随着经济社会的发展,人们生产生活压力的增加,心血管疾病成为危害人类健康的疾病之一。通过深度学习、数据挖掘等智能方法,依据病人的心拍、血糖、血压等生命指标,诊断和预测病人病情,对病人病情的早期预防与治疗有重要意义。论文根据心血管病数据的特征,以及现有智能模型的不足,提出和建立了心血管疾病发现与诊断模型。论文的主要研究内容概括如下:(1)针对心血管疾病诊断过程中,心拍数据的非线性、时变性以及复杂性问题,论文将基于稀疏自动编码器的深度神经网络模型与过程神经网络栈式叠加,构建了一种深度过程神经网络模型(DPNN)。DPNN模型保持了样本特征的多样性,有效提高对信号结构特征的提取能力和不同类别样本特征的区分度;同时将传统深度神经网络在信息处理机制上扩展为时间域,实现对时变信号直接的分类处理。对心血管疾病的诊断进行了实际分析和处理,取得了良好结果。(2)针对依据人体的各项生命体征,对心血管疾病智能诊断问题,论文建立了基于模糊聚类的动态聚类算法。模型采用迭代方式,将模糊聚类算法与Density-Based Spatial Clustering of Applications with Noise(DBSCAN)算法结合起来,实现了聚类数目和聚类中心的动态变化,消除传统聚类算法对聚类中心和聚类类别数初始化的依赖性,可实现算法的自我评价,提高了聚类算法的有效性。(3)针对心血管疾病智能诊断时,病人数据集中的数据是增量变化的,病人数据在高速海量产生的问题,论文结合网格剪枝算法与局部异常因子算法(LOF)算法,提出建立一种快速诊疗动态聚类模型。该模型综合了网格算法运行速度与数据量多少无关,以及LOF算法的优势,可缩短疾病发现与诊断的时间,实现对动态数据库的分析与处理。(4)针对心血管疾病智能诊断过程中,医疗数据分布在各个异地节点问题以及传统聚类算法得到的聚类规则无法在新增数据集中应用问题,论文建立了基于分布式心血管异常情况发现与诊断挖掘模型(DDM)。该模型依据加权集成权重,运用深度神经网络集成每个共享模型得到DDM模型,该模型具有较好的心血管异常情况发现的准确性、适用性以及隐私性。