下壁心肌梗死是一種病死率高的急性缺血性心臟病，易誘發惡性心律失常、心率衰竭、心源性休克等危及生命的并發癥。因而，開展對下壁心肌梗死準確高效的早期診斷研究具有重要的臨床價值。心電圖是早期診斷下壁心肌梗死最敏感的手段。本文提出了一種基于密集連接卷積神經網絡的下壁心肌梗死檢測方法。該方法將Ⅱ、Ⅲ和 aVF 導聯的原始心電信號串接數據作為模型的輸入，利用卷積層的尺度不變性提取心電信號中具有魯棒性的特征，并通過不同層間密集連接的方式加強了心電信號特征的傳遞，使得網絡能夠自動學習心電信號中魯棒性強且辨識度高的有效特征，從而實現下壁心肌梗死的準確檢測。本文還采用德國國家計量學研究所診斷公共心電數據庫進行驗證，本文模型的準確率、敏感性和特異性分別達到了 99.95%、100% 和 99.90%。在含有噪聲的情況下，模型的準確率、敏感性和特異性也均超過 99%。基于本文研究結果，期望今后可在臨床環境中引入本文方法，以幫助醫生快速診斷下壁心肌梗死。
ST段的形態變化和心血管疾病息息相關，不僅能表征不同的疾病，并且能夠預示患病的嚴重程度。但ST段持續時間短、能量低、形態多變并且受到多種噪聲的干擾，導致ST段形態分類成為一個難題。本文針對目前ST段形態分類存在的特征提取單一、分類準確率低等問題，利用ST曲面的梯度來提高ST段形態多分類的精度。本文對正常、上斜型抬高、弓背型抬高、水平型壓低、弓背型壓低五種ST段形態進行識別，首先根據QRS波群位置及醫學統計規律選定一個ST段候選段，其次提取ST段面積、均值、與參考基線差值、斜率、均方差特征。此外，將ST段轉換成曲面，提取ST曲面的梯度特征，與形態學特征組成特征向量，最后使用支持向量機分類，進而實現ST段形態多分類。采用麻省理工學院-貝斯以色列醫院數據庫（MITDB）和歐盟ST-T數據庫（EDB）為數據來源對本文算法進行驗證，結果顯示，本文算法在ST段識別過程中分別達到了97.79%和95.60%的平均準確率。基于本文研究結果，期望今后可在臨床環境中引入本文方法，為臨床中心血管疾病的診斷提供形態指導，提高診斷效率。