心脏性猝死具有突发性、高发病率和高致死率的特点,是心血管领域关注的热点问题。在远程医疗背景下,动态心电监护是心脏性猝死预测的有效方法。心脏性猝死发生前,动态心电图的Q-T形态和间期时常伴有异常改变,从而使Q-T段的识别和分析成为了心脏性猝死早期预测的关键。其中T波信号微弱,易受噪声干扰,而且形态多变,因此在远程医疗背景下心脏性猝死预测的研究中,心电信号降噪和T波检测逐渐成为研究的重点和难点。本文考虑人体个体差异特征,以及远程医疗背景下信号噪声多、干扰大等因素,利用远程医疗背景下心电信号具有大数据特征的优势,引入深度学习,研究心电信号降噪和T波自动检测算法。主要工作如下:(1)心电信号中部分噪声的频谱和主要信号频谱存在重叠现象,传统的降噪方法很难将其滤除干净。为此,本文利用远程医疗背景下心电信号具有大数据特征的优势,提出了基于降噪自动编码器构建深度神经网络的心电信号降噪算法。通过堆叠多个降噪自动编码器,可以抽象输入信号的深层次特征。利用降噪自动编码器提取信号鲁棒性特征的能力,完成从含噪声信号中重构原始信号的得任务。基于心电信号之间的相似性构建训练数据,调整网络参数,使得构建的神经网络完成心电信号降噪。(2)针对基于降噪自动编码器的心电信号降噪算法中,部分降噪信中含有的锯齿状噪声残留情况,采用小波自适应阈值和压缩降噪自动编码器优化降噪模型。通过在损失函数中增加隐含层输出信号对输入信号雅可比矩阵的Frobenius范数平方项,来抑制网络隐含层过大变动对输出的影响,从而提高了网络降噪的性能。同时,小波自适应阈值法滤除部分噪声,使得较低的样本维度可以包含尽量全面的信号和噪声特征,进而降低网络各层的节点数,简化算法的计算复杂度。(3)现有T波检测算法中,T波形态检测和特征点检测之间是互相影响的,如果得知T波形态就可以提高T波的关键特征点检测精度,但是不知道T波关键特征点的信息又无法判断T波形态。为了解决T波形态检测和特征点检测之间的矛盾关系,本文考虑人体作为复杂的生物体具有个体差异的基本特征,提出了基于形态指导的T波自动检测算法,采用稀疏自动编码器提取T波形态特征,并将其分为单峰直立、单峰倒置、负正双向和正负双向四种类型。随后,根据每一类T波形态的特征,采用倾斜高斯函数进行数学建模。通过分析模板和T波段的相关性,实现T波的特征点检测。为了验证本文的研究成果,将所提的心电信号降噪算法和T波自动检测算法应用于所在科研团队自主研发的智慧心电监测平台中。经过实际采集的心电信号测试表明,本文提出的心电信号降噪算法可以在滤除复杂噪声的同时保持心电信号的主要特征波形。并且,本文提出的基于形态指导的倾斜高斯模板算法,实现了自动检测T波峰值和终点值。研究成果大大提高了远程医疗环境下心电监测系统的智能性。