心律失常是指激动起源或频率、传导的速度或径路任何一环节发生异常而引起的心率过快、过慢或不规整。心律失常不总是一种不规则的心脏活动,可以发生在健康的心脏中,如呼吸窦性心律失常,是心率的一种自然周期性变化,与呼吸活动相对应,但也可能导致中风或心脏猝死等严重问题。心律不齐的自动检测和分类在临床心脏病学中至关重要,尤其是对于实时检测任务。传统的机器学习方法依赖于先验知识,并且需要对心电信号进行特征设计和提取,难以挖掘出海量心电信号背后的深层特征。深度学习在近几年发展迅速,在许多领域中表现出非常好的性能。在此背景下,本文提出基于长短时记忆网络(LSTM)和卷积神经网络(CNN)结合的模型,对心律失常分类进行了深入研究,主要研究内容包括三个方面:1.提出了一种基于卷积神经网络(CNN)和长短时记忆网络(LSTM)结合来进行心律失常分类的办法,实现了美国医疗仪器械促进协会(AAMI)建议的N、S、V、F和Q五种心律失常的自动分类,设计了两种不同方案来对模型进行优化,并且验证了优化方案的可行性。2.通过比对不同数据段长度下该网络模型分类结果的S、V类心拍的灵敏度和正阳性率,可以得出输入心电数据段的长度对网络分类性能有重要影响得结果。当采取数据段长度在250到300个采样点之间时,该网络模型得出较好的分类结果。讨论了采用信号切片对实验结果的影响,虽然结果不如分段方式好,但是这种方法更贴近实际应用,并且使得信号诊断在过程上更加简单和一般化。3.采用MIT-BIH心律失常标准数据库对该模型分类效果进行验证,实验结果为:灵敏度为95.01%,特异性为98.58%,以及总体精度为97.73%。综上,本文提出的基于卷积神经网络(CNN)和长短时记忆网络(LSTM)结合来进行心律失常分类的办法,能够自动学习到输入心电信号的深层特征,从而有效实现心律失常分类,对相关的临床应用具有一定的积极意义。