计算心电图(ECG)分析是心血管研究领域中最关键的主题之一,尤其是在通过心律不齐症状识别心脏状况异常方面。 现有的许多工作致力于通过心律失常症状来识别异常状况,但是,检出率仍不令人满意。 心律失常包括14种以上各种类型的症状。 因此,大多数现有研究发现很难对整个症状进行分类并保持总体准确性,尤其是在长时间数据中。 在这项研究中,提出了一种克服这一问题的新机制:引入自相关方法与K最近邻(KNN)分类器方法相结合,以准确而可靠地检测出14种类型的心律失常症状,而不论该症状在何处出现。长时间的数据。 此外,提出了基于周期性自相关结果的变异性分析并将其用于分类过程。 选择1分钟和12小时的持续时间数据来比较和表示检测心律失常症状的最合适的持续时间。 此外,分析结果和讨论旨在为自相关结果中的心律失常和正常窦性症状的每种趋势提供依据。 作为提出的方法性能评估的结果,结果表明,从正常窦性数据中鉴别出心律失常的准确率达到了95.5%。 此外,已经证实,利用长时间的自相关结果数据可以有助于概括心律失常症状等心脏病的异常特征。 结论是,所提出的方法在任何阶段均可用于诊断心脏状况异常。