心房颤动简称房颤,是最常见的心率不齐之一,可引发中风、心房血栓、心力衰竭及卒中等并发症。随着年龄的增长,心脑血管系统变得越来越脆弱,对心脏疾病抵抗力逐渐降低,导致房颤患病率增加,成为老年人乃至成年人经常发生的疾病。因此,准确检测房颤并采取有效的治疗措施具有重要意义。而房颤心电信号的数字特征不明确,且不同患者之间的心电信号在形态学和时域特征上都存在较大的差异,因此,将使用部分患者数据训练的房颤检测算法应用于新的患者时,其正确率可能大幅度下降,使得个性化房颤检测成为具有挑战性的难题。现有房颤检测算法往往忽略患者之间的差异性,且在准确率和泛化能力上均存在提高的空间。为解决上述问题,本文提出了一种基于融合熵和迁移学习的个性化房颤自动识别算法。本文主要工作如下:（1）提出一种基于经验模态分解法和融合熵的高性能房颤检测算法。采用经验模态分解法将心率变异性信号分解为一组本征模函数,以得到原始信号在不同时间尺度上的频率;从本征模函数中提取五种信息熵,获得局部空间和频域空间内心率变异性信号的特征,分别为近似熵、样本熵、模糊熵、能量熵及排列熵;利用支持向量机进行房颤检测。在公开数据库MIT-BIH-AF、MIT-BIH-NSR和MIT-BIH-Arr上验证该算法,其中在MIT-BIH-AF上取得最佳结果为灵敏度为99.01%,特异性为98.77%,准确率为98.37%。与现有房颤检测算法相比性能均有所提升,验证了该算法检测房颤的有效性。（2）为解决不同患者之间心电信号存在较大差异的问题,提出一种基于迁移学习的个性化房颤检测算法。在融合熵特征的基础上为削弱受试者与其他患者之间的分布差异,引入联合分布适配法。首先,将利用融合熵算法提取的特征映射到再生核希尔伯特空间,然后利用最大均值差异衡量受试者与其他患者数据分布之间的距离,先后适配边缘概率和条件概率获得最佳特征子空间,最后利用在不同患者群体训练好的K近邻分类器应用至受试者取得分类结果。在MIT-BIH-AF数据库上,个性化检测房颤的灵敏度,特异性,准确率分别为98.69%,98.47%,97.65%。为进一步验证联合分布适配法在个性化房颤识别的有效性,分别与主成分分析法及迁移成分分析法进行对比,结果表明联合分布适配可以有效减少不同患者之间的分布差异,从而实现个性化房颤检测。