心房颤动,简称房颤,是一种临床上较为常见的心率失常疾病,因其易导致脑卒中、脑梗塞等并发症,会严重危害到房颤患者的生命健康。除此之外,房颤的早期发病症状不明显,有较强的隐匿性,导致部分患者无法及时确诊,使其成为了一种具有严重潜在危害的疾病。因此,基于便携式移动医疗设备进行房颤的早期诊断,有助于患者早发现、早治疗,成为了一个具有极大医疗健康意义与价值的研究方向。随着深度学习技术的不断发展,越来越多的研究将深度神经网络应用于心脏节律性失常疾病检测,而基于深度学习的房颤检测算法相较于原本的传统检测算法简化了繁琐的特征提取步骤,通过数据特征学习,构建端到端的神经网络实现房颤检测,能够提升算法的抗干扰能力和泛化能力,具有极大的应用于便携式移动医疗设备中进行房颤检测的潜力。本论文的主要目标是基于深度学习技术,研究并实现房颤的早期快速检测算法,以期能够应用于移动医疗设备中,为房颤的早期筛查奠定算法研究的基础。本论文基于中国生理信号分析挑战赛2018年公开的心电信号数据集展开研究,主要研究内容包括两部分:(1)基于原本用于二维图像检测分类的密集连接卷积神经网络(Densely Connected Convolutional Networks,Dense Net)研究构建了一维Dense Net网络进行单导联房颤检测,实现了高达97.10%的准确率、以及分别高达92.44%的灵敏度和98.00%的特异度,该网络通过其全连接的层间连接方式,实现了特征的充分利用;此外,通过合理的网络结构设置,在充分融合特征的同时也合理的控制了计算量,使得网络检测高效、精准。(2)基于卷积循环神经网络处理时间序列信号的优势,将一维Dense Net网络与双向循环神经网络结合,提出了密集连接卷积循环神经网络(Densely Connected Convolutional Recurrent Neural Network,DBRNN)用于房颤检测,获得的准确率为97.61%,相应的灵敏度和特异度分别为92.98%和98.60%,相较于一维Dense Net网络有了进一步的提高。本论文提出的基于深度学习的心房颤动早期检测算法,具有较高的检测准确率和高效的网络结构,为其日后应用于便携式单导联心电信号分析的场景提供了更高的可能性。