穿戴式心电监测是实现便携式远程医疗监护的一种重要技术手段,动态心电监测对于早期发现心脏疾病风险起到至关重要的作用。随着健康医疗大数据时代的来临,穿戴式心电实时、动态、连续、智能监测也成为心电临床应用以及家庭健康监护的一个新趋势,建立标准、有效的穿戴式心电数据库,并基于此开展动态心电智能分析研究非常重要。然而,心电信号是一种易受干扰的微弱生理信号,特别是在动态监测场景下,由于运动状况的复杂多变、以及设备、环境等噪声因素的影响,导致记录到的信号质量参差不齐。如果对于长时间记录的心电大数据不加任何质量评估措施直接推送到医生端,会极大增加医务人员的工作负荷,导致噪声信息维度灾难,甚至产生严重的错误判断。因此,在进行穿戴式心电疾病风险检测之前,进行有效的信号质量评估非常必要。本论文主要围绕穿戴式心电系统设计、数据在线标注系统、动态心电质量手动标注、QRS波位置手动标注和基于机器学习的信号质量分类几个方面进行研究。首先利用与合作单位联想研究院合作研发的3导联心电监护设备,采集了临床200多例心血管病患者(主要是心律失常)的24小时长程、动态穿戴式心电数据,搭建了心电数据在线标注平台。然后利用标注平台对穿戴式心电数据进行信号质量三分类标注,具体是将信号分为临床有用且信号质量好、临床有用但信号质量差和临床无用三大类的信号质量类型。在此基础上,进一步对每种信号质量类型进行亚分类标注,共建立起16个信号质量亚类型。基于上述数据标注建立了穿戴式心电信号质量三分类、信号质量细化亚分类、心电QRS波位置标注共三个小型信号标注数据库。随后,对穿戴式心电信号的特点及其噪声干扰类型进行了分析,分别从时域、频域、非线性域角度提取了共计12个特征指标作为心电信号质量分类指标,依据建立的多特征指标,结合支持向量机(support vector machine,SVM)算法对穿戴式心电进行信号质量自动评估,同时结合网格搜索算法进行SVM参数优化,建立了针对穿戴式心电信号质量的三分类评估模型,模型分类准确度达到92.3%。与此同时,本文也研究了融合心电时频分析和深度学习方法的心电质量评估方法,即首先将心电信号片段转换为时频二维图像,然后输入到卷积神经网络(convolutional neural network,CNN),通过CNN模型训练实现信号质量三分类,CNN模型输出的分类结果为79.5%。最后对比分析了SVM和CNN模型在本论文研究中针对穿戴式心电信号质量评估结果的差异,并对未来研究进行了展望。