刘守华，王小松，刘 昱

(1.中国科学院大学，北京 100049； 2.中国科学院微电子研究所，北京 100029;3.新一代通信射频芯片技术北京市重点实验室，北京 100029)

0 引 言

心电图(Electrocardiogram， ECG)是记录人体心脏活动的可视时间序列,已经在临床上广泛用于心血管类疾病的诊断[1-2]。由于ECG容易受到各种干扰信号的影响,临床医生往往要忽略受严重干扰的心电波形再进行判断。这种基于人工分析的心电图容易导致诊断结果误判。而心电图的自动分类能高效地为临床医生诊断心血管类疾病提供重要信息。在人工智能技术迅速发展的背景下，目前计算机辅助ECG分析方法[3]越来越受到大家的关注，成为了心电图领域的研究热点之一。

ECG自动分类方法主要有2种，一种是基于数理特征例如小波特征、高阶统计量、功率谱特征[4-10]等。它们配合时域特性以及传统的分析方法例如主成分分析[11]、独立成分分析等用于ECG分类识别。另一种是基于人工智能的[12-14]，Rajpurkar等[15]和Hannun等[16]采用34层卷积神经网络，利用来自超过5万位病人的91,232条记录组成的大型数据集，将心电信号分为包括窦性心律在内的11种心律。Jun等[17]提出了具有11层二维卷积的CNN算法；金林鹏等[18]提出了导联卷积神经网络的概念，使用了4层一维卷积的CNN算法；Acharya等[19]利用数据增强来解决数据不平衡问题，并采用9层CNN实现ECG分类。

但无论是使用哪种分类法，现有的不少文献只是在标准数据库或其中某个子集上得出结论(整个MIT-BIH数据集也只有47个病人)，算法的泛化能力很难得到保证。……