深度学习是机器学习领域的一个重要分支,是以人工神经网络为架构,对数据进行表征学习的算法。近年来,深度学习的高速发展为智能算法带来了革命性的进步,也促使了神经网络被应用于大量的现实场景。但是神经网络参数量庞大、运算复杂的缺点限制了它在更多场景中的应用,因此网络模型轻量化的实现也是如今的研究热点之一。心律不齐是心脏活动节律传导障碍所导致的心脏搏动节律异常。常见的心律不齐症状有房颤、室颤、心动过速等。一些心律不齐症状若无法得到及时有效的治疗,很可能发展成严重的临床症状。目前心律不齐最主要的诊断方式是心电图测试,但现阶段主要依赖于医护人员的人工心电图分析显然是不够高效的。若能将智能算法应用于心电图分析,无疑可以使其效率获得质的提高。本研究提出了使用基于深度卷积神经网络的算法进行心律不齐检测。首先本文构建了全精度卷积网络模型,通过分批次填充的数据处理方法、Stop-BN、Pooling等策略训练网络,调试后的模型在“The Physio Net Computing in Cardiology Challenge 2017”的数据集上获得了较高的准确率。全精度模型可以达到较高的准确率,但是通常这类模型的计算量过于庞大不适合在嵌入式设备上应用。为了获得更高效、更节约内存的模型,本文提出通过二值化模型的方式实现网络模型压缩。但二值化模型在带来更小计算量、内存使用量的同时,也会造成模型准确率的大幅降低,因此本文提出运用知识蒸馏的方法,通过使用全精度网络模型作为老师模型训练二值化学生模型的方式,提高二值化模型的可训练性以及最终性能。本文中构建的单纯二值化模型在验证集中获得了0.85的F1得分,而全精度模型的验证集F1得分为0.88。在加入了知识蒸馏的训练方法后,二值化模型的验证集F1得分提高至0.87。这证明了二值化压缩后的一维卷积网络可以通过适当的训练策略获得与全精度网络接近的性能。本文相关代码在均已开源于https://github.com/yangfansun/bnn-ecg。