心源性猝死(Sudden cardiac death,SCD)主要是由室性心律失常(如室颤)引起的,它具有突发性和高致死率,需要及时采取急救措施,如心肺复苏术和电击除颤。临床上对于容易发生SCD的高危患者,可以采用皮下植入式除颤器(Subcutaneous implantable defibrillator,S-ICD)进行长期治疗和预防,而对于院外突发的SCD患者,通常采用自动体外除颤器(Automatic external defibrillator,AED)进行急救。S-ICD植入简单,不侵入血管和接触心肌,能及时检测到室颤的发生并进行放电除颤,在临床上使用越来越广。但是,由于S-ICD放电能量较大,容易对心肌造成损伤,同时,S-ICD存在心电信号过度感知,不恰当放电的问题,对患者造成心理和生理上的痛苦。此外,对于除颤器而言,其核心的可电击心律检测算法至关重要,快速而准确的检测出可电击心律,确保早期除颤,提高心脏骤停的存活率。针对上述问题,本文进行了如下工作:1、提出了六种全新的S-ICD电极配置,对三个动物模型(猪)进行有限元建模,并通过SCIRun计算平台对不同配置下的除颤电场进行了仿真,对四个除颤性能指标进行了加权评估,得到了综合的除颤效能参数。该方法可以针对不同个体,对S-ICD的不同配置进行定量的评估,从而为S-ICD植入治疗提供了针对患者的个体化的术前规划。2、提出了基于BP神经网络模型的信号重构算法,利用患者体表的标准十二导联心电信号重构对应的S-ICD皮下的三导联心电感知信号,并通过数据库验证了算法的可行性。3、进行了基于机器学习的可电击心律检测方法研究,提取了心电信号的时、频域特征和复杂非线性特征,探索了多种机器学习分类器在本应用中的性能差异。对于每种机器学习算法,分别通过十折交叉验证方法在国际标准数据库上的进行训练和测试,对测试的结果的进行了分析,得出了支持向量机、K临近和随机森林这三种适合可电击心律检测的机器学习算法。4、首次提出了一种基于时频图的二维卷积神经网络模型用于可电击心律自动检测。通过十折交叉法在国际标准数据库上验证了算法的性能,该算法准确率98.82%,灵敏度95.05%和特异性99.43%,其性能远高于美国心脏协会提出的90%的灵敏度和95%的特异性标准,因此可能具有提供临床上可电击心律检测的潜力。本文对S-ICD进行术前个体化的优化,同时将机器学习和深度学习方法用于开发除颤器的可电击心律检测算法,取得了良好的效果,有效提高了除颤器的除颤效率。受限于本研究的时间以及数据量,本文只做了初步的探讨和分析,结果和结论有待于将来进一步开展动物实验测试和统计评估论证。