1.1 研究目的及意义

近年来，随着人们生活水平的逐步提高，心血管疾病的发病率也在逐年升高。由于心电信号是评价心脏功能的重要依据，心电图(ECG)检查成为了目前心血管疾病预防和诊断最常用的手段之一。大多数心脏病患者在平时和病发时会出现心律失常的现象，不同的心律失常类型标志着不同的发病类型和起源部位。因此，有效并及时地检测和诊断心律失常类型对监测和预防心脏病的发生起了重要的作用。

早期的临床心电图诊断是由医生独立完成的，医生结合理论和经验对心电信号的波形进行分析，判断心律失常的类型和可能引起的原因、部位，随后制定下一步的治疗方案。由于有些心律失常类型的特征相似，用肉眼不容易区分，再加上噪声的影响和个体差异，医生在判定心律失常类型时很可能出现失误而影响治疗。除此之外，由于心脏病引发猝死的情况下发病时间短，需要医生迅速地作出判定，但在实际情况中有一定的难度。因此，为了减小医生的工作量和提高医生诊断的准确性，心电信号的智能分析系统应用到了临床心电图诊断。

心电信号的智能分析系统可以自动对心电图进行分析，判断出心律失常的类型，并且可以对患者的心电信号进行实时监控，及时发现患者心脏功能的异常，便于及时准确地进行治疗处理。本课题在深度学习的基础上，通过对心电图的学习自动识别心血管疾病，完成心电信号智能分析系统的开发。

1.2 国内外研究现状

目前已有的心电信号的分类方法大致可以划分为两大类：基于波形形态结构的分类方法和基于特征的分类方法。

基于波形形态结构的分类方法主要是利用心电图波形形态、RR间期以及医生读取的形态特征来进行分类。李坤阳等运用数字形态学和小波变换算法检测心电波形的QRS波形态特征；Philip de Chazal等基于心电波形的形态和间期提取了12个特征向量，构造线性分类模型进行训练和测试。

目前运用更广泛的是基于特征的分类方法，即利用异常心电波形和正常心电波形在某一种或多种特征空间上的不同表现来区分，主要包括基于变换的方法和基于统计的方法。Gulera等对心电信号进行四个尺度的离散小波变换后，将小波系数的统计量作为特征参数，采用两级组合的多层感知器网络实现对四类心电信号进行分类；Osowski提出一种模糊混合神经网络分类器对七类心电信号进行分类；Owis在ECG的傅立叶变换域内进行ICA分析，将得到的相互统计独立分量组成特征向量，再运用近邻分类算法进行分类；季虎提出运用主成分分析和多重判别分析对心电信号进行特征提取，并采用支持向量机进行分类，对13类典型的心律失常信号进行实验，取得了较好的结果。

2. 研究的基本内容与方案

本次毕业设计预计完成一个心电信号智能分析系统，通过该系统可以实现心电信号的分类，判断该心电信号是正常波动还是心率失常，若是心率失常的话判断出是哪种心律失常类型。

本系统由以下六个部分组成：