郑淋文，周金治，黄 静

1.西南科技大学 信息工程学院，四川 绵阳621000 2.特殊环境机器人技术四川省重点实验室，四川 绵阳621000

心电信号的智能化分析技术是智慧医疗和远程医疗的研究热点[1]。ECG分析通常包括信号采集、信号预处理、特征提取、自动分类。其中特征提取和降维是保障ECG分类准确性和泛化性的重要手段，已成为当下的研究重点。

ECG信号是一种微弱的准周期信号，个体体质差异以及生理和心理条件的变化，都会导致同一种心律类型的ECG信号，在不同个体上的形态特征也不尽相同。为了能更好地提取出ECG的特征，国内外学者开展了很多研究。文献[2]使用图形正则化非负矩阵分解（GNMF）构造一个亲和图，对心电信号的几何信息和标签信息进行编码，然后采用稀疏表示提高心电信号的分辨率，从而提取出更具鉴别能力的特征。文献[3]采用二维主分量判别法（2D-PCA）对12导联高频ECG信号进行融合特征提取，将2D-PCA和能量百分比法结合起来融合信息，提取出HF-ECG的全局特征和本征向量，最后用基于均方差属性加权的改进遗传模拟退火K-means算法完成心电分类，达到93.61%的准确率。深度学习因为其可自动抽取样本特征，相比于传统的人工设计特征方法优势突出，逐渐活跃于ECG特征提取的研究领域中。文献[4]以高斯-伯努利受限玻尔兹曼机构建六层深度信念（DBN）网络抽取10维心电信号的高层抽象特征为数据基础，采用FCM进行特征分类，总准确率达96.54%。文献[5]以堆叠式降噪自编码器（SDAEs）进行ECG降噪、自编码器（AEs）提取特征与卷积神经网络（CNN）分类构建八种ECG深度学习模型，其中最优模型的识别率达到了99.34%。……