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)進行截斷固定長度、樣本均衡、求取信號的瞬時頻率和光譜熵等預處理操作，數(shù)據(jù)經(jīng)過預處理后模型能夠更妤地從其中提取特征進行學習;在訓練過程中采用兩個雙向LSIM（ BILSIM）網(wǎng)絡堆疊組成的模型，堆疊式的雙向LSTM（ BILSIM）模型是一種改進的循環(huán)神經(jīng)網(wǎng)絡模型，相較于卷積神經(jīng)網(wǎng)絡，循環(huán)神經(jīng)網(wǎng)絡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上進行訓練和測試，CUDA版本為9.0，采用分類準確率作為衡量模型性能的指標在兩個數(shù)據(jù)集上進行了測試，一個是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)集上最終分類準確率為97.4%;另一個是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)絡的結(jié)果相比，在2017數(shù)據(jù)集上提升了5.6%的準確率，在2018數(shù)據(jù)集上提升了7.6%的準確率;與單層的雙向STM網(wǎng)絡的結(jié)果相比，在2017數(shù)據(jù)集上提升了4.2%的準確率，在2018數(shù)據(jù)集上提升了5.7%的準確率，這充分驗證了該算法的可行性和優(yōu)勢。