心房颤动是最常见的心律失常之一,不仅会独自发作,还会增加相关并发症的发病率以及死亡率。因此,针对房颤的自动分类具有重要的临床意义。由于常规的12导联心电图具有侵入性和不便携的缺点,越来越多的便携式传感器用于实时监测和采集生理数据,产生了单导联心电图信号。目前,已经有很多研究者提出了基于单导联心电信号房颤自动分类算法,但由于所选用特征的不可靠性以及分类器的泛化能力受限等问题,基于单导联心电信号的房颤自动分类研究中仍存在很大的挑战。通过对心电数据的分析,发现正常心律和房颤心律在心电数据上存在局部特征和全局相关性差异,因此设计两个模型验证。所提出的两个模型都是端到端的,无需对原始数据进行复杂的预处理或特征加工。首先提出了基于双通道卷积神经网络房颤自动分类算法,在第一个通道使用卷积神经网络学习数据的局部特征,在第二个通道使用注意力机制和长短期记忆网络学习数据的全局相关性,最终将两个通道学到的特征以并联的方式融合。为了充分捕捉局部特征和全局特征之间更深层次的相互作用,在双通道卷积神经网络模型的基础上进行优化,提出了基于注意力残差网络房颤自动分类算法,使用残差连接实现把浅层特征传递到深层网络,使用通道注意力关注全局相关性,模型以串联的方式交互提取融合局部特征和全局特征。所设计的双通道卷积神经网络模型以较低的时间复杂度在2018年CPSC挑战赛的公开数据集上达到对12导联心电信号心律分类的平均F1为0.82,对单导联心电信号心律分类的平均F1为0.78。所设计的注意力残差网络模型在2017年Physio Net挑战赛的公开数据集上达到对正常、房颤和其他心律F1分别为0.91、0.81和0.80,平均F1为0.84,并使用类激活映射技术可视化特定标签的贡献区域。所提出的两个模型分别以并联和串联的形式验证了正常心律和房颤心律在心电数据上存在局部特征和全局相关性差异,为今后研究提供了一个重要的参考。