心脏疾病已经成为威胁人类健康和生命安全的主要疾病之一,而心电图(Electrocardiogram,ECG)包含了大量心脏状态的相关信息,成为临床上诊断心脏疾病的重要方法。为实时监护心脏的健康情况,研发出一种小型便携式心电检测分析系统,有着极高的价值。老龄化人口问题、城市生活压力和疾病防治构成了心电监护仪向家庭进军的内在推动力,电子技术的飞速发展构成了外在动力。在内外推动力共同作用下,心电智能分析仪的市场发展劲头迅猛。本文对多种心电信号的智能分类分析方法进行了研究,在去干扰的预处理方面介绍了三种方法。主要说明了小波变换在心电处理中的应用,包括预处理及特征提取,小波变换均显示出了较好效果。本文利用小波变换法对心电信号进行R波检测,有效的降低了误检与漏检情况,并使R波检测准确率达到了 98%以上。传统的特征提取方法在波群形态细节描述方面有缺陷,本文应用小波变换方法对心电信号进行特征提取,有效的描述了 P波、QRS波群的形态及变化趋势。仿真结果表明小波变换的特征提取方法是使用最少的特征向量实现完整而快速的分类过程,同时准确率高于传统的特征提取方法。在心电智能分类方面本文采用三层的BP神经网络进行分类,共分为5类病情的分析,包括室性早搏、房性早搏、左束支阻滞、右束支阻滞及正常,分类准确率达到95%以上。同时使用了基于统计特征的心电分析方法对心电进行了另5类病症的分析,包括漏搏、停搏、心动过速、心动过缓、心律不齐。将此两种方法结合使用即可对心电数据一共进行十种病情的全方位智能分析,并且本文可以定位发病时间,辅助诊断。本文心电智能分析主要设计了四大模块:心电检测、预处理、特征提取和分类分析,采用了权威的MIT-BIH心电数据库进行实验。使用了ICETEK-AM3517-KB-EZ开发板,基于Linux操作系统,并用Qt作为图形界面的开发平台。根据小波变换等对心电波形进行处理及特征提取,使用BP(Back Propagation)神经网络及基于统计特征这两种方法实现了心电信号智能分析功能。实验结果表明本文工作可以为后续产品开发提供有力支持。