随着人们愈加重视自身健康,对个人健康监护系统的需求程度也就不断提高。针对卷积神经网络在自动特征提取和分类准确率方面的优势,本文围绕基于卷积神经网络的心电信号检测和分类方法展开研究。本文对卷积神经网络及其在心电信号检测分类中的应用进行了概述,对脉冲卷积神经网络进行了映射优化,对脉冲化前后的卷积神经网络性能进行了比较,对基于卷积神经网络的心电信号检测分类方法进行了研究。本文的主要研究内容和创新点包括:1、跨层级的脉冲卷积神经网络映射算法研究。针对脉冲卷积神经网络在片上网络上的映射优化问题,提出了跨层脉冲卷积神经网络映射算法。通过把神经网络中不同层神经元映射到相同片上网络节点上,将神经元之间的包传输限制在节点内,减轻链路负载。在此基础上,通过动态重映射神经元,实现对于各种网络输入向量均能达到很好的适应性。对于心电分类应用,以基于群的顺序映射结果为比较对象,该映射方法将平均包传输延时和传输功耗分别降低了 16.2%和14.9%。针对该应用,实验还比较得出了脉冲神经网络相对于传统卷积神经网络在识别准确率和识别效率的不足。2、基于两级卷积神经网络的QRS波群检测研究。针对传统方法依赖于固定的人造特征问题,提出了一种基于两级卷积神经网络的QRS波群检测方法。该方法在信号预处理阶段只对心电信号进行差分和取平均值操作;通过对象级和部分级卷积神经网络,自动对心电信号进行不同粒度的形态特征提取;提取的特征通过多层前向全相连网络用于QRS波群检测。实验结果表明,该方法不仅取得了和其他检测方法可比较的99.7%准确率,而且还减小了计算时间开销。3、基于注意机制的心跳分类研究。为了检测心律失常,在QRS波群检测的基础上,针对传统方法依赖于固定的人造特征问题,提出了一种基于注意机制并具有患者特异性的心跳分类方法。该方法在信号预处理阶段对每个心跳进行信号分辨率重新调整;通过对象级和部分级卷积神经网络,自动对每个心跳及其各波段进行不同粒度的形态特征提取;通过对相邻R峰间距差的计算,得到对应心跳的时域动态特征;提取的特征通过多层前向全相连网络用于心跳分类。实验结果显示,该分类方法能够达到98.5%准确率。该方法在降低了心电信号存储空间的同时提高了心跳分类准确率。本文提出的核心技术共同支撑起卷积神经网络在心电检测和分类应用上的可行性和可靠性,进而为轻量级个人健康监护系统研究奠定了理论与实践基础。