1.一种多任务级联神经网络ECG信号心律失常疾病分类模型，其特征在于，所述疾病分类模型通过以下步骤建立：S1、建立级联神经网络模型，具体包括：

S11、建立卷积模块，所述卷积模块处理t-k时刻的ECG信号，获取t-k时刻的ECG信号中的心博特征；

S12、建立特征表达模块，对所述t-k时刻的ECG信号中的心博特征进行特征表达；

S13、对所述t-k时刻的特征表达进行第一级softmax计算，判断形态异常的心律失常；

S14、根据上述步骤处理t-k至t时间段的ECG信号，获取多组心博特征表达；

S15、建立长短时记忆模块，所述长短时记忆模块处理所述多组心博特征表达，获得所述多组心博特征表达之间的关联表达；

S16、通过所述关联表达判断异常心律类别；

S2、对所述级联神经网络模型进行训练。

2.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述S11，具体包括：处理ECG心电数据的输入，ECG信号以一维向量的形式进入该模块，并且卷积模块对ECG信号进行卷积计算，获取ECG信号中的心搏特征；

所述卷积模块计算方法为：

其中，ω为卷积核参数，x为信号输入，b为每个卷积计算的偏置量，ReLU为激活函数，pool代表了池化函数。

3.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述S12，具体包括：卷积模块处理后提取的特征经过全链接转换成一维向量，该一维向量为提取的ECG心搏特征的特征表达；

所述特征表达的计算方法为：

y＝Relu(h*ω+b)，

其中，h是卷积计算的输出，ω为特征表达的连接权重，b为该层的偏置量。

4.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述第一级softmax计算为：其中，yi是特征表达向量的第i个元素， 是输出概率向量的第i个元素。

5.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述S16，具体包括：使用第二级softmax函数处理关联表达，所述第二级softmax函数计算为：其中，这里的yi是记忆模块的特征表达向量的第i个元素，得到的结果 是输出概率向量的第i个元素。

6.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述S2包括：计算心博识别的损失函数；

根据所述心博信号的损失函数调整卷积模块和特征表达模块的权重。

7.如权利要求6所述的ECG信号心律失常疾病分类模型，其特征在于，所述“计算心博识别的损失函数”，具体包括：在训练卷积模块时，卷积核参数朝向交叉熵损失函数不断减小的方向变化；交叉熵损失函数：(6)其中，表示心拍特征所属的类别概率；s为标签向量one-hot编码。

8.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述S2包括：计算心律识别的损失函数；

根据所述心律识别的损失函数调整长短时记忆模块的参数，所述长短时记忆模块的参数具体包括：遗忘门、输入门、状态参数和输出门。

9.如权利要求8所述的ECG信号心律失常疾病分类模型，其特征在于，所述“计算心律识别的损失函数”，具体包括：在训练长短时记忆模块时，遗忘门、输入门和输出门参数朝向交叉熵损失函数不断减小的方向变化，交叉熵损失函数：其中，表示心律信息所属的类别概率，a为标签向量。

10.一种ECG信号心律失常疾病分类方法，其特征在于，基于权利要求1-权利要求9中任一项所述的ECG信号心律失常疾病分类模型。