目前,作为最常见的持续性心律失常房颤在全球范围内的患病率居高不下,我国也面临着逐年增加的发病率对国民生命健康的严重威胁。阵发性房颤为房颤的初期阶段,发作时间短、无明显临床症状,而随着病状的加重极易引发脑卒中或心力衰竭等救治率低、致残率高的疾病,因此阵发性房颤的尽早发现和治疗至关重要。而长时程的心电监测能有效提高阵发性房颤的筛查率,因此为了实现检测的实时性,本文围绕房颤发作时RR间期绝对不规则的特征展开研究。RR间期特征具有抗噪声干扰、计算数据量较小的优点。现有的基于RR间期的房颤检测算法均在检测准确率和鲁棒性上存在不足,且大多数无法检测短暂发作。由此,针对RR间期序列复杂的高维非线性特性,设计了基于黎曼流形稀疏编码的阵发性房颤检测算法。本论文的主要工作有:(1)引入流形学习构造了高性能的阵发性房颤检测算法。首先,根据RR间期序列的统计特征估计协方差矩阵作为描述子,从而不仅能强调特征本身,还能强调特征之间的相互作用。由于协方差矩阵的对称正定性,构成了不同于欧式空间的具有特殊拓扑结构的黎曼流形空间。为此引入仿射不变黎曼框架,在流形上学习黎曼字典进而得到更具表达能力的稀疏表示向量。最后重构残差值,根据误差最小准则进行分类。经MIT-BIH-AF数据库,基于较短的RR间期子序列获得了99.34%的敏感度、95.41%的特异性和97.45%的准确率,验证了该算法对短暂发作的阵发性房颤检测的有效性。(2)为了降低直接在流形上计算的复杂度,并且更加充分地利用流形空间特殊几何结构的优势。引入较简单的Log-Euclidean黎曼框架,采用Log-Euclidean核函数将流形上的矩阵映射到可再生核希尔伯特空间,经线性表达进行字典学习和稀疏表示并进行分类。经MIT-BIH-AF数据库的5倍交叉验证获得的敏感性为98.71%,特异度为98.43%,准确率为98.57%。进一步验证了该算法的鲁棒性能,且检测所需计算时间为0.107 ms,更加满足了实时性检测的要求。(3)为了更全面的提取RR间期序列的特征信息,考虑到相空间重构可以很好的展示信号的非线性动力学特征,提出将上述协方差矩阵描述子与相空间重构系统估计的协方差矩阵描述子相融合的检测算法。经MIT-BIH-AF数据库获得的敏感性、特异度和准确率为99.49%、98.98%和99.29%。由MIT-BIH-NSR数据库进一步验证算法的特异度为97.23%。该方法有效地提升了现有模型的正确率和泛化能力。