心脑血管疾病现今已成为影响人类生命健康的第一大杀手,造成心脑血管的因素有很多,医生们会根据各种详细医学报告进行诊断。随着人工智能的崛起,深度学习已经被运用到各个领域且有不错的效果。同样在医疗领域深度学习也被用来进行疾病的风险预测及判断,但其在处理复杂数据时的预测精度仍有待提高。本文主要针对心脑血管疾病预测进行研究,使用改进遗传算法从原始样本数据中提取特征属性数据,将特征属性数据用于深度神经网络并对心脑血管疾病进行预测,具体工作包括两个方面:(1)通过改进遗传算法来选择样本数据的特征属性。本文提出了一种基于CFS和改进精英遗传算法的组合算法(CFS-EGA)来改善遗传算法存在的局部收敛、运行效率较低、以及种群适应度低等问题。采用存优去劣的选择算子来保存优秀个体,避免退化现象的发生,加快遗传进化速度。全局搜索能力通过引入变异运算、自适应的交叉以及在交叉运算过程中引入相识度的思想来提高遗传算法得以实现。最后进行实验对比GA、CFS-GA和CFS-EGA的特征属性选择结果。结果显示,CFS-EGA算法相较于GA和CFS-GA特征属性选取能力更好。(2)提出一种将深度信念网络(DBN)与长短时记忆网络(LSTM)相结合的改进型神经网络DBN-LSTM。使用CFS-EGA处理好的特征属性子集进行训练,训练DBN-LSTM过程中对上层DBN进行隐藏层层数最优选择测试。同时,通过田口方法来选择下层LSTM超参数,同时结合验证集来确定LSTM的超参数。构建深度神经网络(DNN)、卷积神经网络(CNN)、长短时记忆网络(LSTM)用来与DBN-LSTM进行对比分析。使用分类的方法对两次实验最终结果的平均值进行比较,结果表明,DBN-LSTM心脑血管疾病预测精度达到95.61%,高于三个传统神经网络。最后采用回归的方法对比DBN-LSTM与LSTM在面对不同数量特征属性子集时的预测能力与稳定性,证明了DBN-LSTM比LSTM的性能更优更稳定。