随着我国人口结构和社会环境的改变,心血管病已经超越肿瘤成为致死率第一的疾病。每年居民疾病总死亡人数中40%以上是由心血管病导致的,并有逐年上升的趋势。更为严峻的是,随着大气污染的加剧和不良生活习惯的蔓延,心血管病患病人群呈现逐年年轻化趋势。心血管病的监控与防治,耗费国家大量的资金和资源,其已经成为提升国民健康水平,加快国家健康事业发展中的一大难题。心血管病高致死率的主要原因是其发病具有隐蔽性和突发性,作为临床诊断心血管病最有效的工具心电图和医学影像具有各自的特点。动态心电图的可便携性使其可实时监测和预警突发心血管病,在心血管病预测方面具有突出作用,但其为体外微弱电信号,不能窥视内因;医学影像的高精度使其可发掘心血管病本质原因,在心血管病精确诊疗方面起着突出作用,但其不具有实时性。因此,将人工智能技术与它们结合,充分发挥出心电图和医学影像各自的优势,能够有效提高心血管疾病预防和诊疗的效率,降低心血管病的致死率。针对以上问题和挑战,本文从动态心电图和医学影像两个数据层面出发,研究了心血管疾病的智能预测和精确诊断算法。在动态心电图数据层面,研究高危心血管病智能预测与实时预警算法。在医学影像数据层面,研究了和高危心血管病紧密相关的冠脉血管形态评估和血管内斑块及易损斑块的自动识别。论文的创新性研究工作主要体现在以下几个方面:1.设计了一个具有四层堆栈结构的稀疏自动编码深神经网络自动提取动态心电图心拍的深层特征,通过分层训练和优化,实现了正常、房性早搏、室性早搏、右束支传导阻滞、左束支传导阻滞和起搏六类心拍的精确识别,平均识别精度达99.5%。为室颤类高危心血管病的智能预测提供了技术辅助。2.提出了一种基于回声状态网络的心源性猝死智能预测算法,通过设计具有多层串联结构的回声状态网络,实现了心源性猝死信号和非猝死信号的智能区分,利用猝死发生前5分钟信号进行预测,平均预测精度为94.32%,为心源性猝死预测提供了新思路,为高危心血管病的智能监测和实时预警提供了保障。3.提出了一种基于线性标签最大流算法的冠脉OCT图像血管内膜轮廓自动提取算法,将血管内膜轮廓的提取问题转化为线性标签区域的分割问题,并将冠脉OCT图像径向的灰度分布特性用于线性标签最大流算法中灰度标签值的设定,从而实现了不同特征OCT图像血管内膜轮廓的精确提取。该算法对边界模糊,存在支架、斑块或血栓的OCT图像均有较好效果,平均筛子系数为0.972。为冠脉血管形态精确评估提供了数据支撑。4.提出了一种基于A-line深度建模的斑块和易损斑块自动识别算法。利用堆栈稀疏自动编码网络自学习的能力,设计大量无标签数据训练堆栈稀疏自动编码深神经网络,自动提取斑块特征的深层表示。然后引入少量有标签数据微训练整个网络。在有限标签数据的前提下,实现了纤维化、纤维化-钙化和纤维化-脂质斑块的精确识别,三类斑块的平均区域重合度分别为87%、87%和85%。通过对斑块中纤维帽厚度的自动分析,实现了薄纤维帽类易损斑块的自动识别,易损区域平均重合度达87%。斑块和易损斑块自动识别算法总体时间为0.54秒。为高危心血管疾病的精确诊断和内因分析提供了理论支撑。