心脏的生理信息能够为医疗诊断提供有利依据,其相关技术被广泛应用于临床心脏检查实践中。随着人工智能的快速发展,基于深度学习的智能化诊断手段逐渐应用于医疗领域,并取得了显著成果。通过分析心脏生理信息的特点,本文从心脏的临床检测信息出发,重点研究基于心电图和超声心动图的心脏生理信息检测方法,从而提高检测算法识别准确性,缩短人工诊断过程耗时,为心脏疾病诊断提供更有效的帮助。主要工作如下:研究心电信号智能分类和识别问题。针对一维时间序列信号识别分类时存在并行处理数据困难,长时间记忆能力不足以及缺乏对目标识别的快速准确定位问题,提出一种基于前置卷积的时间网络模型。该方法通过设计的前置卷积改进模块,对心电信号进行深层特征提取以及采用大范围感受层组的网络提高信号的记忆长度。其次,利用二维图像形式在信息处理以及表达方面的优势,提出适用于二维坐标描绘式心电图片的快速目标检测网络模型。该方法将心电信号从一维时间序列形式转换为二维图片形式,不仅可以对心脏传导周期内的一个完整心拍进行识别分析,也可以利用具有窦性心律的临床心电信号,进行逐个细化波形的识别分析,提升心电信息辅助诊断的效率。研究超声心动图中目标区域识别问题。针对在超声图像区域识别过程中会产生重复存储和计算现象,提出基于密集像素检测网络的目标区域识别模型。该方法利用二维心脏超声技术,在临床心尖四心腔视图下,分别对舒张末期和收缩末期的心脏超声图片提取具有密集像素特征的区域,进而正确识别左心室区域及相关重要参数,为提升临床心功能评价准确性提供有效辅助。研究心电图和超声心动图联合识别问题。针对复杂的心脏系统需要结合多类型信息分析,而不同类型数据间实时关联性差,人工诊断过程耗时等问题,提出以多普勒超声心动图和心电图联合作为研究对象的多源信息识别模型。分别将二尖瓣血流频谱图、主动脉瓣血流频谱图和肺动脉瓣血流频谱图与心电图以同一视图采集,识别其中关键目标和相关参数,用于左房左室间、左右心室间和左心室内的三类心脏运动协调性分析。提高了临床中心电图和超声心动图数据联合分析的效率。