En este estudio, construimos un modelo para predecir sonidos cardíacos anormales utilizando un conjunto diverso de datos de auscultación recopilados de varias posiciones de auscultación. Los sonidos cardíacos anormales se identificaron extrayendo características como intervalos de pico y características de ruido durante la sístole y la diástole. En lugar de utilizar datos de señal en bruto, los transformamos en espectrogramas log-mel 2D, que se emplearon como variables de entrada para el modelo CNN. El avance de nuestro modelo implica integrar una arquitectura de aprendizaje profundo con técnicas de extracción de características basadas en el conocimiento existente de datos cardíacos. Específicamente, proponemos un esquema de procesamiento de señales cardíacas basado en múltiples canales (MCHeart), que incorpora nuestras características propuestas en el modelo de aprendizaje profundo. Además, introducimos el modelo ReLCNN aplicando bloques residuales y mecanismos MHA a la arquitectura LCNN. Al agregar características de soplo con una función de suavizado y entrenar el modelo ReLCNN, la precisión ponderada del modelo aumentó del 79.6% al 83.6%, mostrando una mejora en el rendimiento de aproximadamente 4 puntos en comparación con el modelo base LCNN.