1.一种基于Kernel‑CNN的心电信号识别分类方法，其特征在于，包括以下操作：

1)构建由输入层、核变换卷积层、池化层、全连接层以及输出层组成的核卷积神经网络，其中，输入层接收心电信号，核变换卷积层是在卷积层中加入核变换操作以提取心电信号中的数据特征，池化层对提取到的数据特征经过池化操作降维，全连接层是将降维的数据特征综合起来，输出层输出分类结果及概率；

设输入的心电信号为矩阵A，其中一个核变换卷积核为矩阵B，所述的核变换卷积层的核变换卷积过程为：

k k

对输入的心电信号和核变换卷积核分别作核变换得到高维空间图A和高维空间核B；

k

将高维空间图A按照高维空间核的大小以固定步长划分为n×n个矩阵；

k k

对高维空间图A中每一个矩阵 和高维空间核B进行卷积运算，将每个矩阵卷积的结果表示为Cnn；

则核变换卷积后的结果表示为矩阵C；

输出层采用softmax函数将多个神经元的输出映射到(0,1)区间，这些数值为心电信号分类结果的概率且概率总和为1；

2)对构建的核卷积神经网络利用训练集进行以下学习训练：a、将每一个心电数据的损失表示为loss＝‑log(pi)，pi为第i个心电信号输出层对应类别的概率，选用包括正常搏动型、左束支传导阻滞型、右束支传导阻滞型、室性早搏型以及房性早搏型这五类心电信号的训练集进行训练，每类数据含多个样本；每次迭代后所有数据的损失为LOSS， 其中I为类别，J为每种类别的样本数量；

b、利用反向传播调节核卷积神经网络参数，在核卷积神经网络前向传播后，得到每一层每一个节点的输出值，然后确定核卷积神经网络的损失函数LOSS，在输出层计算出输出和样本值的残差，并分别计算出其他各层各节点的残差，最后分别求出损失函数对于权值和偏置的偏导数，根据梯度下降法更新权值和偏置；经过多轮迭代核卷积神经网络达到收敛状态，得到优化的核卷积神经网络参数；

c、观察 多轮迭代后的训练集和测试集的LOSS值，选取LOSS值最小时的核函数参数σ取值；

3)将未知类型的心电信号输入训练好的核卷积神经网络，输入的信号依次经过核变换卷积层、池化层、全连接层的处理，由输出层的softmax函数输出各分类结果的概率，并以概率值最大的类型作为心电信号分类的结果。

2.如权利要求1所述的基于Kernel‑CNN的心电信号识别分类方法，其特征在于，所述的核卷积神经网络的参数设置包括：核变换卷积核的个数， 核变换卷积核的大小，核变换卷积核的步长，池化层的步长以及全连接层的大小。

3.如权利要求2所述的基于Kernel‑CNN的心电信号识别分类方法，其特征在于，设置核变换卷积核的个数为20，大小为21个采样点，核变换卷积核的步长为1个采样点，池化层步长为2个采样点，全连接层为50个神经单元。

4.如权利要求1所述的基于Kernel‑CNN的心电信号识别分类方法，其特征在于，核变换卷积中核函数采用RBF核函数：

2 2

K(x,x')＝exp(‑||x‑x'||/2σ)          (4)其中，σ为核半径且σ＞0。

5.如权利要求4所述的基于Kernel‑CNN的心电信号识别分类方法，其特征在于，RBF核函数中参数σ取值为3.27。

6.如权利要求1所述的基于Kernel‑CNN的心电信号识别分类方法，其特征在于，输出层的输出分类包括正常搏动型、左束支传导阻滞型、右束支传导阻滞型、室性早搏型以及房性早搏型；选择概率值最大的类型作为核卷积神经网络对输入的心电信号的 分类结果。