心血管疾病是目前人类健康的头号杀手,其防治工作是当今世界的重大医学课题。作为医护人员最常用的诊断工具,心电图充分反映了心脏的生理状况,被广泛应用于心律失常诊断中。心电信号是微弱的生理信号,易受噪声干扰,人工识图很容易造成误诊,因此心电信号的自动分类算法具有重要的临床价值。但传统的分类算法需要人为提取信号特征,不能充分利用信号的有效信息,且会降低分类性能。基于此,本文利用深度学习模型对心电信号自动分类进行研究,主要内容包括:(1)利用自适应滤波器对心电信号进行预处理。针对心电信号的噪声特点,设计基于最小均方准则(Least Mean Square,LMS)的LMS滤波器和基于递归最小二乘(Recursive Least Square,RLS)的RLS滤波器,有效去除了信号中的工频干扰。在此基础上,设计低通滤波器去除信号中的基线漂移噪声。(2)基于深度置信网络(Deep Belief Network,DBN)的心电信号分类方法。构建了一个包含三层受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)和一层Softmax分类器的深度置信网络,完成对心电信号的分类识别。对各层RBM和Softmax分类器进行预训练。网络中RBM充当特征提取器,利用其对数据特征的无监督自动学习能力,学习心电信号数据中具有表征性的高维特征,用Softmax分类器对特征进行分类。用训练得到的权值初始化DBN网络,并采用误差反向传播(Back Propagtion,BP)算法对整体网络模型进行参数微调,进一步提高网络的分类性能。(3)基于判别式深度置信网络(Discriminative Deep Belief Network,DDBN)的心电信号分类方法。在DBN中,RBM只充当特征提取器,不具备分类功能,需要添加Softmax分类器实现分类。判别式受限玻尔兹曼机(Discriminative Restricted Boltzmann Machine,DRBM)可以同时学习特征并分类,且相较于传统分类器,其对参数不敏感,可对网络分类性能有所提高。将DBN网络第三层RBM改用DRBM,构成DDBN网络。为提高网络分类性能,在网络最后添加Softmax回归层,用BP算法微调网络权值参数。微调得到的权值初始化DDBN网络,实现最终分类。本文构建DBN+Softmax网络以及DDBN网络,实现对心电信号的分类识别。实验结果通过对不同网络结构的讨论、参数微调前后分类准确率的不同以及DBN+Softmax与DDBN分类结果的对比,表明本文所运用的基于深度置信网络的心电信号分类算法能充分挖掘心电信号的深层特征,实现对心电信号的自动分类识别,并且采用DRBM直接充当分类器能够提高整体网络的分类性能。