目前,心血管疾病的发病率越来越高,因心血管疾病死亡的人越来越多。在所有的心血管疾病中,室性早搏(PVC)最为常见,发病人数多,范围广,变异性大,严重影响人们的正常生活。心电图作为一种非侵入式的诊断方式,是判断患者是否患有心血管疾病的重要依据,但受到环境以及被测者运动、心理等因素的影响,检测到的心电信号(ECG)含有多种干扰,无法直接用于医学诊断。另外,为了更全面的掌握患者病情,需要进行长时间的监测,从而产生大量的心电数据,不适宜进行人工分类判断。因此,提高心电信号的去噪预处理和自动分类算法效率尤为重要。本文根据心电信号的特性,提出了一种模糊C均值深度信念网络结构来诊断室性早搏,具体研究内容如下:第一,提出了室性早搏心拍的筛选和截取滤波算法。该算法选用sym4小波在8个尺度上进行分解,用自适应阈值法进行心电信号去噪。综合考虑不同波形的能量和频率,在3、4、5尺度上重构小波信号凸显QRS波,标记R波,进而计算RR间期;根据RR间期的不均匀性,筛选出可能含有室性早搏的心拍;将筛选后的心拍自动截取为含有R波和T波的候选波段。预处理过程大幅缩减了心电数据量,从而可降低后续分类工作的强度。第二,采用深度信念网络生成特征向量,避免人为主观因素影响。利用由一层高斯-伯努利受限玻尔兹曼机(Gaussian-BernoulliRestricted Boltzmann machine,GBRBM)和多层伯努利-伯努利受限玻尔兹曼机(Bernoulli-BernoulliRestricted Boltzmann machine,BBRBM)组成的深度信念网络(Deep belief network,DBN),通过逐层训练生成特征向量。第三,用新的带有确认程度的隶属度的模糊C均值聚类算法(FCM)分类特征向量。FCM中加入确认程度,能减小异常点影响,得到更精确的聚类中心。修改FCM的目标函数,推导与隶属度相关的确认程度和聚类中心的迭代公式,实现室性早搏的诊断。本文用MIT-BIH心电数据库中的20组不同类型的心电数据验证算法,结果表明,本文所提出的模糊C均值深度信念网络算法精度高、稳定性强。