国内外大量研究结果表明，高频心电图可以显示许多早期心脏疾病的信息。从高频心电图中提取特征参数，依此识别就诊对象心脏健康、疾病状态，具有重要的诊断参考价值。 传统的时域、频域分析法都只是从一个方面考察信号特征。利用小波变换，虽然可以得到时频两域相结合的若干特征参数，但这些特征参数与心脏疾病状态没有显著的对应关系。本论文将神经网络的模式识别与小波的时频分析相结合，找到了从时频两域区分高频心电图特征的新途径。 心脏是一个复杂、时变的非线性系统。用非线性动力学理论研究心脏成为最近20多年的前沿课题。这些非线性研究大部分是针对HRV的，并且计算都需要巨大的数据量。针对上述情况，本文选取了短时(2000点，2秒，一至两个心跳周期)高频心电信号为研究对象，通过对近似熵的改进，提出模式熵算法，并对不同人群的高频心电信号进行了深入研究。@@ 本文的工作主要可以归纳为下面5点：(1)本论文将人工神经网络的模式识别能力与小波变换的时频分析能力相结合，把HFECG诸特征参数作为神经网络输入神经元的输入信号。神经网络担当起构建一个高维曲面的任务。该曲面将小波分析得到的参数模式空间区分为不同的区域—病人区和健康人区。(2)提出一种有监督的细化拟合ART2神经网络，以解决几个模式由于发散而在空间互相交错时的分类问题。首先利用ART聚类效果好的优点，调整提高ART2的警戒参数，将模式空间细化为许多聚类子模式，实现不同模式的空间分离。然后加入监督，对这些细化了的子模式按属性进行归类重组。从而解决了复杂交错的模式分类问题。将这种改进型的ART2神经网络用于高频心电图特征数据分类，结果显示大大提高了分类的正确率。(3)在Pincus工作的基础上，提出了模式熵(Model Entropy，ModEn)的算法，改进了相似矢量的判别依据和相似容限的算式，从而实现了在大幅度，缓慢变化一类信号中进行熵估计分析。@@(4)用模式熵对照分析健康的年轻人群与老年人群的HFECG信号，发现这两组受试对象的复杂性无明显区别，也就是说，短时HFECG复杂性与年龄无关，用模式熵对照分析健康老年人群与老年心肌梗塞患者的HFECG信号，发现这两组受试对象的复杂性差异显著，患者的短时HFECG信号上复杂性要高于健康老年人群，因此模式熵可以作为一种敏感参数，用于心脏疾病的早期诊断。@@ (5)将模式熵用于分析兔子急性心肌缺血实验，发现兔子的HFECG的模式熵实时值有着显著的动态变化，轻度缺血时，ModEn呈现出曲折的起伏上升，反映出心脏的病变与代偿调节的交替影响；ModEn对心脏轻度缺血造成的HFECG高频细节变化的极具敏感性，显示出模式熵在心脏疾病的早期诊断中的应用价值，对于心肌缺血病情的研究具有实践意义.