心血管疾病长期以来一直对人类健康造成了巨大的威胁，而心电图(ECG)有效的帮助了心血管疾病的诊断，在医生的诊断过程中起着无可替代的作用。据悉培养一个成熟的心电图专家需要花费数十年的时间，并且在医生的诊断过程中，阅读每一张心电图也需要耗费几十分钟，而长时间的阅片很容易造成误判。随着近年来大数据和人工智能技术的快速发展，利用AI帮助医生进行辅助诊断已经成为了必然趋势。
　　当前有关心电图辅助诊断的研究基本是针对短时静态十二导联的，而对于一些突发性或阵发性的心血管疾病，短时静态十二导联无法做到有效的诊断和实时预警，所以本文基于现状，设计了一个针对长时动态单导心电图完整的处理流程，包括对原始数据的预处理以及自动分类算法，同时实现了相应系统，为医生和患者提供了极大的便利。具体来说，本文的研究工作可以分为以下几个部分：
　　(1)本文针对采集的原始长时动态单导心电信号噪声大、质量层次不齐以及形式各异的特点，提出了完整的预处理流程。使用小波变换的方法去除信号中的运动伪差，然后对信号进行标准化处理，最后通过卷积神经网络对信号质量进行分析，筛选出质量不合格的信号，同时针对本文使用的临床数据集进行了数据平衡的操作。
　　(2)本文提出了基于双向长短期记忆网络和注意机制的动态心电图分类算法，使用CliqueNet作为模型的主体结构，通过对特征图进行复用有效的提高了整个网络的的表征学习能力，由于心电信号本质是一维时序数据，该模型有效的结合了卷积神经网络和循环神经网络的优点对心电数据进行处理，最后通过添加注意机制来重点关注那些贡献度更大的区域。
　　(3)将训练好的模型部署到心电云平台上，实现了患者的自助检测功能和医生的辅助诊断功能。