随着我国社会经济的发展，老年人口比例越来越高，出现快速进入老龄化社会的趋势。根据调查，在老年人当中，超过8成老年人生活自理，但7成多老年人患有慢性病。在慢性病中，心血管病死亡率是疾病死亡构成的首位，如果能及早发现心律失常的症状，给予患者及时的救助，可避免70％-80％的患者死亡，因此老人心电信号的家庭远程监护尤为重要。在物联网高速发展的背景下，基于云平台的老人家庭远程监护系统作为一种可靠性高、实用性强的新型医疗监护方式，可以对动态心电信号进行连续监测和心律失常的智能分析。然而，在医疗资源短缺的背景下，大量的心电信号给监测系统提出了新的要求，在确保心电数据的实时传输心律失常的及早发现和诊断意见的及时反馈这些问题上仍有改进的余地和创新的空间。因此，对老人家庭远程监护系统中云端应用开发、医生端软件设计和心律失常自动分类算法研究，具有非常重要的意义。本文针对老人家庭远程监护系统中的关键技术，主要对医生端软件交互设计、云端算法集成和心电信号的预处理、特征提取和心律失常分类算法等进行了深入的研究。主要研究内容如下:
　　第一，基于云平台老人家庭远程监护系统医生端软件研究。老人家庭健康远程监护系统包括数据感知层、数据传输层、云服务层以及云应用层。针对医生端使用场景，本研究设计了医生端工作站软件和智能手机软件，包括IOS系统和安卓系统应用程序(APPlication，APP)。APP软件主要功能有:心电/运动/睡眠监测和智能诊断。医生可以在医院、家里或者户外等场景中查看老人心电信号并对异常信号作出及时的反馈，必要时给予实时救护指导。医生可以通过智能手机APP查看老人的生理数据以及过往病历，并做出相关的医生建议;APP在接收到老人生理参数(心电、运动、睡眠)时，同时给出算法的智能判断，将异常情况推送给医生，并及时提醒医生查看;在老人发生紧急情况时，医生可通过APP实现远程救护指导。
　　第二，基于机器学习的心律失常智能分类算法研究。为了提高云端心律失常自动分类的准确率，本文提出一种基于极限梯度提升(Extreme Gradient Boosting，XGBoost)模型的心律失常分类方法。对MLII导联信号进行分析，提取信号投影特征和RR间期特征形成特征向量，标准化后输入到XGBoost分类器，通过训练，得到的基于XGBoost的心律失常分类模型可以将心电信号按照AAMI标准分为四类:正常或束支传导阻滞节拍(N)、室上性异常节拍(S)、心室异常节拍(V)和融合节拍(F)。采用MIT-BIH心律失常数据库进行测试，在相同数据集的情况下，与已有心律失常检测方法进行对比，平均识别准确率进一步提高，达到94.1％。
　　第三，基于云平台的心律失常分类算法集成研究。首先采用Pan-Tonmpkins算法实现QRS波群的识别，基于spark大数据框架，将算法集成到系统之中，并将诊断意见反馈给系统，系统进一步推送给医生。
　　最后，本文基于云平台，借助苹果手机和三星手机作医生端，对系统进行测试，测试结果表明:软件各功能运行正常，心律失常分类算法结果达到临床要求，系统运行实时性达到实用效果。