1.一种基于DWNN框架的心电信号的识别方法，其特征在于，包括以下操作：

1)构建包括深层特征构造模块、全连接层和输出层的DWNN框架模型，其中深层特征提取模块包括n个由小波层和池化层构成的子模块，心电信号交替进入小波层和池化层，小波层通过小波分解和随机加权重构提取出心电信号中的深层数据特征，池化层对提取到的深层数据特征进行池化降维，交替处理后得到小波构造的深层特征；全连接层将小波构造的深层特征综合后交给输出层；输出层采用softmax函数输出心电信号分类概率；

所述的小波层采用二维离散小波变换对输入的心电信号进行分解，得到多个子图像；

然后对子图像进行p次随机加权再进行小波逆变换，重构得到p张小波特征图，p是大于等于

1的整数；

所述的池化层是将重构的小波特征图进行降维操作，去除冗余信息；

2)对构建的DWNN框架模型利用训练集，通过前向传播进行学习训练，并通过反向传播调节各层的网络权值和小波重构时的权重，用损失函数来度量，多轮迭代后使得预测结果与实际结果误差最小；

所述的DWNN框架模型的学习训练采用以下操作：

21)前向传播：前向传播是输入的原始图像信号从小波层开始，最后到softmax层的变换，实现特征的自动提取和预分类；

22)反向传播：用于调节各层的网络权值，并用下式的损失函数来度量，使得预测结果与实际结果误差最小；

其中，y为softmax函数的输出，t为真实结果，k为分类的个数；t用one‑hot表示：正确标签的概率值为1，其余标签的概率值为0；

采用梯度下降法进行反向传播，在修正各层权值时，更新偏置系数、全连接层权重和小波重构特征图时的权重；

每迭代一次训练数据集，使用Loss值观察模型的分类效果，Loss值计算为：式中，Pi表示第i张图像通过分类模型后对应的分类概率；

3)将心电信号输入训练好的DWNN框架模型，依次经过小波层、池化层、全连接层的处理，由输出层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识别的结果。

2.如权利要求1所述的基于DWNN框架的心电信号的识别方法，其特征在于，所述小波层在分解时将心电图像分解成四个子图像：原图的近似值、水平细节、垂直细节和对角线细节；其中，信号能量主要集中在低频部分，而高频部分是图像细节；再将四个子图像进行小波逆变换得到近似原图的小波重构图。

3.如权利要求1所述的基于DWNN框架的心电信号的识别方法，其特征在于，心电信号在进入小波层时，小波变换可以采用任意的n层小波分解；

心电信号交替进入小波层和池化层，直到上一层池化后的数据尺寸不再可以进行小波分解为止；每增加一个小波层，重构的特征图的个数变为前一层的s倍，最后一个池化层生成特征图的个数为(p*q*…*s)，其中，p,q,…,s≥1。

4.如权利要求1所述的基于DWNN框架的心电信号的识别方法，其特征在于，所述的全连接层中含有m个神经元数，全连接层将小波构造的深层特征进行提纯和综合，然后交给输出层；

所述的输出层采用softmax函数进行分类识别，softmax函数将输入映射为0‑1之间的实数，输出是每个分类被取到的概率。

5.如权利要求1所述的基于DWNN框架的心电信号的识别方法，其特征在于，所述的训练集采用MIT‑BIH数据库中的五类标注心电图信号，包括为正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏、室性早搏和起搏心搏；每种类型分别选取840个心拍数据作为训练模型使用，160个测试数据作为评估模型使用。

6.如权利要求1所述的基于DWNN框架的心电信号的识别方法，其特征在于，输出层的输出分类包括正常搏动型、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DWNN框架模型对输入的心电信号作为分类识别结果。