心脏病严重威胁着人类健康,心电图(Electrocardiogram,ECG)作为最常用的心脏检测方式对于心脏病的检测至关重要。心电图记录的心电信号是一个非线性的时间序列数据,它记录着心脏起搏过程中的电压变化,其信号不仅微弱、繁复且易受到噪音干扰,而且不同类别间还存在着数据量严重不均衡及异常信号线性可分性极低等问题。这些问题导致构建心电信号特征提取模型时难以获得有效的模型系数,严重制约着心律识别性能的进一步提升。本文在心律识别研究中针对其心电图数据严重不均衡和具有较高鲁棒性和辨别性的特性信息难以提取的问题,分别提出了基于生成对抗网络与卷积网络的心律识别方法和基于差分信息的集成学习方法。本文的主要研究内容如下:(1)基于生成对抗网络与卷积网络的心律识别方法。研究表明心电数据类别严重不均衡,致使建立模型过程中,模型易偏向数据量大的类别,而数据量较小的类别的拟合度较低。模型常处于部分类别过拟合与其他类别欠拟合并存的状态,致使特征的有效提取极为困难。本文利用CNN模型同DCGAN模型协作来减少类别不均的影响。首先通过CNN模型建立心律识别模型,在类别不均衡的情况下训练模型,进而借助该模型筛选出表征不足的心电数据;鉴于表征不足的数据通常稀少且易分类错误,难以获取具有较高鲁棒性和辨别性的特征信息的问题,该方法将表征不足数据输入DCGAN模型进行迭代训练,利用DCGAN模型的生成器产生不均衡类和易错类数据,利用DCGAN模型中的判别器对生成数据进行筛选扩充数据集,弥补不均衡类和易错类数据在高维空间表征不足的问题,减少类别不均衡造成的模型拟合不平衡的情况。最后,实验结果表明,该模型可以有效的提高心律识别的精度。(2)基于差分信息的集成学习方法。研究表明心电信号类别间共性信息较多,研究表明不同类别间的心电信号存在较高共性信息,但是每类心电信号的特性信息却较少,而这些特性信息是进行心律识别的关键。由于心电信号微弱且易受噪音影响,使得在有限数据条件下挖掘心电信号深层次特征信息较为困难。为了增强心电信号的有效信息量,本文引入ECG差分信息为心电信号的增加高阶信息,以此提升模型对心电信号的表征能力。首先利用原ECG数据产生一阶差分数据和二阶差分数据;接着将上述差分信息和原ECG分别进行特征提取,映射至不同的高维空间,从多角度对ECG进行表征;最后借鉴集成学习的思想将不同空间的特征映射相集成,从而产生深层特征,提升心律识别方法的识别性能。最后,实验结果表明,利用差分信息挖掘深度特征可有效提高识别的准确度。