心肌缺血是常见的心血管疾病,严重威胁着人们的生命健康安全。持续的心肌缺血会造成心肌细胞坏死,导致心肌梗死。因此,如何使用简单、方便的方法在人群中早期发现、早期诊断心肌缺血具有重要的意义。与其他有创的检查手段相比,体表心电图具有无创、简单方便以及经济等优点。一方面,心电图是反映人体心脏电活动的综合表现,利用心电图对患者进行检查没有伤害,操作简单;另一方面,心电图覆盖面广,几乎在每个基层医院都有配置。经过了近十年的研究发展,基于心电信号的心肌缺血智能检测涌现出了很多有价值的工作。因其重要的理论研究背景和实际应用价值,本文将对此进行深入研究,针对其中心电信号的特征提取和分类识别的问题,在前人工作的基础上,研究了以下内容:(1)提出了基于确定学习的心电建模方法。基于确定学习理论对心电信号的状态轨迹的内在动力学特征进行准确建模,并提出了有效的ECG模式识别方法。本文首先将标准12导联ECG信号转换为低维信号,然后构建动态RBF神经网络,对心电信号中的非线性动态模式进行局部准确建模,并将得到的动力学信息以常值RBF网络权值矩阵的形式保存下来。在分类阶段,通过构建的估计器与提取的动力学信息之间的相似度,完成心电信号的分类识别。该方法在PTB数据库上进行了实验验证。(2)提出了基于深度学习与确定学习的心肌缺血分类方法。为了提高心肌缺血的早期诊断以及自动分类识别的准确性,本文利用深度学习对提取的心电动力学特征数据进行更深层次的特征学习,提出了两种网络结构:串行卷积循环神经网络和并行卷积循环神经网络,结合了卷积神经网络和循环神经网络的优点。卷积神经网络作为特征提取模块,提取心电信号中的空间特征,循环神经网络学习心电信号序列的时间依赖关系。利用这两种网络结构,对心电动力学特征数据进行训练学习,实现心肌缺血的分类。在实际临床环境下的心电数据集中进行试验,取得了较高的识别率,验证了所提方法的有效性。(3)提出了基于深度学习与迁移学习的心肌缺血分类方法。针对训练数据集数量不足的问题,本文利用上一章节设计的CRNN和PRCNN网络模型,在源域心电信号数据集上进行预训练,将预训练网络模型参数作为初始化参数进行迁移,通过目标域心电信号数据集微调部分网络层参数,加快网络训练速度,提升网络分类性能。由于目标域心电信号数据集与源域心电信号数据集具有很大的相似性,本文提出了基于模型迁移的分类方法,对提出的串行卷积循环神经网络和并行卷积循环神经网络进行了参数微调,得到了新的微调网络模型。在目标域心电信号数据集下进行了实验,测试了网络模型的性能。