心电图（ECG）的解释给出了临床信息，并有助于评估心脏功能。存在与特定类别的arrythmia相关的不同的心电图图案。卷积神经网络实际上是ECG处理中最应用的深度学习算法之一。但是，对于深度学习模型，还有许多普遍的公共参数来调整。为卷积神经网络算法选择最佳或最佳的封面计是具有挑战性的。通常，我们最终通过不同可能的值范围手动调整模型，直到获得最佳拟合模型。使用贝叶斯优化（BO）和进化算法的自动封锁调整为港口手动配置提供了解决方案。在本文中，我们建议优化具有两个级别的经常性一维卷积神经网络模型（R-1D-CNN）。在第一级别，培训残余卷积层和一维卷积神经层以学习特定于患者特定的ECG特征，多层的Perceptron层可以学习产生每个输入的最终类载体。此级别是手动，并旨在降低搜索空间。第二级是自动的，基于所提出的基于算法的博。我们提出的优化R-1D-CNN架构是在两个公开的ECG数据集上进行评估。实验结果显示，基于算法的BO实现了99.95 \％的最佳速率，而基线模型对于MIT-BIH数据库实现99.70 \％。此外，实验表明，拟议的架构与BO微调的结构比其他拟议的架构更高的精度。与以前的作品相比，我们的建筑达到了良好的结果，并基于不同的实验。