針對日趨增長的心電圖數(shù)據(jù)分析需求，提種新的心電圖分類算法。首先對原始數(shù)據(jù)進(jìn)行截?cái)喙潭ㄩL度、樣本均衡、求取信號的瞬時(shí)頻率和光譜熵等預(yù)處理操作，數(shù)據(jù)經(jīng)過預(yù)處理后模型能夠更妤地從其中提取特征進(jìn)行學(xué)習(xí);在訓(xùn)練過程中采用兩個(gè)雙向LSIM（ BILSIM）網(wǎng)絡(luò)堆疊組成的模型，堆疊式的雙向LSTM（ BILSIM）模型是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，相較于卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)更加適合用來處理像心電圖這樣的序列數(shù)據(jù)。該模型在 Windows下的 MATLAH2018b上進(jìn)行訓(xùn)練和測試，CUDA版本為9.0，采用分類準(zhǔn)確率作為衡量模型性能的指標(biāo)在兩個(gè)數(shù)據(jù)集上進(jìn)行了測試，一個(gè)是2017年生理信號挑戰(zhàn)賽的數(shù)據(jù)（下文簡稱2017數(shù)括集），該模型在此數(shù)據(jù)集上最終分類準(zhǔn)確率為97.4%;另一個(gè)是2018年生理信號挑戰(zhàn)賽的數(shù)據(jù)（下文簡稱2018數(shù)據(jù)集），最終的分類準(zhǔn)確率為η.6%，并在所屬的 MATLAB組獲得了第三名的成績。該算法與傳統(tǒng)LSTM網(wǎng)絡(luò)的結(jié)果相比，在2017數(shù)據(jù)集上提升了5.6%的準(zhǔn)確率，在2018數(shù)據(jù)集上提升了7.6%的準(zhǔn)確率;與單層的雙向STM網(wǎng)絡(luò)的結(jié)果相比，在2017數(shù)據(jù)集上提升了4.2%的準(zhǔn)確率，在2018數(shù)據(jù)集上提升了5.7%的準(zhǔn)確率，這充分驗(yàn)證了該算法的可行性和優(yōu)勢。