心血管疾病的发病率及其死亡率逐年增高,加强对心血管疾病的防治和研究迫在眉睫。临床上心血管疾病往往伴随心律失常的发生,这种异常心电活动会持续累及心脏,引起胸闷、头晕、心区疼痛等症状,严重情况下甚至危及生命。无创心电图检查可以记录病人自然生活状态下的心脏电活动,发现心电异常,是诊断心律失常最重要的检查技术。现在心电图信号分析依然存在两个问题,第一个是心电图在采集过程中易受噪声污染,致使心电信号中的病理信息丢失,而使用受污染的心电信号会影响后继信号分析的准确性,增大误诊率。目前心电采集设备普遍缺失信号质量评估环节,大量低质量数据会被视为有效数据而保存下来,严重浪费临床资源。因此,我们提出了一种心电信号质量的评估算法。第二个问题是,目前临床上主要通过人工识读心电图的方式来诊断心律失常,非常依赖于医生的业务水平,误诊时有发生。并且心律失常种类众多,不同患者间存在个体差异性,计算机辅助心律失常自动诊断的精度不高。因此,我们提出了一种新的心律失常自动分类的算法。基于上述,本文主要包括以下两方面的工作:(1)为了评估心电信号质量的临床可接受性,提高现有质量评估算法的准确率,本文提出一种基于交叉验证递归特征消除和随机森林的心电信号质量评估算法,使用小波变换和低通滤波对心电信号进行预处理,提取时域和频域特征作为信号质量指标,用交叉验证递归特征消除方法进行特征选择,再结合随机森林后端分类器在心电信号质量数据库验证算法。评估的准确率达到96.80%,MCC达到0.93,KAPPA达到0.93,F1分数达到0.97,精确度达到96.50%,灵敏度达到96.40%,特异度达到98.83%。结果表明,本文提出的心电信号质量评估算法,各项性能指标均有明显提高,为评估心电信号的临床可接受性提供了新的参考。(2)为了实现心律失常的自动诊断,提高现有心律失常分类算法的性能,本文提出一种基于心拍的端到端心律失常分类算法,将连续心电信号分割成单个心拍,搭建深度卷积神经网络心律失常分类网络,使用改进的损失函数训练分类模型,然后在MIT-BIH心律失常数据库验证算法性能。室上性异位心搏(SVEB)和室性异位心搏(VEB)的AUC分别达到0.77和0.98,在引入“专家介入”的情况下,SVEB和VEB的灵敏度最高分别达到82.25%和93.23%。结果表明,本文提出的心律失常分类算法结合人工智能,有效地改善类别样本不平衡带来的消极影响,能准确识别SVEB和VEB,为及时诊断心律失常提供了新的技术方案。