心律失常是由于心脏异常搏动产生的一种心血管疾病,对于患者的生命有很大威胁。如何准确有效地诊断心律失常是当前心内科医疗诊断中亟需解决的一个重要问题。心电图(ECG,Electrocardiogram)是一种用来检测心脏活动的标准技术,是目前心律失常临床诊断的主要依据。当前临床诊断中,医生主要借助肉眼对心电图进行判断。因为人眼易疲劳、判断易受主观因素影响等原因,这种方式容易产生错分现象。借助深度学习等技术对ECG进行自动分类,能够克服肉眼诊断的不足,提高分类准确度,对于解决心律失常诊断问题具有重要意义。虽然现有基于深度学习的方法在ECG心拍特征提取方面普遍优于传统的方法,但由于现有大多数心电数据库存在严重的类别不平衡现象,致使现有深度学习方法不能对心拍特征进行有效提取,导致心拍样本分类性能差。同时,现有解决类别不平衡的分类方法不能同时有效提高整体分类性能与单独类的分类性能。本文针对上述两个问题展开研究。本论文的主要研究内容如下:(1)在现有深度学习网络模型的基础上,设计了一种基于自编码器的CNN(卷积神经网络,Convolutional Neural Networks)与GRU(门控循环单元,Gated Recurrent Unit)结合的心拍分类方法。该方法采用自编码模型进行无监督学习。在编码器中,引入CNN与GRU模型相结合的方法对输入特征进行学习。在解码器中,引入CNN模型来重构输入的特征,使编码前的输入与解码后的输出尽可能相同。该方法在减小模型计算量以及模型训练时间的同时,使编码器提取到了更多的心拍特征,能有效提高分类的精度,并解决类别不平衡心电数据库中特征提取能力不足的问题。(2)针对心拍样本不平衡的问题,在心电数据处理方面,提出了一种基于特定领域的变换进行数据增强的方法,包括随机裁剪、平移和加噪的方法。该方法在一定程度上增强了样本的多样性、代表性以及少数类的心拍样本数目,缓解了对少数类心拍样本分类时可能产生的过拟合现象。(3)提出了一种新的有效量化损失的批处理加权损失函数。在上述数据增强的基础上,对分类器进行了改进,使用新的批处理加权损失函数来更好地量化损失,使得传入模型的每一批心拍样本的权值都处于一个动态的非线性变化的过程,有效解决了心拍样本类别不平衡问题。本实验在MIT-BIH数据库上进行,分别通过病人内部、病人间的实验进行了验证,分类结果都优于现有方法。在病人内部的分类中,本文提出方法的整体精度达到了 99.30%,异常类S,V类心拍的F1分别达到了 94.69%,98.08%。在病人间的分类中本文提出的方法整体精度达到了 97.37%,异常类S,V类心拍的F1分别达到了 81.24%%,92.08%。证明本文提出的方法具有较高的分类性能和病理心拍检测性能。