心电图(ECG)是一种广泛用于反映心脏状况的无创检测方法,通过ECG可以进一步了解心脏状况和诊断各种心脏疾病,仔细检查其行为对于检测心律失常是必不可少的,基于深度学习的ECG分类方法可以为心脏病专家提供有效的解决方案,提高诊断准确性的同时节省诊断时间。本文主要研究内容包括:(1)ECG信号预处理:通过小波阈值方法对ECG信号进行去噪操作,小波基函数选取对称紧支双正交小波bior3.7,分解层数确定为9层,前4层阈值选择改进自适应阈值,阈值函数选择改进阈值函数,5-8层不做阈值化操作,第9层小波系数置零,对去噪后ECG信号进行心拍检测和分割,识别心拍特征点当前心拍P波开始、当前心拍R峰和当前心拍T波结束,将P波的开始至当前心拍T波的结束作为一个心拍分割区间进行分割,从而完成心拍划分。(2)ECG信号的特征提取与分类:遵循美国医疗仪器促进协会(AAMI)标准,构建基于判别式深度置信网络(DDBNs)的心拍分类模型,DDBNs由三层受限玻尔兹曼机(RBM)堆叠而成,前两层使用生成受限玻尔兹曼机(GRBM)提取心拍形态特征,然后结合RR间期特征通过第三层判别式受限玻尔兹曼机(DRBM)进行心拍分类,最后在DDBNs网络模型顶层添加符合AAMI标准四类心拍(N,S,V和F)输出的Softmax回归层形成DNN分类器,再通过反向传播(BP)对DNN的参数进行微调,优化DDBNs网络模型分类性能。(3)结合主动学习微调:设计结合主动学习(AL)和DDBNs的分类模型,使用基于概率的断裂带(BT)算法作为采样策略,使用最大规则与迭代后的DNN进行融合再对心拍重新分类,实现减少训练集的同时仍可以提升分类效果。本文选择美国麻省理工学院提供的心律失常数据库(MIT-BIH)作为ECG信号的数据来源,分类标准遵循AAMI标准,对不同DDBNs结构、BP微调前后和结合AL前后进行实验对比和性能评估,获得的实验结果表明本文所提出结合DDBNs和主动学习的心电分类方法相比其他算法的优越性。