心血管疾病发病率持续攀升,已成为威胁城乡居民健康的头号杀手,并演变为重大的民生问题。对心血管疾病而言,关键要做到“早发现、早治疗、早预防”,将人工智能技术应用到计算机辅助诊断场景,实现准确实时的监测、评估、预警和干预。心电标注是心电图计算机辅助诊断的基础,主要包括心拍标注和节律标注,且心拍标注成本远高于节律标注。而现有的用于心拍预标注的心拍检测技术存在分类粒度粗、训练样本不足导致模型泛化能力欠佳的问题,用于节律预标注的房颤检测技术存在深度学习对短序列数据的表征学习能力欠佳的问题。因此本文提出“人机融合的心电数据智能标注”,围绕心电智能标注所需关键技术,从提升模型的泛化能力和表征学习能力、降低心拍标注成本、实现心拍和节律的智能预标注、实现心电智能标注系统等目标展开研究。主要创新点和工作如下:（1）针对现有用于心拍预标注的心拍检测模型存在分类粒度粗,数据集不平衡情况下模型的泛化能力差等问题,从数据增强角度提出“基于首次稳定收敛点定位（The First Stable Convergence Positioning,Fscp）生成数据的多类别心拍预标注算法”。其中为了保证生成数据的准确有效性,针对面向数据生成的生成对抗模型收敛稳定性问题特提出基于Fscp的有效生成数据筛选算法,并改进现有生成数据质量评价框架,对生成模型和数据进行全面评价分析。最终生成模型生成14种类型心拍,且同真实心拍的差异指标最大平均差异值低至0.01。训练数据集经过生成数据增强和平衡后,在基于卷积神经网络的预标注模型上取得14分类99.28%的准确率,为国内外同类工作中性能最高。（2）针对高价值待标注样本有效拣选问题,提出“基于形态统计特征弱分层筛选策略的DAL心拍预标注算法”。该算法引入主动学习,构建深度主动学习（Deep Active Learning,DAL）模型,并针对面向心电数据的DAL模型筛选策略局部过拟合问题,提出适用于心电的基于形态统计特征弱分层的筛选策略,并系统全面对比分析所提策略同经典策略的性能。实验结果表明,相比通用策略,本文所提策略具备最高稳定性,不仅14分类的准确率可达99%,且可节约85.7%的标注样本。该工作实现了代表性采样,对降低标注代价具有重大意义。（3）针对心电节律标注问题,以房颤信号分析为对象提出“基于梯度集特征提取的房颤预标注算法”。由于深度学习对短序列数据的表征学习能力欠佳,因此针对房颤信号易变、子波难以捕捉的特点,特设计一款专属型短序列特征提取方法,即基于梯度集的特征提取算法,并利用深度学习对其进行高阶特征交叉与变换,以解决深度学习对短序列表征能力不足的问题。经过在多个数据库上实验表明,基于GDS的特征提取方法不需要检测心拍,鲁棒性高,对绝大多数分类器具有普适性,在长度仅为2秒的心电段上检测准确率为93.5%,召回率为95.7%。该算法同同类工作比较,10秒心电段的准确率为99%,召回率为99.7%,特异度为98.2%,整体性能达到最高。（4）心电数据标注需开发专业的标注系统并由专业的心电医生进行准确无误标注,专业性要求高,过程繁琐,工作量大且周期长,“标注难,标注代价高”问题直接影响心电智能分析领域长远发展。因此本文设计并实现“人机融合的心电数据智能标注系统”,将心电智能分析技术融入标注工作各阶段。该系统标注功能完整可满足所有标注需求,管理功能完备可支持大规模标注工作的展开,且随着标记数据的增加,系统智能化自学习能力也随之提高。通过实验验证可知,相比于传统的全手工标注模式,智能标注模式可减少89.43%工作量,相比半自动标注模式,智能标注模式可减少76.44%的工作量。