心电图(ECG)信号自动分析与诊断是目前信号处理领域中的研究热点之一,其真正实现将有力地促进医疗事业的发展和人们健康水平的提高,也将是现代信号处理理论与技术和人工智能等在医疗领域中应用的重大突破。心电(图)信号自动分析与诊断系统的研究内容广泛,涉及的基础理论和关键技术繁多,是一个多学科交叉的庞大课题。到目前为止,现有的心电信号自动分析方法中还存在着诸多的缺陷和不足,在理论研究和实际应用方面仍有许多改进和创新的空间。针对这种现状,论文围绕“心电信号预处理”、“心电波形检测与定位”、“心电特征提取与选择”和“心电信号自动分类与识别”四个方面的关键技术展开研究。对心电信号预处理技术的研究:基于ECG信号处理和自动分析的实际需要,本文设计了ECG信号的小波滤波器、形态学滤波器和自适应滤波器,并对形态学运算去ECG基线漂移方法进行了改进。针对以上三种滤波器对ECG信号滤波时各自存在的缺陷,本文提出了基于小波变换与形态学运算的ECG自适应滤波新算法,并通过设计仿真实验模型和数值实验,验证了新算法相对于小波滤波器和形态学滤波器而言,是一种更为优秀的ECG信号滤波方法。对心电波形检测与定位方法的研究:心电波形检测与定位是心电信号自动分析与诊断的基础。在心电信号的QRS波群检测与定位方面,本文提出了一种基于Marr小波变换与形态学运算的QRS波群检测新算法,该方法将小波变换模极大值检测原理与形态学峰谷检测算法相结合,准确检测率高,计算速度快,定位精度好,为心电信号自动分析提供了一种精确分析手段。针对小波变换方法计算量大,检测速度相对较慢的不足,本文还提出了一种基于Hilbert变换的QRS检测算法,该方法直接利用了Hilbert变换性质,准确检测率高,计算速度快,可以用于临床心电QRS波群的实时检测。在心电信号的P波、T波检测与定位方面,本文提出了一种基于小波变换的自适应QRS-T对消P波检测新方法,该方法可以有效降低高频噪声和基线漂移的影响,对QRS波形态变化、心律失常的发生不敏感,具有较好的P波检测效果。这里所提出的P波检测算法思想可以类似地移植到对T波的检测与定位。本文提出的波形检测与特征点定位算法,都经MIT-BIH心电数据库部分或全部数据进行了检验,验证了算法的有效性。对心电特征提取与选择方法的研究:特征参数的有效提取与选择是心电信号自动分析系统的关键,直接关系到心电波形自动分类和疾病诊断的准确性和效率。本文根据心电信号的时频域分布特性和心律失常信号特点,综合利用小波变换、高阶统计量等现代信号处理理论,定义并提取了心电信号的时域特征、小波域特征和高阶统计量特征三类特征,并对主成分分析(PCA)和多重判别分析(MDA)实现心电特征选择的原理及应用方法进行了研究。对心电信号自动分类与识别方法的研究:提出了基于波形特征和SVM的心电信号自动分类方法。本文将主要针对二类模式分类的SVM分类器推广应用于心电信号的多类模式分类,并对一次性直接求解多类模式的SVM算法进行了理论推导。本文首次将一次性直接求解多类模式的SVM方法应用于心电信号分类,并对模型参数选取、心电信号特征提取与选择对SVM分类器性能的影响进行了研究。提出了基于高阶统计量与SVM的心电信号分类方法、基于小波变换与SVM的心电信号分类方法和基于多域特征与SVM的心电信号分类方法三种算法,并通过对MIT-BIH心电数据库全部48组心电数据的13类典型心律失常信号的分类测试,验证了所提出心电信号分类方法的有效性。采用PCA方法和MDA方法对心电特征进行选择后,在保证SVM分类器性能基本不变或下降很小的情况下,特征维数大为减少,有效提高了SVM分类器的分类识别效率。