练正常信号以及待训练异常信号对应的正常信号样本时间波峰因数和异常信号样本时间波峰因数，其中，时间波峰因数为待训练样本信号时域波形图的峰值的绝对值除以时域波形图的有效值，波形图的有效值为该波形的方均根；

无效信号剔除模块，用于所述处理器基于所述正常信号样本时间波峰因数和异常信号样本时间波峰因数，确定所述待训练正常信号以及待训练异常信号中的无效信号，并将剔除所述待训练正常信号以及待训练异常信号中的无效信号。

8.一种心音信号的分类设备，其特征在于，所述心音信号的分类设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的心音信号的分类程序，其中所述心音信号的分类程序被所述处理器执行时，实现如权利要求1至6中任一项所述的心音信号的分类方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有心音信号的分类程序，其中所述心音信号的分类程序被处理器执行时，实现如权利要求1至6中任一项所述的心音信号的分类方法的步骤。