本文基于心电图特征提取与神经网络分类,提出了一种模拟现实特点的心电图分类方法:一方面,改进心电图分析中的射线拟合方法,避免了一般快速拟合法由于其确定的线段终点不能落在心电曲线上,从而容易出现逼近线段锯齿状摆动情况,提高了拟合的质量.并利用它对心电图进行识别分析,进而得到心电图多导联的特征.另一方面,根据心电信号中,各波分别处在不同的频率范围的特点,采用Mexican-hat 小波变换检测心电信号的特征点.根据Mexican-hat 小波的特点,心电图的各特征点对应于变换后的局部极值点,克服了一般的小波变换,特征点对应模极值对的过零点,从而需检测模极值对和过零点的困难,提高了特征点检测的准确率,对R 波的识别正确率达到99.9%. 在分别运用两种方法检测到心电信号的特征点后,根据临床情况下心电图疾病分析的原理与实际诊断的特点,根据径向基函数网络具有强分类能力的特性,应用一个径向基函数网络对心电图特征在高维空间进行分类.经MIT-BIH心电数据库部分波形试验证明,该方法通过对提取到的特征进行学习、分类,具有较好的分类准确率.在文献[6]分类正确率不到97%(学习波形)与54%(未学习波形)的基础上,对学习过的波形分类的正确率达到100%.对未学习过的波形,经分类网络试验,对通过射线拟合方法得到的特征,分类正确率为78.2%;对通过小波变换方法得到的特征,分类正确率达到86.6%.