清晨醒来时刻前后是心血管疾病(CVD)事件发生的高峰期,这一点很可能与夜间睡眠结束时交感神经活动的激增有关.本文以70位在两年随访期内发生了 CVD事件和70位未发生CVD事件的140位受试者为研究对象,提出了一种两层模型方法以探究觉醒前的心率变异性(HRV)特征是否有利于两类受试者的区分.在该方法中,第一层采用极端梯度提升算法(XGBoost)构建分类器,通过评估该分类器的特征重要性实现特征筛选;筛选出来的特征作为第二层模型的输入来构建最终的分类器.在第二层模型中,比较了 XGBoost、随机森林和支持向量机三种机器学习算法,以确定基于何种算法建立的模型可以得到最优的分类效果.研究结果显示,基于觉醒前HRV特征构建的XGBoost+XGBoost模型性能最优,准确率高达84.3％;在所使用的HRV特征中,非线性动力学指标在模型中的重要性优于传统的时域、频域分析指标;其中尺度1下的排列熵、尺度3下的样本熵较为重要.本研究结果对CVD的预防、诊断以及CVD风险评估系统的设计有着积极的参考价值.