心電圖是診斷心血管疾病的重要依據，對心電圖的自動診斷具有很高的臨床價值。近幾年國內外對于心電圖分類進行了廣泛的研究，基于反向傳播神經網絡(BP)分類[1]方法，不能保證高實時性；支持向量機的方法[2]，在訓練樣本較多時難以實施；參考文獻[3]應用心電圖的病理特點進行分類，但心電圖的不規律性將對分類正確率有很大影響；靜態鏈接庫支持向量機分類器[4]，但機器的學習能力過強，反而降低了其推廣性。綜上考慮，設計了小波濾波與概率神經網絡相結合的心電圖分類模型。

1 心電圖濾波及特征提取
1.1小波變換的心電圖濾波
     對心電圖提升雙正交小波變換[5]的六層小波進行分解、分析可知，心電信號的頻率成分主要集中于3、4、5尺度中；而肌肉震顫、工頻干擾及基線漂移頻率成分主要在1、2、6尺度中，所以在進行小波重組時，將1、2、6尺度的細節信號系數置零，可去除大部分干擾。以美國MIT/BIH心律失常庫的100.mat中前兩秒的波形為例，可明顯發現，除噪后的波形更加平滑，特征更加明顯。如圖1所示。

1.2 心電圖特征提取
    MIT/BIH標準心電數據庫中的波形采樣,頻率為360 S/s, 精度為11位實驗環境為Matlab 7.4.0(R2007a)。在2 s內的樣本波形中，首先利用數學形態學定位QRS波群[6]的起始點和大致范圍，然后依次定位R波峰[7] (五角星表示的點)、 Q波峰、S波峰、T波峰、P波峰[8]。最后,用峰間間距和峰間斜率表示其余的特征值。以美國MIT/BIH心律失常庫的100.mat中前2 s的波形為例,如圖2所示。

    由于肌肉震顫、工頻干擾和基線漂移等對心電圖干擾較大，所以必須先進行除噪。而概率神經網絡具有很高的正確率及較好的實時性，所以本文將小波濾波與概率神經網絡進行組合。經仿真可知，本文設計的網絡有較好的容錯能力，在實際應用中若想判別更多類型的心臟疾病，只需將概率神經網絡的輸入層和輸出層神經元個數，按本文對應的設置方式加以拓展即可實現。
參考文獻
[1] 劉金江，王春光，孫即祥.基于稀疏分解和神經網絡的心電信號波形檢測及識別[J].信號處理,2011，27(6):843-850.
[2] MELGANI F,BAZI Y. Classification of electrocardiogram signals with support vector machines and particle swarm  optimization[J].IEEE Transactions on Information Technology  in Biomedicine, 2008,12(5):667-677.
[3] 李坤陽，胡廣書.基于心電圖分析的心律失常分類[J].清華大學學報（自然科學版），2009，49（3）:418-421.
[4] 陳學琴.基于心電圖分析的心律失常分類[D].北京：北京交通大學，2011.
[5] 凌朝東,劉蓉,錢江,等.基于5 /3 提升小波變換的心電信號壓縮算法及VLSI實現[J]. 信號處理2010，26(6)：930-935.
[6] ZHANG C F， BAE T W.VLSI Friendly ECG QRS complex detector for body sensor networks[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems,2012,2(1):52-59.
[7] BENMALEK M, CHAREF A. Digital fractional order operators for R-wave detection in electrocardiogram signal[J].  IET Signal Processing, 2009,5(3):381-391.
[8] LIN C, MAILHES C, TOURNERET J Y. P- and T-Wave  delineation in ECG signals using a bayesian approach and a partially collapsed gibbs sampler[J]. IEEE Transactions on Biomedical Engineering, 2010,57(12):3242-3255.