随着我国老龄化程度的日益加深,心血管疾病已严重影响人们的生活质量和社会稳定。目前关于老年人健康监护和疾病诊断的研究受到广泛关注和认可,其研究的重点是异常心电信号的分析诊断。现阶段,有关异常心电识别的研究主要集中在常见心律失常分类等方面,尚存在心电信号识别精度不高、分类器的训练时间过长等缺点。本文针对老年人常见异常心电信号的分类进行深入研究,通过改进去噪和信号特征提取等过程来提高分类准确度,实现了七种老年常见心电信号类型的准确识别。本文的主要工作内容如下:1.分析心电信号常见干扰的特点并结合去噪算法完成了心电信号的预处理。相比于其他文献使用单一方法进行去噪,本文则是对最主要的三种噪声做针对性处理,即使用中值滤波和改进的LMS滤波器来去除基线漂移和工频干扰;对影响最大的肌电噪声则是采用小波变换和稀疏分解两种方法进行研究并利用人工蜂群算法来提高稀疏分解中原子的匹配速度。实验结果表明,本文所设计的预处理方法能够在保证心电信息不丢失、波形不畸变的前提下实现常见干扰的滤除,去噪效果更加优秀。2.重点完成心电信号特征波的识别定位以及特征提取等工作。首先,本文提出了差分阈值结合相空间重构技术的新方法,在实现R波精准定位(误检率降低一半)的同时系统耗时也缩短了近5倍;然后对特征波起止点的检测结果进行了修正,即采用前向差分法寻找到开始稳定变化的点作为修正后的起止点。该方法有效地避免了残留噪声对特征提取的干扰;考虑到ST段具有重要的临床意义且与心肌梗死等疾病密切相关,故采用曲线拟合等方法对其进行重点分析,最终实现了ST段九种形态的识别。3.设计了用于老年人常见心电异常信号识别的分类器。本文选择在处理小样本和非线性数据上具有极大优势的支持向量机为基础模型进行分类器的设计。为进一步优化系统的性能,本文首先通过数据降维来简化特征参数从而达到缩短训练时间的目的,其次利用各种参数优化算法调整分类器的参数。最后确定了KPCA+GA+SVM的分类器设计方案。本文所使用的心电数据均来自国际标准心电数据库,而用于分类器训练的样本也是根据专家的注释文件进行提取的,因此实验结果具有极高的可靠性和说服力。与传统SVM分类器相比,本文所设计的心电波形分类器的平均准确度高达98.79%,而训练时间缩短了11.46%。