مرگ ناگهانی قلبی (scd) همه ساله جان میلیونها انسان را میگیرد . با استفاده از تجهیزات پزشکی از قبیل دیفیبریلاتور می توان تعداد این نوع مرگها را کاهش داد ، با این وجود راههای مناسبی برای پیش بینی مرگ ناگهانی قلبی که پزشکان بتوانند از طریق آن تصمیمات مناسبی را برای بیماران در معرض خطر بگیرند ، وجود ندارد . در این پروژه با استفاده از پردازش سیگنال الکتروکاردیوگرام مرگ ناگهانی قلبی پیش بینی شده است. برای این کار بعد از استخراج سیگنال hrv از سیگنال ecg به استخراج ویژگی های خطی ، زمان –فرکانس و غیر خطی پرداخته شده است . در مرحله بعد با اعمال pca به بردار ویژگی ترکیبی ،ابعاد ویژگی کاهش یافته و در نهایت از طریق شبکه عصبی mlp و knn افراد سالم و افرادریسک پذیر ، دسته بندی می شوند . به منظور ارزیابی توانمندی هر یک از روشهای تحلیلی در تفکیک افراد ، آنهارا بصورت مجزا و ترکیبی با هم مقایسه کرده ایم .نتایج بدست آمده نشان می دهند که در سیگنال hrv مربوط به افرادریسک پذیردر نزدیکی وقوع scd ویژگی هائی وجود دارد که آنها را کاملا از افراد سالم متمایز می کند . روش بردار ترکیبی از توانایی به مراتب بیشتری جهت آشکار کردن این اختلاف برخوردارست . از طرفی نشان داده ایم که از 4 دقیقه قبل از رخ دادن مرگ قلبی ، این افزایش احتمال خطر کاملا مشهود است . بطوری که هرچه به وقوع حادثه نزدیکترمی شویم ، احتمال وقوع نیز افزایش می یابد و این زمانی کافی جهت اتخاذ راهکارهایی جهت جلوگیری از این واقعه توسط پزشک یا مراکز در مانی می باشد . روش های ارائه شده با استفاده از داده های موجود در پایگاه داده mit-bih مورد ارزیابی قرار گرفته است .