房颤是临床最常见的一种心率失常疾病,严重危害着人类的健康。因此房颤检测方法的研究,对及早地发现房颤,减少病人的发病率和死亡率,以及减少经济负担等有重要的临床和社会意义。房颤检测方法的任务主要包括对心电信号预处理、特征提取和房颤检测。而特征提取的精度很大程度上决定了诊断效果,目前已有的房颤检测算法尚未妥善解决特征提取问题,所以房颤检测错误率仍然很高。卷积运算是图像处理领域应用很广泛的一种运算,通过卷积运算,可以使原信号特征增强。在模式识别中,也是一种很重要的特征提取方法。卷积核的取值决定了特征提取效果的好坏,所以本文基于卷积运算,就好的卷积核的取值如何确定这个问题展开研究,提出了一种通过从大量卷积核中,选择特征提取效果好的卷积核来提取信号特征的方法。同时,因为数据量大,卷积运算时间比较长,所以本文中还利用MATLAB的GPU并行计算工具箱实现了卷积运算的加速。论文主要研究内容如下:1.针对心房活动特征提取问题提出一种卷积核选择算法。在基于单心拍心房活动特征的房颤检测基础上,本文中将十万个原心电信号的特征片段作为备选卷积核,用来提取信号特征,这样能够保留更多的特征。接着对特征矩阵进行每列求和的池化处理,那么一个卷积核则对应一个特征。然后通过特征值数据的直方图分布从提取到的大量特征中,选择出特征提取效果好的一千个特征,完成卷积核的初次筛选。最后基于Ada Boost算法,从这一千个特征中选择50个特征,从而完成卷积核的选择,并且构造强分类器,实现高精度房颤检测。这50个卷积核作为提取测试集信号特征的卷积核,不仅特征提取效果好,而且节省时间。2.MATLAB的并行计算工具箱实现卷积运算的加速。本文研究了GPU加速MATLAB程序的方法,对GPU性能进行了测试,最终运用MATLAB工具箱所支持的指令把运算中核心模块转移到GPU上运行,从而达到加速的目的。经MIT-BIH房颤数据库验证,本文房颤检测算法的准确率达到了97.68%。实验结果表明,本文算法具有房颤检测的能力。