心房颤动,又称房颤,是一种最常见的心律失常,与脑卒中、心衰、心肌梗死和脑血栓等疾病的高发病率和高死亡率有关。心电图(Electrocardiogram,ECG)作为一种非侵入式的心脏活动检查和诊断手段,在全世界范围内得到了广泛应用。利用心电图有效且快速的检测出房颤对降低患者的致残率和致死率至关重要。由于房颤信号经常仅持续几个心拍,使得通过专业医生阅读心电图来诊断房颤费时费力。近年来,计算机辅助诊断技术发展迅速,通过计算机辅助诊断技术快速有效地筛查房颤,减轻社会公共卫生服务负担和医生的工作量,成为了当前领域的研究热点。本文针对房颤自动检测研究领域中的热点问题,基于时频分析和深度神经网络技术,提出了有效的房颤自动检测算法,并对其可解释性进行了研究。论文的主要研究内容如下:(1)提出了一种具有尺度独立卷积和分通道卷积功能的房颤识别框架。针对心电信号特定尺度小波系数矩阵的特点进行特征融合和提取,设计了具有尺度独立卷积和分通道卷积功能的房颤识别模块SS-block并基于这一模块建立了房颤识别模型SS-Net,通过尺度独立卷积和分通道卷积,保留了信号的时域和频域位置信息,提高了房颤信号的识别率。最后,在MIT-BIH房颤数据库上对模型的有效性进行了验证,分别达到了99.16%的敏感度、99.15%的特异性以及99.15%的整体准确率。(2)针对SS-Net网络模型进行了可解释性研究。通过特征图可视化的方法,展示了SS-Net网络从低层到高层对信号提取特征从具体到抽象的过程。利用Grad-CAM方法,绘制了输入信号的热成像视图,并针对输入信号与传统二维卷积神经网络的不同,在频域和时域两个角度对SS-Net模型进行了可解释性分析。最后,进一步提出了sum-Grad-CAM方法,针对一维心电信号得出了类激活序列sum-Grad-CAM,对SS-Net模型进行了更为直观的可解释性展示。实验结果表明,SS-Net模型具有较好的可解释性。