动态心电图是诊断心律失常的一种重要检测手段,它具有实用、高效、无创、安全、准确和可重复性强的特点,已在临床诊断和医学研究领域得到广泛应用。然而,传统的人工诊断方法受到各方面的限制,比如由于心电数据量庞大而降低了诊断速度,由于医生专业知识和临床经验的差异也可能会出现误诊或漏诊等,所以有必要实现心电图的计算机辅助诊断。随着计算机技术和人工智能技术的发展,心电图辅助诊断日益成为人们的研究热点,它的实现有利于心脏疾病的早期诊断,从而能挽救人们的生命、提高病人生活质量,减少心律失常所带来的社会负担和经济负担。本课题的主要任务是构建心律失常辅助诊断模型,实现心搏自动分类。本模型首先对心电数据进行预处理和特征变量提取,从QRS波群和心电向量图中提取出9个特征变量,然后根据自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System, ANFIS)的原理,重点确定基于多模型的ANFIS辅助诊断模型的训练策略和诊断策略。最后从两方面对模型进行评价,一方面,通过使用不同训练数据集训练模型,分析不同训练数据集对模型诊断结果的影响；另一方面,将模型和K最近邻规则(Kth nearest neighbour rule, Knn)、线性判别分析(Linear Discriminant Analysis, LDA)比较,评价该模型的诊断效率。本文首次将ANFIS系统应用到心搏自动分类中来,将神经网络应用于模糊推理中,主要实现了规则集的自动生成以及隶属函数的调整,并使得模糊规则由人定义转为由系统的学习产生,从而扩展了模糊推理系统的应用空间。同时,构造基于多模型ANFIS诊断模型的训练模型和诊断模型,克服了ANFIS系统多输入单输出难以应用于复杂分类的局限性,且提高了模型的诊断敏感性。通过和Knn、LDA比较,该模型具有较好的稳定性和敏感性,可应用于心律失常辅助诊断。本文还研究了不同训练数据集对诊断结果的影响。无论是采用ANFIS、Knn还是LDA,通过GLS1训练得到的模型的诊断敏感性并没有达到最理想状态,其原因在于GLS1样本量较少并存在数据偏倚。通过增加训练样本量和加入测试数据,模型的诊断敏感性和特异性进一步提高,这为模型的构建提供参考。总之,基于对心搏的特征变量提取,利用ANFIS系统构建心律失常辅助诊断模型,实验结果表明该模型能应用于心搏自动分类,具有临床实用价值,同时也为进一步实现更复杂的心律失常辅助诊断模型提供方法。