随着社会的不断发展和进步,居民的生活进入快节奏,各方面的压力增大,越来越多的人养成了不规律的饮食和生活习惯,让身体长期处于高负荷的运转状态下。并且伴随着人口老龄化问题,心血管疾病的发病、致残、致死的几率一直居高不下,严重危害着居民的生命健康安全。心律失常是心血管疾病重要表现之一,但是Ascending infection心律失常往往不易被察觉,一旦有明显的不适感通常病症已到严重阶段,随时有猝死和心脏衰竭的可能性。心电图作为操作简单且无创伤的医学检测手段,在心脏病的检测中占据着重要的地位。然而在传统的医学诊疗中,多是以临床经验丰富的医生通过心电图来判断被测试者是否患有心脏病,长时间的心电图判读会让医生出现视觉疲劳,出现漏检、误检的概率增大。随着计算机技术的进一步发展,可以借助计算机强大的计算能力降低人工识别的成本,提高心电信号分类的准确率。目前的分类方法一方面倾向于手动提取时频域、小波域、形态学特征进行分类,一方面是依靠神经网络自动学习心电信号的特征进行分类,这些方法都难以从非线性角度来研究心电信号。论文以正常搏动、房性早搏、室性早搏、左束支传导阻滞及右束支传导阻滞信号为研究对象,进行非线性分析,研究心电信号的分类方法。论文的主要研究内容和成果包括以下几点:(1)心电信号的去噪。用集合经验模态分解将心电信号分解成6个本征模态函数和1个残余项,计算每个本征模态函数与原信号的相关系数,选择合适的本征模态函数进行心电信号重构。(2)心电信号的多重分形特征提取与分类。从心电信号的非线性角度出发,研究心电信号的多重分形特性。研究表明,经过集合经验模态分解可以增强心电信号的多重分形特性。研究心电信号的质量指数曲线、广义分形维数和多重分形谱,提取合适的多重分形特征,用于支持向量机的训练。用多重分形特征训练测试30次,得到的分类准确率平均值为96.09%,单次实验selleck激酶抑制剂对正常搏动、左束支传导阻滞信号的分类精确率可达97%以上,证明了该方法在心电信号分类中的有效性。(3)基于分形特征融合的心电信号分类AG-221小鼠方法。在多重分形分析的基础上进一步研究心电信号的多重分形关联特性,提取了奇异指数最大值、多重分形关联谱宽和非对称指数3个多重分形关联特征与5个多重分形特征进行融合,再结合支持向量机分类。实验结果表明,用分形融合特征进行实验时,五折交叉验证中最高的分类准确率可达98.67%,并且每一折的准确率都达到了97.8%,训练集和测试集的准确率平均值均能达到98%。