心率是人体最重要的生理参数之一,在临床诊断与病人的健康监护上起很大作用。心率异常是多种心血管疾病的高危因素,通过监测心率,可以提前预防很多心血管疾病的发生。目前,测量心率最准确的方法有心电图和脉搏血氧饱和度传感器等,医院中精度高但使用不便的心电图仪已不能满足人们对心脏进行日常监护的需求。因此基于光电容积脉搏波(Photo Plethysmo Graphy,简称PPG)技术的可穿戴式心率测量设备被广泛应用于心率监测领域。基于PPG的穿戴心率检测系统成本较低,应用比较普遍,但易受干扰,测量精度有待提高。PPG信号采集过程中,往往包含工频干扰、基线漂移、肌电噪声等信号,针对当前动态心率测量方法中存在心率监测准确度不高的缺点,提出使用深度学习算法对PPG信号去噪与心率检测。堆栈降噪自编码网络是一种无监督的深度学习模型,通过类似于深度网络的逐层叠加机制,由若干个降噪自编码器堆叠起来而成。本文对堆栈自编码器进行脉搏信号的去噪和检测展开了研究,其中第一部分是脉搏信号的去噪和心率测量,另一部分是心率异常检测研究。本文主要内容如下:(1)对PPG信号去噪,即如何消除PPG信号中运动噪声对进行可靠的心率测量的影响。同时,使用PPG信号测量心率。在生理参数检测中,心率可用于监测人体每日的运动量是否超标,也能够为医学诊断提供参考。对比傅里叶变换和小波变换,本文基于堆栈自编码器的脉搏信号的去噪,结合自适应阈值(ADT)方法计算心率,从而实现对运动状态下干扰严重的PPG信号进行心率测量。(2)使用PPG信号计算心率进行心率异常检测。每个测试者PPG信号都对应其独有特征,深度学习学习到这些特征内在规律。本文采用深度学习卷积神经网络分类方法,判别心率异常或正常的诊断。针对传统心率失常智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从PPG信号数据出发对心率失常状态进行分类识别的新方法。该方法由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。实验所研究的方法对心率异常检测的实现具有较好的识别能力,能够完成心率失常特征的自适应提取,增强了医疗心率信号去噪和异常检测的智能性。