心律失常是当前常见的疾病之一,深度学习技术能够有助于医生进行心律失常疾病的早期诊断。由于心电图(Electrocardiogram,ECG)包含着人们是否患有心律疾病的重要信息,已经成为医生判断心脏有关疾病的重要载体。深度学习算法可以从心电数据中提取出重要的信息,对于分析心律失常疾病的判别有着重要的意义。当前,在心律失常疾病的分类研究上出现了较多模型,但是受到各类异常心拍数据不平衡性的限制,存在着模型分类效果不理想、准确率不高等缺陷。针对上述缺陷,为提高疾病诊断的精准性,本文采用深度学习技术开展了基于ECG的异常心拍分类问题的研究,完成了以下三方面的任务:(1)针对异常心拍数据量少、具有小样本特征以及数据分类不平衡问题,提出了一种结合来自医院患者真实的心电数据的生成式对抗网络。对生成式对抗网络的生成网络和判别网络进行改进,在生成网络中首先利用卷积神经网络提取心拍数据的空间特征,然后使用长短时记忆网络提取时序特征,在判别网络中使用改进的Le Net-5模型对生成的心拍数据进行判别。实验结果表明,改进的生成式对抗网络可以提高生成异常心拍数据的准确率,相比其它生成式对抗网络具有更低的损失值。(2)构建了基于生成式对抗网络的类激活映射函数。在生成式对抗网络的判别网络中增加了类激活函数,该函数将全局平均池化层替代了全连接层,并将全局平均池化层提取到的心电特征连接分类器,在分类器上的权重参数与全局平均池化层得到的特征图求加权和,将计算结果作为类激活函数的输出,以关注在ECG生成过程中起重要作用的区域和生成的ECG中的关键信息,使生成的心电数据具有较好的可解释性。(3)设计了基于卷积神经网络和长短时记忆模型以及Attention机制的混合分类模型。卷积神经网络提取了数据的空间特征,长短时记忆模型提取了数据的时序特征,注意力机制学习在数据上不同采样点上的权重,数据越重要所对应的权重越大,从而对结果的影响越大。在此基础上,通过改进的模型对真实病人数据和不同数据量的生成数据进行疾病分类。实验结果表明,与其他分类算法相比,本算法性能更优于其他分类模型。