心律失常等心血管疾病的诊断过程通常耗时且成本高昂，往往需要专家对心电图（ECG）信号进行人工视觉分析。为改善患者管理并降低医疗成本，实现此类病理的自动化检测具有重要意义。在本研究中，我们参与了2017年Physionet/Computing in Cardiology挑战赛，旨在将短时ECG片段分类为四类：心房颤动（AF）、正常节律、其他心律异常以及噪声。我们比较了一种先进的基于特征的分类器与一种卷积神经网络（CNN）方法。两种方法均使用挑战赛提供的数据集进行训练，并额外结合了来自Physionet的另一数据库进行数据增强。基于特征的分类器在训练集上（5折交叉验证）获得了72.0%的F1分数，在隐藏测试集上达到79%；而卷积神经网络在增强数据集上取得72.1%的F1分数，在测试集上达到83%。最终，该CNN方法在竞赛中取得了79%的评分。相关代码实现与预训练模型已按照GNU GPLv3许可协议免费开放。