世界卫生组织(WHO)的数据表明,当今心血管疾病仍是威胁人类健康的一大杀手。其中由心律失常导致的心血管疾病占主导地位。心电图(ECG)作为心血管疾病诊疗的得力助手,在心律失常的诊断上作用显著。随着计算机应用的扩展,计算机辅助医师诊断心脏疾病已经成为研究热点,效率高且人工影响低。本文主要研究计算机辅助诊断心律失常疾病的技术,在现有国内外研究的基础之上,对心电疾病的特征提取技术以及心电不平衡问题进行深入研究,首次将一维心电信号转化为二维心电图片进行特征的提取,并将特征融合技术和不平衡处理算法应用到心电分类系统中。该系统主要包括三大方面:1、特征获取。主要应用前期融合技术(early fusion)将两种特征融合一起。提出了两种框架:第一,提取心电图片的二维卷积(2D-CNN)特征与传统的关键点位置(PQRST)特征,将两者融合得到融合特征;第二,提取心电图片2D-CNN特征与该信号的一维卷积(1D-CNN)特征,将两者融合获得融合特征。该部分为后续不平衡处理提供了输入变量。2、不平衡处理。针对样本类别数量不均衡的情况,在训练集和测试集上通过改变样本数量减缓或改变这一现象。本文对比八种不平衡处理技术的实验结果,选择随机升采样(ROS)算法来达到改变样本分布的目的。实验结果表明该方法在心电方向效果显著。3、分类器应用。在不平衡处理之后,加入两种典型的分类器:支持向量机(SVM)和随机森林(RF),作为心跳类型的判断工具。对比两个实验结果发现,RF无论在哪种框架下分类准确度均高于SVM。因此,本系统最终采取RF分类器。为了说明本文提出的两种特征框架下的分类系统泛化能力较强,分别做了intra-patient和inter-patient两种实验,为了进一步表明系统的鲁棒性与稳定性强,系统被迁移到另一数据库(STCD)进行实验。实验数据表明,无论哪种实验,本文提出的系统分类精度均在99%以上,高于现有先进技术水平。