心电图反应了人体心脏电位的变化,是心血管疾病临床诊断中应用最广泛的技术手段之一,其中第一导联心电图因其极大的便捷性和科学性,受到了越来越多人的关注。针对心电图的分类问题,算法流程往往包括四个步骤:信号预处理、心拍分割、特征提取和分类识别,现有的算法将心电图分类中的心拍分类问题与整段信号分类问题区别开来,且分类的准确率也有待提高。针对第一导联心电图的心拍分类问题,本文提出了一种基于深度卷积神经网络的心拍分类算法,设计了适用于单导联心电图信号的一维卷积神经网络,最终的网络结构具有层数多、卷积核尺度多样、参数量小等特点,分类算法速度较快,能达到实时的性能。在INCART数据库上进行心拍分类实验,实验结果表明,所采用的算法可以对第一导联心电图心拍进行很好的分类,证明了本算法的效力和效率,其性能可进一步应用于可穿戴设备和远程监控领域。本文还针对第一导联心电图整段信号的分类问题,设计了融合心拍特征的心电图整段信号分类卷积神经网络,称为Heartbeat Fusion CNN,简称HF-CNN。该网络是在基于心电图整段信号的卷积神经网络CNN1和基于心拍的卷积神经网络CNN2的基础上,将CNN2中的心拍中间层特征融合到CNN1整段信号的分类网络中去构造而成的。在CCDD数据库上的实验结果表明,心拍特征能够有效增强心电图信号特征,该算法与其他算法相比在性能上相比有了明显的提高,达到了很好的分类结果。