心血管疾病是危害人类健康的主要疾病之一,具有隐蔽性强、发病率高、致死率高等特点。对于居民来说,准确的检测出心血管疾病的类型,对于心血管疾病的诊断和治疗有很重要的意义。心电图中包含了丰富的信息,是诊断心血管疾病的有力工具。因此,可以通过对心电图进行分类,来进一步确定心血管疾病的类型。本课题主要对信号预处理和自动分类识别技术进行了研究,主要工作如下:(1)心电信号的预处理。本文的预处理包括信号的噪声去除和QRS波的检测两部分。针对心电信号的主要噪声,如工频干扰、基线漂移和肌电干扰,设计了小波软阈值滤波器,对信号进行了时频分析。将噪声进行了有效的去除,得到了干净有效的信号。针对信号的形态特征,基于自适应双阈值算法来对心电信号的R波进行较为准确的定位。借助于一高一低双阈值对信号的R波进行了准确的定位。最后以R波为基准点,对信号的Q波和S波进行了定位,识别率为99.63%。(2)针对小样本心电数据,提出了基于小波变换的频域特征分析法,采用了随机森林、K-近邻和C4.5三种传统机器学习算法在MIT-BIH心律不齐数据上进行了验证分析。首先结合离散小波变换对信号进行了五尺度分解,然后在不同的尺度上提取了频域特征和香农熵特征。接着使用了信息增益法对信号的特征降维,得到更为有效的特征。最后将降维后的特征输入分类模型中,并使用十折交叉验证模型的分类效果。实验结果表明,随机森林取得了最好的分类效果,灵敏度为98.1%,特异性为99.5%,正确率为98.08%。(3)针对大样本心电数据,搭建了基于卷积神经网络的分类模型,并使用MIT-BIH心律不齐数据进行了验证。模型一共10层(一个输入层、4个卷积层、3个池化层、1个全连接层和一个输出层)。将整个数据库中的数据分为训练集和测试集,用卷积神经网络模型对训练集的数据分批训练,不断优化模型,最后用测试集的数据来进行模型的测试。测试集得到的灵敏度为99.45%,特异性为99.86%,正确率为99.78%。本算法能够很好的将信号分类,对心血管疾病的分析有一定的意义。