چکیده: طبقه‌بندی الکتروکاردیوگرام (ECG) یک کار حیاتی در تشخیص و درمان ناهنجاری‌های قلبی است. سیگنال‌های ECG اطلاعات ارزشمندی در مورد وضعیت قلب ارائه می‌دهند و طبقه بندی این سیگنال‌ها به‌عنوان طبیعی یا غیرطبیعی نقش مهمی در تشخیص و درمان ناهنجاری‌های مختلف قلبی ایفا می‌کند. در سال‌های اخیر، روش‌های مختلف استخراج ویژگی برای طبقه بندی خودکار ECG به منظور افزایش دقت و کارایی طبقه‌بندی ECG توسعه یافته است. این روش‌ها از تکنیک‌های مختلف پردازش سیگنال استفاده می‌کنند. در این پایان نامه یک روش استخراج ویژگی مقاوم از سیگنال ECG با استفاده از ضرایب کپسترال نرمالیزه شده برای تشخیص آریتمی های قلبی پیشنهاد شده است. ویژگی های استخراج شده از روش پیشنهادی به یک شبکه CNN جهت طبقه بندی سیگنال ها داده شده است. همچنین پارامتر های مختلف شبکه CNN به منظور انتخاب شبکه بهینه مورد بررسی قرار گرفته است. با کمک مطالعه آماری نشان داده شده که روش استخراج ویژگی پیشنهادی و شبکه ارائه شده دارای دقت مناسب و بالایی در تشخیص سیگنال ناسالم بیماری آریتمی فوق بطنی و اکتوپی بطنی بدخیم از سیگنال سالم می‌باشد. نتایج آزمایش های انجام شده نشان دهنده 98 درصد دقت شبکه در مرحله تست می باشد.