近年来,随着社会的发展和人口老龄化现象的日益凸显,心血管疾病的发病率在全球范围内呈明显增长趋势,与此同时房颤的发病率也在逐年增长。不仅如此,因房颤引发的并发症如:脑梗塞、高血压等,对人类的生命健康产生了严重的危害。因此,开发房颤检测系统并及早地预防和发现房颤,对改善患者的医疗质量和经济负担等具有重要的临床和现实社会意义。房颤检测虽然受到学者的广泛关注,但是无论是数据特征提取还是检测分类都存在不足之处。基于此,本文提出了一种基于心房活动特征和卷积神经网络的房颤检测算法,主要研究工作如下:(1)提取心房活动的底层特征。本文首先将每个心拍转化为多个心电信号片段,并对其进行白化处理,去除数据间的冗余信息;然后选取一部分白化数据构造稀疏字典,根据此字典求解稀疏系数;最后,由于存在多个心电片段而使得每个心电信号得到的稀疏特征维度过高,因此为了避免出现过拟合并能够获得理想的检测结果,本文对其进行池化处理,从而获得心房活动的底层特征。(2)选用卷积神经网络进行房颤检测。卷积神经网络是一种高效特征学习与自动分类相结合的深层网络,因此本文将已经学习到的底层特征输入到卷积神经网络中再次进行特征学习;根据输入数据的特点不断调整网络的各个参数使之达到最优;最后将学习到的特征进行组合分类,进而达到房颤检测的目的。采用MIT-BIH房颤数据库进行实验来评价本算法检测房颤的可行性,并且与各类算法的检测结果进行对比,实验结果表明本文算法具有良好的检测性能。