بر طبق بررسی های اخیر سازمان سلامت جهانی، بیماری های قلبی و عروقی در هر سال، علت مرگ حدود 17.3 میلیون نفر در جهان بوده و رتبه ی اول علت مرگ و میر به این بیماری تعلق دارد. تشخیص و درمان زود هنگام بیماری های قلبی می تواند موجب نجات زندگی بیماران و جلوگیری از آسیب دائمی در بافت قلبی شود. الکتروکاردیوگرافی به عنوان یک ابزار موثر، ساده، کاربردی و کم هزینه در تشخیص بیماری های قلبی به کار گرفته می شود. اندازه گیری الکتروکاردیوگرام بر طبق الکترود هایی است که در مکان های مخصوص تعبیه شده و فعالیت های قلبی را ثبت کرده و بر طبق شکل و ویژگی های الکتروکاردیوگرام، قابلیت تشخیص بیماری وجود دارد. تشخیص درست بیماری های قلبی، به صورت دستی، نیازمند ساعت ها بررسی الکتروکاردیوگرام توسط پزشک متخصص است. این کار خستهکننده و وقتگیر بوده و امکان از دست رفتن اطلاعات حیاتی وجود دارد. تشخیص خودکار و سیستم طبقه بندی می تواند، متخصصین قلب را قادر به شناسایی به موقع بیماری های قلبی، سازد. بنابراین، این موضوع منجر به توسعهی کیفیت زندگی بیماران شده که بسیار اهمیت دارد. در این پژوهش هدف، دسته بندی سیگنال های الکتروکاردیوگرام نرمال و آریتمی است. این دسته بندی به کمک سیستم های عصبی فازی تطبیقی صورت گرفته است. داده های مورد استفاده در این نگارش از پایگاه داده ی mit-bih برگرفته شدهاست. هدف اصلی در این مطالعه، ساخت یک مدل قابل تفسیر با دقت بالا است. در این مدل برای استخراج ویژگی ها از تبدیل موجک گسسته بهره گرفته شده و از خروجی این تبدیل به عنوان ورودی مدل anfis استفاده شده است. در این مطالعه، برای آموزش مدل anfis از الگوریتم q-pso بهره گرفته شدهاست. همچنین جهت آموزش مدل از تعداد بسیار کمی داده استفاده شده و این امر سبب افزایش سرعت مدل گردیده است. نتایج این مطالعه نشان دهنده ی، بهبود طبقه بندی و افزایش سرعت نسبت به کارهای گذشته بوده است.