随着我国人口结构和社会环境的改变，心血管病已经超越肿瘤成为致死率第一的疾病。大多数心血管疾病常伴有心律失常，本文针对这一特征，从心电信号的自动识别和类型分析处入手，研究并提出了一种基于深度学习的心电图分类算法。首先对原始的心电信号数据集进行滤波、归一化、求取信号功率图谱和加窗函数等处理，数据经过预处理后能够更好地从其频域中提取相关特征;考虑到心电图本身具有一定的时序特性，使用长短时记忆网络来捕捉心电数据的前后依赖关系，通过多分类器实现多标签并进行相关训练。

本文采用一种改进型的LSTM的高效变体网络（GRU）将经过预处理后的心电信号作为网络的输入序列，将心电信号的特征提取并分类。评价该模型性能的指标为分类准确率，同时在2018生理信号挑战赛的数据（2018数据集）上进行了测试，取得了良好的实验结果。

随着计算机深度学习的不断发展，建立一种快速有效识别心电图的深度学习网络，对整个社会医疗领域的发展有着重要意义。利用神经网络对心电信号进行分类目前还是一个较新的领域。Andrew Y.Ng等提出了一种固定采样周期的卷积神经网络，通过固定256个采样点来生成一个标签。Lipton等提出了一种用于多标签分类的LSTM网络，该网络提取心电信号的时序特征来进行分类;Zihlmann等提出了采用卷积神经网络的架构，对心电信号进行识别和分类。

本文使用的模型为改进型的GRU网络，与传统的GRU相比，GRU在算法上增加了用于多标签的分类器机制，同时该网络所接受的输入信号为心电信号非固定周期的频域特征。……