深度学习是机器学习领域重要的方法之一，由于其强大的复杂模型构建能力，引起了学术界和工业界的广泛关注。虽然深度学习模型在抽象特征方面具有巨大的优势，但使用浅层神经网络作为分类器制约了深度学习的分类性能。集成学习是机器学习领域中提升模型的可控性和泛化能力的一种通用方法。其中，深度集成是集成方法之一，具有强大的自主学习能力和分类能力，但面对高维复杂问题时表达能力有限。因此，结合深度学习与深度集成各自的优势，设计并改进了一种深度置信提升网络集成分类模型。
　　心脏病是危害世界人类生命健康的重大疾病之一，在我国，仅心肌梗塞一项，每年就约有60万人，引发心肌梗塞和猝死的主要原因是心脏异常活动，也称为心律失常。其中，心电图(Electrocardiogram，ECG)是诊断心律失常最廉价的非入侵检测工具。然而，在当前海量心电数据、发病原因复杂的情况下，以人工视觉的方式分析心电图已经不能满足人们的需求，在这种情况下，必须使用自动分类技术进行分析。因此，本文深入研究心电信号诊断的相关理论和技术，并实现了一种基于集成分类模型的心律失常自动检测方法。
　　论文主要研究包括如下几个方面：
　　(1)设计并改进一种深度置信提升网络集成分类模型。集成分类模型由输入层、隐层、输出层三部分构成。输入层采用集成深度置信网络(Deep Belief Networks，DBN)作为特征提取器，同时利用特征选择去除冗余特征；隐层是基于梯度提升策略的决策树的深层提升网络，并且层数可根据每层的学习结果进行自适应；输出层采用相对多数投票策略得到最终的分类结果。基于5种公开数据集将本文模型与DBN、极限梯度提升树和DBN-XGBDT进行对比检测实验，实验结果表明，本文模型较三种模型的分类准确率分别提升了13.8%、6.98%和4.18%，可为集成学习与深度学习结合提供新方向。
　　(2)基于集成分类模型的心律失常自动检测方法。本文以ECG信号的检测与识别作为诊断心律失常的关键技术，并对ECG信号的预处理、波形提取以及分类进行研究和分析。首先，通过ECG信号去噪、R峰值定位以及ECG信号划分对ECG进行预处理。其次，将集成分类模型应用于心律失常分类，同时设计具体实验进行验证。实验结果表明，基于集成分类模型的心律失常自动检测方法不仅具有较高的准确性，而且具有较强的稳定性。
　　(3)设计了心律失常自动检测原型系统。本文基于训练完成的心律失常自动识别模型建立了心律失常自动分析原型系统。该系统可通过上传用户的个人信息和ECG数据，对上传的ECG波形进行自动分类，并以微信小程序的形式向用户展示图形化的心律失常分析报告。