随着人们生活水平的提高和网络的迅速普及,身体健康和信息安全成为人们愈发关注的问题。在身体健康方面,心脏类疾病的发病率居高不下,而心电信号反映了心脏的活动状态,携带个体的心率信息。当前可通过医生观察和计算机判别实现对心电信号的分类,从而判断健康状态。但这样的方式在效率和识别率上有待提升。如何有效地对心电信号进行分类成为研究人员关注的问题。在信息安全方面,当前可通过人脸和指纹等方式实现个体身份识别,保障信息安全。但这样的方式已经遇到了一些安全问题,市面上已经出现了生物特征仿制技术。心电信号作为一种人体内在的、独一无二的生物特征信号,可以用来识别身份。如何通过心电信号正确识别身份成为研究人员关注的问题。本文将进一步探讨心电信号,研究心电信号的分类及其在身份识别领域的应用。本文结合小波变换和奇异值分解,对心电信号进行去噪处理。对存在于心电信号中的QRS波,提出了一种波形提取算法。使用支持向量机完成心电信号的分类工作。使用卷积神经网络,完成心电信号分类和身份识别工作。并使用MITBIH心率异常数据库和自采数据集对方法进行效果验证。1.本文归纳整理了心电信号研究的发展现状。分析了心电信号的产生机理,心电信号中的各个波形特征及其所代表的生理含义,同时介绍了本文采用的心电信号数据库。以此作为研究心电信号预处理方法,心电信号波形检测算法,心电信号分类的理论基础。2.针对心电信号中存在的噪声,本文进行了心电信号去噪的研究。结合小波变换和奇异值分解,完成心电信号的去噪处理。为了使输入进卷积神经网络的心电信号是具有代表性的心拍类型,本文进行了心电信号波形提取算法的研究。通过信号增强,自适应阈值判断和不应期检测,对自采心电数据中的R波进行检测定位,并据此提取出QRS波。3.使用支持向量机完成了心电信号的分类工作。对心电信号进行奇异值分解,将分解结果中,最能代表心电信号的奇异值提取出来,组成能表征心电信号的特征。为进一步提升识别率,提取和增添了均值和方差这两个特征值。最终使用融合的特征完成基于支持向量机的心电信号分类工作,并使用MIT-BIH心率异常数据库进行方法的效果验证,准确率可达97.12%。4.使用卷积神经网络完成了心电信号分类及身份识别工作。通过卷积神经网络结构的搭建和各项参数的选择,设计了适合心电信号的模型。对于心电信号的分类,使用MIT-BIH心率异常数据库进行效果验证,准确率可达98.06%。对于心电信号的身份识别,使用自采数据集进行效果验证,识别率可达96.52%。