慢性心力衰竭(Chronic Heart Failure,CHF)是各种病因所致心脏疾病后期阶段的临床综合症,由于其低诊断率和高死亡率,慢性心力衰竭已成为严重危害人类健康的全球性公共卫生问题。近年来,国内外对心衰的诊断和治疗取得了显著的进展,一些新的诊断和病情监测方法相继问世,但是目前多采用单一的诊断指标,难以准确地评估心力衰竭的危险程度,临床亟需心力衰竭早期评估的综合量化方法。本课题以临床医学为指导,应用医学信号处理技术和人工神经网络技术,筛选与心力衰竭相关的特异性指标,并构建了基于自适应共振网络(Adaptive ResonanceTheory,ART)的心力衰竭危险评测模型。本课题主要完成了以下工作:1、对心力衰竭的临床指标进行分析,筛选出与心力衰竭相关的特异性指标;2、建立基于自适应共振网络的危险评测模型;3、应用危险评测模型对高血压和心衰患者进行了评估;4、新的心力衰竭特异性指标的探索。本课题建立的自适应共振网络模型在心血管患者中进行了验证,结果表明,基于自适应共振网络的危险评测模型能有效地评估高血压患者危险,其识别能力优于传统的BP(Back-Propagation)网络,因此本课题建立的方法的有效的。在心力衰竭患者危险评测中该模型进行了初步验证,其应用尚需进一步的临床数据的支持。此外,进行了新的心力衰竭特异性指标探索,结果表明心率震荡(Heart Rate Turbulence,HRT)性和减速能力(Deceleration Capacity,DC)在区分心力衰竭危险级别中有很好的特异性。