心房颤动简称房颤,是最常见的持续性心律失常之一,我国现有患者已高达800万人。心电图作为监测心脏病的最直接最有效的诊断依据,在早期发现、持续检测等方面具有巨大的优势。依托人工智能技术的发展和远程云医疗模式的普及,研究基于体表心电图的房颤检测算法对心血管疾病自动分析系统的建设具有重要的意义。房颤的检测研究方向大致可以分为两点,其一是基于特征联合的检测方法,其二是基于神经网络的无监督方法,然而不论是特征检测方式还是无监督方式都存在不足之处。特征联合检测方式对特征质量要求极高,无监督检测方式需要大量标注样本进行训练,对检测模型和医疗平台的处理性能要求高。针对该问题,本文提出了心电图波形智能识别算法和基于长短时记忆神经网络(Long Short-term Memory Networks,LSTM)的房颤检测机制。首先,从心电产生机理和房颤发作特征两方面分析了房颤的心电图特点;然后采用联合小波变换与差分修正的方法定位心电信号的波形基准点;最后采用长短时记忆神经网络作为分类器来识别房颤。论文的主要研究内容如下:(1)详细分析了心电信号的产生机理和体表采集信号的噪声特点。针对传统常见降噪算法会导致心电信号在去噪过程中细节波形受损的问题,设计了基于非凸惩罚项的稀疏重构降噪算法。通过在MIT-BIH Arrhythmia数据库中进行实验对比,证明了使用非凸惩罚项可以有效降低波形细节的损失,与小波变换等降噪算法相比可以更好的保存心电信号中的有效信息。(2)论文详细研究了心电信号中P波起始点特性,提出了联合小波变换与差分修正的波形检测算法。考虑到P波基准点定位易受噪声影响产生偏移问题,通过设定P波初始信标节点,在检测窗口内实行联合检测机制,修正基准点偏移所造成的误差。在QT数据库进行验证,P波基准点检测灵敏度和特异性分别达到了99.12%和91.14%。(3)论文详细研究和分析了波形对房颤检测的影响,设计并优化了LSTM网络作为检测分类器。利用RR间期和P波状态对房颤表述的紧关联性,构建以RR间期和P波为输入的双向记忆神经网络,利用MIT-BIH Atrial Fibrillation数据库进行实验测试,检测精度达到了92.44%,优于其他检测算法。本文在波形识别和房颤检测两方面开展了相关研究,均取得了较为满意的检测效果。