心电信号是心脏活动产生的生物电信号。研究表明,心电信号可以作为身份识别任务的生物特征,相比人脸、指纹、虹膜等生物特征,心电信号具有活体性,采集方便,不易被盗等优势,逐渐在身份识别领域得到了广泛的关注。此外,心电信号反映了心脏的健康状况,由心电信号生成的心电图(Electrocardiogram,ECG)是医生诊断和病理分析的重要工具,然而人工分析心电图的方法费时费力,研究一种快速、准确的心律失常识别方法可以极大地减轻医务工作者的负担,具有很高的应用价值。本文将深度学习的技术应用到了心电信号的身份识别和心律失常识别两个领域。我们提出了基于两阶段神经网络模型的心电识别方法。传统的心电身份识别方法大多是提取基准点的特征,也有一部分是提取频域上的特征,然而这类方法在低质量的心电信号上识别效果不好。基于移动设备采集到的心电信号通常存在很大的噪声,个别心动周期的波形变化很大,会极大地影响最终的识别性能,然而传统的滤波方法很难直接去除这些无效的心动周期,因此,我们设计了一维卷积神经网络模型对心电信号的心动周期进行质量评定,过滤掉无效的心动周期。在第二阶段,我们将多个心动周期的特征组合成输入序列,利用基于注意力机制的双向长短期记忆网络提取多个心动周期的特征,得到鲁棒的身份特征。我们在两个公开的数据集ECG-ID和MIT-BIH Arrhythmia(MITDB)进行了实验,实验结果表明,本文提出的方法能够去除无效的心动周期,提升身份识别的性能。此外,我们提出了基于多导联神经网络的心律失常识别方法。在临床诊断上,医生通常是根据心电图上的多个导联波形进行综合判断,才能得到更好的结果。因此,我们设计了一个类似过程的神经网络结构,该网络由多个相同结构的子网络组成,但是子网络之间的网络参数不一样,子网络的输入对应的是心电信号的某条导联数据,我们称该子网络为单导联神经网络。单导联神经网络的内部结构采用了一维卷积神经网络和基于注意力的长短期记忆网络的组合方式,从而可以结合心电波形的空间结构信息和时序信息。各个导联神经网络分别学习出对应心电导联的特征并进行辅助分类,将各个导联的特征连接起来作为一个综合特征进行主分类,主分类的结果综合了各个导联的特征,识别结果更加准确。我们在2018年中国生理信号挑战赛的数据集上做了相关实验,基于12导联的神经网络F1值达到了82%,识别时间平均为0.14秒,可以看出该方法可以有效地实现心律失常识别,在临床应用上具有一定的积极意义。