由于科学技术的发展,人类的生活水平和饮食水平在逐年上升。与之带来的是饮食的不健康以及工作压力大等生活问题,这些问题极大地提高了心血管疾病(CVD)的发病率。有调查显示,在世界上人类非正常死亡的一大主要病因就是心血管疾病。心电图作为一项有效手段,已经广泛应用于现代医疗中,成为用来检查身体状况的一项有效指标,心电监护仪已经成为众多医院以及私人医疗中监护病人心脏疾病的有效医疗设备。心电信号分析是心电监护仪中的一大重要技术,一种好的心电信号分析系统需要用有效的算法对采集得到的心电信号进行信号处理,以便后续进行心律失常检测。对心电信号(ECG)进行自动分析检测所包含的技术有对ECG信号的预处理技术(包括对心电信号的去噪以及心拍分割等),心电信号的特征提取技术等,最终目的是在最后的心律失常检测中得到尽可能高的准确率。同时期望兼顾模块实现时对硬件要求的压力,例如处理速度、信号存储等。人体心电信号因其复杂多样,造成分类上的困难。由于心电信号可以进行稀疏表示,这可以作为科学研究的一个新的切入点。稀疏表示现在已经应用于诸多领域,对信号处理,尤其是对高维信号的稀疏表示,现今已经成为机器学习、深度学习、AR视觉研究领域的一大重要课题。本文对心电信号的特征提取的后续处理采用了基于K-SVD算法的稀疏编码思想。通过对原心电信号进行信号的预处理、将心电信号分割成单个心拍,得到单个心拍的数据集;运用小波变换与独立向量分析,提取心拍信号的小波特征与ICA特征矩阵,运用稀疏编码,通过K-SVD算法建立心拍信号的超完备字典。实验证明该算法对心电信号的特征波有良好的可分性,构造字典速度较快,稀疏编码保真度高。对心电信号进行稀疏表示,在前期采用了聚类算法,使字典之间的原子尽量不同,字典内的原子尽量相似;稀疏表示主要目的是为了寻求信号在某种特定空间下的最优逼近,在变换域上用尽量少的原子来表示原信号,从而可以从整体上把握原信号的基本信息。此方法也提高了心律失常的多种信号的总体识别率,对于大规模心拍数据的存储和分类有更加良好的适用性能。本文采用稀疏编码与支持向量机(SVM)相结合对心电信号进行分类。支持向量机模型是一种应用于二分类的分类器,选用支持向量机的改进模型——层次支持向量机(H-SVM)。该支持向量机分类器是一种二叉树SVM,选取一部分经过处理得到的数据集作为训练集,通过SVM算法训练得到分类器的训练模型。最终对心电信号的六个类别进行心拍分类,并且准确率达到了95.16%。实验证明,稀疏编码与层次支持向量机结合可以对处理过的心电信号有良好的分类性能。