心力衰竭是各种心脏疾病发展的终末阶段,具有患病率高、死亡率高、花费高、预后差等特点,已成为世界范围内的重大公共卫生问题。心电图是临床上最常见无创性的能够准确直观反映人体心脏电位活动的工具,为医生诊断提供了重要信息。本文利用PhysioBank生理信号公共数据库数据,结合信号处理与机器学习技术,旨在研究高效快捷的心力衰竭自动诊断方法,为实现心力衰竭的客观诊断评价具有重大意义。主要工作如下:(1)提出了基于灵活解析小波变换的心衰诊断模型。将预处理后的心电信号进行灵活解析小波五层分解,计算分解后子带信号的模糊熵,并对熵特征进行了特征打分排名,去除冗余特征,建立最优特征集。最后,采用多种传统机器学习方法进行心衰诊断,利用十倍交叉验证方法和混淆矩阵对不同分类器效果性能进行评估。结果显示,支持向量机和最小二乘支持向量机在心衰的自动诊断中具有很大的应用潜力,最高准确率为94.63%;(2)提出了基于一维深度神经网络的心衰诊断模型。主要从心电信号的一维特性角度出发,建立了适合于处理一维时间序列的深度卷积神经网络模型,输入经过R点检测的心拍分段和非R点检测的直接分段两组数据,进行了实验对比,结果显示该模型对输入心拍是否进行R点检测并不敏感,最高准确率达到96.71%;(3)提出了基于信号特征与深度学习的心衰诊断模型。主要从深度卷积神经网络对处理图片数据的高效性角度出发,利用更能表征心电信号非线性特征的高阶累积量方法,提取了心电信号的三阶累积量谱图,分别输入AlexNet,ResNet和DenseNet模型。结果表明,结合提取信号特征的深度学习方法能够更好地对心衰进行辅助诊断,最高准确率达到97.86%。