心脏活动的持续监测对于了解心脏的健康状况是十分重要的。日常心脏活动的持续监测可以提前发现心脏疾病有关的早期迹象从而采取相关的预防措施。心电图是心脏状态临床诊断中的黄金标准。心电信号记录心脏电传导活动,无法反映心脏的机械运动,同时其测量过程中电极的放置要求较高在长时间连续监测中可能会脱落影响测量,不适用于长时间的日常心脏监测。心震图记录的是心脏机械运动产生的信号。心震图是一种无创的心脏活动监测手段,可以采用廉价高精度的加速度传感器进行日常长时间的测量。但是心震信号的周期内特征过于复杂且没有权威的定义,因此心震图信号特征在临床应用与诊断分析中较难得以应用。因此为了增加心震信号在心脏临床诊断以及日常监测中应用的可行性,本文设计了一种端到端的机器学习模型,将心震图信号进行映射拟合至数据集中同时采集的心电信号。主要研究内容以及成果结论如下:（1）介绍了心脏电传导和机械振动理论,梳理了心电信号和心震信号的波形特征,为数据集理解打下基础。（2）研究了深度学习中序列到序列模型的相关技术原理,包括卷积神经网络、循环神经网络以及注意力机制。设计了两种将心震信号拟合至相对应的心电信号的端到端深度学习序列模型,并通过分析五折交叉验证法的拟合实验结果确定本研究所使用的模型。（3）对使用和不使用注意力机制的心震图拟合模型进行拟合对比实验,通过对实验结果以及拟合误差指标进行分析,证明注意力机制在模型中的有效性。（4）在拟合生成信号上使用心跳间隔检测算法提取心跳间隔序列,并在心跳间隔序列上提取心率变异性特征参数。使用同样的方法对心电信号进行对照指标提取。通过分析数据中心跳间隔的敏感性和阳性预测值证明模型拟合结果中心跳间隔的准确性,使用Bland-Altman图对数据中的心率特异性参数进行一致性分析证明拟合后的信号与原心电信号有很高的相关性。以此说明了使用心震信号通过拟合至相应的心电信号并进行特征分析与研究是具有可行性的。