心血管疾病是严重威胁全球人类健康的头号杀手，根据世界卫生组织报道，2008年约有一千七百万人口死于心血管疾病，约占全球死亡率的30％。随着全球高血压、肥胖、糖尿病人口数量的急剧增加，预计到2030年，心血管疾病死亡人口将增加到两千三百万。由于心血管事件的发作与多种风险因子相关，因此，如何及早发现并控制心血管事件的风险因子，建立心血管事件风险评估模型和早期预警体系，对心血管事件的早诊断和早预防具有非常重要的意义。从生物医学工程的视角来看，心血管健康信息学的发展取决于健康信息的采集、处理和分析手段的发展。现有文献表明，心血管系统中多尺度信息的融合和分析是目前心血管健康信息面临的重要挑战之一，其对于明确心血管疾病的发展路径、提高心血管疾病的预测的精确性具有非常重要的意义。然而，心血管系统中的信息融合和分析还需要解决以下几大问题:1）发展心血管事件重要危险因素的低功耗无扰式监测技术，为心血管事件的实时早期预警提供研究基础;2）设计高效率智能机器学习方法，以提取心血管系统多尺度信息中具有高灵敏性和特异性的新型风险因子，并提高模型的预测精确性;3）融合传统危险因素及无扰式连续监测的生理参数及行为参数信息，建立心血管事件的实时早期预警模型。因此，本论文针对心血管事件的早期预警，对其中所涉及的无扰式危险因素检测技术及非线性非参数建模方法两方面进行了研究，主要研究内容包括如下:　　首先，针对心血管事件预测的个体化实时性需求及其数据特点，研究现有模型的总体架构及其局限性，提出融合人口统计学信息、实验室检查数据、临床诊断结果和躯感网生理行为参数信息的实时预警雏形:通过研究基于躯感网的重要危险因素无扰式实时监测技术，为躯感网信息在心血管事件实时预测中的应用提供研究基础;通过基于非线性非参数智能机器学习方法的生存模型，识别重要危险因子及其与事件发作内在关系，并提高预警模型准确性;通过考虑躯感网生理参数的融合手段，为心血管事件的实时预警体系提供技术支撑。　　其次，针对运动状态在异常心电分析中的有效性，研究面向躯感网应用的低功耗泛在式运动状态实时检测方法，以有效应用于心血管事件的实时监测及提高心电异常现象识别效果中。主要包括:利用躯感网中央处理节点常用的智能手机中内置传感器，提取其统计学特征用于五种运动状态（静止、走路、跑步、上楼、下楼）的分类;基于所采集运动数据，研究三种机器学习方法（朴素贝叶斯、支持向量机、决策树）在区分五种状态的识别率和时间复杂度;选择最优分类器，以用于情境感知心电中所涉及的运动状态识别中。　　再次，针对长时连续心电监测在心血管事件预测中的重要性，基于上述所研究的运动识别方法，提出一种低功耗情境感知心电系统，以实现情境心电的实时监测和异常心电状况的自动分析:基于所研究的低功耗心电传感器和智能手机，提出情境感知心电系统整体架构，以提高心电异常现象的识别率;基于心电传感器所监测单导心电信号，提出心律失常现象计算机辅助诊断标准及分析方法;基于利用智能手机所监测的人体运动状态，评估融合情境信息对于提高心律失常现象诊断效果的性能。　　第四，针对心血管事件的高精确早期预警建模及高灵敏危险因素发现，研究基于非线性非参数智能机器学习方法的生存模型，解决现有基于统计学方法的参数半参数生存模型变异程度高、依赖先验知识假设的缺点，以识别重要风险因子及其与事件发作的复杂关系。随机森林是一种有效的可取代参数半参数模型的方法，本论文研究了其在心血管事件早期预警建模中的应用:融合人口统计学信息、实验室检查数据、临床诊断结果和用药信息，建立了基于随机生存森林的心律失常患者死亡事件的综合早期预警模型;基于随机生存森林所发现的重要危险因子，建立面向临床应用的心律失常死亡最优化模型;与Cox模型进行比较，验证随机生存森林在发现重要危险因素及提高预测精确性方面的性能。　　第五，针对上述随机生存森林对于个别特异性风险因子（具有较少人群的变量）识别能力较差的缺点，提出改进的随机生存森林算法并分析其在心血管事件预测中的有效性:研究基于相对风险率的生存树分支准则及终止条件，以有效区分高风险人群（具有较大累积风险率）和低风险人群（具有较少累积风险率），并基于此提出一种改进随机生存森林方法;基于所提出的改进随机生存森林方法，综合考虑了人口统计学信息、实验室检查数据、临床诊断结果和用药信息，建立一年内心力衰竭患者死亡事件的早期预警模型;与传统随机生存森林及现有心衰死亡预警模型比较，验证所建立模型在预测准确性、识别重要危险因子及重现各危险因子与心衰死亡事件内在关系上的效果。　　最后，总结了本文的工作并明确了后续研究的目标。