蒋思清，陈潇俊，高豪俊，何佳晋，吴 健，

（1.浙江大学公共卫生学院，浙江 杭州 310058；2.浙江大学睿医人工智能研究中心，浙江 杭州 310000）

0 引言

在临床上，心血管疾病常伴有心律失常症状，严重的心律失常可能会导致猝死或心力衰竭的发生，因此，及时、准确地检测心律失常是十分必要的［1］。心电图提供了丰富的心脏健康和病理信息，是诊断心脏疾病的重要方法［2］。心律失常情况通常要由医生给出诊断，但在临床实践中，受到医生经验的差异性和严重的心电噪声影响，往往会出现误诊和漏诊［3］的情况，因此需要找到一种识别带有噪声的心电信号，即可实现对心律失常类别进行准确判断的方法，进而帮助医生更精准地发现心律失常事件。此外，在人工智能技术迅速发展的背景下，目前计算机辅助心电图分析的方法［4］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，其中高精度的心电图自动诊断在心血管疾病的预防和辅助诊疗中起到了关键作用，具有良好的实践前景和重要的医学价值。

目前，临床心电图在计算机领域的分类方法包括2 个大类，即基于信号处理技术的方法和基于深度学习的方法［5］。第一类信号处理方法包括小波特征、高阶统计量、功率谱特征等通过提取特征向量的方式针对波形的振幅和频率进行分析［6-11］。例如Martis等［12］对正常、心房颤动和心房扑动心电图信号进行了独立成分分析（Independent Component Correlation Algorithm，ICA），其分类效果显著高于K 邻近分类 器；Acharya 等［13］提 出 了 一 种 计 算 机 辅 助 诊 断（Computer Aided Diagnosis，CAD）方法，他们从心电信号中提取了熵特征并通过决策树对14 个重要特征进行分类；……