目的使用卷积神经网络（Convolutional neural network,CNN）处理、提取心电图（Electrocardiogram,ECG或者EKG）特征,建立心电图辅助诊断模型,以期减轻医生心电图诊断的工作量,控制人工诊断的误差,实现职业人群健康体检中心电图诊断的高效化和精确性。方法采用现况研究,研究对象选取2020年7月～2020年9月在河北冀中能源葛泉矿医院和东庞矿医院进行职业健康体检的在岗煤炭工人为研究对象。收集个人一般信息资料,采用Biocare ECG-1210十二导联数字式心电图机进行心电图检查,经三位专家共同诊断后的结果作为心电图检查的结果。对心电图图像进行预处理,使用卷积神经网络选择特性区域,将原始心电信号进行白化、去噪处理。分别以各种心电图异常类别与心电图正常作为模型的识别变量,利用Python软件,使用卷积神经网络建立心电图图像识别分类模型,通过校准曲线、Calibration-in-thelarge、Brier得分、特异度、灵敏度、F1分数、Kappa值、准确率、ROC曲线下面积（Area under curve,AUC）等评价指标进行模型性能的评价。结果1研究共纳入3392名工人,其中男性工人3268名,占比96.34%,女性工人124名,占比3.66%;平均年龄39（34,47）岁。2心电图结果异常人数为849人,异常率为25.02%,其中窦性心动过缓441人（51.94%）,非特异性室内传导延迟147人（17.31%）,心肌缺血118人（13.90%）,窦性心动过速73人（8.60%）,其它异常共84人次,占总异常人数的9.54%。3 1)窦性心动过缓模型的训练集、测试集、验证集的准确率依次为为98.79%、97.66%、96.91%;特异度依次为98.55%、96.63%、96.30%;灵敏度依次为99.05%、98.78%、97.67%,测试集Brier得分和Calibration-in-the-large分别为0.03和0.026。2)非特异性室内传导延迟模型的训练集、测试集、验证集的准确率依次为98.12%、96.49%、93.10%;特异度依次为98.17%、96.30%、93.75%;灵敏度分别为98.08%、96.67%、92.31%,测试集Brier得分和Calibration-in-the-large分别为0.07和0.110。3)心肌缺血模型的训练集、测试集、验证集的准确率依次为为97.20%、93.62%、91.30%;特异度分别为97.10%、96.88%、90.90%;灵敏度依次为97.30%、86.67%、83.33%,测试集Brier得分和Calibration-in-the-large分别为0.09和0.041。4)窦性心动过速模型的训练集、测试集、验证集的准确率依次为96.12%、93.02%、91.30%;特异度依次为95.16%、95.24%、92.31%;灵敏度分别为97.56%、90.90%、90.00%,测试集Brier得分和Calibration-in-the-large分别为0.11和0.098。结论1该煤炭企业工人心电图异常情况主要表现为窦性心动过缓、非特异性室内传导延迟、心肌缺血及窦性心动过速。2卷积神经网络模型可准确识别煤炭工人主要心电图异常类型。图 30 幅;表 23 个;参 107 篇。