现如今,心血管疾病已经严重威胁人们的生命健康,对于卧床病人而言,问题则更加严峻,由于卧床这一难题,当发生心血管疾病的时候,病人无法及时做到求救等措施;所以解决心血管问题对卧床病人而言已经迫在眉睫。由于病人卧床和本身患有疾病等原因,导致卧床病人的心电信号有两个主要特点:第一,卧床患者心电信号中掺杂的噪音比一般人心电信号中的噪音更多;第二,卧床患者异常心电信号的类型和数量也比正常人的心电信号更复杂,基于此,本文提出一种改进的去噪方法用于心电信号去噪,构建了一个新的混合模型用于心电信号分类,并引入了MIT-BIH数据库作为改进算法效果检验的基础数据集,MIT-BIH数据库是当前国际公认的心律失常数据库,其中60%数据来源于住院病人,适合作为本文研究的数据集。最后,通过硬件设计部分实现对卧床病人心电信号（ECG）的监测。卧床病人心电信号的处理主要包括三个步骤:心电信号去噪,心电信号特征提取,心电信号分类。目前,在心电信号去噪和分类方面人们已经进行了很多研究,但是由于心电信号中包含的噪声较为复杂,异常心电信号的种类和数量划分繁多,所以,当前心电信号去噪和分类方法未能达到人们期望的效果。基于此,本文主要做以下三部分的研究:1.研究一种改进的去噪方法用于心电信号去噪:本文针对卧床病人心电信号微弱,频率范围低,包含噪声较多且去噪不彻底等问题提出了一种改进的心电信号去噪方法—基于优化变分模态分解（VMD）的小波阈值法。选择MIT-BIH数据库作为心电信号的数据集,在此基础上,采用其他两种去噪方法进行对比,结果表明,本文所提方法去噪的效果更好,心电信号的去噪情况得到了一定的改善,更有利于后续心电信号的特征提取和分类。2.构建一个新的混合模型用于心电信号分类:本文针对卧床病人心电信号中异常心电信号的种类和数量较多且目前心电信号分类方法准确率较低,泛化能力较弱等问题构建了一个基于融合注意力机制—卷积神经网络（CBAM-CNN）和支持向量机（SVM）的混合模型进行心电信号分类。利用MIT-BIH心电数据库作为分类效果检验的数据集,并同其他几种心电信号分类方法进行对比,通过准确率等评价参数显示,本文提出的混合模型更加适合心电信号分类。3.硬件设计部分,本文硬件部分主要是对卧床病人心电监测系统的设计,通过硬件设计实现对卧床病人心电信号的采集,上位机部分显示监测结果并对心电信号进行保存。