心血管疾病死亡率高、起病隐匿且患病人数众多,给当前医疗系统带来了严峻考验。早期心血管病患者会出现无症状的心率突变,因此,心率突变和心血管疾病关系密切。对由心率数据构成的时间序列进行建模,预测心率变化规律,当人体心率出现突变时,心率预测值和实测值会出现较大的误差;通过分析这种误差,为突变心率检测奠定基础,这对于心血管疾病的及时发现和早治疗具有重大意义。为了捕获心率变化的规律,提高心率时间序列预测的精度,本文针对心率时间序列,主要开展了如下研究:针对单一模型在心率时间序列预测任务中预测效果不理想的问题,提出了基于LSTM-BiLSTM-Att模型（Long Short-Term Memory,Bidirectional LSTM,Attention Mechanism）的心率预测方法。LSTM具有记忆长距离信息状态的能力,BiLSTM通过将数据按时间顺序和倒序,训练两次,能够充分捕获心率数据的前后向关联特性。因此,将LSTM与BiLSTM组合成LSTM-BiLSTM模型,以获得更好的建模效果。为了降低心率信息的丢失,在LSTM-BiLSTM中加入注意力机制,使心率关键信息获得更高的权重,消除心率数据中其它噪声的干扰,最终构建成LSTM-BiLSTM-Att模型。为了进一步提升心率预测精度,提出了基于CEEMDAN-LSTMBiLSTM-Att模型（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise LSTM-BiLSTM-Att）的心率预测方法。该方法使用CEEMDAN分解算法将复杂的心率时间序列预测问题转化成多个相对简单的固有模态函数（Intrinsic Mode Function,IMF）分量序列预测子问题。使用LSTM-BiLSTM-Att模型分别对经CEEMDAN分解后的心率子序列进行建模,得到对应的IMF分量子序列预测结果,最后将所有预测结果进行线性求和得到最终预测结果。使用睡眠状态下的志愿者心率数据对上述方法进行仿真验证。实验表明,采用LSTM-BiLSTM-Att模型的预测误差低于前馈神经网络（FNN）、LSTM、BiLSTM以及LSTM-BiLSTM模型。另一方面,利用CEEMDAN-LSTM-BiLSTM-Att模型进行心率预测。实验表明,CEEMDAN-LSTM-BiLSTM-Att模型的心率预测均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）等是LSTM-BiLSTM-Att模型的9.86%、31.43%和30.45%,大大提高了心率预测准确性,为心率突变检测奠定了基础。