陶砚蕴 ,岳国旗 ,王凯欣 ,张宇祯 ,蒋 彬 ,黄杏梅

（1.苏州大学轨道交通学院，苏州，215005；2.苏州大学附属第一医院心内科，苏州，215005）

心律失常是一类严重的心血管疾病，其诊断治疗有重要的临床意义.心律失常是心脏电活动异常引起的，而心脏电活动可存储为任意时间长度的体表心电图（Electrocardiogram，ECG）.通过检测患者的常规ECG或对其ECG进行动态监测（即动态心电图），医生可实现心律失常的诊断，但对其进行复核需要耗费医生大量的时间，对ECG信号中的重要信息产生误读和疏漏也在所难免.研究表明，机器学习具备心血管疾病的预测诊断能力［1］.对于心内科医生，机器学习可辅助心律失常诊断，提高工作效率与质量，为患者制定精准的治疗方案；对于患者，可以获得更快速、精准的诊断建议；对于社会医疗服务，机器学习可提高准备效率，系统性降低医疗成本.因此，引入机器学习辅助ECG信号识别与心律失常诊断能极大地提高诊疗效率，降低误诊率，并节约医疗成本［2］.

近几年，国内外医学中心都致力于建立标准的ECG信号数据库，在ECG大数据基础上，深度学习神经网络［3-5］应用于ECG信号的识别受到更多的重视，它具备心电信号特征自动提取与时序关联的挖掘能力，使模型摆脱了对传统P波检测与统计特征提取方法的依赖.深度网络在心律失常分类与临床诊断中有较大的应用潜力.由于ECG信号同时具有时间和空间形态双重属性，所以模型必须同时具备信号的形态特征提取与时序关联挖掘能力.本文提出级联神经网络的ECG信号特征提取和心律失常分类模型.