心电图是临床上心脏疾病辅助诊断的重要工具之一,由于其快速、无创和信息表达丰富等特点,被广泛应用。近年来,随着心电检测设备的更新换代,心电图数据由最初的单导数逐步扩展到6导联、8导联和12导联。导联数量的成倍增加,一方面,可以获得更加丰富的病理表达,从而得到更加准确的结果,另一方面也将大大增加医生诊断的工作量。因此,如何合理的利用心电数据,构建快速、准确的诊断模型,帮助减轻医务工作者负担,是一件非常有价值的研究工作。本文基于Efficient Net模型的高效结构,提出一种心电数据分类模型,能够适应心电数据多导联、高频率、长序列的特点。文中首先对心电数据的特点进行研究,根据特点进行了有针对性的数据预处理,为模型构建和实验评估打下基础。在以往的研究中,由于传统的机器学习模型,强赖于人工特征的提取,模型效果受限于特征,虽能取得一定成效,但是总体精度不高,即使耗费大量时间精力进行特征分析、筛选,效果也很难进一步提升。而深度学习可以进行端到端的训练,自动进行特征提取,非常适用于心电数据的诊断任务。前人研究中有探索长短期记忆网络（LSTM）在心电数据上应用,但是由于心电数据高频时序的特点,LSTM只能处理很短的心电序列。而卷积神经网络（CNN）和残差网络（Res Net）,虽然可以通过卷积获取到局部特征,堆叠层数来获取较大受视野,但是这样需要很深的结构,参数量大,难以满足心电数据的实时性要求。基于上述问题,本文提出ECGEfficientNet模型结构。实验结果表明,模型具有准确率高、轻量化等特点,非常适合高频长序列心电数据处理,并且适用于各种不同导联类型的心电数据。接着为了进一步提升模型效果,本文基于ECG-EfficientNet结构,引入性别、年龄等外部特征进行融合,研究多特征融合给模型带来的效果增益。实验之前,通过数据分析,进一步验证了年龄、性别特征在不同心电类别上的分布差异。提出使用嵌入层（Embedding）对性别、年龄特征关系进行挖掘。通过这些外部特征与心电特征进行融合,构建出端到端的多特征融合模型,用于进行心电数据的分类和诊断。通过使用最新的2019合肥心电竞赛数据集和2017Physio Net挑战赛数据集,构建实验对比数据集,复现前人研究中提出的Res Net、Transformer等主流模型与本模型进行细致的对比。在参数总量、心电导联数量、批训练大小和外部特征等多组不同参数设定下,进行多维度比较。最后绘制各心电类别的ROC曲线,并计算了AUC面积。试验结果表明,经过多特征融合后的ECG-Efficient Net模型具有轻量化、高精度、多特征融合等优势,非常适合对高频多导联心电时序数据进行分类诊断。