La clasificación inteligente de señales de sonido cardíaco puede ayudar a los clínicos en el diagnóstico rápido de enfermedades cardiovasculares. Los coeficientes cepstrales de mel-frecuencia (MelSpectrums) y los coeficientes cepstrales de mel-frecuencia logarítmica (Log-MelSpectrums) basados en una transformada de Fourier de corto tiempo (STFT) pueden representar las estructuras temporales y espectrales de las señales de sonido cardíaco originales. Recientemente, se han presentado varios sistemas basados en redes neuronales convolucionales (CNNs) entrenados en el MelSpectrum y Log-MelSpectrum de fotogramas segmentales de sonido cardíaco que superan a los sistemas que utilizan características diseñadas a mano y clasifican las señales de sonido cardíaco con precisión. Sin embargo, no hay evidencia a priori de la mejor representación de entrada para clasificar sonidos cardíacos al utilizar modelos de CNN. Por lo tanto, en este estudio, las características MelSpectrum y Log-MelSpectrum de las señales de sonido cardíaco combinadas con un modelo matemático de adquisición de sonido cardíaco fueron analizadas teóricamente. Tanto los resultados experimentales como el análisis teórico demostraron que las características Log-MelSpectrum pueden reducir la diferencia de clasificación entre dominios y mejorar el rendimiento de las CNN para la clasificación de sonidos cardíacos.