心血管疾病是威胁人类生命健康的重要疾病之一,具有高患病率、高致残率和高死亡率等特点。心律失常是一类常见的心血管疾病。心电图(Electrocardiogram,ECG)检测是诊断心律失常的主要途径。在时变/动态模式下,ECG是心脏电活动呈现复杂非线性动态系统的表现过程,ECG蕴含着连续心跳的节律特征和心电波形的形态学特征;此外,多导ECG数据具有上下沿关联性。根据ECG潜在特征实现ECG自动分析,有效提高医疗诊断效率、缩短诊断时间,具有可靠的临床应用价值。以远程心电辅助诊断为目标,大规模心电数据集为基础,利用递归推理神经网络(Recursive Inference Network,RIN),建立多分类辅助诊断模型,解决前馈神经网络难以学习ECG时序特征的缺点。进一步利用数据增广技术,提高分类边界区域样本数量,解决分类数据不平衡的问题,提高辅助诊断模型准确率。最后,设计远程心电监护系统,实现远程心电辅助诊断功能。主要研究工作包括:(1)针对多导ECG数据的时序特性和形态学特征,构建递归推理网络。通过结合递归网络的上下文信息处理机制和卷积网络平移不变的推理特点,提取多导联ECG数据的内在时空特性。首先,利用高通滤波器和带阻滤波器对ECG进行预处理,然后将ECG时序数据以时间片方式输入RIN递归层,学习ECG数据的时间相关性。递归层内相邻共享卷积单元对相邻导联数据进行推理操作,并以多层递归方式构建出网络层形式来训练模型,以拟合6种心律失常类型的ECG动态表现过程。实验结果表明,RIN分类算法准确率达到86.37%。(2)针对心律失常病例样本数量的不平衡问题,设计边界样本合成算法(Boundary Sample Synthesis Algorithm,BSSA)。不同病例样本数量的不平衡性,会降低模型的分类准确率。BSSA对更接近边界的少数类样本进行插值操作,生成合成数据来扩充少数类样本,提高边界区域样本对于提高分类的有效性是重要的。扩充后的数据集通过RIN再次训练学习,实验结果表明,使用增广过的数据集,该算法结果准确率达到91.8%,有效提升了小样本数据集的识别率和整体识别。(3)针对传统心电图监测技术的短时低效问题,设计心电监护系统。通过需求分析,对远程心电监护系统进行总体设计,完成了对接远程诊断设备提供数据实时接入、数据存储及高速缓存、用户信息管理、心电远程诊断服务、医患UI界面展示等功能。最后,基于上述辅助诊断模型实现对远程心电辅助诊断,验证心电监护系统的连通性及辅助诊断算法的有效性。测试结果表明,系统具有实现远程心电辅助诊断功能。