一些可能有帮助的提示：

1. 您的 FFT 应该比您尝试检测的特征更短。将为特定数量的样本计算 FFT。这表示一定的时间长度（1kHz 采样率下的 1024 个样本为 1024 毫秒。）如果 FFT 的时间段长于信号特征，那么它们将全部涂抹在一起 - 您将无法识别特征. 您必须在足够的频率分辨率和足够的时间分辨率之间为您的 FFT 长度找到一个折衷方案。所需的频率分辨率取决于您需要检测的特征的频率内容，时间分辨率取决于特征的长度（以及没有特征时的时间长度 - 这本身可能是您需要注意的特征的。）
2. 根据频率范围对特征进行分类。对这些范围的 FFT 点进行平均 - 这将为您提供该功能的强度。
3. 绘制特征强度与时间的关系。
4. 找到每种心脏缺陷类型所特有的特征强度分组——这些是您需要能够识别的东西。例如：肺动脉狭窄同时具有低频（正常的心跳声）和高频（杂音），但在节拍之间没有杂音类型的声音 - 但它也有您需要检测的咔嗒声。
5. 您需要通过节拍之间的停顿来检测 S1 和 S2 - 长停顿后短意味着最后一拍是 S2。
6. 您引用的站点上的示例已被清理，但它们仍然具有可能试图作为功能潜入的东西。我听到 60Hz 的电源嗡嗡声，还有一些来自用于清理东西的过滤器的振铃。其中一些也有一些背景“白”噪声。

我会尝试将文件加载到Baudline 中，并首先查看如何通过眼睛识别特征及其组合。Baudline 可以向您展示频率内容如何随时间变化，以便您查看特征和相对时序之间的关系。在加载到 Baudline 之前，使用Audacity将 mp3 文件转换为 wav 并下采样到 1000Hz 采样率。

Baudline Color Aperture 可以方便地使图表的某些部分突出 - 这可以更容易识别特征。

Baudline 仅适用于 Unix 类型系统（Linux、BSD、Mac OSX），但我确信 Windows 也有类似的软件。Audacity 可用于 Windows 以及 Linux 和 OSX。

在我看来，您可以根据频谱内容和绝对希尔伯特包络识别三个信号之间的差异。

有缺陷的心跳中有更多的高频内容，因此您可以比较高频中的 FFT 幅度。

健康信号的包络是很好的曲线，就像余弦窗口一样，因此您可以再次测量包络与余弦窗口或健康心跳包络的差异程度。