Herzrhythmusstörungen treten auf, wenn die elektrischen Impulse im Herzen nicht richtig funktionieren. Eine frühzeitige Erkennung von Herzrhythmusstörungen ist notwendig, um das eigene Überleben zu sichern. Für die Diagnose ist eine Klassifizierung der Arrhythmie erforderlich. In diesem Bericht wird die Hauptkomponentenanalyse als Verfahren zur Merkmalsreduzierung eingesetzt, um hochdimensionale Eingaben zu reduzieren, ohne die Klassifizierungsmethoden zu beeinflussen. Zwei Verfahren zur Merkmalsauswahl wie Grey Wolf Optimizer (GWO), Particle Swarm Optimization (PSO) und Support Vector Machine (SVM) helfen bei der Auswahl von Merkmalen für Arrhythmie, und die Ergebnisse werden für die Klassifizierung verschiedener Arrhythmieformen verwendet. Die Leistungsanalyse für diese Merkmalsauswahltechniken wird geschätzt. Der Fluch der Dimensionalität (d. h. ein Datensatz, der eine große Anzahl von Merkmalen enthält) wird mit diesen Merkmalsauswahlverfahren gelöst. Das Ergebnis untersucht die Leistungsmetriken für die Integration von drei Methoden wie PSO, GWO mit SVO und zeigt, dass PSO und GWO integriert mit SVM Merkmale mit einer Genauigkeit von 96,08 % auswählen.