长久以来,心脏病都威胁着人们的生命健康安全,人们一旦患有心脏病,便会严重影响生活质量,大大增加医疗开销,增加生活成本,使很多不富裕的家庭不堪重负,甚至威胁到人们的生命。我们人类与心脏病展开了漫长的斗争,取得了很多喜人的医疗成果,有效提高了患者的存活率和生活质量。但是同样也存在着不足,因为心脏病发病往往很突然,且黄金抢救时间短暂,如果不能在4到6分钟内得到有效抢救,患者生还的希望就会很渺茫。一些患者,尤其是留守儿童、独居青年、空巢老人们,他们突发心脏病之后很难在第一时间被发现,极易错过黄金抢救时间,从而危及生命。因此,对于心脏病的预防要比治疗更为重要。在人们患病之前预测出其是否将会得心脏病,不仅能防患于未然,还能提高人们对自身健康的重视程度。如果我们能利用一些身体指标,对是否会患心脏病进行准确预测,便可为预防工作提供技术支撑。本文搜集了918位被调查者的11项身体指标,用机器学习相关算法对他们是否会患上心脏病进行预测。首先对原始数据集进行预处理,数据中有数值型变量和分类变量,利用one-hot编码处理分类变量,处理后的变量扩大到20个。因为对各变量进行相关性分析发现各变量之间相关性不高,所以不必采用主成分进行降维处理。在正式分析之前先对原始数据集进行描述性统计分析,初步得出各个变量与患病与否的关系,随后又介绍了一些机器学习方法的概念及其原理,用机器学习方法对患病与否进行预测。本文采用XGBoost、BP神经网络对处理之后的数据集进行预测分析,对比分析结果发现BP神经网络的效果更好,但是BP神经网络目标值为0的召回率不高,其余指标也有提升空间,故用粒子群算法（PSO）对BP神经网络做出优化,将两者结合,利用PSO算法确定BP神经网络的初始权值和阈值,再用BP神经网络进一步预测分析,结果表明PSO-BP神经网络方法提高了预测的准确率。通过对特定人群身体指标的收集,预测其是否会患心脏病,能对高风险人群提供一定参考,辅助高风险人群降低自己患心脏病的可能性,做好预防工作,从而节省资金与时间成本,提升生活质量,维护自身生命健康安全。