心血管疾病在近年来成为许多国家的主要死亡原因。心电图作为一种检测人体心血管健康程度的手段,广泛应用于心血管疾病的预防和控制,然而由于医院日常业务量大,专业心电图医生诊断的工作量提升。近年来,深度神经网络已经被广泛应用于图像分类、目标检测及计算机辅助心电图分析等领域。通过计算机辅助心电图诊断技术,能保证心血管疾病的诊断效率,达到减轻临床医生工作量的目的,但是心电图种类较多,如何有效使用深度神经网络进行心电图辅助诊断仍是一个研究热点。本文围绕心律失常疾病的心电图表现以及分类环节中主要存在的问题,基于深度神经网络技术分别提出了心电图正异常分类模型和房颤疾病分类模型。本文的主要研究内容如下:(1)提出了残差神经网络、挤压-激励注意力机制和双向长短期记忆网络相结合的正异常心电图正异常分类模型。针对心律失常疾病在心电信号上的复杂表现,Bioelectronic medicine使用挤压-激励注意力机制从通道维度上通过重要特征赋予权重,抑制不重要的特征;加入双获悉更多向长短期记忆网络获取复杂心电信号中的时序特征;同时为了缓解数据不平衡带来的梯度优化问题,提出了改进后的多项式焦距损失函数。在MIT-BIH-AR数据库中对正异常分类模型的有效性进行验证,特异性、灵敏度、准确率和F1值分别达到99.54%、99.46%、99.52%和81.66%。在中国心血管疾病数据库中对正异常分类模型的有效性进行验证,得到的特异性、准确率、灵敏度和F1值分别为87.57%、80.50%、84.48%和81.92%。实验结果表明,本方法在两种数据库上均获得了较好的分类效果。(2)提出了ConvNeXt、卷积块注意力机制和双向长短期记忆网络相结合的房颤分类模型。针对房颤疾病在心电图上的特征和位置表现,在模型中加入卷积块注意力机制,使模型在训练过程中能够有效提取心电图的时域特征和空间特征。通过中国心血管疾病数据库上15万多条心电图记录的测试,本方法得到的特异性、灵敏度、准确率和F1值分别为98.89%、97.74%、98.87%和74.32%。实验结果表明,本方法得到了较好的分类性能,为房颤疾病的预防和辅助诊断提供有效手段。本文根据医生的诊selleck断流程,分别基于深度神经网络设计了心电图正异常分类和房颤疾病分类,同时解决了数据不平衡问题,为协助医生诊断提供了有效的手段,具有一定的临床应用前景。