近年来,心血管相关疾病已经成为威胁人类生命健康的“头号杀手”,得到了人们的重视。心律失常与心力衰竭都是比较常见的心脏疾病,对这两类疾病进行及时准确的检测和诊断,能够及早地对患病人群或高风险人群进行治疗或干预,对于提高人们生活质量有着重要的社会价值和研究意义。心电图作为一种无创检测方法,一直是检测和诊断心脏疾病的重要工具。特别是随着智能硬件和物联网的不断发展,可佩戴式心电监护仪成为了人们进行日常心脏健康监护的新选择。因此,如何基于可佩戴式心电监护仪所采集到的信号(一般情况下为单导联心电信号或连续心率信号)进行智能检测和诊断,成为了心血管疾病智能诊断领域的研究热点。本文基于以上考虑,重点研究基于单导联心电信号和连续心跳节律信号进行心律失常及充血性心力衰竭智能诊断的相关算法与技术,分析心电信号自动识别和诊断过程中存在的问题,在提升识别准确度的同时,保证识别速度,为这两类心血管疾病的智能诊断系统的建立提供技术支持,促进智能识别在心脏健康监护中的应用。而出于对采集设备便携性和识别精准度的综合考虑,本文还对如何从三导联心电信号重构标准十二导联心电信号的方法进行了研究,为未来更准确、更方便地进行心脏健康监控打下了基础。主要的工作内容和创新成果包括:第一,在心电信号预处理部分,本文对仿生小波变换进行了调整与改进,使其更加适用于心电信号,并结合傅立叶变换提出一种自适应仿生小波的快速实现方法;其次提出一种自适应阈值方法对心电信号中包含的噪声进行去除;最后,对心电信号中的R波位置进行识别,提取RR间隔信号。实验结果证明,本文所提出的去噪方法能够在保持较好的心电波形特征的前提下,对心电信号中的干扰,特别是基线漂移噪声进行有效的滤除;而针对R波位置的检测正确率达到了99.67%,取得了理想的效果。有效、准确的心电信号预处理工作能够为后续不同种类心血管疾病的智能识别与诊断奠定基础。第二,本文从心律失常诊断的实际需求出发,基于改进的半监督近邻传播聚类方法对心律失常进行识别。本文首先利用独立成分分析方法对心拍信号进行降维,并得到能够有效代表心拍信号的独立成分系数,之后结合两种方法对近邻传播算法进行调整,基于拥有少量带标签样本的假设,采用半监督近邻传播算法对心拍信号特征进行聚类分析;最后,将同一类别中的心拍信号聚集在一起进行展示并对提出的算法进行评估。该方法可以避免由于非最优初始化等原因导致的决策误差,在实际应用能很好地工作。实验证明,该方法的检测准确度达到了98.4%,对心律失常的识别有着重要价值。第三,本文基于连续RR间隔信号对心力衰竭进行智能诊断。本研究提出了两种基于深度学习模型的方法。在第一种方法中,本文基于2014年由谷歌提出的“Inception”网络架构,提出一种将长短时记忆网络(LSTM)与卷积神经网络(CNN)相结合的深度网络模型,并利用所提出的深度网络模型基于短期RR间隔数据进行心力衰竭的检测;而在第二种方法中,本文利用6层深度网络作为特征提取器,对短期RR间隔信号中的高维度(high-level)特征进行提取,结合专家经验特征进行集成式心力衰竭检测。经过实验与对比分析,两种方法均能够达到较高的准确度:在针对严重性心力衰竭的检测中,达到了近似100%的准确率;而在针对非严重性心力衰竭的检测中,也达到了85%以上的准确率。然而,从整体上来看,集成式学习还是略胜一筹。原因可能在于深度学习方法允许在高维原始空间中进行自动的特征提取工作,它可以通过组合底层特征来发现数据的分布式特征表示,从而对数据进行更加具体的表达;而专家经验则蕴含了人类的智慧,将两者结合在一起,能够更有效地进行心力衰竭的识别,达到更好的识别效果。最后,本文基于卷积神经网络设计了一个由三导联向标准十二导联转换的系统,并基于国际权威数据库对模型进行了多层次的验证。实验结果表明,采用该方法重构的合成心电信号与真实心电信号之间具有较高的相似性和较低的误差。该方法将平均相关系数提升了约3%(特异模型)和2%(通用模型),将平均均方根偏差降低了约71%(特异模型)和约12%(通用模型)左右。综上所述,该系统能够为便携式心电检测系统提供更丰富的心脏健康状态信息,满足实际应用中的需求。