心血管疾病是威胁人类生命健康的头号杀手,而心律失常则是心血管疾病中危害最大的一种,心律失常被定义为正常心律的任何不规则变化,严重情况下会导致心脏骤停甚至死亡。专业的心脏科医生可以通过观察心电图来了解心脏健康状况,然而单纯依靠肉眼识别心电图,准确率、实时性均难以保证。因此,心电图的自动分类一直以来都是医学和生物信息学上最有价值的研究课题之一。心电信号是非平稳、幅值较小的连续信号,采集过程中会不可避免地受到噪声的干扰,导致信号失真。信号中存在的噪声可能会被误检为正常或异常的心拍,以至于直接影响分类的精度。针对该问题,本文以Daubechies小波作为基本小波将原始心电信号进行八层小波分解,并利用小波阈值降噪算法去除其中存在的低频的基线漂移、高频的肌电干扰和固定的工频干扰,维持了心电信号完整性的同时并突出了信号中重要的特征。然后利用R峰正好对应着小波变换后的模极值对的过零点的性质定位到R峰,并根据R峰位置将连续的心电记录分割成单个的心拍。最后对每个心拍进行Z-Score标准化处理,为后续的心电信号增强和心电信号分析提供数据支撑。目前的公开心律失常数据库都普遍存在着严重的不平衡问题,然而,该领域大多数的分类算法更关注模型在整体上的准确性,却忽略了不平衡数据分布所导致的模型在异常类别上的糟糕表现。尽管可以通过传统数据增强的方式来缓解这种不平衡现象,但这些方法面临着形态信息变更或过拟合的问题。针对该挑战,本文提出了一种融合VAE和Wasserstein-DCGAN的心电信号生成式算法,其思想在于通过学习真实数据的分布来生成高质量的异常心拍,通过这种生成式算法可以使得增强后的数据分布更均衡。而基于高质量的分布平衡的大量训练数据,模型能够学习到更深层次的无偏语义特征,因此能实现更精确的分类效果。该心电信号生成算法的贡献在于:一,使用Wasserstein距离和梯度惩罚的损失函数,解决了传统心电信号生成模型训练不稳定、模式坍塌的问题;二,针对以随机采样噪声为输入的心电信号生成模型训练过程中存在的损失动荡以及难以正常收敛的问题,本文将VAE编码器输出的潜在特征作为GAN生成器的有监督输入,该潜在特征里包含心电信号的原始信息,可以帮助模型更快更稳定地收敛;三,能够拟合质量更高更丰富的波形,对于VAE训练目标,使用GAN判别器中表示的高维特征误差替换典型的元素重建误差,即将原本固定的相似性度量变为可学习的任务。在均衡分布的数据集的基础上,本文还设计了基于注意力机制的心电信号分类模型。针对心电信号中长距离依赖问题以及特征无区分度的挑战,本文提出将特征空间划分为多个子空间,在每个子空间独立的计算全局特征之间的关联关系并为不同时间段的特征赋予不同的注意力权重,因此能够有效地捕捉信号长时序上的依赖关系并量化各个时间段特征对于信号分类的贡献。由于在心律失常这样的医学数据集中对异常类别错误分类的成本通常远高于对正常类别错误分类的成本,因此本文使用了一种成本敏感的损失函数即焦点损失,以此来增加分类模型对于稀疏的异常类别的学习能力,从而能够在降低错误分类成本的同时提高模型的整体性能。最后,通过设计合理的评价指标和对比实验,验证了本文提出的算法明显地优于其他几种心电图分类算法。