心电图(electrocardiogram,ECG)是用来记录心脏生理过程中产生的体表电位差,反应了人体心脏健康状况,被广泛用于临床心血管疾病的诊断中。由于心率失常疾病对人类的健康乃至生存构成了巨大的威胁,因此,心率失常的分类检测和识别就显得尤为重要。传统分类算法的性能依赖于人工手动提取ECG特征,然后将其馈入到构建好的模型中进行识别。然而,个体的ECG波形特征差异较大,导致提取到的特征并不能真实反应ECG内在属性,特征选择困难。因此研究一种能够对心电图进行有效检测和识别的自动分类方法尤为重要。本文从心电信号预处理、QRS波群检测、ECG信号的特征提取及分类识别三方面研究了心律失常自动分类的现状,总结了心率失常自动分类领域现存的问题,并对基于卷积神经网络的心率失常自动分类模型进行了改进,主要创新点如下:1、传统的基于卷积神经网络的心律失常分类方法提取到的ECG特征描述中通常不包含时频信息,针对这一问题,本文引入小波变换进行改进,提出了一种基于多尺度小波卷积神经网络的心率失常自动分类方法。该模型通过将不同空间结构下的特征拼接在一起得到了不同尺度下的ECG信号的特征表示,实现了美国医疗仪器促进协会(Association for Advancement of Medical Instrumentation,AAMI)建议的 N、S、V、F和Q五种心律失常的自动分类。此外,利用标准心电数据库MIT-BIH比较分析了所提出方法和CNN、SVM等模型的分类效果,验证了该方法的优势和可行性。2、针对传统的基于卷积神经网络的心律失常分类模型中存在的时序特征提取不深入,且ECG又是一个典型的时序序列信号这一问题,本文引入了循环神经网络对其进行改进,提出了基于卷积循环神经网络(Convolution Recurrent Neural Network,CRNN)的心率失常自动分类模型。该模型将卷积神经网络提取到的空间特征送入长短期记忆网络(Long Short Term Memory,LSTM)中,深入挖掘ECG信号之间的相关性,从而结合了循环神经网络的记忆优势和卷积神经网络的感受野优势,实现了 ECG信号特征的自动学习。