随着我国人口老龄化日益加速,心血管的患病率逐年增加,死亡率居各类疾病之首。房颤作为临床上常见的持续性心律失常疾病,会增加患者中风、心力衰竭和冠状动脉等高危疾病的发病风险,患病率和死亡率较高,因此提高临床对房颤的预防率、诊断率和治疗率十分重要。本文采用穿戴式心电设备采集临床数据,借助特征选择和机器学习技术优化房颤智能检测模型,以期实现房颤早期预警,减轻医疗负担和经济压力,节省宝贵的医疗资源。本文从数据、特征和算法三个维度对房颤智能检测算法展开研究,首先采用无约束特征优化筛选特征集,并结合三种机器学习算法分别构建房颤分类模型,然后对比分析不同特征组合下的三种模型在多源数据库上的分类结果。此外,本文考虑到临床信号中早搏对房颤检测算法准确率的影响,针对性地筛选特征建立早搏约束优化下的房颤检测模型,期望能够发展具有临床有效性的房颤诊断算法。主要研究内容如下:（1）穿戴式心电数据的临床采集与标注。采用东南大学与联想集团合作研发的三导联动态心电记录仪,在江都人民医院针对65岁以上的老年人群开展长时程心电数据采集计划,并借助Matlab GUI设计长程心电房颤标注系统,对采集数据进行标注和房颤筛查,最后经过房颤算法分析为每位患者生成心电报告。（2）房颤特征集的计算与无约束优化和有约束筛选。详细总结了房颤短时检测中常用的102个时域、频域、非线性和形态四类特征,并分别针对房颤与非房颤、房颤与早搏两组数据进行无约束特征优化和早搏约束下的特征筛选,得到三组不同的特征集用于后续模型构建。此外介绍了两个用于长时程心电信号中房颤快速筛查的特征指标。（3）无约束和早搏约束优化下的房颤检测模型研究。将每组特征集分别与支持向量机、逻辑回归和随机森林三种机器学习算法相结合构建分类模型,并在三个公开数据库和穿戴式心电数据Ⅰ四个测试集上验证模型表现。最终得到三个无约束房颤检测模型在四个测试集上的准确度均达到90%以上,且随机森林相较于另两种算法具有更强的稳定性和泛化能力;此外,早搏约束优化下的支持向量机模型相比无约束支持向量机模型性能更好,能有效降低房颤误检为早搏的概率,更适用于临床应用。（4）本研究的临床有效性验证。结合标注系统和长程房颤筛查特征对穿戴式心电数据Ⅱ进行房颤快速筛查,并对筛查出房颤的信号采用早搏约束优化下的支持向量机模型进行房颤细筛,统计信号的房颤发作时间段并与人工标注结果对比,最终得到房颤检出率达到96.96%,证明本研究具有一定的临床应用和参考价值。本文从临床需求出发,通过设计特征集优化筛选算法,构建了早搏约束优化下的房颤检测模型,并将模型应用于65岁以上老年人群的阵发性房颤筛查和房颤负荷的统计,为临床房颤管理与治疗提供参考。