心血管疾病,又称为循环系统疾病,具有高患病率、高致残率和高死亡率等特点,被称为危害人类健康的“头号杀手”。心律失常是心血管疾病中一类重要的疾病,它可以突然发作而致猝死,亦可持续累及心脏而致其衰竭。心电信号是一系列能反映心脏活动的生物电信号,是诊断心律失常的一项重要指标。在临床诊断中,心电信号的观测主要通过心电图(Electrocardiogram,ECG)实现。心电信号具有幅值小、频率低等特性,容易受外界和人体自身的影响。此外,由于病人个体差异较大,心律失常种类繁多,以及医生对心电图的识读存在主观性等,传统的依靠专业医生对心电信号进行人工分析的方法既费时费力,又容易造成误诊漏诊。一种可靠、准确、快速的心律失常分类方法既可以极大地减轻医生的工作负荷,又可以提高心律失常诊断的效率和准确性,具有较高的实用价值和社会价值。本文基于长短期记忆网络(Long Short-Term Memory,LSTM),对心律失常分类进行了深入研究,主要研究内容包括:1.提出了一种利用深度学习模型LSTM进行心律失常分类的办法,实现了美国医疗仪器促进协会(Association for Advancement of Medical Instrumentation,AAMI)建议的N、S、V、F和Q五种心律失常的自动分类,并利用MIT-BIH心律失常标准数据库比较分析了LSTM、SVM、KNN、RF和BP五种模型的分类结果,验证了该方法的可行性和优势。2.研究了不同心电信号数据段长度对基于LSTM的心律失常分类的影响,结果表明:当长度取400到600个采样点之间时,LSTM的分类效果较好,其中取550个采样点时,达到最佳效果;当采样点过多时,分类效果迅速下降。3.通过比较LSTM与SVM、KNN、RF和BP在不同长度心电信号数据段上的5分类效果,发现心电信号数据段长度在350到650个采样点之间时,LSTM在分类准确率方面有明显优势;LSTM的分类性能受心电信号数据段长度影响较大,而对照算法的分类性能受长度影响较小。综上,本文提出的利用深度学习模型LSTM进行心律失常分类的方法,能够自动提取ECG中具有区分度的深层特征,从而有效实现心律失常分类,对相关临床应用具有一定的积极意义。