心脏类疾病一直是高发类疾病,随着老龄化加剧,基于心电信号的自动分析诊断技术将是健康医疗的重要发展方向。心脏异常的预测和诊断以心电信号的特征点和特征波段信息为基础展开,但是在获取特征信息前需要保证数据的准确性,所以需要对信号作滤波处理。此外,依据心电特征信息进行异常预测和诊断需要采集和使用大量心电数据,利用机器学习中的挖掘算法能快速有效对常见异常作出诊断。本文针对心电信号的预处理,心电特征提取和挖掘算法实现进行研究,主要研究内容如下:1.对心电信号预处理即对心电信号去噪。采用平稳小波变换结合阈值去噪法对MIT-BIH心电库中的心电信号进行二次滤波,主要去除了信号中残留的基线漂移和肌电干扰。为了克服使用软阈值函数滤波带来的信号失真和使用硬阈值函数由于信号不连续带来的伪吉布斯现象,本文提出自适应软阈值函数滤波法,使用全局自适应阈值和软阈值函数对信号进行重构。仿真结果证明这种方法对基线漂移和肌电干扰有良好的滤除作用,性噪比和失真率性能良好。2.在特征识别工作中实现心电信号波形检测。选择二次B样条小波作为小波函数对心电信号进行4层小波分解,通过在第四尺度上识别R波的模极值对进行波形检测,采用自适应加窗校验的方式实现R波检测。以R波为基础在第二尺度上用同样的方法实现对Q,S,P,T波的识别,使用二次差分阈值的方法实现对波群起始点的识别。3.按照心电节律划分出12类异常心电波形,依据识别的波形将心电异常的诊断标准量化,实现异常特征提取入库。使用分类决策树算法实现心电异常诊断和预测,通过K-Folds交叉验证和随机森林算法相结合的方法改进心电异常诊断模型,使用验证数据集对预测模型的性能进行验证。