心脏病由于心脏所处位置以及心肌细胞的特殊性常对人类健康产生较大威胁。利用与心脏病有关的医疗指标信息预测心脏病的状态能够为人们提供风险参考,为预防和治疗心脏病争取时间,降低消耗的医疗资源。目前,对心脏病的预测主要集中于使用如支持向量机等机器学习分类算法,以其他测得的医疗指标如是否发生运动性心绞痛作为输入,预测是否有患心脏病的风险,通过调整算法的参数可以取得较好的预测效果。机器学习算法的训练效果不仅受模型本身的影响,训练数据也是重要的影响因素。但多数研究使用的心脏病预测有关的医疗数据,样本量比较小,训练数据集应该足够丰富才能使得由此训练出的模型具有良好的稳健性,缺乏数据将导致部分信息的缺失而在相关模型的训练过程中造成不利的影响。生成对抗网络由于其采用生成器与判别器之间不断进行博弈这一特殊的训练策略,使得原始数据中所包含的概率分布等信息能够充分地被捕获到,并产生与之分布相当近似的合成数据,在数据增强方面具有很大潜力。本文将一种生成对抗网络TGAN应用到心脏病预测问题中,学习原始数据的概率分布,以期从增强训练数据的角度提高分类算法的训练效果。TGAN在整体结构上由生成器即长短时记忆网络以及判别器即多层感知机两部分组成,当训练达到纳什平衡时,即可产生与原始数据分布相似的合成数据,将其加入到原始数据中,从而增强训练数据。在此基础上训练分类算法。结果显示,在训练集中加入合成数据后,决策树、随机森林和支持向量机的预测准确率相比于仅由原始数据训练时有所提升。在描述算法性能的AUC和F1-Socre等指标上,在含有合成数据的训练集上的算法相比于原始数据均有更好的表现。上述结果表明,通过产生高质量的合成数据增强训练数据集,能够有效提高分类模型的训练效果。本文还讨论了加入的合成数据的量对算法训练效果的影响。本文虽以心脏病数据为研究对象,但本次尝试显示出生成对抗网络高效的增强数据的能力,能够类似地应用到其他存在数据缺失的问题中,以提升训练集的数据质量。