21世纪以来,心脏病与高血压威胁着人类的健康,是发病率和死亡率极高的两种疾病。与此同时,机器学习和深度学习等人工智能技术在智慧医疗领域也在迅速发展,利用心电图数据进行心脏疾病诊断的研究取得了一定成果,但在临床应用中存在着诊断类别不全、部分类别准确率较低等问题。本文提出一种基于深度学习的多标签心电辅助诊断算法,一方面解决了多标签场景下的类别不均衡问题,另一方面提高了诊断类别的全面性和准确性。并将该算法应用于高血压性心脏病的早期诊断以及心电图智能辅助诊断系统当中。主要工作和研究内容分为以下几个部分:1.针对心电图数据,提出一种基于深度学习的多标签心电辅助诊断算法。该算法结合残差神经网络与门控循环单元网络模型,充分利用心电图的时序依赖关系和局部异常信息特征。同时,针对多标签场景下的多维度类别不均衡问题,提出以改进的Focal Loss作为损失函数,并将多标签互斥关系与目标函数结合,加快模型训练速度。该算法在F1-Score、AUC值与汉明损失等多个指标上均有明显提升。2.由于心脏疾病与高血压在临床上呈现一定关联性,本文将基于深度学习的多标签心电辅助诊断算法应用于高血压与心电图数据集重构,并设计了一种基于决策树算法的关联性挖掘方法,得出高血压与多种心脏疾病临床表现之间的关联关系,为高血压性心脏病的早期诊断提供依据。3.完成ECG智能辅助诊断系统的搭建,从功能需求、前端后台、模型部署等多方面进行详细设计,并实现各个业务模块。该系统采用Spring boot+MyBatis框架、MySQL数据库,采用Flask框架进行心电辅助诊断模型的部署以供Web系统调用,前端呈现系统通过Vue框架进行构建。