心脏病的发现和识别,主要是通过分析解读心电图的波形特征来实现。而心电图则是通过使用心电检测系统对人体的心电信号进行测量、采集、处理和显示而产生。当前医院中常见的心电检测系统主要有大型心电图机和小型可随身佩戴使用的动态心电监测设备(如:Holter)。这些设备可通过测量患者的心电信号生成心电图,并由医生根据医学知识和经验做出诊断结果,具有重要的临床医用价值。但也存在价格较高、操作复杂、必须由专业医务人员进行操作和分析才能得出诊断结果等不足,不便于家庭日常检测。随着机器学习和信号处理技术的快速发展,便于佩戴、价格合理、兼备自动诊断功能的心电信号检测系统的实现成为可能。本文首先根据心电信号的产生和测量原理,以BMD101心电采集模块为核心,设计了一个价格低、体积小、操作简单的胸贴式可穿戴心电采集和传输终端。该终端可将采集的心电信号,经蓝牙传输协议传输到PC端,PC端可实时绘制心电信号波形图,并保存生成txt格式心电数据文件,可由MATLAB读取和绘制,以供后续处理分析。然后对心电信号进行滤波去噪和波形检测,获取心电信号的主要波形特征。以MIT-BIH心率失常数据库中的心电信号作为实验样本,针对心电信号及其主要噪声来源的幅频特性,灵活运用带通滤波与小波阈值去噪方法,合理设置参数,实现了较好的心电信号去噪效果,采用改进的差分自适应阈值检测算法检测心电信号波形,提高了对R波和QRS波群的检测精度。最后根据心电信号的波形检测结果,实现了心电数据计算和心律失常分类。一方面,根据R波间隔计算出心率、心率变异性、身体疲劳度和精神疲劳度,并完成5种常见心律失常情况的判定。另一方面,识读MIT-BIH心率失常数据库中注释文件标明的各类心律失常标签,并提取各类心电节拍的瞬时RR间期、相对RR间期和45维QRS波群特征值,作归一化处理后,生成47维的特征向量数据集空间。分别选用高斯核SVM和CNN分类模型进行分类实验,均取得了较好的测试效果,总体分类准确率均达到90%以上。但经对比,高斯核SVM模型各项测试数据稍好于CNN模型,更适合用于心律失常分类。