心脏病一直以来都是全球死亡病例的主要死因,因此,对心脏疾病的研究分析一直以来都是医学领域的研究热点。由于人眼无法直接看到心脏内部的电生理活动,因此需要借助心电图,将心脏内部的电生理活动转换成图形表示出来。医护人员在对病人的心脏情况进行判断时,主要的依据是病人心电图上波形的幅度以及波形之间的时间间隔等生理信息。所以如何从ECG中读取到足够多的有用信息来进行诊断是本领域的技术难点。由于采集到的心脏内部电生理信号的信号强度十分微弱,在采集过程中,环境噪声是最主要的干扰来源。因此研究人员在进行心电研究之前,必须将信号进行恰当的预处理操作。在心电信号中,QRS波群是比较重要的构成成分,它的存在记录了左右心室在去极化过程中电位随时间的变化过程。所以,QRS波群的检测在自动诊断心电信号技术中占据着十分重要的地位。R峰是QRS波群中比较具备辨识度的峰,如何准确检测ECG中的R峰是精准诊断多种心脏疾病和心率变异性的关键。然而现有的心电R峰检测算法准确度还不足以让其投入到实际使用当中,究其原因,在于:（1）在进行心电信号波形检测之前,没有提前对信号施加适当的数据处理,导致信号中很多干扰信号严重影响了波形检测的精确度。（2）目前的检测方法中,对于心电信号之间的隐藏信息利用率没有达到最大化,特别是信号之间的时序信息,信息浪费现象十分严重。（3）公开的波形检测方法存在方法过于复杂,或者算法参数过多,又或者模型的鲁棒性太差,泛化能力弱等缺点。针对上述的三个心电R峰检测算法存在的问题,在阅读大量相关文献并复现经典心电R峰检测算法的基础上,本文综合考虑卷积神经网络、长短时记忆网络和时序卷积神经网络的优缺点,提出一种新型的高精度心电R峰检测方法:基于栈式时序卷积神经网络的心电R峰检测。在使用进行波形检测之前,首先要做的是把原始的单通道心电信号进行数据清洗处理,尽可能避免噪声影响真正的心电信号;同时也保证输入模型的心电信号尽可能干净;随后把处理之后的ECG信号送入时序卷积神经网络中提取信号之间的时序信息特征;接着再将时序特征进行栈式网络训练,以便更好地学习信号的特征;最后利用注意力机制对心电信号中疑似为R峰的成分分配更大的权重参数。通过栈式网络和注意力机制的方法可以提高心电信号R峰检测的可靠性,减少出现误检和漏检发生的概率。通过理论分析和实验表明,在本文中所提出的一个新型的基于栈式时序卷积神经网络的心电R峰检测方法,在同等长度ECG信号输入的情况下,相对于该领域的其他方法有着较为明显的优势。在2019年第二届中国生理信号挑战赛官方提供的比赛数据集中进行训练和测试,当长度为10s的ECG信号输入时,本文提出的方法的QRS准确率和心率估计准确率得分分别为0.9534、0.9564。将此方法与其他心电R峰检测方案进行对比,结果显示:QRS识别准确率提高了10%-20%,HR估计准确率增加了20%-30%,很好地证明了本文提出的基于栈式时序卷积神经网络的心电R峰检测方法能够大幅度提高R峰检测和心率估计的准确率,从而确保诊断的准确性。