在大数据时代,数据被广泛的看作是一种资产。数据不再仅仅被看作记录信息的载体,数据本身也可以产生价值。离开高质量的数据,很难进行高效的研究与决策。因此,数据资产管理逐渐被各大公司重视,数据资产管理中很重要的一步是对数据进行治理,为的是将治理好的高质量数据更好地服务上层应用。心电图(ECG)是一种无创的有效的观测心律和心脏状态的医疗工具,通过心电图能够及时发现心率异常。人工分辨心率失常费时费力,如果能够使用现代的深度学习技术来对心率失常进行分类则能够大大减轻人工的负担。但是深度学习训练需要的数据量大,而且目前网上单一数据库难以满足数据量的需求。现存的大量纸质心电图虽然可以作为数量的补充,但是纸质心电图不方便使用计算机技术进行处理,并且不同数据来源的心电数据记录规格可能存在差异。因此,统一不同数据格式,统一标准,统一储存的心电信号可以为心电的研究提供强有力支撑。在大数据时代,其他领域的数据管理有一些很成熟的经验,为了给心电信号的研究提供一个良好的基础,借鉴数据资产管理的思想,本文提出心电数据资产管理的方法,并将标准化后的心电数据运用到心率失常的模型中检测数据治理的效果。针对前面提出的问题,本文提出以下解决方案:(1)提出了融合性的数据库,针对在临床中深度学习模型智能分析效果不佳的问题,本文扩建了网络训练及测试数据库。以国际标准数据库MIT-BIH为基础进行了扩充,并且加入了当地省人民医院的心电图数据。(2)针对纸质心电图数字化的问题,提出了一种将纸质心电图进行数字化的方法。并对数字化后的样本集进行了去噪、滤除基线漂移等操作。(3)根据不同心电数据库数据的差异提出建立一致坐标,标签标准化、归一化等数据资产的管理策略。(4)搭建针对输入数据信号的LSTM网络,利用心电图信号具有时间上周期性的特点,将ECG数据集中的每个周期的信号数据作为一个序列被馈送至网络中,以诊断编码为输出,得到分类结果。本文最终了解决不同数据库间数据的归一化问题,解决了纸质心电图的数字化问题,将传统的大量纸质心电图可以转为电子数据增加深度学习模型的训练集。最后设计了一个LSTM模型针对不同的异常分类进行实验,最后得到了不同分类标准下的测试结果,证明数据治理的有效性。