摘要：
心脏心律失常是一种描述心跳不规则的医学术语，当心脏电生理特性异常时会发生这种情况。虽然多数心律失常无害，但若未及时检测可能引发致命并发症。目前实时自动心律失常检测已成为医疗体系的重要需求，这体现在大量关于自动化检测与分类技术的研究中。本研究通过健康管理信息学领域的系统文献综述（SLR），对相关研究进行定量分析，追踪技术趋势、数据集特征及方法演变。
采用定义检索策略在Scopus数据库进行系统搜索，结合纳入/排除标准筛选文献后发现：实时心律失常检测领域研究虽基数较小但呈增长趋势。研究结果显示，MIT-BIH心律失常数据库是最常用数据集，小波变换和时域特征是主流特征提取方法，支持向量机(SVM)与深度学习模型在分类任务中表现优异。通过算法对比表，本研究系统梳理了基于平均准确率的最优分类方案，为后续技术改进提供了实证依据。
发表信息： 本文在印度尼西亚万隆召开的2022年国际数据科学、电子学习与信息系统会议上发表，IEEE Xplore数字图书馆于2023年2月收录。
一、引言：
心血管疾病（CVD）是全球主要致死疾病之一。2012年全球因CVD死亡达1750万人，占总死亡人数31% [1]。即便在2020年新冠疫情高峰期，美国CVD仍以69万死亡病例居首，其次是癌症（59.8万）和新冠（34.5万）[2]。
实时检测技术的突破对改善这一现状至关重要。本文通过系统性文献分析发现：
- 2018年IEEE会议提出基于最小二乘孪生支持向量机的ECG分类方法
- 2020年InCIT会议采用平均能量与时域零交叉特征结合SVM的检测方案
这些进展表明，通过特征工程与机器学习的协同优化，ECG信号分析精度持续提升。
【全文结束】
