当代社会,人们普遍经受着吸烟酗酒、作息失调、运动缺乏、饮食结构不合理以及工作生活压力大等不良生活习惯和精神压力的双重影响,致使罹患心血管疾病的人群日益增多。而心律失常,做为心血管疾病中的典型病症,有着发病率和复发率高的特点,其通常需要心脏内科医生观察患者连续48小时动态心电图来确诊。不仅医生诊断心律失常耗力费时,而且我国广大农村还面临着医疗资源短缺的局面,心律失常诊疗困难重重。因此心律失常计算机辅助诊断系统的开发必不可少。目前,研究人员贡献了多种用心电图实现心律失常分类的算法,然而此类算法仍有部分缺陷亟待改进:首先,现有多数算法对含噪心拍分类准确率低或缺少在含噪声数据集的实验,反映了其方法噪声鲁棒性差。而增添额外的心拍去噪步骤,不仅使分类算法繁琐,不合理的去噪算法还会损失心拍的细节特征,对分类精度的提升有限。其次,不平衡心电数据集的分类加大了预测建模的难度。鉴于心律异常类别缺乏足够的数据,分类器对稀genetic evolution疏心拍样本的刻画能力较差,使分类器学习到的分类边界往往倾向于心律正常类,导致分类边界的偏移和分类性能的降低。为解决前述问题,本文开展了如下研究:(1)搭建了一种基于多尺度多分支卷积神经网络和极限学习机的心律失常分类算法(MBMS-CNN-ELM)。针对心拍前后文关联性特征提取不充分的问题,首先,网络应用了多个有不同卷积扩LGX818体内张率的空洞卷积,其扩大了感受野并从中提取了心拍的前后文关联性特征。其次,网络采用了多个不同尺寸的卷积核并联结构,能够同时关注到心拍的细节特征和全局特征,学习充足的多尺度心拍信息。最后,针对Softmax分类器泛化性能差导致的分类精度低的问题,应用极限学习机分类器对网络提取的特征进行分类。极限学习机的输出层特征权重是经由广义逆矩阵理论求解得到,其泛化能力强、训练参数少,并比前馈神经网络有着更加趋近全局最优的能力。多种不同特征提取与分类器算法对照实验表明,MBMS-CNN-ELM算法有较优的分类精度,并在MIT-BIH心律失常数据库AAMI标准五分类实验中达到了99.3%的总体准确率。(2)搭建了一种基于双分支渐进学习策略的卷积块注意力机制与残差神经网络(CBAM-ResNet)相结合的心律失常分类算法。首先,针对模型噪声宽容度低的问题,网络将卷积块注意力机制嵌入残差神经网络构成ResNet-CBAM Block作为心拍特征提取的主干模块。卷积块注意力机制序列化地在通道和空间两个维度上生成注意力特征矩阵,使网络自适应强化各通道和位置上的心拍关键特征并抑制无用噪声信息。其次,针对心律异常类心拍数远少于心律正常类心拍数导致的模型对心律异常类心拍分类性能差的问题,网络的训练采用了双分支渐进学习策略。训练初始阶段,适配器分配给常规学习分支更大的权重,模型学习到整体心电数据集的通用特征。随着迭代周期递增,适配器分配给再平衡分支的权重增加,模型逐步侧重于心律异常类特征的学习。最后,进行两分购买PLX4032支特征聚合并应用基于交叉熵带权重的损失函数计算损失。本模型在MIT-BIH心律失常数据库AAMI标准五分类下的准确率提升至99.47%,并通过消融实验、噪声鲁棒性实验、抗不平衡数据鲁棒性实验展现了在总体准确率、噪声宽容度和抗不平衡数据鲁棒性方面的优异性能。