امروزه طبقه بندی سیگنال های قلبی( ecg) کاربرد وسیعی در علوم پزشکی و تشخیص بیماری ها دارد و استفاده از روش های خودکار آنالیز سیگنال های قلبی می تواند به پزشکان در تشخیص نوع بیماری کمک بسیاری نماید. در این پایان نامه از روش های خوشه بندی و طبقه بندی کننده ba_rbf برای استخراج ویژگی و دست یابی به عملکرد بهینه در طبقه بندی سیگنالecg، استفاده شده است. در این تحقیق از ضرایب تقریب تبدیل موجک، برای کاهش ابعاد سیگنال و نویز زدایی استفاده می شود. سپس با استفاده از دو روش متداول خوشه بندی kmeans، fcm خوشه بندی انجام می شود. از الگوریتم بهینه ساز زنبورعسل برای بهینه سازی خوشه بندی، استفاده می شود. پس از مرحله خوشه بندی، از فاصله اقلیدسی سیگنال ها تا مرکز خوشه در روش ba_kmeans و تابع عضویت سیگنال ها در روش ba_fcm، بعنوان ویژگی استفاده می شود. این ویژگی های استخراج شده با ویژگی زمانی ترکیب شده به ورودی شبکه عصبی rbf داده می شود. همچنین پارامترهای شبکه عصبی rbf با استفاده از الگوریتم زنبور عسل بهینه شده است و بهترین نتیجه طبقه بندی بدست آورده می شود. دقت طبقه بندی با استفاده از ویژگی های استخراج شده از روش خوشه بندی ba_kmeans، ba_fcm بترتیب 93.34و94.61 می باشد. همچنین دقت طبقه بندی با استفاده از ترکیب ویژگی های استخراج شده از دو روش خوشه بندی ba_kmeans و ba_fcm، 95.77 می باشد. بنابراین نتیجه می شود که دقت طبقه بندی ترکیب ویژگی های استخراج شده، از روش های خوشه بندی ba_kmeans و ba_fcm، بیشتر از دقت طبقه بندی با استفاده از ویژگی های استخراج شده دو روش، بطور جداگانه می باشد. واژه های کلیدی: الکتروکاردیوگرام، طبقه بندی، خوشه بندی، آریتمی قلبی، تشخیص