房颤是临床最常见的一种心律失常疾病,其患者每年增加。其特点是紊乱的心房活动和随之而来的脑卒、心肌梗死等并发症,导致较高的致残率和死亡率,严重危害着人类的健康。因此,开发房颤检测系统,从而能及早发现房颤,对改善病人的治疗和提高治疗质量,减少病人危重病症发生率和死亡率等有重要的临床和社会意义。但是目前,已有的房颤检测研究均在检测准确率上存在不足,分析可知现有房颤检测难以提取稳定、能有效判别房颤的特征。本论文将对心电图中的房颤检测展开研究,提出高灵敏度、特异性强的房颤检测方法。论文主要研究工作如下:1、RR间期数据的处理。本论文采用两种方法对数据进行处理,一是基于直方图的分析研究,处理心电信号的RR间期的序列求得RR间期差序列,然后计算RR间期差直方图和香农熵;二是基于符号动力学的分析研究,将RR间期差序列转换成符号序列,求子串长度概率分布的香农熵。直接以RR间期数据为输入则存在数据偏移问题,间期处理后的数据克服了这一问题。2、采用深度置信网络(Deep Belief Networks,DBNs)进行房颤的检测。它是近年兴起的机器学习模型,结合了无监督学习过程和有监督学习过程。由于心电信号复杂多变,且受到多种噪声干扰,现有房颤检测难以提取稳定、能有效判别房颤的特征,甚至有时医生进行诊断时也无法判断,因此本论文选取深度置信网络,特征提取和分类融合的方法,通过对大量数据进行学习,实现房颤的检测。通过MIT-BIH数据库上的实验结果表明,本论文提出的方法有较高的性能,说明本论文方法具有心电信号检测房颤的能力。