心律失常是心血管疾病的一种,若不及时发现和预防,有可能突然发作而导致猝死。每年全世界死于心血管疾病的人数高达1700万,高于肿瘤和呼吸系统疾病死亡的人数。由于心律失常具有隐蔽性的特点,传统专业医生通过观察患者24小时的动态心电图(Holter)来诊断患者是否患有心律失常,医生在面对大量的心电图数据时会因为长时间的诊断而疲劳,有可能造成医生漏诊和误诊。因此,一种基于计算机的心律失常分类就显得非常重要,但是目前基于计算机的心律失常分类存在不足:一般心律失常分类模型提取到的心电信号特征不充分,分类准确率有待提高,而且,当一个训练好的分类模型遇到新增的训练数据时,难免要对整个分类模型进行重新训练,这样势必会消耗不必要的计算时间和资源。为了解决上述问题,本文主要研究的内容如下:1.搭建了一种基于CNN宽度学习系统(CNN-Based Broad Learning System,CNNBLS)的心律失常分类模型。该模型是一种快速高效的分类模型,相对于深度神经网络的众多超参数和多个隐含层,CNNBLS只有一层隐含层,没有复杂的超参数,能够对心律失常的心电信号进行快速高效地分类。本文首先采用小波阈值法对心电信号进行噪声滤除,然后进行心拍截取和心拍标准化,最后把预处理好的心电信号通过CNNBLS模型进行分类。在MIT-BIH心律失常数据库上通过对支持向量机(Support Vector Machine,SVM)、随机森林(Random forest,RF)、K最近邻(K-Nearest Neighbor,KNN)算法进行对比,CNNBLS取得了98%的总体准确率,均优于其他三种算法。2.搭建了一种CNNBLS增量学习的心律失常分类模型。由于遇到新增的训练数据,一般分类模型都要重新训练全部数据,而CNNBLS可以通过增量学习算法更新网络,该网络不需要对整个网络重新训练,只需对新增加的数据进行训练即可,节省了计算时间和资源。通过与其他分类模型进行实验对比,CNNBLS通过增量学习能够快速学习到新增加数据的特征,并且训练时间远低于其他分类模型,既保证了分类的实时性,又有较高的分类的准确率。