心电信号是人体心脏健康状况的直接反映，同时也是医生作心脏疾病诊断时的重要依据。随着医院存储数据越来越丰富以及人工智能算法在医学上的应用，基于心电信号的自动分析诊断技术已有大量研究，但是目前的疾病正确诊断率不高，仅作为医生诊断参考之用。因此，研究高准确率的自动分析诊断方法尤为重要。本文以单个周期的心电信号为研究对象，重点研究心电信号的特征提取方法及分类识别方法。主要研究工作包含以下几个部分：
　　1. 基于时频融合特征的心电信号特征提取方法研究。根据心电信号中 R峰位置，将连续的心电信号按周期分割，对每一个周期的心电信号进行 3层小波包分解，保留前4组小波包分量对信号进行重构，通过重构完成去噪，同时将对应系数矩阵的二范数作为心电信号的频域特征。然后提取心电信号各峰值与时间间期信息，作为时域特征。最后，以向量张成的方式将频域特征与时域特征进行融合，用融合后的特征向量表征心电信号。
　　2. 基于动态模糊决策树的心电信号分类方法研究。在决策树生长过程中，对当前结点的所有样本，分别在每个属性上进行模糊C均值（FCM）聚类，起到动态划分特征空间的作用，计算每一个属性划分前后的信息增益，选择信息增益最大的属性为分裂属性，当满足停止条件时停止决策树的生长，以此来构建决策树。利用MIT-BIH数据库中的数据进行了心电信号正异常分类及多类异常分类实验，识别准确率分别达到了 99.14%和95.14%。
　　3. 心电信号检测诊断系统设计与实现。基于 MATLAB软件平台及AD8232芯片、Arduino 单片机硬件平台，设计了一套便携式的心电信号采集及诊断系统。通过对自采集的 392组心电信号样本进行正异常自动分类，取得了93.88%的识别准确率。
　　无论是标准数据库中的实验结果还是自采集数据的实验结果，都表明了本文所提方法的有效性，本文所提时频特征融合方法提取的特征能有效表征心电信号，改进的动态模糊决策树算法提高了心电信号分类精度，能作为心脏疾病诊断的辅助工具，对疾病预检具有重要意义。