人体心电信号能够客观反应心脏的健康状况与心血管相关疾病之间的关系,被广泛用于临床疾病诊断或预防。由于个体差异性,反映同一类心脏疾病的心电信号在不同患者身上的表现可能会有所不同,这种差异性往往需要经验丰富的医师才能做出准确判断,在医疗资源匮乏和缺少专业医生支持的前提下,就会导致误诊、漏诊现象发生。随着信息技术的发展,基于人工智能的计算机辅助诊断技术可以根据检测患者的心电信号对心血管相关疾病进行自动分类和预判,能显著提高疾病的诊断效率。因此,探寻一种提高心电信号分类准确率的方法一直是生物医学工程师们追求的目标。近年来,基于机器学习方法的心电异常分类算法提高了异常心电信号分类的准确率,但是传统机器学习框架需要先标定异常心电信号的特征,这种严重依赖人工特征的方法难以识别细微的异常信息,导致诊断结果的误判。而基于深度学习的异常心电信号的分类方法可以自主挖掘数据中隐藏的特征,实现心电异常的自动分类。本文在长短期记忆网络的基础上,采用一种双向长短期记忆网络的分类方法,对N、S、V、F四类心电信号实现准确的分类,总准确率能达到98.20%,相比一维卷积神经网络、长短期记忆网络分别提高了0.38%、1.58%。本文主要研究内容和工作包括:1)心电信号预处理。将MIT-BIH数据库按照美国医疗仪器促进协会(Association for the Advancement of Medical Instrumentation,AAMI)制定心律失常划分标准进行划分,然后对心电信号进行去噪,并进行QRS波定位和心拍截取,为模型提供合适的数据。2)基于双向长短期记忆网络模型(BiLSTM)的心电异常分类。利用混淆矩阵及由其衍生出的总准确率、准确率、精确率、召回率、特异度五个指标将BiLSTM、1D-CNN和LSTM的分类效果进行比较。结果表明:BiLSTM模型对心电异常分类的效果要优于其它两个模型。综上所述,本文使用BiLSTM模型进行心电异常分类的方法,可以自主挖掘心电数据中深层次的特征,且具有较高的准确度,为辅助医师进行心电异常判断具有一定的积极意义。