سیگنال های زیستی علائمی هستند که بسته به نوعشان برای تشخیص وضعیت سلامتی از قسمت های مختلف بدن به کار می روند. بنابراین پردازش این سیگنال ها و تعیین علت وقوع آن ها و اینکه به کدام کلاس تعلق دارند مسئله ای بسیار مهم در امر پزشکی محسوب می شود. اما به دلیل ویژگی حجیم بودن داده های سیگنال های زیستی که می تواند منجر به خطای انسانی گردد و پیچیده بودن این سیگنال ها که نیاز به تحلیل های محاسباتی پیچیده دارد، ضرورت استفاده از تحلیل رایانه ای برای طبقه بندی این سیگنال ها احساس شد. به طور کلی فرآیند طبقه بندی سیگنال های زیستی سه مرحله اساسی دارد که مرحله اول شامل پیش پردازش، حذف نویز و آماده سازی داده است. مرحله دوم شامل استخراج ویژگی و گزینش ویژگی های موثر و مرحله سوم طبقه بندی است. هدف یک سیستم طبقه بندی، قرار دادن الگوها با کمترین خطا، در کلاس مربوط به خودشان است. در سیستم های معمولی بازشناسی الگو از یک طبقه بند استفاده می شد که لازمه آن، به کارگیری یک مدل طبقه بندی پیچیده یا استفاده از ویژگی های پیچیده است که زمان پردازش را طولانی می کند. در اوایل دهه 90 میلادی، ایده استفاده از چند طبقه بند ساده تر بجای یک طبقه بند پیچیده مطرح شد. در این ایده، ایجاد طبقه بندهای پایه و انتخاب قاعده ترکیب مناسب، دو موضوع اساسی برای طراحی سیستم بازشناسی الگو هستند. در این تحقیق افزایش نرخ بازشناسی به کمک ارائه چارچوبی از شبکه های عصبی ترکیبی صورت گرفته است. روش پیشنهادی بر مبنای روش ترکیبی تعمیم پشته است. در روش تعمیم پشته نگاشت بین خروجی طبقه بندهای پایه و خروجی مطلوب کشف می شود. تغییری که با افزودن بردار ویژگی ورودی به خروجی های طبقه بندهای پایه در ورود به طبقه بند ترکیب کننده صورت گرفته سبب توانمندی این سیستم در کشف نگاشت بین ورودی و خروجی مطلوبشان شده است. به این ترتیب نرخ بازشناسی افزایش می یابد. همچنین با توجه به بالا بودن ابعاد ویژگی های سیگنال های زیستی یک روش پیشنهادی با استفاده از الگوریتم ژنتیک و تابع ارزیابی k نزدیک ترین همسایه برای انتخاب ویژگی های موثر معرفی و آزمایش شد. این روش افزایش قابل توجهی در نرخ بازشناسی ایجاد نمود.