世界卫生组织(WHO)的报告显示,每年因心血管疾病死亡的人数呈现逐年递增趋势,2019年全世界已有超过2000万人死于心血管疾病,占全球每年死亡人数的33%。同时,心血管疾病具有疾病种类繁多,隐蔽性高,致死率高等特点,由此可见,心血管疾病已经成为人类生命健康的首要威胁。心血管疾病最有效的检测方法是心电图。近些年来,人工智能技术得到了空前的发展,同时由于心电信图的诊断主要依靠医生人工诊断。研究人员将心律失常诊断与人工智能技术相结合,开发心电自动分析系统辅助医生进行诊断。该技术已经被广泛应用于临床上,在心电监护,辅助诊断等领域都有着重要的应用。心律失常自动分类包括心电信号预处理,特征波检测,特征提取与分类诊断四个步骤。针对上述问题,本文设计了一种新的心律失常分类算法。主要工作如下:心电信号预处理。本文的预处理包括信号的去噪与心跳切割。心电信号主要噪声为基线漂移,肌电干扰与工频干扰。本文设计了多尺度小波阈值滤波器对心电信号进行滤波去噪。对于心跳切割,采用Pan-Tompkins QRS波检测算法检测到R波位置,以R波位置前后分别截取149,150个样本点,共300个样本点为一个完整的心跳周期。特征波检测。针对P波与T波的检测,本文采用固定范围搜索法检测,根据Pan-Tompkins检测到的QRS波与R-R间期,确定搜索范围。特征提取。本文提出一种基于非负矩阵分解的心电信号时频特征提取方法。一维心电信号经过非负平滑伪Wigner-Ville时频分析,得到二维时频矩阵,利用非负矩阵分解算法对时频矩阵进行降维,分别提取其时相矩与频谱矩。对于时域特征,本文定义了4个R-R间期,P波幅值,T波幅值。对于一个完整的心拍,共提取47维特征。诊断分类。本文设计了一种多层SVM多分类器进行心律失常多分类任务。将提取到47维特征经过归一化操作,输入到层次SVM中进行分类实验。最后,使用MIT-BIH心律失常数据集对本文算法进行验证,测试集准确率达到93.3%。