目的:通过传统方法或者深度学习方法进行建模,对心脏疾病进行分类是目前进行心脏病辅助诊断的常见方法。传统方法的关键在于人工提取特征,费时费力且效果欠佳;深度学习方法避免了人工提取特征的弊端,既可以快速有效地进行特征提取,也可以实现疾病的准确分类,被广泛应用于实际问题的解决。深度学习方法依赖于大量的数据,数据足够充分模型才能够学习到良好的特征。但心脏病种类繁多,为每一种类型都搜集足够的数据进行训练并不现实。不同心电疾病信号包含着不同的特征,多标签疾病数据相对较少,临床上一般认为,同时患有两种及以上心电疾病的患者往往兼有两种单一疾病的特征。因此,利用已有的单标签心电疾病的数据,通过特征提取和特征融合,得到多标签疾病的数据,从而能够实现对多标签疾病的分类预测,为医生提供一定的辅助诊断依据,为本文的研究目的所在。方法:研究分为两步:第一步提出了一种新的基于深度学习的心电信号融合方法,主干网络是一个含有双判别器的对抗生成网络,其中生成器部分完成特征提取和特征融合。共由两部分构成,编码器部分和解码器部分。其中编码器部分对经过特殊连接的两种心电疾病信号完成特征提取,从而获得中间层即融合特征的特征映射,接下来通过解码器重构融合特征从而得到融合心电信号;判别器部分,本文设置了两个具有相同参数的判别器,对输入信号属于融合信号还是原始真实信号进行概率判别。经过生成器与两个判别器之间不断的对抗博弈,最终GAN网络的生成器部分可以得到同时具有两种疾病特征的心电信号;第二步,利用常规卷积神经网络（CNN）搭建了一个三分类网络,将得到的融合信号连同其对应的融合前单标签心电疾病的数据作为训练集,将已有的真实多标签数据作为测试集进行分类训练,从而实现对多标签疾病的诊断。本研究使用三种疾病数据两两融合进行三次独立重复实验。所采用的心电数据均来自中国医科大学第一附属医院（采样率:500Hz）。为了保证提取特征的全面性,本研究摒弃了以往许多研究中使用单导联或者二导联数据的方式,使用十二导联数据。结果:从可视化双判别器GAN网络得到的融合结果来看,三组实验得到的融合信号都能基本保留融合前信号的特征,且在相同条件下,去除信号融合约束0（89）)后模型稳定性明显下降,融合信号质量也开始降低;从分类结果来看,本实验使用融合信号对真实多标签数据进行分类,三组实验的准确率分别可以达到0.903、0.899和0.912,F1值分别为0.898、0.860和0.910;对比实验中,三组实验的准确率分别为:0.805、0.815和0.853,F1值分别为0.820、0.811和0.837。结论:利用双判别器GAN网络能够生成同时拥有两种疾病特征的融合信号,且通过在损失函数上增加信号融合约束0（89）),不仅能够提升网络的稳定性,还可以平衡网络对两种融合前数据的学习,减少噪声。使用得到的融合信号,能够在不接触真实多标签数据的前提下,较好的实现对真实多标签数据的分类。