朱彬如， 万相奎， 金志尧， 刘俊杰， 张明瑞

(湖北工业大学 电气与电子工程学院， 湖北 武汉 430068)

据《中国心血管病报告2018》推算，我国患心血管人数达2.9亿，患高血压人数达2.45亿[1].仅2017年，我国因心血管疾病死亡人数约为350万，远高于癌症致死人数，心血管疾病位居所有致死病因的首位[2].心电图(electrocardiogram，ECG)是临床应用最广泛的心血管疾病检查手段之一.医生可根据心电图结果初步掌握患者的身体情况，诊断心律失常、心肌梗死等疾病.

传统基于机器学习的算法在心电信号分类领域的应用有随机森林[3]、最小相邻[4]、聚类分析[5]、隐含马尔可夫链[6]等方法.这些方法对提取波形特征的要求很高，更多依赖于人工特征的设计.基于深度学习的方法能够从广泛的医疗数据集中自动学习，并能从海量复杂的数据中挖掘有用的信息和规律，无需人工设计特征，可将相关人员从繁重的医疗数据中解脱出来.近年来，卷积神经网络算法不断被应用到心电领域中.Zubair等[7]采用卷积神经网络(CNN)提取ECG信号的有效特征，实现优于大多数分类算法的准确率.Kiranyaz等[8]利用一维卷积神经网络(1D-CNN)将特征提取和分类融合统一，可对较长的ECG记录进行有效分类.Al Rahhal等[9]利用深度神经网络(DNN)，在网络隐含层顶层加入重构层并采用Softmax激活函数，提高了心律失常的分类效果.这些算法虽然能达到不错的效果，但却忽略了心电信号在时间上的序列关系.Zhang等[10]使用循环神经网络(RNN)与聚类分析技术处理时间序列，实现了在MIT-BIH心……