心房颤动是一种常见的快速性心律失常,随着全球人口老龄化和平均预期寿命的延长,心房颤动的患病率和发病率不断增加,已经成为了一种全球流行病,是一项重大的公共卫生问题。在人工智能和大数据技术快速发展的时代,用计算机辅助甚至替代人工分析心电信号是一项有重要意义的工作。为了解决现有技术在高噪声的短时心电信号识别任务中面临的心房颤动特征难以识别的问题,以及在复杂的长时心电信号识别任务中面临的心房颤动检出率较低的问题,本文对基于深度学习的心房颤动自动识别技术进行研究,并针对以上问题提出了两种心房颤动识别模型,对心房Bioactive Cryptides颤动的早期干预及避免疾病的进一步恶化具有重要意义。本文的主要研究内容如下:(1)针对具有高噪声的短时心电信号识别任务中面临的心房颤动特征难以识别的问题,提出了一种基于多尺度残差收缩网络的心房颤动识别模型。心电信号中通常含有许多噪声,而神经网络对噪声十分敏感,噪声的存在会影响模型的识别准确率。为减少噪声对神经网络的影响,并简化心电信号预处理的流程,本文构建了多尺度阈值去噪模块,实现了神经网络中的阈值去噪任务。首先,通过全局注意力机制获取阈值;然后,通过全局注意力和局部注意力机制构建多尺度注意力模块提取多尺度特征;最后,利用获取的阈值和Garrote阈值函数对多尺度特征进行去噪。另外,还采用了自适应合成采样算法对数据集进行过采样,通过生成新样本实现类别平衡,缓解了神经网络中的过拟合问题。该方法在Physio Net 2017短时心房颤动数据集上进行了实验和验证,提高了短时心房颤动信号识别的准确率。(2)针对具有复杂特征的长时心电信号识别任务中面临的心房颤动检出率较低的问题,提出了一种基于深度残差胶囊网络的心房颤动识别模型。心电信号是一种具有复杂细节特征的波形,且波形间具有很高的相似度,胶囊神经网络考虑到了特征之间的相对空间关系,可以分辨出心电信号中的复杂波形。首先,本文设计了两种结构的残差神经网络对心电信号的特征进行提取;然后,通过胶囊神经网络将提取到的特征重塑为低层向量胶囊;最后,使用胶囊间的动态路由算法将低层向量胶囊变换BMN 673半抑制浓度为高层向量胶囊,并根据胶囊的长度预测心房颤动的发生。该方法在MIT-BIH长时心房颤动数据集上进行了实验和验证,提高了长时心房颤动信号识别的准确率。本文研究了基于深度学习的心房颤动识别方法,并针对不同的应用场景提出了不同的心房颤动识别模型,提高了VP-16浓度长时和短时心房颤动信号识别的准确率,为便携式心脏监护设备的研究提供了理论基础。