心电图是记录人体心脏活动的重要影像,现有的心电图分类算法多采用公开的心电数据库作为训练样本集。以目前应用范围最广的MIT-BIH心电数据库为例,其内部仅包含47个病人的数据,各个心律类型分布严重不均衡,这就给心电分类准确率的提升带来了巨大阻碍。研究人员试图使用数据增强来解决难题,传统的心电数据增强技术包括对信号的平移操作或加入随机噪声等,但是简单的修改只能获得少量附加信息,高质量的合成数据应该是新的复杂类型数据。因此本课题的研究方向就是基于生成对抗网络GAN实现心电数据的增强。本文首先对原始数据集进行预处理,基于自适应差分阈值法检测心电图的R峰,并且对信号进行心拍分割,对分割后的数据进行标准化处理。然后构建深度卷积生成对抗网络模型DCGAN,进行心电信号生成。由于DCGAN采用的交叉熵损失函数存在固有缺陷,导致训练过程中出现梯度消失现象,本文将其改进为基于Wasserstein距离的损失函数,并使用权重裁剪和梯度惩罚两种方案对网络参数添加Lipschit限制。改进后,相似度评估值PRD和DTW明显下降,模型的生成效果得到提升。为进一步优化生成数据质量,我们将DCGAN模型的生成器分别使用LSTM、GRU和BILSTM三种循环神经网络变体进行代替,并为判别器加入小批量判别层提升生成数据的多样性,经过实验仿真,最终得出基于BILSTM的改进模型对原始样本的特征学习最为充分。本文还设计了基于卷积神经网络CNN的分类模型,使用主成分分析法对模型的各层输出进行特征提取,证明各个心律类型之间存在可区分差异。之后调整原始数据集的IR类别平衡比,并使用随机采样法、人工少数类过采样SMOTE方法和GAN数据增强方法分别对不平衡数据集进行扩充。通过多组对比实验的仿真结果可知,基于GAN的数据增强算法在准确率和宏平均F1值两项指标下均得分最高,验证了基于GAN数据扩充技术的有效性。最后,本文设计并实现了一个在线的心电数据生成系统,实现对MIT-BIH数据库心电数据的在线生成,以供其它研究人员下载使用。