心律失常的自動檢測對于早期預防與診斷心血管疾病具有重要意義。傳統的心律失常診斷受限于專家知識，缺乏多維的特征表示能力，算法復雜，不適用于穿戴式心電監測設備。本研究提出基于自回歸移動平均（ARMA）模型擬合的特征提取方法，以不同類型心拍作為模型輸入，利用 ARMA 模型對心律失常信號以合適的階數進行系數擬合，完成心電特征提取，并將特征向量分別輸入支持向量機（SVM）與 K 近鄰分類器（KNN）進行心電自動分類。所提算法采用 MIT-BIH 心律失常數據庫與房顫數據庫為數據集進行驗證，結果表明：ARMA 模型擬合系數組成的特征工程結合支持向量機分類器得到查全率為 98.2%，查準率為 98.4%，F1 指數為 98.3%。該算法具有較高的性能，滿足臨床診斷需求，算法復雜度低，可采用低功耗嵌入式處理器進行實時運算，適用于穿戴式心電監測設備的實時預警。
心電圖（ECG）可直觀地反映人體心臟生理電活動，在心律失常檢測與分類領域中具有重要意義。針對ECG數據中類別不平衡對心律失常分類帶來的消極作用，本文提出一種用于不平衡ECG信號分類的嵌套長短時記憶網絡（NLSTM）模型。搭建NLSTM學習并記憶復雜信號中的時序特征，利用焦點損失函數（focal loss）降低易識別樣本的權重；然后采用殘差注意力機制（residual attention mechanism），根據各類別特征重要性修改已分配權值，解決樣本不平衡問題；再采用合成過采樣技術算法（SMOTE）對麻省理工學院與貝斯以色列醫院心律失常（MIT-BIH-AR）數據庫進行簡單的人工過采樣處理，進一步增加模型的分類準確率，最終應用MIT-BIH-AR數據庫對上述算法進行實驗驗證。實驗結果表明，所提方法能有效地解決ECG信號中樣本不平衡、特征不突出的問題，模型的總體準確率達到98.34%，較大地提升對少數類樣本的識別和分類效果，為心律失常輔助診斷提供可行的新方法。