由于高发病率和死亡率,心血管疾病对人类健康造成了严重的威胁。心电信号被广泛用于衡量心脏的健康状况,为心血管疾病的诊断和治疗提供了丰富的信Puromycin纯度息,而心电图是标准的记录心脏活动的工具,在目前的心律失常诊断上应用最为广泛。目前针对心电图中的时间序列信号处理通常着眼于当前时刻以检测患者可能遭受的心律失常,其缺乏对即将发生的心电信号异常的早期预测的关注,这就需要一种自动的心律失常预测算法来为医生提供超前的辅助决策支持。本文以提高心律失常预测准确率为目的,研究的重点内容如下:首先为了能够在有效地提取心电信号特征的同时降低模型的复杂度和计算量,研究了基于堆叠长短期记忆网络的心律失常预测方法。该方法充分利用了长短期记忆网络计算量小,速度快的特性,整个网络结构采用了两层堆叠,每层20个单元对心电信号波形提取特征,并选取Softmax函数完成心律失常预测。该方法在公共数据集MIT-BIH上取得了97.2%的总体预测准确率。其次由于传统预测模型是针对单步时间序列预测建立的,只适用于短期决策问题。为实现对复杂的心律失常的有效监测,还需要对心电信号序列做多步预测。但将较长的时间序列信号采用单一的神经网络模型进行多步预测时,预测的误差将随着预测步长而增获悉更多加,导致预测结果与原序列存在较大误差。针对这个问题,提出一个基于自动编码器的心律失常预测方法。该方法是由两层长短期记忆神经网络组成。首个神经网络层作为编码器层,对预处理后的心电信号进行特征提取并编码;第二个神经网络层作为解码器层,通过解码得到后续时刻的心电信号特征,然后使用Softmax分类器实现心律失常预测。本文在公共数据集MIT-BIH上的实验结果表明,该方法有效地提高了各类型心律失常的预测准确率,总体预测准确率达到97.9%。最后由于相对于网络规模较大的神经网络而言,心电信号的数据量相对较小,故容易出现过拟合的现象,即训练集的准确率较高,而测试集的准确率较低,调参无法改善准确率。针对这个问题,提出加入DropouQuantitative Assayst机制的心律失常预测方法。该方法通过加入Dropout机制模块实现对神经单元进行随机概率失活,有效解决了过拟合问题,完成心律失常预测高正确率的目标。本文在公共数据集MIT-BIH上的实验结果表明,所述方法采用嵌入Dropout机制模块的方式使心律失常总体预测准确率达到了98.4%,与原先堆叠长短期记忆网络模型的心律失常预测算法相比准确率提高了1.2%。