心电图是诊断心血管疾病最常用的方法,由于传统心电图分类技术过于依赖人工特征提取,不能很好实现心电图自动分析,最终还需要临床医生对结果做最后判断。近年来,随着科学技术进步以及人工智能发展,使深度学习技术应用在心电图心律失常自动分类中成为可能。该文正是将深度学习技术与心电图诊断相结合,来研究心律失常自动分类。主要研究工作分为以下几个方面:首先,设计数字滤波方法和小波分解方法对数据库心电数据进行滤波,掺杂着噪声的心电信号不利于心律失常疾病分析,根据有用信息和主要噪声频率范围分布不同,设计中值滤波和小波去噪相结合的方法对三种主要噪声进行滤除。对滤波后心律失常数据库(Massachusetts Institute of Technology-Beth Israel Hospital,MIT-BIH)进行心拍划分,制作数据集。然后,设计浅层卷积神经网络mini4和Vgg卷积神经网络对五种心律失常数据进行分类。通过随机梯度下降法和反向传播算法对网络模型参数进行调整,生成相应网络模型,测试集分类结果用混淆矩阵形式给出。最后,对Vgg卷积神经网络进行改进,设计Vgg-connect网络对心律失常进行分类,混淆矩阵用灵敏度,正检测率指标进行评价,最终改进Vgg卷积神经网络模型Vgg-connect在减少网络参数,降低网络计算量同时,保持了和Vgg网络大致相同总体准确率。并且正确检测疾病能力提高了0.35%(平均正检测率),Vgg-connect对五种心律失常分类结果平均灵敏度为96.74%,平均正检测率为96.96%,整体准确率达到97.51%。该文研究的Vgg-connect神经网络满足了心律失常自动分类需要。最后选择Vgg-connect神经网络作为网络模型实现心律失常自动分类。