房颤导致的各种并发症不断威胁着人类的生命健康,且给患者带来高额的治疗费用。移动穿戴设备的出现,使实时检测房颤成为可能,同时减少医生观察、诊断房颤的工作量。目前已有房颤实时监测方法的检测准确率不够高、针对早期房颤心电信号短而无法提取有效特征。针对上述问题,本文对心电图中的房颤检测展开研究,提出高灵敏度、特异性强的早期房颤实时检测方法。本文选择提取RR间期作为算法研究的入手点。综合文献分析,发现小波变换相有处理信号不损失时间和频率分辨率的优点,信息熵表示每个符号提供的平均信息量,两者结合计算的小波熵能够衡量动态系统的状态分布不确定性,实现了时间序列信号信息的定量化。递归定量分析是描述和量化复杂动态系统(如层流、发散或非线性瞬态行为)动力学的有效工具。通常,递归量化的有效性依赖于从单变量时间序列精确重构状态空间,但其需要长时时间序列才能保证量化的准确性。本文提出了一种新的固有递归量化分析方法,用于对具有短期观测的复杂动态系统的递归行为进行量化。与传统的递归分析不同,本文在固有尺度上描述和量化递归动力学,不仅可以捕捉短期时间序列的非线性行为,而且可以捕捉非平稳行为。综合利用固有递归定量分析和小波熵的算法鉴别早期房颤,能够检测到早期房颤的不规则变化,易于发现频繁的异位现象,捕捉细微变化。实验结果表明,早期房颤的平均准确性为88.1%,特异性为91.5%。所提出的算法框架可以潜在地扩展到短时时间序列的其他非线性动力学方法。