1.一种基于卷积与通道注意力机制的心音信号分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于：步骤a)中从physionet2016心音数据库获取原始心音信号x。
3.根据权利要求1所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于：步骤b)中m取值为2.5，不足2.5秒长的心音段进行补零操作。
4.根据权利要求1所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于：步骤c)中梅尔倒谱系数维度设置为40，采样率设置为16000hz。
5.根据权利要求1所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于，步骤e)包括如下步骤：
6.根据权利要求5所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于：步骤e-2)中第一空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为5、步长为2，第二空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为2、步长为2，第三空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为1、步长为2；步骤e-3)中第一卷积块的卷积层的卷积核大小为1×1、步长为2，第二卷积块的卷积层的卷积核大小为3×3、步长为2，第三卷积块的卷积层的卷积核大小为1×1、步长为1；步骤e-4)中第一深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1，第二深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1。
7.根据权利要求1所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于，步骤f)包括如下步骤：
8.根据权利要求7所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于：步骤f-2)中第一空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为5、步长为2，第二空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为2、步长为2，第三空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为1、步长为2；步骤f-3)中第一卷积块的卷积层的卷积核大小为1×1、步长为2，第二卷积块的卷积层的卷积核大小为3×3、步长为2，第三卷积块的卷积层的卷积核大小为1×1、步长为1；步骤f-4)中第一深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1，第二深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1。
9.根据权利要求1所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于，步骤g)包括如下步骤：
10.根据权利要求9所述的基于卷积与通道注意力机制的心音信号分类方法，其特征在于：步骤g-2)中第一空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为5、步长为2，第二空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为2、步长为2，第三空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为1、步长为2；步骤g-3)中第一卷积块的卷积层的卷积核大小为1×1、步长为2，第二卷积块的卷积层的卷积核大小为3×3、步长为2，第三卷积块的卷积层的卷积核大小为1×1、步长为1；步骤g-4)中第一深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1，第二深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1。