以心律不齐为代表的心血管疾病已经成为全球范围内最常见的死亡原因之一,对心律不齐进行快速且准确的诊断成为一项具有重要意义的研究课题。随着动态心电图技术的发展和人们健康意识的提高,心电图信号的数量和诊断需求急剧增大,完全依靠医生诊断变得不切实际,由此产生了计算机辅助诊断技术。目前比较流行的诊断技术主要基于传统机器学习方法,需要先对信号进行预处理、分段、特征提取,再选择一种分类器进行诊断。由于心电信号的种类繁多,因此特征工程和模型设计的难度比较大,对人力投入和时间成本要求较高,极大提高了计算机辅助技术的推广门槛。为了提高心律不齐诊断的精度和效率,本文利用深度学习在特征提取上的优势,构建了基于深度神经网络的端到端诊断框架;由于深度学习依赖充足的数据,针对数据量不充足的情况,本文对基于传统机器学习的诊断系统进行改进,提出了分层诊断架构。对于端到端诊断算法,由于在心电图信号中,以P波、QRS波群、T波等为代表的空间特征具有重要的诊断意义,因此采用卷积神经网络来对心电图信号进行诊断。对于分层诊断算法,舍弃了传统系统中对所有类别采用相同特征工程和单一分类器的思路,通过设计多层特征提取和分类模块,使得每层模型需要学习的心律不齐类别大大减少,极大降低了模型的学习难度。此外,为了降低在模型超参数选择上的人力和时间消耗,本文提出了基于深度强化学习的超参数调优机制,以获得具有最佳诊断性能的模型。通过两种诊断技术的结合,在数据量足够的情况下,通过利用深度神经网络的特征提取能力,极大降低了心律不齐诊断对人力和时间的要求;在数据量不够的情况下,通过结合多种分类器,降低了对特征提取和分类模型学习能力的要求,显著提高了诊断精度。本文的主要工作和贡献如下:·提出了基于深度卷积神经网络的端到端诊断模型,在数据量足够的情况下,可以隐式地完成特征提取和分类工作,显著降低了心律不齐诊断在特征选择和提取上对人力资源的要求。·针对数据量不充足的情况,提出了分层诊断模型,通过构建多层特征提取和诊断模块,将一个n分类问题转化为多个mi分类问题(其中,n≥mi,i为分层架构第i层),极大降低了传统计算机诊断技术对特征提取和诊断模型学习能力的要求,使得每种模型可以更专注于学习少量的病症特征。·提出了基于深度强化学习的超参数调优机制,可以在反馈函数(即模型诊断性能)的引导下快速学习最优超参数配置,极大降低了超参数选择中人力资源和时间资源的开销,同时弥补了研究人员在超参数调优经验上的不足。·实现了包含深度诊断网络和超参数调优机制的端到端诊断框架,并在公开数据集上对端到端诊断框架进行检验,实验证明在同等条件下,端到端诊断框架的诊断精度显著高于传统机器学习方法,且经过超参数调优的模型性能显著高于平均水平。·实现了包含多层诊断模型和超参数调优机制的分层诊断架构,并在公开数据集上进行了实验,结果表明在数据量不充足的情况下,分层诊断架构的诊断效果优于端到端诊断框架,同时也证明了超参数调优框架的有效性。心电图诊断是心律不齐检测中一项非常重要的手段,随着人们健康意识的提高和心电图技术的普及,快速高效地进行诊断显得越来越重要。本文分别针对数据量充足和数据量不足的情况,提出了端到端诊断框架和分层诊断架构,并针对诊断模型复杂的超参数调优问题,设计了基于深度强化学习的调优框架。希望本文的工作可以给心电图诊断在学术界的研究或者工业界的应用带来新的思路,为普及心电图诊断技术做出贡献。