心房颤动是最常见的心率失常之一,并且与大量心血管疾病相关的发病率和死亡率密切相关。早期的房颤检测可以提高治疗的有效性和预防其严重并发症,所以研发一种从心电信号记录中自动检测房颤算法有非常大的价值。传统的房颤检测算法中的特征提取是靠人工提取的,面向大量数据集的时候,达不到精确、高效地提取。在医疗资源不平衡的环境下,患者就医等待时间长,不能得到及时地诊治成为医疗领域的焦点,心电智能诊断平台就能更好地解决这些问题。本文提出了基于神经网络的房颤检测算法,在提高数据传输、处理速度,提高检测精度和应用在心电智能诊断平台展开研究。论文的主要研究内容如下:(1)基于跳跃连接的卷积块提取技术研究。本文针对传统的卷积神经网络对数据传输、处理速度过慢的问题,提出基于跳跃连接的卷积块技术。通过在卷积神经网络的基础上添加跳跃连接,将其应用于房颤检测算法的特征提取中,优化了传统卷积神经网络,加快了数据的传输、处理速度,通过实验结果表明了跳跃连接的有效性;(2)基于跳跃连接的卷积块与长短时记忆神经网络结合的算法研究。本文针对房颤检测精度不高的问题,提出一种基于跳跃连接与深度学习的房颤自动检测算法。通过结合跳跃连接的卷积块与长短时记忆神经网络对房颤进行自动检测,解决了 ECG信号之间的长期依赖问题,提高了对房颤检测的精度,通过实验结果表明了该算法在2017房颤竞赛数据集上取得的良好性能;(3)心电智能诊断接口的研究。本文针对房颤自动检测算法应用性不强的问题,提出一种房颤自动检测算法在心电智能诊断平台的应用方法。通过阐述心电智能诊断平台的整体功能,重点研究心电智能诊断接口的开发,分别在server端、request端进行算法设计。实现了对本文提出的基于跳跃连接与深度学习的房颤检测算法的调用,通过测试表明了该算法具有良好的应用性。