随着社会不断进步和生活压力的不断上升,心脏疾病已经成为威胁人类健康的重要因素。心电信号(ECG)表征了人体心脏的电活动,可以通过心电图直观展现出来,在心脏疾病发病前,心电信号中一般会出现相应的心律失常现象,因此,对心电信号进行识别分类研究,对心脏病的诊断和治疗具有重要的意义。由此许多专家和学者对心电信号的识别分类进行了大量研究。心电信号的识别分类通常包括心电信号采集、心电信号预处理、提取心电特征、设计识别分类器等步骤。心电信号常含干扰噪声,噪声的存在会影响后期心电信号特征点R波峰的准确检测,并影响对心电信号识别分类率,故心电信号的预处理是心电信号识别分类的关键步骤。针对现有的滤波算法并未考虑滤波后残留在心电信号中的噪声,本文根据心电信号与噪声在频率上区别,以MIT-BIH心律失常数据库中的信息为对象,首先对MIT-BIH心电数据库中的50Hz工频干扰设计有限冲击响应(FIR)陷波器进行滤波,对基线漂移采用中值滤波器进行滤除,对肌电干扰设计巴特沃斯低通滤波器进行滤波处理。为了保证残留在心电信号中的噪声有效滤除,在数字滤波后,又采用小波无偏风险估计阈值法对心电信号进行双重滤波,采用“db5”小波对心电信号进行3层系数分解,发现残留的噪声属于高频噪声,主要分布在小波细节系数上,采用无偏风险估计阈值对分解后的小波细节系数进行阈值处理,并重构心电信号,研究结果表明,本文采用双重滤波方法对心电信号滤波后,信噪比(SNR)、均方差(MSE)均有明显改善,取得了良好的滤波效果,且不会造成心电信号失真。针对现有的心电信号特征提取算法只能提取心电信号中的部分特征并不能完全表达心电特征信息,致使分类器不能对心电信号取得良好识别分类效果。在心电信号中所有特征信息完全保留在完整的心拍中,本文采用自适应差分阈值法准确检测R波峰,为防止随机尖峰的出现,适时改进动态自适应阈值,避免了R波峰的漏检和误检。采集数据库中五种常见类型心电信号(正常心电信号、左束支传导阻滞、右束支传导阻滞、室性早搏、起搏心跳)的心拍共106428组。近年,人工智能技术发展迅速,在生物医学工程领域的应用越来越广泛。本文采用人工智能中的深度学习算法对心电信号进行识别分类,以提高心电信号的识别率与实时监测。本文设计了深度置信神经网络(DBN)、卷积神经网络(CNN)、长短记忆神经网络(LSTM)、卷积循环神经网络(CRNN)等四种深度神经网络对MIT-BIH心电数据库中的五种常见的心电信号(正常心电信号、左束支传导阻滞、右束支传导阻滞、室性早搏、起搏心跳)进行识别分类,首次将融合网络模型CRNN运用于心电信号的识别分类。本文采用一折“交叉验证法”训练和测试神经网络识别心电信号的性能,由MIT-BIH数据库中处理获得的106428组心拍被随机分为70000组训练样本和36428组测试样本。将训练组数据输入相应的神经网络中训练,待网络误差达到预设误差值时,网络训练结束。测试各神经网络对心电信号识别效率,结果显示,四种深度神经网络对心电信号的总体识别率都达到了95%以上,表明四种深度神经网络对心电信号的识别分类具有良好的性能,其中尤以CRNN对心电信号的识别效果最好,总体识别率达到98.81%,其泛化能力和收敛性均较好。通过对CRNN的层数对识别率的影响的分析和讨论,结果表明其网络层数不是越深越好,需要选择一个合理的层数使网络易训练易收敛,且识别分类效果最好。CRNN等深度学习算法能够很好应用于心电信号的自动识别分类。