当今社会,心血管疾病严重危害人们的身体健康,在我国,心血管疾病现患人数已达2.9亿,其防治工作刻不容缓。心脏疾病作为心血管疾病中常见且致死率较高的一类疾病,其突发性与一过性导致疾病的监测与诊断面临严峻挑战。传统心电监测系统在即时监测与连续监测场景下均存在一些问题,并不适用于日常心电监护。因此,本文设计了移动智能心电监测系统,通过研究系统在软硬件实现、信号处理、疾病分析与临床应用中的关键问题,实现基于移动智能心电监测系统的日常心电信号采集、处理与分析。系统实现方面,为解决传统静态与动态心电监测在日常应用中的问题,面向日常心电监测,设计移动智能心电监测原型系统,包括移动智能心电监测设备、应用与管理软件,实现心电信号的实时处理、显示与分析,为系统关键技术研究打下基础;特别地,针对移动平台严苛的功耗要求,提出有损到无损心电压缩框架,基于嵌入式软件集成形式,分析其实际压缩性能与通信功耗优化水平,并基于三级流水线架构实现其硬件结构,缓解移动平台下心电信号高采样率与高精度造成的通讯和数据存储压力;此外,针对移动智能心电监测中更加常见的导联倒置问题,设计自动心电极性校正算法,提升后续心电信号分析性能。信号处理方面,面向移动心电监测中显著的肌电噪声干扰,提出基于卡尔曼滤波的实时肌电噪声抑制算法。针对传统肌电去噪造成QRS复合波形态畸变的问题,算法首先对心电信号进行预处理,去除原始心电信号中的基线漂移、工频噪声与高频干扰;而后,提取并保留预处理心电信号的QRS复合波区域,基于一维卡尔曼滤波,着重滤除剩余区域的肌电干扰,在提升肌电噪声抑制性能的同时,保留了 QRS复合波形态,避免了传统肌电去噪过程中的R峰削峰现象,通过算法,提升了心电信号QRS复合波检出率与P波检出率。疾病分析方面,针对单导联心电信号的心律失常分析问题,提出基于XGBoost的智能心拍五分类算法。算法设计了与RR间期、心电幅值相关的五类波形形态特征,与小波分解系数特征共同组成56维心拍特征向量;通过将原始心电信号分割为基于心动周期的心拍信号,提取每个心拍的特征向量,用于XGBoost分类器的分类训练,最终将每个心拍分为无异位心拍、室上性异位心拍、室性异位心拍、融合心拍和未归类心拍五个类别。算法在取得优于传统机器学习方法分类性能的同时,相较于性能相近的深度学习方法,保留了训练成本和模型规模上的优势。临床应用方面,由于临床心脏异常诊断中通常参考标准12导联心电系统,为提升移动智能心电监测系统所采集的有限导联心电信号的临床价值,提出基于自适应分区的分段线性标准12导联心电信号重建方法。算法根据心脏电活动阶段,对心电信号进行自适应分区,以分别估计各阶段的心电信号线性回归模型,基于心脏电活动中各阶段心脏向量的内在一致性,提升标准12导联心电信号重建精度;此外,在重建算法评估中提出了全新的“ST水平关键变异率”指标,以衡量导联重建方法对心电关键敏感参数产生的影响。在总结全文工作后,本文展望了未来基于柔性电极的穿戴式心电监测设备、日常心电信号监测中的运动伪影消除、基于深度学习的心电自动化诊断算法和导联信号重建优化与非标准导联系统研究工作。