互联网的发展使得人们的生活习惯也随着发生变化,晚睡、堕于运动等习惯都在影响着人们的身心健康,特别是在人口老龄化的情况下,心脏疾病成为威胁人类健康的重大病患之一,而心电图则是将不可见的心脏工作状态以图像的形式展现出来。从人体上直接采集到的心电信号是一种十分微弱的生物电信号,含有较多的噪声。如何去除信号中的噪声,提取有用的心电信号并进行分析判断是医务工作者,也是广大科研工作者关注的热点。本文针对心电信号分析问题主要做以下三方面的研究:1、研究探索合适的降噪方法。心电信号中含有多种噪声,对信号进行降噪处理有利于心电信号特征的提取和挖掘,有利于心电信号的分类。本文结合心电信号自身的特点,综合多方面因素,最终确定采用传统经典的小波分解和阈值处理的方法对信号进行预处理,该方法有效地降低了心电信号中的干扰信号,干扰成分降低之后,使得信号原有特征更为明显,更利于后续的分类。2、综合分析寻求最优心电信号分类方法。通过实验比较分析基于稀疏表达分类(SRC)的方法和基于卷积神经网络分类方法,实验结果表明,卷积神经网络的分类方法分类精度更好。3、数据的选取和分析。本文基于美国麻省理工学院提供的MIT-BIH心律失常数据库,采用小波分解、软硬阈值结合的方法对心电信号进行滤波处理,并对原始信号进行重构,最后利用深度学习中的卷积神经网络算法,以MIT-BIH心律失常数据库中的四种疾病数据类型为基础,实现了对其分类分析,分类的准确率达99.9%。卷积神经网络能自主地对数据中的特征进行提取,拟合,最终完成分类。相对传统算法,避免了人工提取特征的复杂性和局限性,对于处理维度高,数量庞大的数据具有更好的鲁棒性。卷积神经网络利用卷积核对数据进行局部感知,权重共享,极大减少了网络的运行参数和计算量。横向对比实验过程和实验结果,可以看出基于卷积神经网络的信号分类方法不论是在分类的工作量,还是在分类精度方面都明显优于传统的分类方法。