随着5G无线网络的普及,借助物联网技术实现心血管疾病的智能医疗已经成为一个新的研究热点。其中智能心电穿戴设备的研发与应用越来越受到人们的关注。其关键在于如何在无专业医师的条件下,能够快速且有效地实现心电图(Electrocardiogram,ECG)的识别与分类。为此,本文针对ECG的识别与分类做了部分研究。由于心电信号具有较弱的抗干扰性,这就直接导致了采集的心电信号中含有大量的噪声,极大影响了心电信号分类模型的泛化性能。为此,传统心电识别模型结合了特征提取方法和机器学习算法,在一定程度上提高了心电信号的识别精度,但在模型稳定性和训练的效率上还存在一定的欠缺。为此,本文针对心电信号的预处理,特征提取和分类,提出一系列改进方法,具体工作如下:(1)提出一种基于IPCMM算法的QRS复合波检测算法(称为II-P&T算法)。II-P&T采用IPCMM算法生成FIR带通和低通滤波器对心电信号降噪,然后结合双斜率、滑动窗口积分和自适应阈值这些非线性处理方法,对心电信号中的QRS复合波进行检测。所提出的算法在MIT-BIH数据集上,通过与复现的I-P&T算法和P&T算法进行比较,结果表明II-P&T算法的QRS复合波识别准确率最高。(2)提出一种基于PSO-ELM的集成算法(称为E-PSO-ELM算法)。极限学习机(Extreme Learning Machine,ELM)模型框架简单,无需迭代即可生成参数,在ECG信号分类中得到了广泛应用,但ELM算法不太稳定。为了增强ELM网络的泛化性能,采用粒子群优化算法对ELM进行参数调优(称为PSO-ELM算法),并在PSO-ELM算法的基础上应用Bagging集成算法,提出了基于PSO-ELM算法的集成模型(E-PSO-ELM)。通过与其它算法的仿真结果进行比较,E-PSO-ELM算法相较于其它算法具有更好的泛化性能,且模型稳定性相对较高。(3)提出一种基于离散小波变换、线性判别分析、局部保持投影和邻域保留投影集成的ELM算法(称为HE-ELM算法)。通过采用离散小波变换、线性和非线性流形学习算法等不同的特征提取方法对心电信号进行特征提取,然后将提取到的特征进行集成组合,作为ELM的输入,实现ECG信号的模式分类任务。仿真结果表明,该方法具有高分类正确率、运行速度快、稳定性高的优点。