心血管疾病的发病人数随着社会老龄化进程的发展Aurora Kinase抑制剂持续增长,心血管疾病导致的死亡率居高不下。阵发性房颤作为一种常见的心律失常疾病,与众多心血管疾病的高发病率和死亡率有关,长时动态心电图逐渐成为其主要的诊断手段,但长时动态心电图的人工判读尤为费时费力。为了减少人工对动态心电图逐段判别并作出诊断的工作量,自动诊断房颤片段的机器学习算法具有重要意义。另外面对临床标记数据难以获取的现状,本文基于深度学习网络的高分类准确性与传统机器学习的可解释性,提出了一种利用深度学习特征与人工提取特征融合,辅以特征筛选的半监督学习房颤识别方法。本文的主要工作如下:(1)对心电信号进行预处理,采用小波分解去除高频噪声,使用均值滤波去除基线漂移;进行人工特征提取,提取了 R-R间期时域特征和归一化模糊房颤熵反映房颤信号R-R间期的变化,提出了幅值归一化后QRS波置零的样本熵这一特征来体现房颤f波的变化。(2)构建卷积神经网络-长短时记忆网络结合半监督的拉普拉斯支持向量机的分类模型进行心电信号房颤识别。改进了卷积神经网络的模型架构,并结合长短时记忆网络提取短时心电图样本的深度学习特征,将此特征与人工特征结合,采用拉普拉斯支持向量机进行分类。基于MIT-BLateral flow biosensorIH的房颤公开确认细节数据库,和自主采集的数据集,测试方法的性能;通过小样本数据实验,验证半监督算法拉普拉斯支持向量机在有标签样本较少时的分类识别能力。(3)构建基于遗传算法特征降维的半监督房颤识别网络。使用遗传算法对卷积神经网络-长短时记忆网络提取的深度学习特征进行筛选降维。比较特征筛选前后特征集合对于房颤识别有效性的变化;搜索不同原始特征维度对应的最佳特征子集,得到最优深度学习特征选择方案;研究了标记数据量降低时,深度学习特征维度的需求变化。