近年来，心血管病的死亡率在所有疾病中处于首位。心血管疾病会导致异常心率信号的出现；因此，对心率信号和心电图进行分析就成为了检测心血管疾病的主要方法。目前，市面上使用的心电图信号采集仪器存在着便携性与实时性不可兼得的问题，而且数据处理采用人工分析，无法解决大数据量下的心电图信号分析问题。本研究考虑使用基于机器学习的心电图（Electrocardiography，简称 ECG）采集分析系统来解决这些问题。通过设计并制作 ECG 采集系统来提升目前采集方案的便携性，通过人工智能辅助分析系统从而解决海量 ECG 数据分析的问题。本文的研究内容包含两个部分，分别是负责采集心电图信号的 ECG 采集系统和对心电图信号进行分类的 ECG 分析系统。
　　负责采集心电图信号的 ECG 采集系统包括采集前端部分和模数转换部分。其中采集前端部分负责采集心电信号，使用AD8232芯片作为信号调理模块，对心拍信号进行放大和滤波操作；模数转换部分负责把心电模拟信号转换成数字信号，电路使用STM32F103 作为控制芯片，采集信号、进行模数转换并实现数字滤波，最后通过蓝牙和电脑端进行通信，电脑端收集数据并进行数据的读取和分析。
　　负责对心电图信号进行分类的 ECG 分析系统包括数据预处理部分和机器学习模型部分。数据预处理部分包括去除噪声、定位 QRS 波形分割心拍、构造特征工程、划分训练集和测试集。首先通过小波变换对数据进行去噪，其次 QRS 波形提取主要使用双斜率方法，然后特征工程主要使用形态特征法和小波系数法，最终把 MIT-BIH 数据库和采集到的心拍数据随机打乱后使用 5 折交叉验证。模型主要考虑传统模型，包括逻辑回归、支持向量机和 XGBOOST，深度学习模型包括卷积神经网络（CNN）、长短期记忆网络（LSTM），分别训练模型后使用Stacking方法进行模型融合；参数优化根据5折交叉验证的实验结果进行调整。最终模型融合的分类准确率为 99.13%。之后构造新的CNN模型实现AAMI的分类标准，最终准确率为99.16%。
　　本研究通过自制嵌入式系统提升了 ECG 信号采集的便携性，并且通过滤波算法和特征提取算法结合机器学习模型对 ECG 进行信号预处理和信号分类。成功实现了一个对ECG信号进行采集、处理并分类的基于机器学习ECG信号的采集分析系统。