据国家心血管病中心发布的《中国心血管病报告2018》显示,每一年我国人民死于心源性猝死的人数高达五十四以上,这相当于每一天大约1500人因心源性猝死离开人世。心源性猝死主要由室颤(Ventricular Fibrillation,VF)和室速(Ventricular Tachycardia,VT)所致。VF/VT的发作是毫无征兆的,心脏的电生理活动的同步性消失,进而导致无法有效的泵血,如果不及时的进行急救,患者在很短的时间内死亡。在人流量大的公共场所部署自动体外除颤器(Automatic External Defibrillator,AED)是及时抢救院外VF/VT患者的有效手段。AED的关键技术在于对可电击心律(Shockable Rhythm,Sh R)(包括VT和VF)和不可电击心律(Non-shockable Rhythm,Nsh R)(包括窦性心律不齐、房扑、房颤、室性逸搏等)的准确识别。快速准确的诊断Sh R和Nsh R对于抢救心脏骤停患者有着重要的意义。但是,现有方法需要较长的心电信号,才能准确的识别Sh R/Nsh R。其原因在于:1)提取的特征未能细致刻画心电波形的统计分布;2)分类器没有利用心电特征的时序信息。3)特征提取函数复杂,参数过多,未必最优。针对这些问题,我们提出一种基于顺序池化的卷积长短时记忆(Convolution Based on Sequential Pooling Long Short Term Memory,C-SP-LSTM)神经网络的Sh Rs/Nsh Rs识别方案。该方案首先对心电信号进行滤波,并提取顺序统计量作为心电波形的分布特征;然后将卷积单元与长短时记忆神经网络级联,捕捉该分布特征的动态信息以识别Sh R/Nsh R。在公开心电数据集CUDB、VFDB和AHADB上进行五重交叉验证评估,我们的方法采用2秒心电信号分类均衡误差率是1.87%,而已有三种方案采用8秒心电信号分别获得2.83%、2.98%、3.05%的均衡误差率。该结果表明:本方案2秒信号识别误差率低于传统方法8秒,检测心电信号时长缩短4倍,更低的识别误差会减少误诊和漏诊的发生,为院外心脏骤停的抢救赢得宝贵的时间和生机。