以可穿戴心电设备为载体,通过采集人体各种生理信号和生理指标,并基于相应的算法实现对人体健康状态的监测与评估,已成为一种发展趋势。为了提高可穿戴设备的续航能力,在可穿戴心电设备中,需要对采集的信号进行压缩处理,而在接收端需要对压缩的心电信号进行重构,与此同时,为了能够及时的对患病人群进行防控与治疗,需要对重构后的心电信号进行检测和诊断。基于以上考虑,本文依次研究了可穿戴心电设备的压缩感知重构方法和心律失常分类方法。主要研究内容如下:第一,基于非负限制字典学习算法的心电信号压缩重构研究。在心电信号重构过程中,稀疏基的选择对重构精度有很大的影响。本文提出一种非负约束字典学习算法,构造一个与原始信号正相关的过完备字典作为稀疏基,用于心电信号的重构。由于0或者1范数的约束不可避免地会产生与原始信号负相关的字典原子,而字典原子通过加法和减法“相互抵消”来近似训练样本是次优的。因此,本文通过在编码阶段添加非负约束,将负的编码系数去除,在字典更新过程中,通过块坐标下降法更新字典原子,最终获得与原始信号正相关的字典。同时为了保证编码系数的稀疏性,在目标函数中加入惩罚项将小的编码系数去除,达到稀疏编码的结果。实验结果表明,该算法和同类算法相比,在同样的压缩率下能够获得更高的重构精度。第二,基于标签一致非负表示的心律失常自动分类算法研究。心电信号波形在几何结构与幅值等方面存在较大相似性,随着心电信号数据量的增加,类间差异变小,会导致分类模型的泛化能力降低,对心电信号的分类结果造成不利影响。本文在对非负表示分类算法进行改进,将“判别稀疏编码误差项”和“分类误差项”融入到目标函数,使得编码系数具有最大化类间差异,最小化类内差异,同时通过字典学习算法获得一个过完备字典,解决了当心电信号训练样本规模较大时,非负表示分类算法编码过程非常缓慢的问题。该算法可分为三个阶段,在编码阶段,使用交替方向乘子法来求解非负约束下的稀疏解,在字典学习阶段,利用块坐标下降算法同时学习一个紧凑的判别字典和一个多类线性分类器,最后分类阶段,使用非负表示模型求解稀疏系数并通过多类线性分类器进行分类,由于编码系数具有最大化类间差异的特性,在分类阶段,使用简单的线性分类器便可获得较高的分类准确率。实验结果表明,标签一致非负表示分类算法在美国医疗仪器促进协会的方案中达到了99.83%的分类准确率,在基于类别的方案中分类准确率达到了99.28%,通过学习获得一个判别字典,可提高稀疏分解效率,对比非负表示分类算法,运行效率提高了5倍。第三,基于判别卷积稀疏编码（DCSC）的心律失常自动诊断算法研究。心电异常在心电图中表现为局部出现异常,如何提取这些局部异常特征对提升分类准确率至关重要。卷积稀疏编码算法通过训练获得一组能够匹配心电信号固有结构的卷积字典,可用于提取心电信号的局部特征。因此,提出了一种判别卷积稀疏编码模型,通过卷积运算提取心电信号的局部特征并将稀疏系数作为特征值进行分类。通过添加“判别稀疏编码误差项”使得训练的卷积字典具有判别性,来提高稀疏系数的鉴别性,最后通过线性支持向量机实现分类任务。在模型求解过程中,为了降低计算成本将DCSC模型转换到频域,并使用交替方向乘子法求解DCSC模型;同时为了降低特征值维度,对稀疏系数使用了最大池化操作,最后将这些汇集的系数作为特征并送到线性支持向量机进行分类。实验结果表明,卷积字典在特征提取方面优于过完备字典,同时在训练阶段,卷积字典受训练样本数目的影响较小,在样本数较少的情况下便可获得较高分类准确率。