心律失常(Arrhythmia)是指由于心脏活动的起源或传导障碍,导致心脏搏动的频率或节律异常,发病率高,严重危害患者健康,其中恶性心律失常易导致心源性猝死(Sudden Cardiac Death,SCD)等不良后果。体表心电图(Electrocardiogram,ECG)作为一种无创检测手段,其特征提取和识别分类算法的快速发展,为心律失常的研究提供了基础。心律失常心电中蕴含丰富的时变信息。近年来,张量分析在模式识别和特征提取方面日益引起关注。张量(Tensor)可以看作向量向高维空间上的拓展,且不会破坏各元素的内在关系。基于以上特点,本文将观测窗内的单导心电信号利用时频分析方法升维为一个高维张量,利用张量分析方法提取心律失常的ECG信号的特征,可有效利用心电信号的自相似性、协同性以及结构信息等。主要提出两种基于张量分析的ECG特征提取算法:一、基于小波张量化与Tucker分解的ECG分类算法:将心电信号分帧后进行小波分解,构建三阶张量,通过Tucker分解得到三个方向上的投影向量,利用支持向量机(SVM)完成分类,同时优选出分类效果较好的投影方向及分帧策略;二、基于分数阶Fourier变换张量化与非负张量分解的ECG分类算法:将分帧后的心电信号进行多个阶次下的分数阶Fourier变换,构建三阶张量;结合非负张量分解过程中产生核心张量和投影矩阵,遍历训练集核心张量和测试集核张量近似的Frobenius范数,根据相似性进行特征度量。本文采用Physio Net开放数据库对所提方法进行了仿真实验,证明本文提出的基于张量分析的方法可有效区分房颤、室颤、室速与正常心电信号。本文工作探索了张量分析在心电特征检测领域的应用,提供了一类新的心律失常检测方法与指标,可用于临床辅助诊断、监护、可穿戴式健康管理设备等。