随着当今社会的高速发展,网络技术及数据库技术有了长足的进步,人们越来越需要简洁、快速地获取信息,需要通过科学预测来为他们的行为提供帮助和指导。人们迫切希望能对某些身体疾病(如心血管疾病)进行精准预测。由此衍生出多种预测算法与预测工具。人工神经网络(Artificial Neural Networks,ANNs)就是其中的佼佼者。ANNs是一种模拟生物大脑处理机能的非线性模型,具有可塑性强、健壮性强、信息处理能力强等特点。误差反向传播(Error Back Propagation,BP)神经网络是ANNs最典型的分支之一,特别适用于对非线性非平稳信号的预测。心电信号就是这样一种信号。它可以明确直接的反映心脏的活动,使医生快速的了解病情,从而迅速准确地救治患者。对其进行预测意义重大。本文使用BP神经网络对心电信号进行预测。鉴于BP网络存在一些缺陷,为提高预测度值,得到更好的预测结果,本文在预测过程中,采用了一种新兴的信号处理技术——变分模态分解(Variational Mode Decomposition,VMD)改进BP神经网络的输入端,客观的确定了网络的输入端节点数,防止主观因素对输入端节点数目的影响,从而使其得到了改进。VMD是一种新兴的完全非递归的信号分解方法,能将给定的信号分解成为围绕中心频率的一组模态。本文首先将含有基线偏移噪声的输入心电信号用VMD分解成一组模态,通过分析每个模态的中心频率,完成特征模式选取,达到去除心电信号中基线噪声的目的。然后将其余的模态作为BP神经网络的输入信号,通过网络的学习和训练确定其权重和阈值,最后达到对数据进行预测的目的。文中使用MATLAB作为仿真工具,采用麻省理工学院研究心律失常数据库提供的第100号和第119号心电信号作为仿真信号。仿真实验表明,在误差允许的情况下,本文所研究的改进算法有效,且性能良好,验证了此改进算法对心电信号进行预测的有效性。