目的正确分类心律失常对心血管疾病的诊断和预防具有重要意义。在临床检查中,心电信号易受噪声的干扰,为心律失常的识别和分类增加了一定的难度,另外,由于心电信号数据繁多、心律失常类型繁多、形态复杂以及心脏病专家诊断的主观性等原因,传统诊断心律失常的方式效率低下,且容易出现漏诊误诊的情况。为了提高心律失常分类的效率、节约心脏病专家的诊断时间以及患者就诊时间,构建自动心律失常分类模型就显得尤为重要。而现有的自动心律失常分类模型存在抗噪能力较差、分类准确度较低、计算量大等问题。针对现有分类模型的不足,本文结合深度学习技术,构建了一个具有抗噪声能力、准确度高的自动心律失常分类模型。方法本文构建深度学习模型实现心律失常的自动分类。模型包括深层神经网络和阈值分类器。深层神经网络基于卷积神经网络和长短时记忆网络构建。深层神经网络以心拍片段作为输入,学习心电信号的隐含特征并初步将心拍分类为混合心拍、心室异位心拍和融合心拍。再使用阈值分类器将混合心拍分类为正常心拍和室上性异位心拍。使用MIT-BIH心律失常数据库中的原始心电数据在inter-patient范式下对模型进行训练和测试。测试结果由混淆矩阵显示,并根据混淆矩阵计算模型性能评估指标:总体分类准确度、各类心拍的灵敏度及阳性预测值。在阈值选取时,通过绘制模型性能评估指标随阈值的变化曲线确定最佳阈值区间,在该区间内以0.01的间隔选取不同阈值计算评估指标,并确定最佳阈值。本文使用小波去噪后的心电数据对模型进行训练和测试,并与使用原始数据训练的模型的测试结果进行对比;为了研究目标心拍的相邻信息对分类结果的影响,分别以单个心拍片段、两个心拍片段、三个心拍片段作为输入,比较输入不同心拍片段后,模型的混淆矩阵及评价指标;为验证提出的深度学习模型的抗噪能力,分别向心电信号中加入不同强度的高斯白噪声,对模型进行测试;最后,将构建的模型与其他心律失常分类模型进行对比,以证明本文构建的模型的优越性。结果选取最佳阈值时,根据评估指标随阈值的变化曲线,确定最佳阈值区间在0.76～0.81之间。通过对比区间内不同阈值下的评估指标,当阈值设置为0.78时,阈值分类器的分类效果最好。此时,模型的总体准确度为93.01%,正常心拍(N)、室上性异位心拍(S)、心室异位心拍(V)、融合心拍(F)四类心拍的灵敏度分别为94.08%、90.63%、81.17%、80.67%,四类心拍的阳性预测值分别为99.29%、44.10%、91.24%、27.82%。经去噪后数据训练的模型的总体准确度为93.06%,N、S、V、F四类心拍的灵敏度分别为94.13%、90.95%、80.86%、82.73%,四类心拍的阳性预测值分别为99.20%、44.49%、91.84%、28.71%。在不改变其他实验方法的情况下,分别以单个心拍片段、两个心拍片段、三个心拍片段作为输入,对模型进行训练并测试。在三个对比试验中,单心拍时,模型对V类心拍的阳性预测值最高,为92.75%,但F类的灵敏度最低,仅为17.27%;双心拍时,模型对N、S、V、F四类的灵敏度都较高,且F类的灵敏度远高于单心拍和三心拍时的灵敏度;三心拍时,F类的阳性预测值最高,为65.74%,但F类的灵敏度仅为54.9%。在抗噪能力测试中,当噪声的信噪比为10d B时,模型的总体准确度下降了1.85%。信噪比为20d B和30d B时,模型对S类心拍的灵敏度高于原始信号模型的灵敏度。噪声的信噪比为40d B时,与原始信号模型的总体分类性能没有明显差异。结论本文构建的模型不需要对数据进行去噪,训练出的模型依然可以取得较好的性能。当阈值分类器的阈值设置为0.78、以双周期心拍片段为输入时,构建的深度学习模型能够实现对N、S、V、F四类心拍的有效分类,构建的模型具有一定的抗噪能力,且优于大多数心律失常分类模型。