目前,心肌缺血疾病已经严重影响了国民健康,发病率在逐年升高并伴有年轻化的趋势,因此在发病初期检测预防心肌缺血有重要的意义。临床上常用心电图检查心肌缺血的状况,但该方法对医务人员的水平要求较高而且诊断效率不高。借助信息科学技术,已有大量方法将心电信号分析转为静态模式建模与识别来研究,但心电信号本质上是由复杂非线性动力学系统产生的非平稳信号,仅从时域或频域等提取有限静态特征参量难以全面描述其动态变化特性。确定学习理论突破了现有方法仅提取信号时频特征或统计特征的局限,在满足持续激励的条件下,利用径向基神经网络对心电图连续周期中ST-T段微小变异性进行局部准确建模,并将建模结果提取动力学特征后通过三维可视化得到心电动力学图。它反映了心脏复极化运动过程中电信号在时间和空间上的变化,提供了信号本身难以提供的敏感特征信息。经过大量实验分析发现,心电动力学图的三维形态与心肌缺血存在某种关联。为了探索这种关系,本文在不通过人工提取特征的情况下,提出了一个卷积和长短时记忆循环神经网络级联的深度学习模型,通过对心电动力学图分类来判断心肌缺血阳性或阴性。在合作医院进行临床实验,纳入疑似冠心病且经过冠脉造影检查患者为研究对象,以冠脉造影结果作为检测的标准,实验结果表明该模型对检测心肌缺血的准确度为89.0%,敏感度为91.7%,特异度为81.5%。由于该方法基于标准的12导联心电图,具有非侵入性、方便和成本低的优点,有望在临床环境中实现缺血性心脏病的早期检测。在实验室前期工作的基础上,本文提出了远程心肌缺血诊断系统的体系结构,根据Hadoop框架的特点对各个层次的功能进行了分析及实现。该系统包括电子病历共享存储、确定学习算法的分布式实现和深度学习对心肌缺血的分类识别以及Web系统辅助医生诊断三大功能,为构建心肌缺血科研数据中心奠定基础。医生及用户通过浏览器就可以使用系统的各种功能,远程实现心肌缺血早期诊断以及病历数据管理工作,从而显著提高了诊断效率。