伴随人们生活压力和工作压力的增加,心脑血管疾病患病率逐年升高并呈现低龄化的特征。远程心电监护能够对人体心脏活动进行24小时不间断监测,实现对心电信号地自动分析,并对异常心电信号做到早发现以及向患者做出预警。然而在心电监护仪的使用过程中,也存在着一些问题:包括监护过程中电极脱落以及导联线与电极连接脱离,导致心电图呈片状或者是波形杂乱,无法识别到异常心电信号;电极位置放置不准确或者电极、电线等接触不良导致的基线漂移;心电信号采集过程中的噪声以及训练集中错误标注的样本导致识别准确性差。在这些问题中,训练集中错误标注的样本导致分类准确性差是制约远程心电监护使用的主要原因。所以实现对训练集中错误标注的样本识别、提高分类器的分类准确性对于远程心电监护具有重大的意义。基于以上原因,本文实现了一种识别心电信号训练集中错误标注样本的新方法。该方法在交叉验证的基础上,将迭代和集成学习结合起来,使用集成学习对训练集中的错误标注样本进行初步识别,然后通过迭代的方式对训练集中错误标注的样本进行进一步的识别。在提高识别准确率的同时,降低了误识率,最终提高分类器的分类性能。在心电信号自动分类方面,支持向量机对于小数据量的样本分类有较大优势,但是支持向量机的分类性能与其核函数的参数以及惩罚系数有很大关系,针对标准粒子群算法在寻找参数时容易陷入局部最优的缺点。本文通过对粒子群算法中的惯性权重值与搜索能力之间的关系进行研究,提出了正弦函数型惯性权重值,从而使粒子群算法在寻找参数时跳出局部最优。本文的主要工作如下:第一章介绍本文的研究背景和研究意义。回顾了心电信号异常检测的发展现状以及在心电信号分类领域目前还存在的问题。第二章首先简单描述了心电信号的产生原理、心电信号的波形特征和心律失常类型,然后分析了常见的四类心律失常类型的波形特点。最后对心电信号预处理,特征波形的检测以及特征提取等过程的详细说明。第三章讨论了在心电信号自动分类中训练集样本被错误标注的问题,针对该问题,本文对前人的工作做了深入的研究,并在前人提出的基于交叉验证的多种分类算法结合的基础上,提出了基于迭代和集成学习的方法。使用MIT-BIH心律失常数据库中的数据进行实验,经过人工修改标注的方式在训练集中添加噪声后。在不同的噪声率下,在经过迭代过程结合集成学习的方式去除噪声之后,分类器的分类准确率明显提高。第四章综合比较了几类分类算法,选取了支持向量机对正常心电信号和四种常见的心律失常心电信号进行分类。针对支持向量机中径向基核函数的核参数以及惩罚系数的最优选取问题。提出了改进的粒子群算法,在找到最优参数的同时,避免了粒子群算法陷入局部最优之中。通过对MIT-BIH心律失常数据库中的心电数据进行实验表明,本文改进粒子群算法能够以很高的准确率对心电信号进行分类,对心律失常分析有一定的现实意义,可用于心律失常辅助诊断。