摘要心电图信号分类中,患者往往同时患有多种疾病,多标签分类更具挑战性和实际意义.深度学习中,训练集标签数目差异大,标签样本不均衡,导致模型易忽视样本数目少的类别.标签相关性有利于解决标签类别不均衡问题,本研究利用Student Model压缩Teacher Model,Student Model的损失函数基于真实标签及Teacher Model各层输出.基于知识蒸馏模型,提出了一种标签相关性矩阵构建方法,利用余弦相似度寻找标签间关联,对预测概率进行修正.合肥-天池数据集包含18 232条原始心电记录,其中,包含38条左束支传导阻滞数据.PTB_XL数据集包含21 836条原始心电数据,包含51条左束支传导阻滞原始心电数据.新的模型改善了标签类别不均衡问题,对于合肥-天池数据集,左束支传导阻滞的F1分数由0.799提升至0.837;起搏心律,由0.862提升至0.876;一度房室传导阻滞,F1分数由0.861提升至0.879,高于ECGNet的0.535和Acharya卷积神经网络的0.810.对于PTB_XL数据集,左束支传导阻滞的F1分数由0.679提升到0.857;右心室肥厚,由0.698提升至0.745;完全性左束支传导阻滞,由0.649提升至0.887.同时,合肥-天池数据集上Student Model的F1分数为0.816,Teacher Model的 F1 分数为 0.824.PTB_XL 上 Student Model 的 F1 分数为 0.876,Teacher Model 的 F1 分数为 0.873.Student Model在模型大小上仅为Teacher Model的0.62倍.模型改善了模型改善了长尾分布问题,提升了对少样本标签的预测能力,同时简化参数量,节约计算资源.