随着人类生产生活方式的丰富多样,人口老龄化程度日渐加重,心血管疾病患病率持续递增,并成为人类健康的头号杀手。心电图作为体表记录人体心脏活动的方式,常用于心血管疾病的临床诊断。心血管疾病中最为常见的心律失常和心肌梗死主要诱因为心肌缺血。因而心肌缺血的检测对于这两类疾病的诊断具有重要意义。心肌缺血主要体现在心电图上的ST-T段改变。为此,本文针对心电信号特征波位置的检测和缺血形态信息的表达进行深入研究,具体内容如下:1.针对现有心电信号特征波检测算法存在的毛刺干扰和过零点错位问题,提出一种融合平稳和连续小波变换的T波检测算法。利用连续小波变换的多尺度信息,获取心电信号中T波主要成分。然后采用平稳小波对T波候选段进行平滑处理,消除波形中锯齿状毛刺对峰值点检测的影响。最后对T波过零点进行时移修正,保证过零点还原到原始信号的过程中能够准确对应其峰值点,从而提高T波的检测精度。经MIT-BIH Arrhythmia数据库进行验证,心电信号T波的误差率、敏感度和正确预测度分别达到0.26%、99.87%和99.88%。实验结果证明,本文所提算法能够准确检测心电信号特征波位置。为心肌缺血特征波候选段截取提供充实基础。2.针对现有心肌缺血检测算法存在的病理特征表达不充分和训练模型复杂度高等问题,提出一种基于多粒度级联森林的心肌缺血智能检测算法。利用多粒度滑动窗口对缺血候选段进行逐帧扫描,将不同时刻的缺血特征进行融合,实现数据增强。然后采用分裂属性不同的随机森林,将缺血病理特征再次深入表达,从而实现病理信息的深层提取。在级联层的每一级联分别添加了均值化处理和增益比较,均值化处理能够避免多个线性关系的特征向量串联聚拢引起不必要的冗余信息,增益比较能够有效解决模型训练层数的复杂化问题,实现本文算法模型的自适应能力。经Long-term ST-T数据库进行验证,在不同训练集占比为90%、70%和30%三组实验情况下,分别实现了95.89%、95.40%和94.93%的分类精度。实验结果证明,本文所提算法能够真实有效地表达缺血特征。