随着我国人口老龄化加剧以及现有医疗资源分布不均衡,医疗健康问题在我国变得越来越重要。心血管疾病是危害现代人身体健康的重要疾病之一,心律失常是心血管疾病中重要的一类疾病。心电图的分类识别研究是诊断心律失常的前提与关键。本文的心电图分类识别研究是基于小波变换和神经网络的数字化自动分类识别的研究。该研究有利于促进移动心电监控系统的发展并进一步促进现有医疗资源分布不平衡的改善。心电信号分为很多种,本文进行分类识别的心电信号有正常心电信号、左束支传导阻滞信号、右束支传导阻滞信号、室性早搏信号、房性早搏信号。本文的主要工作如下:1.本文使用小波变换滤除检测设备获取心电信号过程中产生的噪声。本文使用强制滤波方法滤除基线漂移噪声,使用阈值门限滤波方法滤除工频干扰和肌电干扰。2.本文对滤除噪声后的心电信号依次进行R波、Q波、S波、P波、T波的波形识别。本文分析了传统的心电信号波形识别方法中的缺点,并针对消除这些缺点进行改进。例如,在传统R波识别方法中,阈值的选择对R波识别效果影响很大,且容易出现最大值个数与最小值个数不匹配等问题,本文的改进方法可以消除上述问题。3.本文采用波形的幅度值和波形的间距时间作为神经网络训练样本的特征值。通过训练样本对传统BP神经网络和径向基神经网络进行训练,并使用训练后的神经网络对心电信号记录进行分类识别,以该分类识别的正确率作为神经网络分类识别的标准。本文通过修改神经网络的参数提高神经网络的性能,通过调整训练样本来提高神经网络的分类识别正确率。对比传统BP神经网络和径向基神经网络,得到传统BP神经网络存在若干缺陷,而径向基神经网络不存在这些缺陷且分类识别的正确率更高。例如,传统BP神经网络存在参数较多、训练速度慢、训练结果随机性高等缺点,而径向基神经网络参数较少、训练速度快、训练结果有一定规律。本文在心电信号波形识别中对传统的波形识别方法进行了改进,在神经网络分类中选择了径向基神经网络,最终获取了优异的分类识别的正确率。