随着海量医疗数据存储技术以及人工智能技术在医学领域上广泛应用及发展,越来越多的学者对基于心电信号的自动诊断分类进行研究并取得一定的成果。有关心电信号数据的采集设备及来源都比较容易,且具有直观的周期规律性,使得其在医学领域的发展历程中是最早进行研究并应用于临床心血管疾病诊断的生物信号之一。本文主要对心电信号自动诊断分类的数据预处理、特征提取及优化、模型构建及优化进行研究,主要工作包含以下几个部分:1)研究出一种改进式心电信号预处理方案。心电信号预处理主要包括噪声处理、R峰定位及周期分割。首先,将初始心电信号进行改进经验模态分解,采用无偏似然阈值估计与改进固定阈值估计相结合的方法动态设置阈值,依据优化后的阈值处理函数在分解后的高频分量上进行小波阈值去噪,再与分解后的低频分量进行重构得到干净的信号数据,;然后依据波峰标注信息在MIT-BIH心律失常数据库中读取R峰位置,再设计与实现矫正算法提高R峰定位的精准度;最后根据R峰位置截取心电信号的周期,完成心电信号预处理环节。2)研究出一种能够准确描述心电信号特征提取和优化方案。首先根据心电周期信号确定初始时域特征,再对其进行小波变换,将能够表示心电信号的能量分布的小波系数作为初始频域特征;然后根据特征矩阵设计优化方案,将主成分分析法与独立成分分析法相结合,分别对时域和频域初始特征进行相关变换,得到降维后的统计独立的时域特征矩阵和频域特征矩阵;最后将时域和频域特征进行融合。3)研究出一种基于心电信号更优模糊决策树模型方案。首先将模糊集合论的模糊表示方法与决策树算法的可理解性相结合,创建动态隶属度函数,构建模糊决策树模型;然后将构建模糊决策树的相关参数作为依据进行模型优化方案的设计,将构建模糊决策树所需的必要参数作为微粒种群中的粒子进行迭代寻优,创建改进式的动态适应值函数,获得最优参数组合;最后根据优化后的参数输出最优模糊决策树模型。基于MIT-BIH心律失常数据库对上述实现方案进行仿真实验,结果验证了时频融合特征以及基于粒子群优化的模糊决策树模型的有效性,分类准确率达97.64%。因此,本文的研究可以作为心电信号自动诊断分类系统研究的依据。