در جامعه ی مدرن امروزی که تمایل به داشتن عمر طولانی بیشتر شده است، مونیتورینگ علایم حیاتی نقشی بسیار مهم ایفا می کند. شخصی سازی مونیتورینگ علایم حیاتی برای هر فرد باعث می شود تا تغییرات فیزیولوژیکی ناشی از تفاوت های فردی و تغییرات محیطی نیز در نظر گرفته شود. بنابراین نیازمند آن هستیم که بتوانیم ویژگی های سیستم مونیتورینگ را متناسب با تفاوت های فردی و تغییرات محیط، تنظیم کنیم. در این پژوهش از شبکه های عصبی بلوکی(bbnn) به عنوان سیستم طبقه بندی کننده بیماری های قلبی استفاده شده است. شبکه های عصبی بلوکی شامل یک آرایه ی دو بعدی از بلوک های پایه با ساختار سلسله مراتبی هستند که می توانند به راحتی با استفاده از یک سخت افزار قابل بازآرایی مانند fpga پیاده سازی شوند. همچنین برای آموزش شبکه های بلوکی نیازمند یک الگوریتم آموزش هستیم که در این پژوهش از الگوریتم بهینه سازی جمعیت ذرات(pso) استفاده شده است. با استفاده از این الگوریتم به طور همزمان هم شبکه آموزش داده می شود و هم ساختار داخلی و وزن های شبکه بهینه می شوند. با استفاده از این شبکه بهینه شده و طبق استاندارد aami سیگنال های قلب در پنج کلاس مختلف طبقه بندی شده اند. ورودی شبکه عصبی بلوکی ویژگی هایی هستند که از سیگنال های ecg استخراج شده اند. برای این کار از تبدیل هرمیت استفاده شده است. ضرایب تبدیل هرمیت همراه با یک ویژگی زمانی (نسبت فاصله زمانی بین قله های مجاور) بردار ورودی شبکه عصبی بلوکی را بوجود می آورند. در روش پیشنهادی از داده های موجود در بانک اطلاعاتی بیماری های قلبی mit-bih استفاده شده است و دقتی در حدود 98% برای تشخیص نمونه های veb و97% برای تشخیص نمونه های sveb بدست آمده است که یک بهبود آشکار نسبت به کارهای انجام شده را نشان می دهد.