胡 扬，魏毅强

    据世界卫生组织统计，目前全球范围内包含心血管疾病在内的心脏病导致每年死亡人数将近2 000万人，由国家心血管病中心组织编撰的《中国心血管病报告 2018》(2019年4月)指出：我国心血管病患病率持续上升，心血管病现患人数推测有2.9亿人。心血管病死亡率仍居首位，高于肿瘤及其他疾病，每5例中就有2例死于心血管病，且农村死亡率高于城市。同时更令人担忧的是发病年龄也呈现出年轻化的趋势，形势非常严峻。诱发心脏病的风险因素很多，包括心脏病家族史、吸烟、胆固醇、高血压、肥胖和缺乏锻炼等，而治疗该类疾病最好的方法是预防，关键在于早发现、早诊断和早治疗。如何有效预防心脏病，对潜在患病人群进行准确检查诊疗，具有重要的理论和现实意义。

    近年来，随着信息与大数据技术的应用，使得数理医学在疾病诊断与预测领域取得了长足的进步和飞速的发展。在数据处理方面，很多学者都采用核主成分分析(KPCA)方法对数据进行核变换及降维，Deng等[1]提出了一种增强的KPCA方法，从而可以更好地挖掘数据的信息；Chen等[2]通过KPCA提取数据主要特征进行降维；Long等[3]通过KPCA提取缺陷的主要特征使得分类效果明显提升；Xie 等[4]处理高维数据时使用了KPCA来降维。在疾病分类方面，Fan等[5]将KPCA与AdaBoost等算法结合提高了阿尔茨海默病病人的分类正确率；Choi等[6]通过卷积神经网络对大脑磁共振图像进行分析，从而对老年痴呆症病人进行分类；Shankar等[7]用多核向量机提高了甲状腺疾病分类的准确率和灵敏度；Tufail等[8]构建了多个深度二维卷积神经网络，从局部大脑图像中学习不同的特征，并结合这些特征进行最终分类，用于阿尔茨海默病的诊断。Deng等[9]基于改进的Mel-frequency倒谱系数特征和卷积递归神经网络对心音进行分类；Chen等[10]通过改进的频率小波变换和卷积神经网络对心音进行高效分类；Yang等[11]通过决策树、随机森林和人工神经网络方法对主动脉狭窄进行分类；Soares等[12]提出了一种新的扩展零阶自主学习多模型神经模糊方法，可以通过心音对不同的心脏疾病进行分类；Tang等[13]使用旋转线性核支持向量机分类器对心律失常进行分类；Wang等[14]提出了对偶全连接神经网络模型来对心律进行精确分类；Wang等[15]对心律失常的分类也提出了一种改进的卷积神经网络模型并得到了很好的结果；Bzl等[16]不仅提出了一种新的基于深度剩余网络的心律失常深度学习分类方法 ......