长期心电图是一种长期连续记录心电图状态的心电图。心律失常在心电图上表现为搏动频率不规则或波形异常。因此，有效、准确地从长期心电图中识别心律失常具有重要的临床意义。针对从长期心电图中识别不同类型心律失常的问题，提出了一种基于注意剩余机制和LSTM网络的心律失常节拍分类模型。首先，利用alpine算法对原始的长期心电信号进行滤波，然后利用QRS波检测算法对R波波峰进行定位，并根据R波峰值将原始信号分割成心电图。最后，将其应用于剩余注意和LSTM网络进行特征提取和分类。该模型对正常心跳、室性早搏心跳和室上性早搏的三种分类准确率为96.09%，比传统的CNN网络模型高3.26%。三种心跳的F1值分别增加了2.04%、2.56%和5.30%。对比实验表明，本文提出的基于剩余注意和LSTM的心律失常节拍分类模型比传统的CNN模型具有更好的分类精度和F1值。