心律失常一直是全球研究的重要内容,心脏类疾病的发病率也日益增加,而心电图(ECG)的识别却需要医务人员相当丰富的经验才能准确的诊断出病理所在,所以对于用计算机识别ECG的方式势在必行。在ECG自动分类系统中,识别的准确率与系统处理数据的时间一直是学者们研究的重要内容。因此本文针对衡量ECG自动分类系统的两个标准,采用BP神经网络和LVQ神经网络对心电信号进行分类识别。主要研究内容包括以下几个方面。阐述心电信号自动分类技术的发展历史及研究现状,介绍了ECG的基础知识、MIT-BIH心电数据库以及4种常见心律失常的特征表现,并对ECG自动分类系统三个主要构成部分:预处理、特征提取和分类识别进行了概述。针对心电信号预处理部分,根据不同频率的噪声,采用均值滤波器滤除高频的工频干扰和肌电噪声,采用中值滤波器滤除低频的基线漂移。针对心电信号特征提取部分,采用小波变换提取心电信号中单个QRS波的全部特征点。根据MIT-BIH数据库国际专家的标注,提取出RR间期以及RR间期的平均差值,并对提取的特征值进行归一化处理。针对心电信号分类识别部分,根据BP神经网络和LVQ神经网络的网络结构、学习算法和设计理论,搭建出BP神经网络和LVQ神经网络模型,将提取出来的特征值送入神经网络中进行训练和分类。根据实验结果的验证,得出LVQ神经网络针对四种心律失常的分类有更好的识别效果和更快的处理速度,更适用于ECG自动分类系统。