随着我国人民生活水平的提高，我国的心血管疾病患者有增长的趋势，其中心律失常是常见且频繁发生的疾病，诊断心率失常最常用的手段是做心电图。由于心电图是一些很相似的脉冲曲线图，其中发生了变化人眼不是很敏感，医生通过心电图诊断费时费力、还易误诊，但这种工作是人工智能的强项，如果能实现用大数据和人工智能来识别心电图诊断疾病，则可大大降低医生的工作量、减少误诊。
　　本文依据长时间监测所得的心电信号对偶然发生的不规则的心跳进行心律失常的分类诊断，所获的心电信号数据记录一共有六个类别，包括心律正常和五类心律异常。本文的研究方法可被概括为，对所获得的长时心电信号进行一系列前期处理，如去噪、降频、数据集均衡等，再做基本特征的提取和自动化高维特征的提取，进一步使用XGBoost方法对多维度的特征进行特征融合，并且充分利用十二导联这十二个角度实现最终的分类诊断。
　　本文的研究内容和成果可概括如下：
　　（1）建立了基于小波变换的形态学滤波优化模型。首先对心电信号利用小波变换的多分辨率分析特性做小波分解对特征层级的部分内容进行设定阈值滤除，再小波逆变换重构心电信号。为了获得更优质的心电信号的波峰、波谷特征，引入数字形态学方法，实现削峰填谷的心电滤除效果，从而为基本特征的提取提供良好的数据基础。
　　（2）引入拉格朗日五点插值法用于心电信号的R峰定位研究。本文在讨论了引用较为广泛的基于差分阈值方法的局限性和新生代基于仿生小波变换的R波定位研究方法的局限性后，把拉格朗日五点插值法应用于心电信号的R峰定位，其计算更简便、实验效果更好。
　　（3）构建适用于心电数据记录的卷积神经网络模型，提取心电信号的高维特征。本文在心电信号的特征提取模块设定了两大类的特征，一类是充分利用R间隔特性的基本特征，一类是经过卷积神经网络后提取的高维度特征，以为后续的心电信号的分类诊断奠定重要的数据基础。
　　（4）建立了基于多导联多特征维度的心电信号的分类诊断模型。本文所使用的心电信号的数据集是涉及十二导联的，以解决某些疾病的分类诊断对除肢体Ⅱ导联外导联的依赖。提取多导联的高维度特征，使用XGBoost特征融合技术，充分利用多导联高维度特征及基本特征，实现心电信号的分类诊断。本文所提出的分类诊断模型实现了心电信号各类的分类诊断调和平均均值为0.8195的诊断效果；并且，六类心电信号的诊断效果、相较于使用同数据集的诊断方法均更优，尤其是ST段抬高的分类准确率，其值提高了0.32。