高血压是心脑血管疾病最主要的风险因素,是全球范围内的重大公共卫生问题。高血压在我国具有患病率高和控制率低的特点,造成过早死亡和沉重的经济负担。运动作为预防和辅助控制高血压的基本手段,其有效性已被众多科学研究所证实。在我国基层开展高血压的运动干预,需要解决的问题是,第一,如何准确识别高血压高风险人群,实现“干预前置、预防为主”;第二,针对大量不习惯使用穿戴设备的人群,如何实现运动强度的有效把控。针对此,研究者已提出一系列的预警模型,并探究了多种运动强度控制方法。然而,目前的研究还存在一些难点,如现有的预警模型存在灵敏度低、预测变量采集复杂及预警周期长等问题。同时,对于运动强度的准确把控,也缺乏简易且有效的方法和手段。因此,本研究针对高血压预警模型灵敏度低等问题,提出了改进的算法框架以提高预警模型的准确性和适应性。提出了集影响因素探究和模型构建于一体的算法,基于个体健康体征,构建零负荷运动强度控制方法,并通过实地试验验证新方法的有效性。最后,通过研究的高血压预警模型筛查出一定数量的高血压高风险人群,并针对其开展为期数月的零负荷运动干预,研究零负荷运动干预与高血压风险降低的量效关系。主要研究内容和创新点总结如下:1.基于简易风险因素的高血压风险评估方法研究提出了一种单变量逻辑回归分析和优化的随机森林相结合的高血压风险评估方法。采用单变量逻辑回归分析准确地识别高血压的关键风险因素。开发了一种超参数自适应的随机森林算法,使得评估模型能够自动匹配到最优的超参数上,提升模型的性能。通过计算各风险因素对模型性能的贡献,提出了一种特征重要性分析方法,可用于增强评估模型的可解释性。该方法的创新能有效融合利用包含生活方式信息的简易风险因素,自动提取对高血压有显著影响的特征,从而实现对当前高血压患病风险的准确、可解释地评估。临床数据上的实验结果表明,所提出的风险评估方法能有效提高预测精度和适应性,并适用于基层社区的高血压二级预防需求。2.未来一年高血压发病风险预测框架研究提出了一种基于XGBoost的未来一年高血压发病风险预测算法框架。通过计算分析不同标签样本之间的欧式距离,提出一种针对有标签数据的噪声数据去除算法,提高原始采集的数据质量。发展了一种融合单变量逻辑回归和变量重要性分析的特征选择方法,用以准确识别未来一年高血压发病的风险因素。进一步地,结合贝叶斯理论对XGBoost分类器的超参数进行了自动调优,最终使用优化的XGBoost分类器构建未来一年高血压发病风险预测模型。临床数据集上的对比实验,验证了所提出算法框架的有效性和优越性。研究为在基层社区的高血压一级预防中筛查出高危人群提供了方法和工具支撑。3.基于健康体征指标的零负荷运动强度控制方法研究提出一种机器学习算法探究心率（HR）与主观疲劳感受（RPE）之间关系的影响因素,并构建HR与RPE的转换模型。考虑人口统计学、人体测量学、体成分、心血管功能、基本运动能力等健康体征指标对RPE与HR关系的可能影响,该方法通过前向搜索研究影响因素,并采用高斯过程回归（GPR）构建HR与RPE的转换模型。通过对一定数量的功率车运动数据采集和研究发现,年龄、RHR、CAP、BFR和BMI是HR与RPE关系的影响因素。对比实验表明,所提出方法提高了使用RPE代替HR控制运动强度的准确性,基于此,可实现零负荷运动强度控制。同时,首次研究了零负荷运动强度控制方法在大规模人群的自由锻炼中的有效性,并在普通健康人群中开展了运动干预跟踪研究。研究为面向高血压高危人群开展运动干预提供了方法和实证支撑。4.高血压高风险人群的早期识别和运动干预为了在高血压患病高风险人群中研究运动干预与高血压风险降低的量效关系,验证提出的预警模型和零负荷干预方法的有效性,本研究在合肥市三孝口社区的常规体检人群中,利用构建的未来一年高血压发病风险预测模型筛查出63名高风险人群（年龄:24-69岁,平均年龄:41岁）,并针对其开展为期三个月的零负荷运动干预。研究发现,经过一段时间的运动干预,男性和女性受试的健康指标都有了不同程度的改善,血压及高血压风险因素显著改善,高血压患病风险显著降低（P＜0.001）。研究结果表明,通过本文研究的高血压预警方法能有效在基层居民中筛查出高血压高风险人群,通过零负荷运动干预改善了高血压风险因素,降低了高血压患病风险。