心电图(Electrocardiogram,ECG)信号是一种频率和幅值随时间变化的微弱复杂生物信号,随着人脉搏跳动频率不同呈现出非线性、非平稳等特性,其组合关系和结构特征更加复杂,它的模式分类近年来一直是信号分析与生物医学研究领域的一个重要问题。特征提取是模式类信号识别检测的关键因素,特征的表征能力越强,模式分类的性能就越好;但由于低频率、信号微弱、基线漂移以及现有研究方法多数只是针对数字特征提取特征,忽略信号时间维度的信息及信号的完整性、客观性、局部性及全局性等因素,使分类检测面临巨大的挑战。本文的研究框架及内容主要概括如下。(1)针对多通道12导联ECG信号的识别问题,分析现有RNN串行信息处理模式,设计了一种时变信号分类的并行计算结构的循环神经网络模型,该模型由多通道时序信号输入层、并行处理结构单元、信号特征融合层和Softmax分类器构成。在并行结构处理单元,RNN将现有的多通道时变信号串行处理模式扩展为并行运算模式,每个通道对应一个深度循环网络模型,进行单通道信号特征的独立提取与属性关联,实现各通道信号的并行处理。在信号特征融合层,将多个通道产生的信号融合形成综合特征矩阵。在此基础上,利用Softmax分类器,实现多通道信号的分类。对特征矩阵进行分类。该模型在机制上可实现单通道信号特征的独立提取,各通道信号特征的融合,以及基于综合特征矩阵的信号分类,保持多通道信号的特征组合关系。改进现有RNN多通道信号处理的串行方式,降低结构特征信息损失、提高算法效率。特别对分布特征相近的信号样本分辨率显著提高,验证了模型和算法的有效性。(2)针对特征分布相近的12导联多通道时变信号识别问题,分析深度网络退化、深层网络不能被很好的优化、信号时间维度信号被忽略等问题,提出了一种深度卷积时序残差网络模型,该模型由多通道信号输入层、卷积时序残差块、全连接层、典型特征嵌入层以及分类器构成。在卷积时序残差块,通过将具有空间特征映射功能的卷积块与具有时间域特征提取功能的循环块按照残差连接的方式堆叠构成卷积时序残差块,使其对于在时变信号的特征的表征上同时具有时空特性,从而得到更多表征信号的细节特征;在典型特征嵌入层,将针对样本数据量少、样本分布不均衡等问题,构建典型样本以扩充数据集从而辅助识别,具体地,使用经典心拍分割算法与时间序列滑动窗口算法获取典型样本特征,再根据筛选规则筛选出符合的心拍样本构成典型样本数据集,与神经网络提取的特征并行融合构成新的样本数据集。在此基础上,使用softmax分类器实现多通道信号分类。针对模型缺乏时空特征信号的表征、全局特征与局部特征的融合的问题,构建了卷积时序残差块获取信号的时空特性,实现全局特征和局部特征的融合,降低了时间域特征的丢失;模型及相关算法的有效性通过实验得到验证。