本文针对多导联心电数据的自动分类问题,考虑在资源受限的情景下,对心电数据的轻量级深度学习模型和模型的解释进行了较系统的研究,主要工作及创新点如下:1、提出了一种面向多导联心电数据分类的轻量级深度学习模型（DSCNet）。首先,本文对深度学习模型的深度和宽度进行设计,提出了一种窄-宽-窄的模型结构。其次,多导联心电图数据的分类需要捕获同一导联不同心拍的特征,又要捕获不同导联间的同一时刻心动周期的特征。因此,DSCNet使用深度卷积提取每一导联内的空间信息,使用点卷积捕获导联间的交互信息。并在DSCNet中引入了残差结构来解决模型退化的问题。DSC相比传统卷积能够大量减少模型参数,达到构建轻量级深度学习模型的目的。2、提出了一种融入有效通道注意力机制的ECG自动分类模型（DSC-ATT）。首先,本文在深度卷积后加入有效通道注意力,通过深度卷积提取每一导联内的重要信息,然后利用有效通道注意力机制分析每一导联的重要性,最后再进行点卷积计算,不仅能够获得ECG数据重要的空间信息,也能获得通道的重要信息,提升模型准确度。其次,本文在Grad-Cam方法的基础上,针对多导联心电数据做出改进,从而实现了多导联数据的空间重要特征和通道的重要性的可视化,为分类结果提供了直观解释。3、在CPSC2018数据集上,对本文提出的方法进行了实验和验证。实验表明,DSCNet整体准确率达到0.845,F1-score达到0.835,ST段检测得到了较大的提升。此外,模型参数复杂度分析表明,DSCNet的模型参数量仅为Xception的2.3%,参数量从千万级降为十万级。DSC-ATT整体的准确率达0.859,F1-score达到0.845,与DSCNet相比九个类别的准确度均有不同程度上的提高。并通过对比AUC曲线,证明加入注意力机制后的模型泛化能力更好。同时,改进后的Grad-cam方法,能够有效突出心电数据的重要特征,为模型分类结果提供解释。本文提出的轻量级自动分类模型DSCNet和融入通道注意力机制的自动分类模型DSC-ATT,该模型不仅提高了多导联心电数据分类的准确率,而且降低了模型的参数复杂度。同时,本文提供了一种分类结果可视化的方法,可以对模型分类的依据提供一定程度的解释。本文工作对深度学习在智慧医疗中的应用中具有重要意义。