摘要:心电图(electrocardiogram,ECG)检测是心脏疾病最常用的诊断方法。但是在心电信号采集过程中往往会受到噪声干扰，从而使心电信号分类诊断的正确率受到很大影响。为提高分类诊断的准确率和抗噪能力，改进设计了一种用深度残差收缩网络(deep residual shrinkage network,DRSN)实现自动抗噪、全局平均池化(global average pooling,GAP)整合空间信息的ECG分类诊断模型。在MIT-BIH心律失常数据集上验证了模型的分类性能，并将其与普通的卷积神经网络(convolutional neural network,CNN)模型进行了抗噪性能分析比较。实验结果表明：设计的DRSN+GAP诊断模型基于AAMI标准的分类正确率高达99.3%，对不同强度的工频及高斯两种噪声其抗噪性能均优于普通的CNN模型。