清晨醒來時刻前后是心血管疾病（CVD）事件發生的高峰期，這一點很可能與夜間睡眠結束時交感神經活動的激增有關。本文以 70 位在兩年隨訪期內發生了 CVD 事件和 70 位未發生 CVD 事件的 140 位受試者為研究對象，提出了一種兩層模型方法以探究覺醒前的心率變異性（HRV）特征是否有利于兩類受試者的區分。在該方法中，第一層采用極端梯度提升算法（XGBoost）構建分類器，通過評估該分類器的特征重要性實現特征篩選；篩選出來的特征作為第二層模型的輸入來構建最終的分類器。在第二層模型中，比較了 XGBoost、隨機森林和支持向量機三種機器學習算法，以確定基于何種算法建立的模型可以得到最優的分類效果。研究結果顯示，基于覺醒前 HRV 特征構建的 XGBoost+XGBoost 模型性能最優，準確率高達 84.3%；在所使用的 HRV 特征中，非線性動力學指標在模型中的重要性優于傳統的時域、頻域分析指標；其中尺度 1 下的排列熵、尺度 3 下的樣本熵較為重要。本研究結果對 CVD 的預防、診斷以及 CVD 風險評估系統的設計有著積極的參考價值。