摘要心律失常作为心血管疾病中诱发心源性猝死的关键诱因,其早期精准识别与动态分类对改善患者预后具有重要临床意义.然而,受个体差异、采集设备差异及采集环境变化等因素影响,不同患者及不同数据库之间的心电图(ElectroCardioGram,ECG)信号普遍存在显著的域偏移问题;同时,临床ECG数据中普遍存在类别分布高度不平衡的现象,严重制约了现有模型在跨患者、跨数据库场景下的泛化性能.针对上述问题,本文提出了一种面向类别不平衡ECG信号的轻量级快速患者间域适应心律失常识别框架.首先,在特征层面,本文提出了一种基于宽度学习系统(Broad Learning System,BLS)的特征分布域适应方法BLS-FDDA(BLS-Feature Distribution Domain Adaptation),基于协方差归一化和分布重构技术,深入分析了源域与目标域特征之间的偏移问题,成功实现了源目标域特征空间的对齐.该方法通过对BLS特征扩展矩阵的分布对齐,避免了传统深度学习框架中对复杂模型的依赖,并保证了特征信息的有效传递.其次,在数据层面,本文进一步提出了一种可逆数据域适应方法BLS-DRDA(BLS-Data Reversible Do?main Adaptation),结合误差扰动理论,深入推导了源域与目标域之间的数据变换关系.基于这一理论推导,该方法实现了在不重新训练BLS主模型的情况下,快速适应新数据域,大幅降低了迁移成本.此外,BLS-DRDA方法在数据变换中保持了原始信号的判别能力,并有效避免了信息失真.在决策层,针对心律失常数据中类别分布高度不均衡的问题,设计了一种代价敏感判决算法,该算法通过引入类别中心距离和样本分布权重的概念,建立了一个加权决策机制,有效缓解了少数类样本在跨域迁移中的误判问题.最后,在MIT-BIH与INCART公开数据库构建的多患者、多数据库及连续域迁移实验中,所提方法在准确率、F1值及G_mean等指标上均取得接近100％的识别性能,显著优于原始宽度学习模型及多种对比方法.理论分析与实验结果表明,所提出的BLS-FDDA和BLS-DRDA方法在多源数据、跨设备以及连续域适应场景中均表现出优越的性能,验证了该框架在复杂临床ECG应用中的有效性与实用性,特别是在多类别患者间心律失常的识别任务中,所提方法显著提升了少数类的识别能力,并在复杂域偏移和类别不平衡问题下展现出极强的鲁棒性.