近年来,由于饮食习惯改变以及人口老龄化等因素,心血管疾病的发病率呈逐年上升的趋势,已成为我国城乡居民发病率最高的疾病。心血管疾病具有隐匿性、发病急和死亡率高的特点,尽早发现是治疗的关键,且心电图是诊断心律失常的金标准,可通过心电图对心律失常进行诊断。心律失常辅助诊断系统在对心电信号实时检测的同时可以对心拍分类进行分类,为医生诊断时提供参考,进而弥补医生水平间的差距。目前常见的心律失常辅助诊断系统仍有许多不足之处,如心电信号检测算法计算复杂度高、对异常心电信号检测效果较差;心律失常分类算法特征提取单一、分类效果较差;心律失常辅助诊断系统缺乏心电信号实时诊断功能等问题。针对以上存在的问题,本文围绕心电信号检测算法和心律失常分类算法展开研究,设计并实现了便携式心律失常辅助诊断系统。本文研究结果如下:1.基于系统实时性的要求,结合香农能量和改进自适应阈值法,提出了一种快速QRS波检测算法。首先对信号进行去噪及归一化预处理;然后计算处理后信号的香农能量,使用改进的自适应阈值法进行定位并结合QRS波增强后的信号对定位结果进行修正;最后,加入回检机制,提高QRS波检测的准确率和稳定性。基于MIT-BIH心律失常数据库的数据对所提出的算法性能进行了评估,分析结果表明,本文QRS波检测算法在信号中存在高大P波和T波、不规则心律、信号受噪声干扰严重等情况下依然能准确定位QRS波的位置,对数据库中共109494个心拍进行检测的敏感性、阳性检测度和准确率分别达到了99.88%,99.85%和99.73%。该算法在保证检测准确率的同时,计算复杂度较低,有利于心律失常辅助诊断系统的快速QRS波检测。2.为提高心律失常辅助诊断系统的心律失常分类准确率,提出了一种基于融合特征和随机森林的心律失常分类算法。本文首先对信号进行去噪,然后对每个心拍分别提取医学特征、统计特征和形态特征,并对三种特征进行级联以增强特征表达能力,其中医学特征为RR间期,可以反映心率变化;统计特征包括峰度系数、偏度系数和标准差,可以反映心电信号的幅值变化趋势;形态特征为主成分分析法降维后的小波包分解系数,可以反映心电信号的形态变化。最后对比了支持向量机、BP神经网络和随机森林三种分类器的心律失常分类准确率。采用MIT-BIH心律失常数据库中5种心律失常类型数据,分别在病人内和病人间两种分类模式下进行测试。对比三种分类器的结果,基于随机森林的分类准确率最高,且模型的训练和单个心拍的分类时间较短。其中病人内分类模式下使用十折交叉验证的方式进行分组,获得的分类准确率、特异性和敏感性分别为99.08%、99.00%和89.31%;病人间分类模式下使用22组数据作为训练集,使用另外22组数据作为测试集,获得的分类准确率和特异性分别为92.31%和89.98%。该算法在常见心律失常分类中达到了较高分类准确率,为心律失常辅助诊断系统提供了心律失常分类方法。3.建立了便携式心律失常辅助诊断系统并进行了系统功能测试。本文通过系统硬件选型、电路搭建和程序设计,建立了便携式心律失常辅助诊断系统。选用AD8232传感器作为信号采集模块,STM32最小系统作为信号采样模块,Raspberry Pi 3b作为信号处理模块并结合显示屏完成结果显示和用户交互操作的功能。在程序设计部分完成了数字滤波器、QRS波检测算法、心律失常分类算法的设计,并设计用户交互界面对算法进行封装。系统测试表明,本文系统能够较好地实现心电信号采集、信号实时显示、心率计算、心拍分类及信号存储的功能,满足便携式心律失常辅助诊断系统的要求。