心律失常的自動檢測對于早期預防與診斷心血管疾病具有重要意義。傳統的心律失常診斷受限于專家知識，缺乏多維的特征表示能力，算法復雜，不適用于穿戴式心電監測設備。本研究提出基于自回歸移動平均（ARMA）模型擬合的特征提取方法，以不同類型心拍作為模型輸入，利用 ARMA 模型對心律失常信號以合適的階數進行系數擬合，完成心電特征提取，并將特征向量分別輸入支持向量機（SVM）與 K 近鄰分類器（KNN）進行心電自動分類。所提算法采用 MIT-BIH 心律失常數據庫與房顫數據庫為數據集進行驗證，結果表明：ARMA 模型擬合系數組成的特征工程結合支持向量機分類器得到查全率為 98.2%，查準率為 98.4%，F1 指數為 98.3%。該算法具有較高的性能，滿足臨床診斷需求，算法復雜度低，可采用低功耗嵌入式處理器進行實時運算，適用于穿戴式心電監測設備的實時預警。