心电图是诊断心血管疾病的重要依据，对心电图的自动诊断具有很高的临床价值。近几年国内外对于心电图分类进行了广泛的研究，基于反向传播神经网络(BP)分类[1]方法，不能保证高实时性；支持向量机的方法[2]，在训练样本较多时难以实施；参考文献[3]应用心电图的病理特点进行分类，但心电图的不规律性将对分类正确率有很大影响；静态链接库支持向量机分类器[4]，但机器的学习能力过强，反而降低了其推广性。综上考虑，设计了小波滤波与概率神经网络相结合的心电图分类模型。

1 心电图滤波及特征提取
1.1小波变换的心电图滤波
对心电图提升双正交小波变换[5]的六层小波进行分解、分析可知，心电信号的频率成分主要集中于3、4、5尺度中；而肌肉震颤、工频干扰及基线漂移频率成分主要在1、2、6尺度中，所以在进行小波重组时，将1、2、6尺度的细节信号系数置零，可去除大部分干扰。以美国MIT/BIH心律失常库的100.mat中前两秒的波形为例，可明显发现，除噪后的波形更加平滑，特征更加明显。如图1所示。

1.2 心电图特征提取
MIT/BIH标准心电数据库中的波形采样,频率为360 S/s, 精度为11位实验环境为Matlab 7.4.0(R2007a)。在2 s内的样本波形中，首先利用数学形态学定位QRS波群[6]的起始点和大致范围，然后依次定位R波峰[7] (五角星表示的点)、 Q波峰、S波峰、T波峰、P波峰[8]。最后,用峰间间距和峰间斜率表示其余的特征值。以美国MIT/BIH心律失常库的100.mat中前2 s的波形为例,如图2所示。

由于肌肉震颤、工频干扰和基线漂移等对心电图干扰较大，所以必须先进行除噪。而概率神经网络具有很高的正确率及较好的实时性，所以本文将小波滤波与概率神经网络进行组合。经仿真可知，本文设计的网络有较好的容错能力，在实际应用中若想判别更多类型的心脏疾病，只需将概率神经网络的输入层和输出层神经元个数，按本文对应的设置方式加以拓展即可实现。
参考文献
[1] 刘金江，王春光，孙即祥.基于稀疏分解和神经网络的心电信号波形检测及识别[J].信号处理,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] 李坤阳，胡广书.基于心电图分析的心律失常分类[J].清华大学学报（自然科学版），2009，49（3）:418-421.
[4] 陈学琴.基于心电图分析的心律失常分类[D].北京：北京交通大学，2011.
[5] 凌朝东,刘蓉,钱江,等.基于5 /3 提升小波变换的心电信号压缩算法及VLSI实现[J]. 信号处理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.