人口老龄化、心血管病危险因素水平和医疗质量是影响我国心血管病流行规模和趋势的直接因素。临床常用的心电图检测手段需要专业人员的检查与解释,心电图自动分析技术能够为非专业人员进行院外诊断提供可能。基于机器的心电图自动分析技术能够辅助医生诊断,减轻医护人员工作负担,缓解医疗资源不足的困境,同时也能够通过网络提高偏远地区的心电图诊断质量,改善我国医疗资源不均衡的现状。本研究对包括房颤、一度房室传导阻滞、房早、室早、左、右束支传导阻滞和左、右心室高电压八类临床常见的症状通过12导联静态心电图实现检测。根据这些病症临床诊断标准,本研究将八类病症分为节律性异常和形态异常两大类,研究内容以此结构开展。常见的节律性异常主要包括房颤、一度房室传导阻滞、房早和室早。相关病症的临床诊断主要基于心电图心拍间诸如PP间期、RR间期、心率等特征的提取。本研究对心电数据进行预处理,通过QRS波检测与分组、主心拍的选择、早搏的判别以及P波F波的检测等一系列处理最终将心电信号按照心拍完成分割,并结合临床诊断标准提取了12个新的人工特征表征心电图的节律性信息。本研究基于12个人工特征,采用XGBoost的机器学习方法对房颤和一度房室传导阻滞进行分类,对房早和室早采用了阈值方法进行分类,最后将所有模型在MUSE数据库的独立验证集上进行验证分别得到0.98、0.95、0.80、0.94的F1得分。同时在FCEIC比赛中采用相同结构进行训练验证,证明该方法的有效性。形态异常主要包括左、右束支传导阻滞和左、右心室高电压。这四种病症在临床上主要基于QRS波形态变化以及所在的导联进行诊断。为了排除干扰,更好地表征心电图形态学信息,本研究基于之前预处理的结果,将主心拍叠加进行了中值波形的提取。中值波形能够有效减少因为异常值引起的整体形态诊断的错误。基于中值波形,本研究提出了新的包含四个基础模块的卷积神经网络对病症分别训练。同时为了提高对左束支传导阻滞的识别准确率,融合了电轴特征进行模型分类。本研究在MUSE独立数据库上进行验证分别得到了0.98、0.96、0.86、0.90的F1得分,且与多标签分类模型进行了对比,效果更好。本研究的方法在FCEIC上也进行了部分验证,效果可靠。基于对心电图自动分析算法的应用场景分析,算法模型需要尽可能结构简单,参数尽量少以保证移植的轻便性与可靠性。同时对于不同采集设备和被采集人员的个体差异,临床应用希望算法具有更高的鲁棒性。基于以上分析,本研究算法与CPSC比赛中开源的其他算法分别在MUSE数据库独立验证集和CPSC数据库上进行分别验证,通过跨数据库的方式模拟个体和采集设备的差异,对所有数据进行无训练结果对比。最终证明本研究算法在整体上跨数据库表现更可靠,稳定性更高。本研究首次对节律性和形态异常进行分别开发,能够保证对节律性特征的识别更可靠,同时通过添加新的12个人工特征可以有效提高节律性异常的识别准确性。结合临床应用场景本研究进行了跨数据库对比,证明本研究在模型稳定性以及泛化能力上更强,具备鲁棒性。结合本研究更轻便的模型设计,保证了临床应用更高的可能性。