脑卒中是一种由脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一种急性脑血管疾病,在我国发病率及死亡率呈逐年增多的趋势。由于脑卒中的病情发展具有不可逆性,一旦发病,药物治疗和康复治疗只能起到减轻症状,预防并发症的效果,尽早发现脑卒中患者及其高危人群,这对于患者和社会来说,具有重要的现实意义。近年来,深度学习由于其强大的表示学习能力,已经在通信、工业、计算机网络安全以及医学等领域取得了成功,这也为其在辅助诊断脑卒中疾病上提供了先验理论基础。目前,不少研究者进行基于深度学习的脑卒中预测研究。然而,现有的研究工作存在以下问题:首先,所采用的深度学习网络大多都忽视了数据分布对神经网络分类性能的影响,对于输入模型的数据“一视同仁”地进行残差拟合,而后判决输出;其次,现有的大多数研究仅对正常人样本和脑卒中患者进行分类,这样的操作忽略了脑卒中疾病的病变过程;此外,现有的脑卒中评价准则对脑卒中高危人群的关注不够,导致脑卒中高危人群对脑卒中疾病不够重视,进而易导致病情恶化。针对上述问题,本文的主要工作包含以下几个方面的内容:(1)使用数据清洗和数据归约的数据预处理方法从中国脑卒中大数据中心中的大量原始数据中选出有效的脑卒中数据样本。采用模型预测的方法对数据的特征进行补全、根据先验知识对一些有错样本进行纠正或去除、采用K-means与局部异常因子相结合的方式对异常样本进行去除、采用基于遗传算法的特征选择算法,对筛选出的样本进行特征选择。(2)提出基于最大边缘的深度神经网络脑卒中危险等级预测模型。在深度学习模型构建的过程中,考虑数据的分布特性,引入最大边缘思想,使其能够较好的处理具有较大类间散度的脑卒中数据,提高模型对具有较大类间散度的脑卒中数据的分类准确率,从而提高模型对脑卒中患者的危险等级预测的准确率。(3)根据脑卒中疾病的病变特点,提出高危预测偏离度的概念作为评价指标,使得模型能够更加准确的对脑卒中高危病人进行预测。实验结果表明,基于最大边缘的深度神经网络脑卒中危险等级预测模型,能够以较高的准确率实现对脑卒中患者的危险等级预测。在模型构建过程中引入最大边缘的思想,让基于最大边缘的深度神经网络脑卒中危险等级预测模型能够针对具有大类间散度的脑卒中数据的预测更加准确,高危预测偏离度评价标准的提出,提升了预测高危等级的能力,能够提升模型的实用性。