心血管疾病的发病率和死亡率逐年增高,心电信号ECG作为一种非侵入式测量手段,反应了人体心脏活动的电信号,被广泛应用于心血管疾病诊断中。心律失常是一组常见且重要的心血管疾病,心电信号中心律失常的自动分类算法研究在临床上具有重要价值。心电信号自动分类算法关键在于有效特征提取,传统分类算法依赖经验和先验知识,对心电信号进行人工手动特征设计和选择,费时费力,不能充分挖掘隐含在海量心电信号背后的特征。本文的主要研究内容包括以下两点:1、基于小波分解阈值处理的心电信号滤波。根据心电信号和噪声频率分布特点,选择Symlet4小波基对心电信号进行9尺度小波分解,将1、9尺度小波系数置零,本文使用了一种改进阈值处理方法,并根据噪声在不同小波尺度上的特点提出了一种自适应阈值确定方法,对其他尺度小波系数进行阈值处理后重构信号,从而达到滤波目的,结果显示本文提出的自适应阈值滤波方法优于其他方法,能有效滤除ECG中各种噪声。2、基于深度置信网络(Deep Belief Nets,DBN)的心律失常心拍分类方法。本文构建了一个DBN网络完成心电信号特征学习和自动分类任务,DBN由三层限制波尔茨曼机(Restricted Botlzmann Machines,RBM)和Softmax分类器堆叠而成,首先对各层RBM和Softmax进行预训练,然后利用预训练得到的权值参数对DBN进行初始化,最后利用误差反向传播算法对DBN进行有监督的微调,从而使网络尽可能收敛到全局最优值以提高心电信号分类精度。将深度学习方法应用于心电信号自动分类算法中,利用深神经网络逐层特征学习和映射能力,从心电信号数据中学习得到深层次特征,从而避免显式特征提取过程,增强了算法的鲁棒性和抗干扰能力,完成对心律失常心拍的自动分类诊断。实验结果部分分别对网络层数、权值微调前后对比结果以及噪声干扰对算法的影响进行讨论,结果显示本文提出的基于DBN的心律失常分类算法能较好完成ECG中具有区分度的深层特征提取任务,实现了心电信号中心律失常自动分类诊断,具有较强稳定性和抗干扰能力。