陣發性心房顫動（PAF）的風險預測是生物醫學工程領域的難題。本研究綜合了機器學習特征工程和深度學習端到端建模的優勢，提出了基于多模態特征融合的PAF風險預測方法。同時，本研究使用了四種不同的特征排序方法和Pearson相關性分析來確定最優的多模態特征集合，并使用隨機森林進行PAF的風險判斷。本研究的方法在公開數據中達到了（92.3 ± 2.1）%的準確率和（91.6 ± 2.9）%的F1分數。在臨床數據中達到了（91.4 ± 2.0）%的準確率和（90.8 ± 2.4）%的F1分數。提出的方法實現了多中心數據集的泛化并具有良好的臨床應用前景。