随着社会经济的发展及人口老龄化的加剧,心血管疾病患病人数急剧增加,目前中国心血管疾病患病人数高达2.9亿。并且心血管疾病的死亡率远高于其他疾病,成为人类健康的“头号杀手”,与其相关的医疗费用高达1300亿元。心衰作为心血管疾病的重要类别之一,成为生物医学研究的热点。在我国医疗模式转变的背景下,若能借助现有计算机技术的发展,建立心衰疾病的早期诊断模型,把传统的治病模式转为预防模式将十分有意义。HRV是心血管疾病较好的诊断指标,但是在心衰临床诊断方面还有诸多问题有待于深入研究,本文就是在深入研究HRV分析方法的基础上建立相应的心衰诊断模型,力求为心衰的早期诊断提供临床依据。本文针对HRV的稳定性、HRV指标区分健康与心衰人群的有效性和基于HRV的心衰诊断模型三个问题做了较为深入的研究。采用PhysioBank数据库中54个健康人和29个心衰患者的RR间期序列,优选了 HRV的9个指标:时域指标 MEAN、SDNN、RMSSD;频域指标 LFn、HFn、LF/HF;非线性指标 VLI、VAI、SampEn进行研究。主要研究内容如下:(1)HRV指标稳定性研究。使用方差分析和组内相关系数作为研究方法,通过评估个体数据段数量对稳定性的影响,选择20作为个体数据段数量,分别对心衰和健康人群进行HRV稳定性研究。结果显示:1)对于健康人,MEAN、LF/HF、LFn和HFn有稳定性,对于心衰患者,MEAN、VLI、SDNN、VAI、SampEn、LFn、HFn有稳定性;2)心衰患者的稳定性整体高于健康人的稳定性。同时本文给出了对于HRV稳定性的使用建议。(2)HRV指标区分健康和心衰人群的有效性研究。选择稳定性良好的数据,使用T检验对9个HRV指标区分心衰和健康人群的能力进行了比较,结果表明:HRV指标有心衰区分能力,且区分能力从大到小依次为:VLI,SDNN,LFn&HFn&LF/HF,VAI,SampEn,RMSSD。(3)基于HRV指标的心衰诊断模型研究。使用嵌套十折交叉的框架,以网格搜索作为超参数搜索算法,RBF-SVM和随机森林作为分类模型,9个HRV指标作为输入特征向量,构建心衰诊断模型。结果表明随机森林模型的分类效果:灵敏度为82.81%,特异性为87.06%,准确率为84.94%;RBF-SVM的分类效果:灵敏度为80.74%,特异性为84.94%,准确率为84.85%;通过设置心衰误分类的代价为1000,RBF-SVM分类模型的灵敏度可以提升至98.19%。本文结果为机器学习在心衰方面的研究提供了有益的借鉴。