在生活节奏日益加快的今天,心血管疾病一直是一个影响人们健康的重要因素。心血管疾病的死亡率多年来均超过癌症,居所有疾病之首。尤其是在中国,随着人口老龄化的加深和生活条件的变好,心脏疾病的发病率一直呈现上升趋势。心电图是诊断心血管疾病的有力工具,它记录了心脏在跳动过程中电信号的变化,是心脏电生理活动在人体体表的综合表现。心电图包含了丰富的心脏功能和病理信息,能够直观准确地反映心脏的电活动特性和表现心脏的工作状态。但仅仅通过人工分析心电信号来诊断心脏疾病,不仅加大了医生的负担,对患者来说也并不方便。因此,心脏疾病的自动判别算法成为当前心电信号处理研究领域的一个热点。本文结合多尺度熵理论,深入研究心脏疾病的自动判别方法,将经验模态分解用于信号分析,支持向量机用于特征区分。以求高效率、高精度地区分出正常心电信号和患病心电信号。论文研究内容集中在以下两个方面。1针对心脏疾病种类繁多,病因复杂的问题,将研究范围限定在心房颤动、室性心律失常和充血性心衰这三种和心率变异性密切相关的心脏疾病上。使用非线性的心率变异性分析方法,寻找这三种心脏疾病的心电信号和健康人心电信号的区别。最后通过实验发现,这三种疾病都会导致心电信号复杂度的改变。2针对心电信号非线性、不平稳的特点,提出了基于多尺度熵的心脏疾病判别算法。首先通过心电信号预处理标记每个心拍中的R波波峰,构成心电信号的RR间期序列。然后使用经验模态分解方法对心电信号的RR间期序列进行分解,分解后得到不同的本征函数,每个本征函数包含原信号时间域上的不同信息。选择合适的本征函数,计算其多尺度熵值。最后将多尺度熵值作为特征向量,通过支持向量机进行比较和区分,并使用MIT-BIH心电数据库数据,其中的每条数据都经过脱敏处理,并由专业医生注释。MIT-BIH心电数据库的使用十分广泛,这也为文末进行算法区分效果对比提供了方便。实验结果证明,该自动判别算法对三种心脏疾病识别的准确率都达到了90%以上,相比其它判别算法,准确率等方面有所提高。