近些年来,人工智能技术在众多领域取得了瞩目成绩,如图像识别,自然语言处理等,其中深度学习是人工智能的关键技术。于此同时,心电图(ECG)的检测和分类是目前医疗领域研究的热点问题。将基于深度学习的图像识别技术应用到某些心电疾病的分类上已经达到很好的准确率,但是这些分类较好的类别往往依赖于数据的数量,如果使用分布不均匀的心电数据进行模型的训练会导致分类效果的不平衡,模型对数据量大的心率不齐类别具有很好的识别效果,但是对数据量小的心率不齐类别几乎无法识别。本论文使用包括21类心率不齐疾病的单标签数据样本,经过大量实验,提出一种针对分布不均匀的单导联心电数据的识别方法,在不影响其他心率不齐类别识别效果的情况下,优化部分无法识别的心率不齐类别。本文主要的研究工作分为以下三个部分:第一:基于MXNet开源深度学习框架设计并实现了残差神经网络的心电图分类模型。残差神经网络是对传统的卷积神经网络的改进,通过添加短路连接解决了传统CNN反向传播时的梯度消失和退化问题,因此不用担心网络层数过深而使分类准确率不升反降的现象出现。本文使用近10万条单标签心电数据进行实验,前期工作主要是对心电数据进行预处理,包括数据的滤波,数据清洗,数据归一化等。之后基于DGX-1服务器使用8块V100GPU进行单导联心电模型和八导联心电模型的训练。第二:分析上述模型的效果可以看出分布不均匀的数据对模型的表现影响巨大。例如,“心房颤动”的数据量较大,数据对该类别的识别效果很好,但是“交界性逸搏”的数据量很少,模型几乎无法识别该心率不齐疾病。针对这一问题,本文使用开源的MIT-BIH数据中的大量心搏数据设计心搏特征提取模型,并使用该模型对部分心率不齐疾病数据进行心搏特征提取。通过该方法,可以在数据量很小的情况下,充分的提取心搏特征,并提高模型的识别效果。第三:基于Django Rest Framework框架以及Vue框架搭建在线心电图识别系统。通过该在线系统,用户可以诊断单导联心电数据和八导联心电数据。同时管理员用户可以通过前端系统统计用户访问量以及各个心率疾病的个数。