心电自动诊断一度是人们的研究热点，其真正的实现将有力促进医疗事业发展，也将是人工智能在医疗领域中应用的重大突破。其主要内容包括预处理技术、波形检测技术以及诊断技术的研究, 而所涉及的基础理论与基础技术繁多，是一个庞大的课题。本研究总结了前人的成果，提出了一种医师经验与工程分析手段结合的研究模式。由于涉及内容过多，实际研究采用了一种动态可扩展的框架。在现阶段的研究中，主要以模拟医师临床诊断经验为主，并结合工程上的数据分析手段进行部分病例的判别的研究。目前，本研究主要展开了以下几方面的工作：1. 构建了研究支撑平台。研究平台包括了MIT－BIH数据库及其重采样数据库、同步12导数据库、虚拟心电信号发生器。其中的MIT－BIH重采样数据库是按照250Hz进行的重采样，该采样率为国内工频的整数倍，以便于研究中采用统一的信号处理方法。同步12导数据库建立的目的是为研究提供12导同步样本，并作为后续知识求精用的实例库。虚拟心电信号发生器则是用于模拟产生研究所需的样本，以便研究中能及时采用有关样本对算法进行测试。2. 借鉴专家系统的基本思想，构建了可利用临床经验进行心电自动诊断的推理解释系统。系统通过中间规则的引入，使知识可以采用通用数据库引擎管理，为知识的进一步分析利用打下了基础。此外，该推理解释系统还包括了草稿库、与规则库、解释系统等内容，增强了系统的易变更、易调试性和推理结果的可解释性。3. 进行了心电信号预处理和基本特征点检测的研究。在预处理方面主要进行了高频干扰抑制、基线漂移及工频干扰抑制的研究。对于心电特征点检测，讨论QRS波、P波、T波及其起点和终点的检测方法。4. 进行了临床经验描述的常用术语符号的解释及部分诊断规则的定义。在符号解释中，定义了P、QRS、T各波形特征点间的时限符号、各波的振幅符号、各波形的形状特征符号及一些常用的临床术语的解释方法。并在这一基础上，进行了部分诊断规则的定义。5. 进行了依据数学指数进行心电类别判断的研究。这里主要讨论了VT、VF的识别问题和基于SVM的多种心电波形分类问题。对于VT、VF的识别，主要讨论了滤波法、概率密度法及贯序假设检验的方法。在基于SVM的心电分类的<WP=4>研究中，对SVM进行了推广，使之可以应用到多类分类中。研究中采用MIT数据库中的样本对该分类器进行了测试，并与神经网络方法进行了对比试验。虽然这一方法比传统的神经网络的范化性有所增强，但大样本测试集的结果表明，这一方法仍具有较大的局限性，心电自动诊断不易通过这一方法直接实现。本研究的特色及创新处在于：1. 借鉴专家系统的基本思想，结合数学分析手段，提出一种新的医师经验与工程分析手段结合的心电自动诊断研究框架，并首次对这一框架进行了真正的实践性探索。研究中采用符号解释的方法实现了由原始数据到部分诊断用基本符号的映射，而后通过推理解释系统对基本符号的推理，得出相应的诊断结论。2. 搭建了研究用的基础平台，采用国际标准MIT数据库及其重采样数据库、临床数据库和虚拟心电信号发生器结合的方式进行了研究。平台中，首次引入了虚拟心电信号发生器，用于生成临床上不易获得的各种变异信号，极大提高了科研效率。3. 首次进行了心电诊断知识规范化存储的研究。通过一定知识表达结构的转换，实现了采用通用数据库管理系统进行诊断知识的存储管理，为知识的有效利用、更新与挖掘打下了基础。4. 在工频干扰抑制方面，提出了一种新的自适应相干模板法改进方案。改进后方法的陷波频带的中心位置可自动跟踪工频信号的频率变化，很好的实现了工频干扰的抑制。5. 针对ECG信号变异种类过大，很多变异波形不易从临床上获得的特点，将对小样本具有更好分类推广性能的基于结构风险最小化的SVM分类器用于ECG波形分类的研究。由于SVM是针对二分类的情况提出的，研究中提出一种将SVM用于多类判别的新方法，并首次用于多类ECG波形分类的探索性研究。