人口老龄化进程及人类寿命的延长使人们患慢性疾病,比如心血管疾病、老年痴呆、中风等的风险大大增加,而我国基层医疗资源严重不足。人口和社会发展迫切需要建立针对慢性疾病的新型智慧医疗体系,即融合可穿戴诊疗、远程监测、智能诊断和服务为一体的医疗系统。心电图(ECG)和脑电图(EEG)不仅是心血管疾病、老年痴呆和中风等慢性疾病监测和诊疗的基础,而且此类生物电信号具有非侵入、经济、便捷灵活等特点,在未来可穿戴智慧医疗中具有重要应用价值。心电和脑电等生物电信号具有噪声强、随机性强、非线性、混沌性等特点,并且针对不同个体和场景具有较大变异性。对这些信号的处理和自动诊断方法的研究是可穿戴医疗及智能诊断装备的关键技术和难点。目前在有关心电及脑电信号智能识别方面,尤其是针对临床数据,具有精度低、诊断效率不高、个体和不同时间变异性较大等问题,严重阻碍了智能诊疗系统的临床应用。针对上述关键技术问题,深入分析了心电和脑电信号的生理学机理,研究了信号特征与其所反映疾病现象的相关性,提出了先进信号处理算法和高效自适应的机器学习算法及训练机制,设计了适合大数据实时辅助诊断的深度残差神经网络等算法,并且用于心电和脑电信号的分类识别。论文的主要创新如下:1.提出了基于自适应频带选择共空间模态(CSP)特征提取及最小二乘双子支持向量机(LS-TWIN-SVM)的运动想象EEG识别方法。基于运动想象的EEG信号识别是面向老年痴呆、中风等患者的可穿戴康复训练脑机接口(BCI)系统的关键技术。深入研究了运动想象EEG信号的神经生理学机理,针对目前运动想象BCI技术存在的响应速度慢、变异性大等缺点,提出了自适应频带选择共空间模态(CSP)特征提取方法以及LS-TWIN-SVM分类算法模型,并用于快速自适应运动想象EEG信号识别。该算法可根据不同患者自适应地选择EEG信号的运动想象节律频带,克服了 EEG信号的个体间变异性。LS-TWIN-SVM分类模型用线性方程组的求解代替复杂二次规划,是TWIN-SVM的线性化形式,不仅训练效率高,而且容易硬件实施。将遗传算法(GA)、粒子群优化(PSO)、混沌粒子群优化(CPSO)和量子遗传(QGA)算法等用于所提出模型的参数优化。基于BCI Competition Ⅳ数据集的测试结果表明,所提出的算法与传统的支持向量机、双子支持向量机及其拓展算法等相比,提高了整体识别率,降低了个体间的变异性,大大减小了 CPU运行时间,而且具有较好的自适应性。仿真实验表明,相同数据集下的测试结果优于近期所发表的基于人工智能的运动想象EEG信号识别效果。2.提出了小波自适应阈值滤波ECG信号预处理方法,以及基于香农能量包络、Hilbert变换的QRS复波检测方法。心电图是心血管疾病诊断的有力工具,其滤波处理和QRS复波检测是特征提取和自动诊断的前提。提出了常规滤波合并小波自适应阈值滤波方法,提高了信号的信噪比,同时,保持了波形形态不失真。实测ECG数据显示,该滤波方法达到了较好的效果。为提高复波检测的正确率,提出了基于一阶差分、香农能量包络、Hilbert变换和自适应阈值回检的ECG信号R波检测方法,分别利用MIT-BIH公开数据集和实测数据进行R波识别效果的检测,实验结果表明所提出的方法在检测率和效率上优于传统的ECG复波检测算法。3.提出了基于混合特征提取和GA有向无环图的LS-TWIN-SVM多类心律不齐识别方法。分析了基于决策树、有向无环图等策略的LS-TWIN-SVM多分类模型算法,并比较了这些多分类模型的运算量和效率。提出了基于时间间期和功率谱的心搏特征提取方法,将这些心搏特征送入有向无环图LS-TWIN-SVM模型进行快速心律不齐分类。实验所使用的训练数据占训练和测试总数据的3.2%,实验结果表明所提出的方法达到了 99.1403%的分类正确率,网络训练时间为0.7307s。利用相同的数据集,测试结果表明,所提出的方法在分类正确率和训练效率上优于多层感知机、极端学习机、支持向量机和几种双子支持向量机等算法。4.提出了基于深度残差网络的临床心电大数据心律不齐实时分类识别算法。临床心电图信号具有干扰大,个体差异大等特点,心电信号特征检测与识别在ECG实时监测及心脏病智能诊断中仍然具有很大挑战性。提出将小波自适应滤波和深度残差网络用于临床大数据心律不齐信号的分类识别。其中,使用小波自适应技术完成ECG滤波,设计了包含多个残差块(Residual Block)结构的多层卷积神经网络(CNN),即深度残差网络,对心律不齐信号进行分类识别。采用残差块局部神经网络结构单元构建深度残差网络,缓解了深层网络的收敛难、调优难等问题,克服了卷积神经网络随着网络层数的增加而导致的退化问题;引入批度标准化技术,保证了网络平滑收敛。分别使用MIT-BIH数据库2导联的94091个心搏数据和临床12导联静态心电图数据进行实验验证。实验结果表明该方法优于多层感知机(MLP)、LENET CNN和ALEX CNN等传统的深度学习网络。相同数据集下,测试的分类效果优于目前公开发表的深度神经网络算法识别效果。临床12导联心电图测试结果显示,分类正确率达到87.3885%,超过了临床领域专家的诊断水平,具有较高的应用价值。