心电图 (ECG) 和心音图 (PCG) 在心血管疾病的早期预防和诊断中起着重要作用。随着机器学习技术的发展，从心电图和 PCG 检测心血管疾病已引起广泛关注。然而，目前可用的方法大多基于单一数据资源。开发有效的多模态机器学习方法来预测和诊断心血管疾病是可取的。在这项研究中，我们提出了一种基于 ECG 和 PCG 特征预测心血管疾病的新型多模态方法。通过构建传统的神经网络，我们分别提取 ECG 和 PCG 深度编码特征。遗传算法用于筛选组合特征并获得最佳特征子集。然后支持向量机做出分类决策。实验结果表明，与使用单模态特征ECG和PCG相比，该方法在使用多模态数据资源时的性能达到了0.936的AUC值。

该数据集是由 PhysioNet/CinC Challenge 在 2016 年组装的真实数据集开发的。原始数据集可以从网站 (http://www.physionet.org/challenge/2016/) 下载。