心血管疾病是威胁人类生命健康的重要疾病之一,其患病率和死亡率呈逐年上升趋势。80%以上心血管病人伴随并发性心律失常现象,而心律失常是诱发心脏病和心脏猝死的一个高危风险因素。因此,对心律失常进行及时准确的检测,对于心脏病和心脏猝死早期预防及干预均具有重要的研究意义。心电图作为心律失常诊断的重要手段,目前常见的心律失常自动检测方法大多基于心电信号的特征检测及提取,在处理分析信号质量欠佳的心电数据上心律失常诊断的准确性仍存在不足和难点。在处理长时心电数据时,计算效率是其最大的掣肘,无法满足移动医疗的实际需求。针对上述问题,本文研究了心律失常自动检测方法及高性能实现,主要工作内容和创新成果包括:(1)基于伪迹消除的心律失常自动检测方法。分析常见心律失常方法分析处理高噪声的动态心电数据过程中的不足,本文通过引入伪差识别机制,提出了基于伪差识别的心律失常自动检测方法,降低心律失常的误判风险。实验结果显示本文提出的基于伪迹消除的心律失常方法在房性早搏识别上优于其他同类竞争方法,能有效的检测出房性早搏。在室性早搏识别问题上,其室性早搏识别率与同类算法不相上下。但是,在可穿戴动态心电数据上,由于引入了伪迹消除机制,其心律失常分类性能更具竞争力。(2)基于深层卷积网络的房颤自动检测方法。由于短时心电数据不能提供足够丰富的节律信息,现有绝大多数心电自动检测方法处理穿戴式设备采集的短时心电数据时心律失常识别准确率低。本文基于单导联短时心电信号,提出了一种基于多尺度融合的深度卷积神经网络(MS-CNN)用于心律失常(房颤)检测。通过设计不同尺度的两路深层卷积网络拓扑,MS-CNN网络模型能够捕获心电数据的不同尺度特征,极大地提高了房颤检测准确率。(3)基于GPU的心律失常自动检测并行处理方法。针对现行心律失常检测方法在处理长时动态心电数据计算分析时间过长问题,本文分别基于服务器和移动设备的GPU提出了相应的心律失常自动检测并行处理方法。具体来讲:第一,针对服务器端研究了心律失常自动检测分析算法,分析算法时间复杂性,设计构架了新的心律失常自动检测算法流程以及并行了主要耗时算法步骤。同时基于CPU/GPU的多进程多计算流的并发编程范式,引入消息队列任务分配机制,实现了心律失常自动检测并发并行算法。第二,针对移动设备端研究了心律失常自动检测算法架构,通过调整工作组大小、数据向量化操作和零内存复制并行优化技术,实现了基于OpenCL并行框架的心律失常自动检测并行算法,使得计算效率大大提高以及能耗大幅度降低。