潘 辉，郑 威，张莹莹

（江苏科技大学电子信息学院，镇江，212003）

引 言

世界卫生组织的研究报告表明，心血管疾病是导致当今人类死亡的主要疾病之一。心脏病发作之前，通常有明显的心血管异常表现，如心悸、晕厥、胸痛、气短等。如果能及早发现并诊断出这些异常症状，可以节省预防心脏病发作的时间，以便及时提供有效的治疗。

心电图(Electrocardiogram，ECG)信号是有效观察和诊断心律失常等心脏疾病的主要手段之一[1]。传统的诊断方法需要专业医生根据自己的经验，通过心电图对患者的病情进行分析诊断。此外，由于心律失常等心脏疾病的多样性，大量的心电数据难免会导致漏诊或误诊。为了提高诊断效率，迫切需要研究心电自动分类技术。

目前，各种技术已被用来解决心电心律失常的分类问题。现有的传统方法有小波变换[2]、支持向量机[3]和多层感知机[4]。Yildirim 等[5]提出了一种小波序列基于双向长短期记忆人工神经网络（Long short-term memory, LSTM）网络模型的心电信号分类算法，显著提高了传统网络的识别性能。Dewangan 等[6]又将离散小波变换引入神经网络的预处理和特征提取。结果表明，如果形态学特征和小波系数同时用来训练神经网络,分类精度将高于仅使用简单的形态学特征和小波系数。Jha 等[7]引入支持向量机，有效地实现了心拍分类。Varatharajan 等[8]使用带加权核函数的支持向量机模型对输入心电信号的特征进行分类。吕卫等[9]针对短时傅里叶变换与小波变换对心电图信号特征提取不足以及心律失常识别困难的问题，提出了一种基于S变换特征选择的心律失常分类算法。……