近年来,随着社会不断发展与进步,人们越来越关注健康问题,运动健身变得越来越流行,但过度运动导致的一系列问题随之而来。研究表明,过度运动可能会导致运动性心脏疲劳（exercise-induced cardiac fatigue,EICF）、心肌损伤,严重时会引发心脏疾病,甚至发生运动性心脏猝死。心音是心脏周期性泵血时产生的声音,它可以从心肌变力性的角度较早地发现心脏功能和结构的变化。本文基于心音-心力关系,开展了新西兰兔力竭游泳实验和人群负重越野实验,提取并分析了运动应激实验中心脏储备指标的变化,基于机器学习分析了运动应激下心脏功能的变化,主要内容如下:第一,开展了新西兰兔运动应激实验和人群运动应激实验,基于改进的维奥拉积分法和双阈值门限法提取了心脏储备指标,探究了随着运动应激实验的进行,新西兰兔和人群心脏储备指标的变化。结果表明:在运动应激实验中,存活和猝死新西兰兔的心脏储备指标有明显差异;在运动应激后即刻,人群心脏储备指标的变化也有统计学意义,进一步证明了心脏储备指标可以用于心功能状态的评估。第二,基于卷积神经网络（convolutional neural network,CNN）和门控循环单元网络（gated recurrent unit,GRU）提出了一种运动应激下存活和猝死新西兰兔的心音分类识别方法。结合新西兰兔运动应激后96小时的心音信号（存活样本）和猝死前的心音信号（猝死样本）,采用五折交叉验证对CNN-GRU、CNN、GRU、极限学习机（extreme learning machine,ELM）进行评估。结果表明:CNN-GRU的性能最优,其平均准确率达到89.57%,灵敏度达到89.38%,特异性达到92.20%。此外,将运动应激实验中四个不同时间点的新西兰兔心音输入CNN-GRU,发现随着实验的进行,该网络对两类心音的识别能力越来越强,尤其在第二次力竭游泳24小时后,该网络已基本能识别两类信号,证明了深度学习在探索运动性猝死方面的可行性。第三,开展了基于机器学习的人群运动应激下的心脏储备指标预测研究。采用平均绝对误差、均方根误差和平均绝对百分比误差等指标,结合十折交叉验证对比了ELM、BP神经网络、CNN、GRU和CNN-GRU等网络对心脏储备指标的预测性能。结果表明:相对于其他网络,ELM在心脏储备指标的预测中表现出很好的性能,可通过预测心脏储备指标对运动应激下心脏功能进行分析。