目前我国处于心血管疾病高发期,作为诊断依据的心电图不仅数据量极为庞大,而且心拍类型也非常多样化,致使人工对心电图进行逐个心拍的分析成为一项难以有效完成的任务。特别是在临床监护或穿戴式健康监护环境下的实时心电诊断,面临着多路并发、高频次、医护人员相对极为有限等现实问题,对医护工作人员来说更是一项不可完成的任务。此外,因一些异常心拍出现的突然性和不频繁性,致使心脏病专家难以及时捕获一些紧急病情的重要心电变化信息,这将直接威胁患者的生命安全。因此,如何从大量心电图数据中自动、及时识别异常心拍,提高心电诊断的准确性和及时性,成为近期的研究热点。本文主要针对心拍的特征生成和识别展开研究,主要内容及创新点如下:(1)提出了一个基于余弦距离的深度堆叠自编码器特征生成方法。心拍信号中通常含有加性环境噪声,这些噪声信号会严重干扰或破坏表示心拍状态的关键信息,致使有效提取心拍的特征信息非常困难。此外,心拍信号中部分时域信号的变化较为剧烈,其变化速率并不符合高斯分布。鉴于这些发现,上述特征生成方法首先采用收缩自编码器和稀疏自编码器从带有噪声心拍信号中提取具有稀疏性的有效心拍特征信息。之后采用余弦距离测度输入心拍和输出心拍间的差异。最后将该方法的输出作为后续心拍识别模型的输入特征。实验结果表明:该方法生成的特征具有较高的鲁棒性和辨别性。(2)提出了一个面向不同患者的基于卷积神经网络的心拍识别方法。现有心拍识别方法面临不同心拍类间数据量严重不平衡及全新患者时,识别性能均会出现一定程度的下降的问题。为了抑制上述问题造成的不利影响,本文提出的上述识别方法首先使用通用训练集训练基于卷积神经网络的通用背景模型,学习不同患者心电图中的共性信息。之后将学习得到的模型系数作为特定患者识别模型中相应参数的初始值,并用该患者的前5分钟心拍数据对该识别模型进行微调,使其学习到特定患者心拍中的差异性特征,增强模型对特定患者心拍的识别性能。此外,该识别方法采用改进的目标函数,该目标函数设置惩罚系数,以此修改损失权重,可提高模型对低样本数量类型的识别准确率。在MIT-BIH数据集上的实验结果显示,该方法具有较高的识别性能。(3)基于以上算法和软件工程设计思想,开发了用于在线心电诊断的心电管家系统。该系统集成了心电采集、心拍分割、特征提取、心电诊断与标注、监护提醒等功能;此外该诊断系统还具有常规的用户注册、登录、心电数据导入、输出诊断报告、危险等级确定、给出治疗方案等功能,弥补了传统心电管理系统中信息采集、心电诊断与心电分析无法一体化的限制。所开发的心电诊断系统界面友好、操作简便,具有较好的实际应用价值。