随着社会经济的快速发展,近些年来心律失常疾病的死亡率越来越高,渐渐成为人们所关注的焦点。心电图信号(ECG)是诊断心律失常疾病的重要参考信息,由于采用传统的人工分析方法不仅用时较长而且还可能出现漏检和误判的情况,所以采用心电信号自动检测与分析的相关技术也开始不断地被应用于临床医学当中。室性早搏(PVC)是临床上最常见的心律失常疾病之一,由于其多变性和易发性,患者随时可能处于危险之中。因此,尽早且高效地诊断出PVC对疾病的治疗是至关重要的。针对该问题,本文基于研究疾病的相关特性,对心电信号进行分析处理。此外,为了避免传统单一的检测模式,本文在检测方法上进行了创新,提出了RFA-MR检测分类方法,即一种将机器学习算法与医学规则诊断相融合的心律失常分类方法。本文方法的技术流程由信号去噪、心拍定位、特征提取和融合分类四个环节构成。首先,本文通过小波变换方法除掉ECG信号中所包含的噪声。其次,通过斜率、幅值和宽度相结合的方法来实现R波的定位,基于R波位置切割得到单个心拍,之后采用同样的小波变换方法来完成T波的定位,再通过动态滑动窗口技术找到QRS复合波的开始位置和结束位置。再者,依据多个定位点从而提取出8个向量值,分别为R波幅值、PR间期、QRS间期、QT间期、QRS面积、前RR间期、后RR间期以及R波与T波的幅值差。将这8个特征向量输入到模型中用于训练,继而得出第一次的分类结果,之后在此基础上,再融入医学诊断规则,最终达到将室性早搏与其他心律失常疾病分开的效果。本文方法将44条记录(共约60万条数据)用于研究并在MIT-BIH数据库上完成实验分析,其结果分别达到准确度98.18%、阳性预测值96.82%和灵敏度97.5%。在获得良好效果的同时也验证了该算法的稳定性和可行性。此外,将本文方法与他人方法在性能上进行了比对,结果证明,本文提出的RFA-MR融合方法更胜一筹,能够有效地将室性早搏心拍与其他类型心拍区分开来,在临床应用中具有一定的价值。