چکیده: چکیده بیماری‌های قلبی از مهم‌ترین علل مرگ‌ومیر و ناتوانی در جهان به‌شمار می‌روند. تشخیص سریع و دقیق این بیماری‌ها نقش کلیدی در کاهش هزینه‌های درمانی و ارتقای کیفیت زندگی بیماران دارد. با این حال، روش‌های رایج مبتنی بر سیگنال‌های قلبی همچنان با چالش‌هایی همچون نیاز به تقسیم‌بندی دقیق اجزای سیگنال، پیچیدگی محاسباتی و محدودیت در استخراج ویژگی‌های مؤثر روبرو هستند. در این رساله، چارچوبی نوین برای طبقه‌بندی سیگنال‌های فونوکاردیوگرام (PCG) ارائه شده است که در آن، برای نخستین‌بار از روش تجزیه ماتریس غیرمنفی متعامد عمیق (Deep ONMF) در ترکیب با پروتکل‌های مهندسی و همجوشی ویژگی در حوزه سیگنال‌های قلبی استفاده شده است. نوآوری این پژوهش در بهره‌گیری هدفمند از آن برای استخراج ویژگی‌های سطح بالا از سیگنال‌های PCG و طراحی چهار پروتکل ترکیب خروجی لایه‌ها در قالب نقشه‌های ویژگی نهفته است. ساختار پیشنهادی شامل سه لایه Deep ONMF بوده و در هر لایه، نمایش‌های سطح‌بالای زمانی‌ـ‌فرکانسی استخراج می‌شوند. سپس با استفاده از الگوریتم‌های انتخاب ویژگی و طبقه‌بندهای گوناگون، فرآیند طبقه‌بندی صورت پذیرفته است. نتایج ارزیابی بر روی دو پایگاه داده معتبر PhysioNet و Yaseen انجام شده است. تحلیل نگاشت t-SNE نشان داد که پروتکل‌های مبتنی بر ویژگی‌های زمانی عملکرد بهتری در تفکیک کلاس‌ها دارند. همچنین طبقه‌بند جنگل تصادفی (RF) در تمامی پروتکل‌ها نسبت به سایر طبقه‌بندها برتری داشته و در بهترین حالت به دقت ۱۰۰٪ در هر دو پایگاه داده دست یافته است. افزون بر این، نتایج مقایسه‌ای نشان داد که روش پیشنهادی مبتنی بر ONMF عمیق نسبت به ONMF تک‌لایه جدایی‌پذیری بهتری برای ویژگی‌ها ایجاد کرده و منجر به تفکیک دقیق‌تر کلاس‌ها شده است. همچنین در مقایسه با شبکه عصبی کانولوشنی (CNN)، چارچوب پیشنهادی به دقت بالاتری در طبقه‌بندی سیگنال‌های PCG دست یافته و با کاهش نیاز به تقسیم‌بندی سیگنال و پیچیدگی محاسباتی کمتر، کارآمدتر عمل کرده است.