心血管疾病是目前发病率及死亡率最高的疾病之一,心电图(ECG)检查是诊断心血管疾病的一种重要的手段。通过心电图自动分析能够有效的预防心血管疾病,减少意外情况的发生。心电图分析的主要工作是心电波形的识别和分类。目前的心电信号分类方法主要有特征提取法、人工神经网络法、模板匹配法、模糊分类法以及句法分析算法等。本文主要介绍了一种特征提取和模板匹配算法相结合的心电信号分类算法。算法原理是根据正常波形和异常波形形态学特点,并结合波形的RR间期和QRS波宽度等特征量进行心电信号分类。算法的目的是从长时间的心电数据中识别室性早搏(PVC)和室上性早搏(SPVC)两种常见的心律失常类型并做统计分析。本文详细描述了特征匹配分类算法的实现流程,包括信号预处理、QRS复波检测、模板匹配分析等过程。本文选取MIT-BIH标准心律失常数据库进行算法的效果验证,获得了比较理想的分类精度。本文最后将心电信号的特征匹配算法应用于基于动力特征和网络拓扑特征的分类研究。详细介绍了特征匹配算法的分类实现过程,并与单一的特征提取算法进行比较。采用数据库检测两种算法的性能,得到了比较理想的结果,同时也分析了算法的不足之处。利用本文的心电分类算法可以对长时间的心电信号进行快速、准确地自动分析,并对两种心律失常波形进行分类统计。这样医务人员可以仅仅把注意力集中到两种异常的心律失常的心电波形上,可以省去识别大量心电波形耗费的时间,减轻他们的工作负担,大幅度提升医疗诊断效率。