心电信号(ECG)自动分析与诊断是当前信号处理领域的一个研究热点,这一技术能够有效实现能够提高医生效率,促进医疗事业发展和提高人们健康水平。心拍识别作为心电信号自动分析与诊断领域中的一项关键技术备受关注,到目前为止,尽管在这方面取得诸多突破,但仍存在运算复杂度高的问题。针对这一现状,论文从心拍特征与分类器两个方面展开研究。在心拍特征方面的研究:多种特征组合能有效提高分类决策信息,但会导致特征维度过高,同时由于特征之间的相关性而存在特征冗余,运算复杂度高。针对此问题,本文提出基于主成分分析进行特征融合的心拍分类算法。该算法首先对单一特征进行规范化,将多种单一特征进行组合得到组合特征,然后通过对组合特征进行主成分分析(PCA)得到低维融合特征,最后通过支持向量机(SVM)进行分类。文中选取相关性强的心拍时域特征、心拍离散小波特征与心拍离散傅立叶变换特征为例,在MIT-BIH数据库上进行心拍分类实验,对算法有效性进行验证。实验结果表明,融合特征在降维后维度为100时,心拍分类准确率为97.389%,高于单一心拍最高分类准确率96.5%,组合心拍最高分类准确率97.334%,维度远远低于组合心拍的492维。与单一特征相比,融合特征提高了分类准确率,与组合特征相比,融合特征降低了特征维度,减少了特征冗余。在心拍多分类器方面的研究:传统支持向量机心拍多分类算法存在支持向量机数目繁多、大样本训练集存储运算占用内存空间大的问题。针对这一问题本文提出基于层次支持向量机的心拍多分类算法。该算法首先通过基于核空间的距离度量衡量各类别可分离度,取分离度最差的两类心拍作为支持向量机的样本进行训练,然后合并这两类心拍作为一个新的类别参与下一次的类间分离度比较,重复上述过程,直至所有类别均参与训练为止。文中选取MIT-BIH数据库中具有代表性的六类心拍进行算法有效性验证实验。实验结果表明,层次支持向量机模型对六类心拍的分类准确率为95.8%,所需支持向量机个数为5,小于支持向量机多分类一对一算法的15个,一对多算法的6个,同时训练过程中样本逐层递减。与传统支持向量机多分类算法相比,层次支持向量机模型在保证分类准确率的前提下,减少了所需支持向量机个数,降低了样本存储与运算占用的内存空间。