在当前ECG(心电图)波形识别算法中,P波识别一直比QRS波的识别困难,原因是P波幅度很小、更容易被干扰。缺乏相应的样本数据库也阻碍了P波算法的发展。但对于心电疾病诊断来说,P波信息又非常重要,因此研究P波识别算法有着实际意义。从样本数据中寻找规律、训练学习、进行预测是本文研究P波识别算法的基本思路。为了获得标准的P波数据,以MIT-BIH数据库数据样本为基础,由专家对样本中每个P波进行确认,从而形成标准P波数据样本。然后使用这些数据用于支持向量机(SVM)的学习和波形识别。对于每个MIT-BIH样本数据(三十分钟),其中三分之二用于训练,剩下用于测试。每个训练样本由正负样本组成,正样本以每个P波波峰点为中心,P波长度的一半前后截取数据;另以P波波峰前后三个、六个点为中心截取数据作为负样本,这样每个MIT-BIH数据样本可以产生6千个左右训练数据。其中P波训练样本长度为20到100个点。为了降低算法的复杂度和克服过训练的问题,在训练前尝试使用层次聚类法对样本进行筛选。对不同P波样本数据进行训练和回归测试,寻找较好的SVM算法。文中对多项式、径向基和Sigmoid三类核函数进行了评估,并与MIT-BIH软件包中的ECGPUWAVE算法作比较。测试结果表明,原始波形数据并不适合直接在SVM中使用,选择适当的P波样本长度能够提高SVM算法性能,再通过适当滤波和较好的特征,对于质量较好的心电图,一个结构简单的SVM算法就能获得与ECGPUWAVE相近的性能,平均灵敏度达到89%,特异度为81%。另外,开发了一个图形化的软件工具,能读取MIT-BIH的数据,显示心电图波形和增加标记,帮助研究人员更容易地开发出新的心电图算法。接下去有两个方面的工作要开展。第一、建立一个开放性的、标准化的数据库,我国尚没有一个类似于MIT-BIH的免费数据库;第二、将SVM利用于T波等其它特征的识别。