心电图反映人体心脏的工作状况,对心血管疾病的诊断和治疗具有十分重要的意义。随着动态心电图Holter和可穿戴心电监测设备的发展,心电图的数量急剧增加,仅靠医生人力处理,费时费力,且诊断结果因医生个体差异、经验水平等人为因素而有所不同。心电信号自动分析技术能够及时、准确的对心电信号进行分析,在心血管疾病诊断中起着非常重要的作用。为了使心电信号自动分析技术更好地辅助医生进行心血管疾病的诊断和治疗,研究了基于一维卷积神经网络的心搏分类算法,主要研究内容如下:（1）扩展心电数据增加模型泛化能力。针对许多研究人员在训练或测试模型时仅仅使用公开的MIT-BIH心电数据库或其他单个数据集,会存在数据集样本不全面、不同心拍类型数据量不均衡的问题。在采用MIT-BIH心电数据库的基础上,融合天津中科爱乐芙医疗科技有限公司在医院取得的Holter心电数据和大象随心宝用户所采集的心电数据,对一维卷积神经网络模型进行训练、验证和测试。（2）基于阈值对心电信号中不可消除噪声进行检测。在获取新的临床心电图后,第一步通常是进行信号质量评估以发现噪声,并对检测到的噪声进行处理。针对心电信号中的不可消除噪声研究了基于阈值的检测算法,采用固定长度的滑动窗口在心电信号片段上滑动找到极大值序列后,通过阈值来判断该心电信号片段是否为噪声,若是噪声,则将该心电片段丢弃并记录其在原始心电数据中的位置,以免影响后期心电信号的分析。（3）基于一维卷积神经网络进行QRS波群检测。为解决现有QRS波群检测算法依赖于先验知识手动提取特征、鲁棒性以及抗噪声能力较差等问题,研究了一种基于一维卷积神经网络的QRS波群高效检测算法。算法采用一维卷积神经网络实现QRS/非QRS波群2分类后,通过非极大值抑制方法实时输出QRS波群检测结果。实验结果表明,算法具有准确度高,鲁棒性好和抗干扰性能强的特点。（4）基于一维卷积神经网络进行心搏分类。针对采用单个一维卷积神经网络进行心拍多分类时存在正常心拍与室上性异位心拍识别率低的问题,采用两个一维卷积神经网络二分类模型完成了临床上最常见的正常心拍、室上性异位心拍、室性异位心拍三类心拍的分类。实验结果证明,两个一维卷积神经网络二分类模型在三类心拍上的分类结果得到了明显的提升。