心律失常是人群中的常见现象,严重的心律失常会立即威胁人类生命,因此及时的检测出心律失常,对预防心脏病和心脏猝死的发生具有重要的意义。心电图直接记录了心脏搏动过程中微弱电流的有规律变化,是心血管疾病诊断的重要工具,以其无创、快速、准确的特点在临床诊断中发挥了不可替代的作用。近年来利用计算机进行数据处理,实现心电图的快速自动分析来提高临床心律失常诊断的效率和准确性是医学研究领域的热点问题。但由于噪声干扰、个体差异、心律失常分类繁多等原因,这一技术目前仍不能满足临床需求。本文针对各种异常心拍的识别分类问题做了进一步的研究,引入了异常心电节律分析,并结合小波分析方法和独立分量分析方法,实现了九类心拍的自动识别。首先,针对心电信号中的基线漂移和工频干扰,本文中分别使用中值滤波器和梳状滤波器进行去噪处理。基于滤波器的方法已经应用的比较成熟、稳定,在实时处理中计算速度较快并能够有效提高信噪比。第二,近年来应用于心电图特征提取的方法(包括直接方法、参数方法、基于变换的方法和基于统计学的方法等)各有长短,但都具有一定的片面性,为了尽可能全面表达信号特征,本文尝试综合采用参数方法、小波变换和独立分量分析三种方法,提取心电信号在不同域上的特征参数,构成高维特征向量空间。第三,高维特征向量空间能够提高分类精度,但同时也会增大分类器的计算量。本文通过遗传算法优化特征空间,使用类内类间距离比来作为优化中的适应度评价函数,选择能够最大限度表达信号特征的向量,消除冗余,形成维数更低、分辨率更高的优化特征空间。最后,使用LibSVM设计分类器,对MIT-BIH心律失常数据库中的信号样本进行训练和测试,完成对数据库中的正常心电信号和8种心律失常心电信号的分类,实验证明本文中的方法可以达到较好的分类效果。同时本文对比了优化前后分类器的耗时情况和分类效果,说明优化后特征向量维数降低,分类准确率和分类器计算速度都有一定程度的提高。