心电图是临床上心肌缺血早期检测最常用的方法,因为心电图检测价格低廉、操作简单、对人体没有创伤。但是基于心电图的心肌缺血早期检测准确率相比于其它一些有创伤性的方法还是较低,为此,许多学者也对心电图进行了研究,但这些学者大都只是把心电图当成是一种静态模式进行研究。确定学习理论可以实现动态环境下知识的学习、表达、存储以及再利用,是智能控制领域的一项新理论。基于确定学习理论的心肌缺血早期检测将心电图看成是一种动态模式,提取出心电信号中ST-T段的动力学特征,根据心电动力学特征在三维坐标空间的投影(心电动力学图)形状对心肌缺血的存在与否做出诊断,取得了令人满意的诊断效果。根据心电动力学图的形状进行分类,只是一种定性分析方法。为了更科学、高效地对心电动力学特征进行分类,本文采用多泛函回声状态网络集成模型作为分类器。回声状态网络是一种特殊的循环神经网络,它用储备池替代了隐含层,训练时只需要训练储备池到输出层的连接权值,因而训练过程十分简单。泛函回声状态网络是一种特殊的回声状态网络,保留了回声状态网络训练速度快的优势,还解决了回声状态网络无法直接对时间序列进行分类的问题。对于同一个待分类任务,本文用多个泛函回声状态网络生成一种集成分类器,降低单一泛函回声状态网络进行分类时随机值参数带来的影响。实验结果表明,多泛函回声状态网络集成分类器对心电动力学特征具有优秀的分类能力,是一种高性能的分类器。为了更广泛地将本文提出的算法投入到实际医疗环境中进行实验,本文最后开发了一套基于WPF的心肌缺血早期检测系统,通过C#和C++混合编程,借助Armadillo线性代数库解决算法中涉及的大量矩阵运算问题。系统的主要功能包括数据采集、数据预处理和诊断分析。该系统的实现,也为算法的进一步检验打下了坚实的基础。