心电图的心拍心律失常种类和频率是反应心脏活动质量的重要指标,也是诊断心血管疾病的主要依据。自动分析系统以信号的频率分量、形态学的数学抽象、关键点的指标等信息为依据对心拍进行分类,而医生则是结合经验对信号所含的语义概念进行理解后作出判断,因此导致了计算机与人在对目标的理解方式上存在“语义鸿沟”。提取高层特征从而深度挖掘信号中的信息可以有效地跨越“语义鸿沟”,提高系统的准确性与实时性。围绕面向心拍识别的心电图高层特征,论文的主要研究工作如下:1.提出了心拍矢量量化编码(Beats Vector Quantization,BVQ)特征,实现了心拍的高层特征提取。矢量量化编码特征已在离散时间序列识别问题中展现了其准确率与计算量方面的优越性,但是由于存在波形“鉴别性”弱的缺陷,因此现有的矢量量化编码特征不适用于心拍识别。为解决该问题,提出了一种波形标准化方法,检测心拍的组成波形,并将其进行标准化处理,提升了编码特征的波形“鉴别性”,从而建立了BVQ特征及基于BVQ的心拍识别系统。使用QTDB为心拍数据源,固定心拍识别系统中的其他环节,通过特征替换的方式建立实验,将提出的BVQ特征与传统的时域特征、频域特征展开对比。结果表明BVQ特征在维度远低于传统特征的前提下可以取得较高的识别准确率,从而证实提出的方法可以有效提高系统的准确性与实时性。2.提出了高性能心拍编码词典,改进了心拍编码特征词典构造原理。词典直接决定了高层特征的分类性能,现有的词典学习算法以所有词典训练样本的组合作为词典分量,存在对“脏数据(dirty data)”敏感的问题。为了解决该问题,提出了一种高性能心拍编码词典,其构造原理为选取有代表性的样本作为词典分量,有效地避免了词典学习过程中“脏数据”的影响,从而提高系统的准确性。为了验证词典的有效性,将提出的高性能心拍编码词典应用到BVQ特征中,使用QTDB为心拍数据源,固定心拍识别系统中的其它环节,通过特征替换的方式建立实验。与传统的时域特征、频域特征展开对比,结果表明基于高性能词典的BVQ特征可以在维度远低于传统特征的前提下取得最高的识别准确率,证实提出的高层特征可以提高系统的准确性与实时性;与采用传统词典学习方法的BVQ特征展开对比,结果表明提出的特征可以显著提高识别准确率,证实提出的高效词典学习方法可以提高编码特征的有效性。3.提出了心拍目标属性特征,改进了高层特征的提取准则。目前高层特征以编码特征为主,编码特征的提取准则是对底层信息进行数据挖掘得到高层信息,存在难以同时表达形态信息和空间信息的问题。为了解决该问题,提出了心拍目标属性特征,其提取准则是以信号中的关键目标为属性直接生成高层信息,进一步对高层信息建模得到特征,可以有效的同时表达形态信息和空间信息。为验证目标属性特征的有效性,使用QTDB为心拍数据源,固定心拍识别系统中的其他环节,通过特征替换的方式建立实验,与底层特征、编码特征展开了对比,结果表明提出的目标属性特征可以显著提高识别准确率,证实提出的目标属性高层特征可以改善心拍识别系统的准确性。