心律失常是一种常见的心血管疾病综合症,心律失常的检测分类对心血管疾病预防具有积极意义。心电图是一种图形化技术,它反映心肌细胞除极与复极的动态过程,通过观察心电图的波形变化是否异常,可以预警或诊断心血管疾病。在临床检查中,心电信号的采集易受到工频噪声、肌电干扰和基线漂移等噪声信号影响,导致正确识别心律失常具有一定的困难。另外,心律失常的波形形态更加复杂,庞大的心电图数量会导致心脏病医生的工作压力急剧增加,因此,仅依靠医生经验去识别心律失常类型的方法效率较低,且存在着误诊漏诊的主观可能性。本论文以卷积神经网络(Convolution Neural Network,CNN)为基础,主要研究了原始心电信号的噪声滤除方法和心律失常的检测分类算法,并使用MIT-BIH数据库进行验证,最后对实验结果进行对比分析。本论文将从以下三个方面进行深入研究:1.针对原始心电信号噪声滤除的研究。首先,介绍了小波变换和形态学滤波方法在基线漂移噪声滤除过程中的效果,并分析了各自存在的缺陷。其次,提出一种结合小波变换和形态学滤波进行基线漂移噪声滤除的新方法。最后,通过对比分析结果表明:新方法在消除心电信号中的基线漂移效果更加显著。2.针对心律失常检测分类算法的研究。首先,利用QRS波检测和截取心拍的方法对心律失常数据进行提取准备,并介绍了传统的心律失常检测分类技术。其次,设计了一种基于一维卷积神经网络的心律失常检测分类模型,该模型将特征提取与检测分类结合在一起。最后,利用MIT-BIH数据库数据进行模型实验验证,通过模型参数调优,网络快速收敛,最终实现五类心拍的有效分类效果。3.针对算法实验结果的分析研究。首先,介绍分类器评价指标;其次,对卷积核个数和网络层数进行参数配置与优化;接着,对心拍数据混肴矩阵结果进行分析,模型的检测分类准确度达到99.10%;最后,将该方法的分类结果与经典的SVM分类方法和人工特征分类方法进行对比分析。结果表明,该方法相较传统的分类方法更优,其跳过了特征提取与选择的步骤,避免了模型对特征提取精确度的过度依赖,同时降低了特征变换造成的计算过程复杂度。