در این پایان نامه روشی جدید برای تشخیص بیماری هیپرتروفی بطن چپ به کمک سیگنال ecg ارائه شده است. هیپرتروفی قلبی به افزایش حجم عضلات قلب به بیش از یک مقدار آستانه گفته می شود. هیپرتروفی بطن چپ شایع ترین نوع هیپرتروفی قلبی بوده و به دلیل افزایش احتمال سکته قلبی تشخیص به موقع این بیماری اهمیت ویژه ای دارد. بعد از جمع آوری دیتابیس سالم و بیمار برای شناسایی قله های r از الگوریتم پن-تامپکینز استفاده شده و سپس قله های q، s و t با توجه به موقعیت قله های r تعیین شده اند. سیگنال qt به صورت دنباله ای از قطعه های q تا t برای هر نمونه 20 ثانیه ای از داده ها تعریف شده است. همچنین از تبدیل ویولت گسسته با ویولت مادر db6 برای تجزیه سیگنال ecg به 4 باند فرکانسی استفاده کرده ایم. بردار ویژگی شامل میانگین ارتفاع قله های r به عنوان ویژگی زمانی و چولگی، کشیدگی و گشتاور پنجم مربوط به سیگنال های qt و ضرایب d4 از تبدیل ویولت به عنوان ویژگی های آماری مرتبه بالا می باشد. به منظور توجیه ویژگی های انتخابی از مدل مخلوط گوسی برای ارائه یک مدل آماری برای سیگنال های سالم و بیمار استفاده شده است. ماشین بردار پشتیبانی به کمک پنج ویژگی، داده ها را به دو گروه سالم و بیمار تقسیم کرده است. دقت دسته بندی %75/99 و حساسیت آن %100 می باشد. روش ارائه شده دارای بهبود قابل ملاحظه در تشخیص بیماری هیپرتروفی بطن چپ به کمک سیگنال ecg نسبت به الگوریتم های پیشین می باشد.