李传栋，邱 磊,2，于 雁

(1.青岛大学自动化学院,山东 青岛 266071；2.青岛大学未来研究院,山东 青岛 266071)

0 引 言

心电图(ECG)是临床医生进行心脏疾病诊断的主要依据之一[1]。心律失常是心血管疾病中常见的一种疾病，包括心房颤动、房性早博和房室传导阻滞等，建立实时有效的心律失常自动分类系统不仅能够及时发现患者心脏异常情况，还能大大降低医生工作量，具有十分重要的现实意义[2]。

传统的心电图诊断方法主要包括特征提取与分类2个步骤。特征提取的方法[3-8]主要包括小波变换法、主成分分析、功率谱特征、高阶统计量法等。Ye等人[7]对每个心拍信号进行小波变换和独立分量分析(ICA)以提取形态特征，计算RR区间信息得到动态特征，最后将形态学和动态特征相结合作为分类的依据。Elhaj等人[8]提出了一种将高阶统计量等非线性特征的表征能力和独立成分分析等非线性特征约简方法与线性特征相结合的方法，改进了心电数据的分类性能。与传统算法不同，基于深度学习的方法[9-16]具有从ECG信号中自我学习有用特征的能力。Hannun等人[13]开发了一个深度神经网络(DNNs)，验证了端到端的深度学习算法可以诊断多种心律失常，测试结果比心脏病专家更精准。赖杰伟等人[14]将密集连接型卷积神经网络(DenseNet)用于心电数据自动诊断，提高了训练精度，减少了运行时间，但DenseNet只考虑了密集块内部不同层之间的联系，没有充分利用不同密集块提取的所有分层特征。潘辉等人[15]提出了改进的残差网络(ResNet)，在提取更深层次特征的同时避免了网络出现退化现象，但ResNet并没有充分利用残差块中每一个卷积层输出的特征信息。……