随着环境的日益恶化,心脏类疾病的发病率也在逐年提升,到如今已经严重威胁人类的身体健康,尤其心脏性猝死,具有突发性、高发病率和高致死率的特点,使得因心脏性猝死而死亡的人数呈逐年递增的趋势。所以,心血管疾病相关方面的研究已经成为现在医疗领域的研究热点,这就对预防心血管疾病,特别是心脏性猝死,对研究心电信号分析、诊断技术提出了更高的要求。研究表明心血管疾病发生前,患者的心电图必然会发生Q-T形态和间期的变化。因此,T波作为Q-T波段的核心特征波成为心血管类病预测的关键。由于T波信号微弱,易受噪声干扰,而且形态多变,随着心血管类病研究的深入,T波的形态学分类识别和关键特征点检测也逐渐成为研究的重点和难点。心电信号中部分噪声的时频域特征复杂且分布未知,同时,T波的位置和形态均有多种变化,导致现有方法的精度还有待提高。随着计算机技术的高速发展,远程医疗技术尤其是远程心电监护系统的形成,使得通过大数据加工,提高诊断的精准性,成为了心血管类病早期预测重要的方向。本文在远程心电监护系统中心电信号噪声多、干扰大等因素的背景下,充分考虑不同个体之间的差异特征,结合深度学习,利用心电信号具有大数据特征的优势,研究心电信号形态学分类识别和T波关键特征点自动检测算法。主要工作如下:(1)心电数据预处理,构建包含复杂冗余信息的T波候选段。本文针对传统的T波的形态识别分类和特征点检测的孰先孰后的矛盾关系,首次提出了包含复杂冗余信息的候选T波段这一概念。采用自适应阈值的小波方法对心电数据进行预处理,主要先进行滤波,然后通过R波波峰定位,利用相关医学研究成果,充分考虑不同个体之间的差异特征,提取了候选T波段,并且构造训练集和测试集,完成了T波自动检测算法的前期准备工作。(2)构建卷积神经网络(Convolutional neural network,CNN),进行T波形状分类。本文以现代医学研究成果为依据,结合心电具体信息,以此来进行T波形态识别分类的研究。本文将心电数据预处理中提取的候选段T波输入到针对一维心电信号搭建的CNN模型中,通过对CNN模型的网络调优,实现T波的形状识别。这是因为CNN模型各隐含层之间链接稀疏、隐含层内训练参数共享等优势,这样能够提取更有效的T波抽象特征,且对于位置的微小偏移和噪声具有比较好的鲁棒性。最终,利用QT数据库里的标准化数据进行实验验证,最终表明,本文方法能够在未确定T波关键特征点精确位置的前提下,高效的对五种不同形状的T波进行识别,T波正确识别率达到了99.2%。(3)提出了基于形态指导的T波关键特征点自动检测算法。本文利用T波形态学分类识别结果,根据每一类T波形态的特征,通过吉布斯采样的方法构建马尔可夫蒙特卡洛链。充分利用相同T波之间的相关性,实现T波的关键特征点检测。利用QT数据库里的标准化数据进行实验验证,最终表明,本文所提算法与传统T波检测算法相比,精度有较大提升。